展博增长实验室#
面向出海游戏 Studio 和增长团队，提供 UA 买量诊断、发行/投放平台建设、A/B 实验与 AI Agent 增长系统咨询。
我关注的不是再做一个 dashboard，而是帮助团队回答三个问题：
- 现在的 ROI、CPI、ROAS、LTV 到底准不准？
- 钱浪费在哪里，扩量机会在哪里？
- 团队能否把优化师经验沉淀成可复跑的增长系统？
我能提供什么#
- UA Growth Data Diagnostic：从媒体后台、MMP、SDK 事件、BI 聚合四条链路诊断买量增长问题。
- 发行/投放平台建设咨询：从统一数据底座、ROI360 看板、素材管理、批量创编到策略引擎和 Ad Agent。
- A/B 实验与增长测量体系：流量分层、实验管理、统计分析引擎、指标体系与 Agent-ready Measurement。
查看服务 · 查看案例 · 关于我
适合谁#
- 月消耗已经达到一定规模，但 ROI 波动、数据口径争议大的出海游戏团队
- UA 团队 2–10 人，优化师仍依赖多个后台和经验做日常决策
- 已经有 BI 或 MMP，但缺少统一指标口径、归因链路和策略复盘机制的团队
- 准备从「人肉看数 + 手工操作」升级到「数据驱动 + AI 辅助决策」的增长团队
方法论#
| 层级 | 关键问题 | 典型交付 |
|---|
| 数据可信 | 数据准不准 | 数据链路诊断、指标口径、归因对账 |
| 买量效率 | 钱花得好不好 | Campaign 结构、预算分配、素材生命周期分析 |
| 决策系统 | 团队如何做决策 | ROI360、红绿看板、异常预警、Action Tracking |
| 策略自动化 | 经验如何沉淀 | 规则引擎、策略模板、UA Monitor / Ad Agent |
公开文章#
我会持续把出海买量、实验平台、数据产品和 AI Agent 增长系统的研究整理成文章。你可以从 文章 开始阅读。
案例：A/B 实验平台与实验文化建设 背景 我在内容、电商、游戏等场景中参与过实验体系建设和方法论推广。实验平台的挑战通常不是单个功能，而是技术、统计、流程和组织文化同时成立。
常见问题：
有配置中心，但没有完整实验生命周期 有 p-value，但业务不知道如何解释实验结论 有大量实验，但流量互斥、正交、分层不清晰 有短期指标提升，但长期留存、变现、用户体验被忽视 实验结果没有沉淀，团队重复踩坑 解决框架 流量管理：Hash 分流、正交分层、互斥实验、联合实验、条件分流 实验管理：假设、目标指标、护栏指标、审核、发布、灰度、回滚、归档 统计分析：Welch’s t-test、Z-test、Delta Method、CUPED、MDE、多重比较校正 指标体系：北极星指标、核心指标、护栏指标、长期指标 组织推广 实验平台要真正有效，必须让产品、算法、运营和管理层对「什么是可信结论」形成共同语言。
案例：策略产能，投放团队的第二增长曲线 什么是策略产能 策略产能 = 投放团队把数据、经验和判断转化为有效增长动作的能力。
它不等于操作时长，也不等于 campaign 数量，而是团队能否持续回答：
哪些 campaign 应该扩量？ 哪些 GEO 被低估？ 哪些素材正在疲劳？ 哪些出价和预算动作有效？ 哪些经验可以沉淀为规则和模板？ 诊断指标 指标 含义 人效消耗 月总消耗 / 优化师人数 策略时间占比 策略判断时间 / 工作时间 新人上手周期 新优化师多久能独立管盘 动作复盘率 调价、暂停、扩量、换素材后是否追踪效果 策略复用率 是否有可复用的规则、模板和 playbook 提升路径 减操作：批量创编、模板化 campaign、自动导数、命名规范。 推信号：ROI 红绿看板、异常预警、素材疲劳检测、机会清单。 沉策略：策略模板库、动作审计日志、Action Tracking、规则引擎与 Agent 建议草案。
案例：出海游戏 UA 增长数据诊断 背景 出海游戏团队在规模化买量后，常见问题不是「没有数据」，而是数据太多、口径太散、系统之间互相解释不清。
媒体后台、MMP、BI 的 spend、install、revenue、ROI 对不上 Campaign 命名和层级变化导致 cohort 历史不可比 iOS SKAN、user-level 归因和广告变现收入混在一起解释 优化师每天看多个后台，但动作缺少效果追踪 核心判断 买量诊断不能只看 ROI 报表，要同时检查广告平台、MMP 归因、游戏事件和 BI 决策四条链路。
方案 建立一次本地诊断数据房间，围绕四个评分输出：
Data Trust Score：数据可信度 UA Efficiency Score：买量效率 Attribution & Event Chain Gap：归因和事件链路缺口 Decision System Maturity：决策系统成熟度 可复用方法 先做 read-only 诊断，不直接改后台 原始数据、本地脚本、指标口径和图表全部可复跑 区分管理层看板、UA Lead 看板和优化师工作台 每个投放动作必须形成 action tracking：动作前、动作后、预期、结果
案例：发行/投放平台从 L1 到 L4 背景 成熟出海发行团队的增长系统通常不是从零开始，而是在大量工具、报表、后台和手工流程之上继续增长。
典型现状：
优化师在媒体后台、MMP、BI、变现平台之间来回切换 素材、campaign、GEO、媒体、包体之间缺少统一模型 老 BI 报表很多，但缺少统一指标合同和业务解释 对账、充值、授信、权限、API token 等后台能力被低估 业务希望 AI Agent 自动优化，但底层数据和动作记录还不完整 能力分层 层级 状态 核心能力 L1 信息可见 统一看数、基础 ROI、素材效果、账户余额 L2 数据整合 媒体 API、MMP 入仓、cost / revenue 对齐、SKAN 处理 L3 效率工具 批量创编、素材挂载、跨媒体操作、账户财务对账 L4 策略辅助 红绿看板、异常预警、素材疲劳、投放健康度 L5 策略自动化 规则引擎、自动执行、跨媒体预算协同、Agent 闭环 经验总结 平台不是功能堆叠，而是决策链路设计 先解决数据可信，再谈 AI 自动化 对业务方要用 Quick Win 换长期能力建设空间 对管理层要用 ROI、人效、风险降低讲平台价值