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。
增长不是一次灵感，也不是某个爆款素材、某个新渠道、某个产品改版带来的偶然结果。
真正可持续的增长，来自一套能够不断提出假设、验证假设、沉淀结论、再继续迭代的实验体系（贝叶斯方法）。
我想用一句话概括这个观点：实验即增长。 这也是展博增长实验室推出的产品（实验&增长咨询服务，面向内容、电商、游戏等行业提供实验&增长的诊断、咨询、平台建设、业务陪跑等服务）。
尤其在出海游戏行业，这句话更接近现实。因为出海游戏面对的是高度不确定的市场：不同国家、不同文化、不同平台、不同买量环境、不同用户付费习惯，都可能让同一个产品表现出完全不同的增长曲线。
在这种环境下，企业不能只依赖经验判断，而要依赖实验。
一、为什么说“实验”是增长的基础？ 科学的基础不是“我觉得”，而是“可论证”。
从证据可信度来看，我们可以看到一个从低到高的金字塔：案例研究、观察研究、类实验、随机控制实验，以及更高层级的统合分析。
这些方法形式不同，但本质上都在回答同一个问题：
某个变化，是否真的带来了结果？
在商业增长里，这个问题尤其关键。
比如：
留存提升，是因为新手引导改得更好，还是因为这批用户质量本来更高？ ROI 提升，是因为素材策略有效，还是因为渠道算法短期波动？ 付费率提升，是因为礼包设计更合理，还是因为活动期间用户天然更愿意付费？ 如果没有实验体系，团队很容易把相关性误判为因果关系，把短期波动误判为方法论，把偶然成功误判为可复制能力。
所以，增长团队真正需要的不是更多“拍脑袋的优化建议”，而是一套持续验证因果关系的机制。
二、为什么增长离不开实验？ 增长是所有商业组织前进的动力。
但增长本身不是一个单点问题，而是一组连续问题：
如何让更多用户看到产品？ 如何让用户愿意下载或进入游戏？ 如何让用户留下来？ 如何让用户持续活跃？ 如何让用户付费？ 如何让 LTV 高于获客成本？ 这些问题之间相互关联，任何一个环节的改动，都可能影响整体增长效率。
在出海游戏里，增长链路尤其长：从素材、广告、商店页、下载、首日体验、新手引导、核心循环、活动运营、付费设计，到广告变现和再营销，每一步都有优化空间。
这也是为什么我认为：
增长不是找到一个答案，而是建立一套不断找到答案的系统。
这个系统的核心，就是实验。
三、出海游戏公司的四类典型实验场景 如果把出海游戏公司的增长拆开看，实验至少会发生在四个关键场景里：用户体验、产品特性、买量与营销效率、商业化收益。
1. 用户体验实验：优化玩家进入游戏后的第一感受 用户体验实验关注的是：用户是否愿意继续玩下去。
常见实验包括：
新手引导流程调整 首局难度设计 UI 布局优化 任务系统节奏 奖励反馈强度 核心玩法教学方式 衡量指标通常包括：
游戏时长 次日留存、七日留存 对局数 关卡完成率 GMV 或早期付费转化 用户流失节点 例如，一个休闲游戏可能会测试两种新手引导：一种是强引导，明确告诉用户每一步怎么操作；另一种是弱引导，让用户更快进入核心玩法。
表面上看，强引导更“清楚”；但实验结果可能显示，弱引导让用户更快获得乐趣，反而提升了留存。
这就是实验的价值：它能帮助团队摆脱主观偏好，回到用户真实行为。
2. 产品特性实验：探索产品该往哪里发展 产品特性实验关注的是：产品是否真正解决了用户需求。
常见实验包括：
新玩法模块 社交系统 排行榜 活动机制 关卡类型 道具系统 个性化内容推荐 这类实验不只是验证“功能有没有用”，更重要的是帮助团队判断产品方向。
...
展博增长实验室方法论：实验即增长
关键词：产品增长、买量增长、商业化增长、系统构建
很多准备出海做休闲游戏的小 studio，最容易犯的错误，是把增长理解成「买量」。
产品上线，接 SDK，开广告账户，投 Meta、Google、TikTok，看 CPI 和 ROAS。数据不好，就换素材、换国家、换出价；再不好，就归因于「产品不行」或者「现在买量太贵」。
这个判断不完全错，但它太粗。
真正的问题通常不是「有没有买量」，而是：
你有没有一套能让产品、买量、商业化持续互相校准的增长系统。
对小团队来说，增长不是一个部门，也不是一个岗位，而是一套实验体系。产品实验提高留存，商业化实验提高 ARPU，买量实验验证规模化可能。三者合在一起，才构成休闲游戏出海的增长闭环。
这就是展博增长实验室的第一个实操方法论：
三元增长模型：产品 × 买量 × 商业化。
一、小 studio 为什么不能只谈买量？ 休闲游戏出海看起来门槛低：玩法轻、开发快、IAA 变现路径清晰、全球市场可测试、买量平台也成熟。
但真正跑起来后，小团队通常会卡在三个地方：
买来的用户留不住
CPI 看起来还能接受，但 D1、D7 留存不达标。预算越放大，亏损越明显。
有 DAU，但广告收入撑不起买量
用户愿意玩，但广告 ARPU、eCPM、填充率、展示频次没有被系统优化，看起来有流量，实际 LTV 不够。
有局部收入，但不知道怎么放大
某些国家、素材、渠道跑得不错，但团队不知道结果来自哪里。预算一放大，ROAS 就掉。
所以，小 studio 的增长起点，不应该是「我要不要加预算」，而应该是：
我有没有能力用实验不断回答三个问题：用户为什么留下来？用户能贡献多少钱？什么样的用户值得买？
二、三元增长模型：产品、买量、商业化是一套闭环 对休闲游戏来说，增长可以拆成三个引擎。
增长引擎 核心问题 关键指标 产品增长 用户为什么愿意继续玩？ D1/D7/D30 留存、时长、关卡通过率 买量增长 什么用户可以被稳定买进来？ CPI、ROAS、LTV/CAC、素材转化率 商业化增长 每个用户能产生多少收入？ 广告 ARPU、广告 LTV、eCPM、填充率 很多团队的问题，是把这三件事分开看：产品只看玩法，买量只看 CPI，商业化只看广告收入。
但真实增长里，它们是互相决定的：
产品留存决定 LTV 上限 LTV 上限决定可承受 CPI 买量带来的用户结构影响留存和广告 ARPU 广告策略过重会损伤留存，最终降低 LTV 商业化收入反过来决定买量预算和放大空间 所以三元增长模型的核心不是「三个模块都要做」，而是：
...
企业 AI 的集体 FOMO AI 应用，尤其在编程等可验证场景，已经给个人带来了十倍效能提升。但这种个人层面的效率革命，并没有相应地转化为公司级的业务增长。这种落差，正在引发企业的集体 FOMO（Fear Of Missing Out）。
我们看到的典型场景是：
开通了各种订阅，额度不限——公司给全员开通 Copilot、Claude 等服务，但没人说得清 ROI 在哪里 员工刷榜比谁消耗的 token 多——账单越涨越高，业务指标却原地不动 AI 应用层出不穷，真正有用的没几个——Demo 好看、上线即死、Pilot 成功但规模化失败 McKinsey 2026 年的数据很残酷：62% 的企业在试水 AI Agent，但只有 23% 成功规模化。MIT 的研究更直接：95% 的生成式 AI 试点项目零可衡量 ROI，300-400 亿美元的企业投资基本打了水漂。
行业推波助澜下的真相 从 VC 到大模型公司，从传统软件厂商到咨询公司，都在推波助澜。但拨开喧嚣，几家行业先锋的观点反而值得仔细品味。
红杉资本：每花 $1 买工具，就花 $6 买服务 红杉资本 2026 年 3 月发表的《Services: The New Software》一文，给出了一个结构性洞察：
“For every dollar spent on software, six are spent on services.”
Gartner 2026 年的数据交叉验证了这一点：全球 IT 支出首次突破 6 万亿美元，其中 IT 服务占 1.86 万亿（最大单项），企业软件仅 1.4 万亿。加上专业服务市场的 10.5 万亿，工具和服务的比例确实是 1:6 甚至更高。
...