买量团队看中用户增长的成本价格和 ROI 来把控每一笔运营费用的支出价值；产品团队则关注产品用户体验和更新版本后的表现，是否出现崩溃等异常。而作为一名广告变现的从业者，通常需要关注哪些数据指标，从而引导我们做出正确的变现策略？

01 决定广告收入的指标

首先，第一步，看2个决定收入的综合指标——用户生命周期总价值和新增用户数。

1. 用户生命周期总价值（LTV，Life Time Value）

定义：Life Time Value，用户生命周期

总价值。指某日媒体新增用户在往后 N 天的平均广告变现收益。LTV=某日新增用户往后 N 天的广告总收益/某日新增用户数。LTV 对于开发者来说参考意义重大，其不仅体现了新增用户带来的广告收益的高低，还体现在开发者在各渠道投放广告买量时/或通过多代理买量时，通过 LTV 能更准确的分析出买卖流量的 ROI 平衡点（盈利周期）、并判断出买量渠道的质量。

我们平时更多关注1天后的生命周期、7天后的生命周期、30天的生命周期价值、60天的生命周期价值。所以，总结来说，用户生命周期总价值决定了用户质量。

分析场景举例：

该产品需要以多少CPI出价，才能保证ROI回正？

该产品在哪些国家的LTV表现较好，适合加大投放？在哪些国家LTV表现较差，需要优化或减少投放？

广告、产品、用户新增等策略也许提升了某一指标，但是否真正带动了LTV上升？

2. 新增用户数（New Users）

一般在广告变现的产品中，以Firebase为例，我们一般都默认首次打开APP的用户数为新增用户数。所以，总结来说，新增用户数决定了用户规模。

分析场景举例：

更新版本或内容调整之后的新增用户数是否变化？

增加广告之后的新增用户数是否有变化，比如是否因新增加了激励视频广告或调整奖励之后，新增用户数有增多？

产品的节日、季节、周末效应，是否导致新增用户数增加？

广告收入降低是否由于新增用户数降低？

02 决定LTV的指标

随着自然新增占总体用户比重逐渐减少，用户收入增长更多依赖于推广买量，而买量的规模取决于用户生命周期总价值，如果在保持生命周期总价值足够高的情况下，可以进行大规模推广，从而获得较高新增用户。所以第二步，看两个影响用户生命周期价值的指标——用户留存率、IAA-ARPU。

1. 用户留存率（Retention Rate）

用户留存率通常是根据开发者自己设置的一个日期开始后记录不同星期和阶段的用户活跃表现。例如更新版本或者通过广告投放新增用户之后的互动表现。如果当开发者有研发不同类型的产品之后，每一种类别的产品在留存数据中自然就有差别，也应该分产品分析。

我们平时更多关注次日留存、7日留存、30日留存、60日留存。

分析场景举例：

不同国家的用户留存有和差别？是否需要对应重点国家的用户调整内容功能？

广告人均展示次数提升以后，是否影响用户留存？

2. 单个用户平均广告收入（IAA-ARPU, In-App Advertisement Average Ad Revenue Per User）

单个用户平均广告收入（IAA-ARPU, In-App Advertisement Average Ad Revenue Per User）

单个用户平均广告收入=广告变现收入/活跃用户数

广告变现收入来直观表现产品的广告变现能力，活跃用户数不变，广告ARPU越高，广告收益越高。

分析场景举例：

瀑布流中某一层提价，是否导致整体IAA- ARPU提升？

某一广告平台使用Bidding后，相比瀑布流运营，IAA-ARPU是否提升？

由于用户留存率更多还是取决于产品功能、产品质量，所以变现者更多需要关注IAA-ARPU的指标。所以第三步，需要分析影响IAA-ARPU的指标。

03 决定IAA-ARPU的指标

1. 人均广告展示次数（AIPU， Average Impression Per Users）

定义：人均广告展示次数=总广告展示数/活跃用户数

判断当前广告位和触发机制是否合理，对用户是否有足够吸引力，是否覆盖到足够的用户。

分析场景举例：

新增加了激励视频广告或调整奖励之后，是否提升了人均广告展示次数？

调整插屏广告展示时机，是否提升了人均广告展示次数？

2. 每千次展示收入 （eCPM， Effective Cost Per Mille）

每千次展示收入（eCPM ）=（广告变现收入/总广告展示数）*1000

每1000次广告展示可以获得的收入，被业内普遍认为衡量广告变现效果的指标。其中广告展示量级较小会导致eCPM较大，所以前期测试必须保证当日广告展示量到达1W次以上，才能计算eCPM。

分析广告场景举例：

原生广告和大横幅的 AB 测试，哪一个eCPM效果更好？

更改插入位置的插屏广告的eCPM是否有提升？

哪些国家和性别、年龄的用户广告eCPM更高？

修改单层瀑布流价格后，整体eCPM是否提升？

增加激励视频广告后，是否利于提升eCPM？

接下来两步，我们进一步需要分析决定人均广告展示次数和eCPM的指标。

04 影响AIPU的指标

AIPU=人均广告请求数*广告填充率*广告展示率。由于人均广告请求数非人为可优化的变量，且过多无效请求反而容易造成无效流量，所以在这个指标中，我们重点关注：广告填充率、广告展示率。

1. 广告填充率（Fill Rate）

填充率=广告平台返回广告的次数/广告请求数。帮助判断流量与广告的匹配度，广告填充率的高低主要受广告主数量影响。

分析广告场景举例：

某广告平台是否在哪些地区表现填充较好？

某层单价设置为$X，是否导致其填充较低？

2. 广告展示率（Impression Rate）

广告展示率=广告展示成功次数/广告平台返回广告的次数。其中广告展示次数是用户实际能看到广告的次数，每家广告平台对有效展示的定义不同。

影响广告展示率的因素1：广告场景展示率

广告场景展示率=广告展示成功次数/用户进入广告场景次数

分析场景举例：

广告是否缓存过晚，导致广告无法及时展现？

影响广告展示率的因素2： 人均广告触发次数

人均广告触发次数=广告触发次数/日活跃用户数

分析场景举例：

新增插屏广告的人均广告触发次数是否较低，需要调整触发机制？

激励视频的人均广告触发次数是否较低，需要调整奖励内容或出现时机？

05 影响eCPM的指标

1. 新增用户占比

新增用户占比=新增用户/活跃用户*100%。

新增用户对广告的容忍度比留存用户高，所以转化整体也会提升，如果新增用户占比总活跃用户的10%，这10%的用户当日贡献的广告收入可以到当日广告收益的35%以上。

分析场景举例：eCPM降低是否由于新增用户数降低？

2. 人均广告展示次数（AIPU）

eCPM会随着转化率的降低而降低，同时用户每日看到的前3个广告转化率会相对高，3次以后转化欲望会降低。如果看5次发生的转化是1-2次，看10次转化率依然是1-2次，那么会导致转化率降低从而eCPM降低。

分析场景举例：eCPM降低是否由于广告频次过于频繁，需要调整广告展示次数？

3. 广告点击率 （Ad Click Rate）

广告点击率=广告点击次数/广告展示次数

由于多数广告以点击进行出价，所以广告点击率较高，一定程度上会造成eCPM提高。

分析场景举例：

修改原生广告设计是否利于提升广告点击率？

最后，需要强调的一点是：所有以上指标并没有统一的标准数据进行参考，需要结合不同国家、不同变现策略、不同产品形态和用户特征进行分析，才能找到最适合自己产品形态的变现策略。