1. 品类坐标系的搭建：先分清“玩法动词”和“付费结构”

做游戏分类这件事，很多人第一步就走歪了——把“开放世界”“二次元”“像素风”这些当成品类标签往表里一塞，然后拿着这张表去跑市场分析，最后得出的结论必然是“开放世界赛道规模XX亿，建议立项”。这种结论听着唬人，实际没法用，因为“开放世界”描述的是空间结构，“二次元”描述的是美术风格，“像素风”描述的是渲染表现，它们谁都不是玩家反复在做的那个动作。市场分析的起点必须是玩家行为，而不是产品外观。

我给不少团队做过分类表的梳理，最常见的返工原因就是标签维度混在一起：美术维度、题材维度、玩法维度、付费维度全部平铺在同一层，打标的人各按各的理解填，最后一统计，“二次元”品类里有三成产品其实是写实画风，因为打标的人把“日式幻想题材”也算进去了。分类体系一旦在这种地方失真，后面所有的规模测算、竞争格局判断全部作废。

所以先把坐标系立起来。我习惯用三根互相正交的轴：玩法动词（玩家反复做什么）、付费结构（钱从哪里来）、平台场景（在什么设备上、一次玩多久）。三根轴交叉出来的格子，才是可以拿去做市场分析的最小单元。

1.1 用“玩法动词”做第一层切分

判断一款产品的玩法动词，问自己一句话：玩家关掉游戏之后，脑子里残留的那个循环是什么？是“再抽一次看看出不出”，还是“再打一局排位”，还是“把这排作物收了”？这个残留的循环，就是玩法动词。

按这个思路，第一层大类基本能收敛到十来个：射击对抗、动作对抗、策略博弈、角色养成收集、模拟经营、解谜推理、竞速体育、音乐节奏、沙盒建造、社交派对、放置挂机、卡牌构筑。这个清单不是标准答案，不同团队做业务时会有增减，但核心逻辑是“动词优先”。

这张表里最容易出错的是“模拟经营”和“沙盒建造”。区别在于：模拟经营的动词是“经营”（算账、扩张、优化产出），沙盒建造的动词是“创造”（搭东西、表达）。两者的用户画像、付费点、内容消耗速度完全不一样，硬塞进一个格子里，做出来的市场规模数字一定是错的。

1.2 付费结构是与玩法正交的第二根轴

同样是“角色养成收集”这个动词，配上不同的付费结构，市场表现能差出好几倍。这一点在做赛道分析时比玩法本身还关键，因为它直接决定了收入天花板和用户结构。

我一般把付费结构分成五类：抽卡型内购、外观型内购、进度型内购（体力/加速/通行证）、买断制、广告变现。加上混合型（内购+广告）作为第六类。很多团队在分类时只标玩法不标付费，结果就是把一款靠广告变现的休闲经营和一款靠抽卡变现的重度经营放在同一个赛道里算规模，得出“该赛道ARPU中位数XX元”这种毫无意义的数字——因为这两类产品的ARPU能差两个数量级。

实操上的做法是：玩法标签单选、付费标签单选、机制标签多选。三个字段分开存，分析时按需组合。比如想看“模拟经营+广告变现”的盘子有多大，直接两个字段一筛就行；想看“所有含Roguelike机制的产品”表现如何，用机制标签多选筛。这样一套表能支撑多种切法，不用每次分析都重新打标。

提醒一句：付费结构是会变的。不少产品上线时是纯广告，跑半年发现留存不错就加内购；也有买断制产品后期拆成章节单独卖。所以付费字段必须带时间戳，不能用当前状态去回溯历史数据。

1.3 平台与使用场景是第三根轴，别忽略

平台不只是“iOS/安卓/PC/主机”这么简单，它背后是单次会话时长和使用场景的差异。移动端碎片化，单次3到8分钟是常态，所以玩法循环必须短、中断成本必须低；PC端单次会话常在40分钟以上，能承载复杂操作和长线叙事；客厅大屏则是另一种节奏，一次坐下来两小时起。

这个维度在做跨平台迁移判断时特别有用。我见过一个团队把一款PC端的深度策略产品原样搬到移动端，玩法一点没改，结果次日留存只有移动端同类的三分之一。问题不在玩法不好，而在于它的单局时长接近50分钟，移动端用户根本凑不出这么整块的时间。后来做了“单局压缩到12分钟+存档随时中断”的改造，数据才拉回来。

所以分类表里平台字段的价值，不是标“这游戏在哪几个平台有”，而是提示这个玩法循环与目标平台的时间颗粒度是否匹配。这是很多分析报告漏掉的一层，也是立项阶段最容易踩的坑。

2. 多标签分类表的落地：粒度、互斥与打标一致性

坐标系想清楚了，接下来是真刀真枪建表。这一步八成团队会栽在“想一次做完美”上——设计出七八层标签体系，几百个标签值，做完发现没人维护得动，三个月后表就废了。我的经验是：宁可粗糙但活着，也不要精细但死掉。

2.1 三层粒度就够，第四层是灾难

我推行的结构是三层：L1大类（8到12个）、L2子品类（每类5到10个）、L3机制标签（不限，多选）。

L1就是前面说的玩法动词大类，数量控制在10个上下，多了记不住，少了区分度不够。L2是在大类下按核心循环的差异细分，比如“射击对抗”下面分战术竞技、团队竞技、撤离射击、载具射击；“角色养成收集”下面分回合制编队、即时战斗编队、放置收集。L3是不进层级的机制标签，比如Roguelike、赛季制、公会、PVP竞技、离线收益、剧情分支，随便挂，一个产品可以挂十几个。

为什么不做到第四层？因为L3已经承担了“细分描述”的职能，再往下加层级，边际收益极低而维护成本指数上升。真正需要极细粒度的时候，用L3标签组合筛选就够了，不需要在层级上体现。

2.2 主标签唯一，副标签放行

分类表设计里最经典的争论是“互斥还是穷尽”。理想状态下每个产品只属于一个格子，现实里根本做不到——一款产品可能是“角色养成收集”为主，同时带大量“模拟经营”的城建玩法。硬要二选一，打标的人只能凭感觉，一致性立刻崩。

我的处理办法是：主标签单选（唯一），副标签最多选两个，机制标签不限。主标签定义成“占据玩家时长最多的那个循环”，这个判断标准相对客观，只要规定清楚“按时长占比算，不看宣传口径”，不同人打出来的结果基本一致。副标签承接那些明显存在但不是主体的循环，用来做关联分析——比如想看“带城建玩法的养成类产品”这个交叉赛道，用副标签筛就行。

这里有个细节：宣传口径不能当打标依据。发行方为了蹭热度，会在商店页挂一堆品类词，什么火挂什么。我吃过这个亏，早期直接按商店页的品类描述打标，结果一批产品全被标成了当时最热的品类，做出来的赛道规模虚高得离谱。后来改成“必须实际体验或者看至少30分钟实机录像才能定主标签”，数据才靠谱。

2.3 打标一致性校验：低于85%就回炉

分类表建好只是开始，真正的难点是让不同的人打出一致的标签。标准做法是抽100到200个样本，两个人独立打标，然后算一致率。

一致率怎么算，很多人只知道算“完全相同比例”，但那个指标在标签分布极不均衡的时候会骗人——比如九成产品都是“角色养成收集”，两个人都无脑填这个，一致率也能到90%，但完全没有区分能力。这时候要用Cohen's Kappa，它扣掉了“随机撞对”的部分。

from collections import Counter def cohen_kappa(labels_a, labels_b): assert len(labels_a) == len(labels_b) n = len(labels_a) # 实际一致率 po = sum(1 for a, b in zip(labels_a, labels_b) if a == b) / n # 期望一致率 ca, cb = Counter(labels_a), Counter(labels_b) pe = sum((ca[k] / n) * (cb[k] / n) for k in set(labels_a) | set(labels_b)) if pe == 1: return 1.0 return (po - pe) / (1 - pe) # 示例：两人对同一批样本的主标签打标结果 rater_a = ["养成", "养成", "射击", "经营", "养成", "卡牌", "射击", "经营"] rater_b = ["养成", "经营", "射击", "经营", "养成", "卡牌", "养成", "经营"] print(round(cohen_kappa(rater_a, rater_b), 3)) # 约 0.66，需要回炉

Kappa的经验阈值我一般这么定：0.8以上可用，0.6到0.8需要针对分歧最大的两三个标签重新写定义，0.6以下说明分类表本身有问题，推翻重来。上面这个例子0.66，问题集中在“养成”和“经营”的边界上——典型情况是那款带城建的产品，一个人觉得城建是主体，另一个觉得养成是主体。解决办法不是吵，而是在定义里补一条判定规则：“若角色养成占玩家时长超50%，主标签为养成，城建归副标签。”

2.4 分类表必须版本化，历史数据别全量回刷

分类表一定会改。新玩法冒出来、老标签含义漂移、业务关注点变化，都会导致调整。关键是把版本管起来：每次改动记录版本号、改动内容、生效日期，打标数据里带上版本字段。

历史数据要不要按新版本重刷？我的建议是不全量回刷。全量回刷成本极高，而且会抹掉“当时的人怎么看这个产品”的信息，做趋势分析时反而失真。正确做法是新数据按新版本打，老数据保留原版本标记，做跨期对比时显式声明“口径变更点”，在报告里注明哪一年开始换了分类标准。这样即使数字有跳变，读者也知道原因，不会误判成市场变化。

3. 市场规模与赛道容量：三种口径怎么互相打架又互相验证

分类表是骨架，市场分析是血肉。这一步最容易出的问题不是算错，而是口径不一致还硬凑在一起比较。我见过一份报告，上半部分用公开报告的全球市场规模，下半部分用某分发平台的流水榜单数据，两个数字放一起算增速，得出一个完全不着边际的结论。所以先讲口径。

3.1 自上而下：公开报告口径要打三层折扣

公开的市场规模报告，数字通常偏大，原因有三层：一是统计范围包含硬件、周边、电竞、直播打赏这些非软件收入；二是部分口径把灰色渠道和未披露流水也估算进去；三是不同机构对“游戏收入”的定义不同，有的含广告变现，有的不含。

实操上我的做法是：拿到一个公开数字，先问三个问题——含不含硬件、含不含广告、含不含未披露渠道，然后按需打折扣。经验值大概是：只看软件内购收入，取公开数字的六到七成；再叠加广告变现，回到八到九成；如果只关心某个细分品类，还要再乘一个品类占比系数。这些系数都不是精确的，但比直接用原始数字靠谱得多。

一个必须养成的习惯：任何引用的外部数字，都要在报告里标注来源口径和调整过程。不是为了显得严谨，而是三个月后你自己回头看，没有这个注释根本想不起来当时怎么算的。

3.2 自下而上：榜单流水反推的实操

自上而下的数字适合看大盘，做细分赛道判断必须自下而上。核心方法是榜单排名反推流水：拿到目标品类的畅销榜排名序列，用排名到流水的映射系数估出单产品流水，再加总。

映射系数怎么来？两条路。一条是用公开的第三方估算数据做校准，找出排名区间对应的流水区间，拟合一条曲线；另一条是用自己产品的真实流水和它的排名做锚点，反推系数。后一条更准，但需要有自营产品。

粗略的经验规律是：畅销榜前列的流水呈明显的长尾分布，前十名可能占整个榜单流水的四到五成，前五十名占八成以上。所以做赛道规模估算时，只统计前五十到一百名就够了，再往后加总对结果影响很小，但数据采集成本翻倍。

# 用长尾分布模型估算某品类榜单流水（模拟数据，仅示意方法） # 假设：排名 r 的流水约为 P(r) = K / (r ** alpha) # 用两个已知锚点反解 K 和 alpha，再外推加总 import math def fit_power_law(r1, p1, r2, p2): # 由 P = K / r^alpha 推导 alpha = math.log(p1 / p2) / math.log(r2 / r1) K = p1 * (r1 ** alpha) return K, alpha def total_revenue(K, alpha, top_n=100): return sum(K / (r ** alpha) for r in range(1, top_n + 1)) # 锚点：第1名月流水假设 8000万，第20名假设 900万 K, alpha = fit_power_law(1, 8000, 20, 900) print(f"alpha={alpha:.2f}, K={K:.0f}") print(f"Top100 合计估算（万元）: {total_revenue(K, alpha)/10000:.0f}")

这段代码的重点不是模型多精确，而是建立一套可复现的估算流程。参数换一换、锚点换一换，结论会变，但方法一致，别人能复核，这比拍脑袋给个数字强太多。

3.3 供需两端交叉验证

单一数据源永远有偏差，我习惯用供需两侧的数据交叉验证。

供给侧看：新品上线数量、厂商立项动向、招聘岗位结构、外包产能排期。招聘信息其实是个被低估的信号源——某类岗位（比如特定引擎的关卡设计）突然大量招人，往往意味着有一批同类产品在研，一年半后这个赛道会变挤。

需求侧看：社区讨论量的变化趋势、搜索指数、内容平台的二创数量、直播观看时长分布。需求侧数据的特点是领先于收入数据，热度先起来，收入后体现，所以适合做早期判断。

两侧数据打架的时候怎么办？我的经验是信供给侧。需求侧容易被营销和热点扰动，一波投放就能把搜索指数拉起来；供给侧的动作是真金白银，立项了就是要做，跑不掉。

3.4 判断赛道值不值得进，看这几个指标

规模大不等于能做。我一般用一张表做综合打分，规模只是其中一项。

这张表最关键的是新品进榜率和买量回本比这两项。很多赛道规模很大、增速也好看，但新品进榜率只有2%，说明这个盘子被几款老产品锁死了，新进入者只能吃残羹。反过来，某些赛道规模不大，但新品进榜率能到15%，说明用户愿意尝新，反而是更好的机会。

4. 品类生命周期：从蓝海到红海的可观测信号

分类和规模都算清楚了，接下来要判断的是时机。同一个品类，早进一年和晚进一年，结果可能完全相反。品类的生命周期不是靠感觉判断的，有几个相对客观的观测信号。

4.1 早期阶段的三个信号

第一个信号是玩法动词的新鲜度。当市面上第一次出现某种核心循环，且玩家能明确说出“这个游戏和别的游戏不一样在哪”，通常还在早期。判断方法很简单：找十个目标用户，问他们这款游戏最特别的地方，如果十个人给出的答案各不相同，说明产品定位模糊；如果七八个人指向同一个机制，说明这个机制有辨识度，赛道可能刚起步。

第二个信号是模仿者数量。早期赛道通常只有一到两款产品跑出来，模仿者还没跟上。一旦你发现半年内冒出五六款核心循环高度相似的产品，说明赛道已经被验证，进入者开始增多，早期窗口正在关闭。

第三个信号是买量成本的绝对值还低。早期赛道因为竞品少，同类关键词的获客成本往往只有成熟赛道的三分之一到一半。这个信号最实在，也最容易量化——直接看投放平台同类素材的CPM和CPI就行，不用猜。

4.2 拥挤期的识别：三个数字说明问题

拥挤期最直观的数字是获客成本与首月LTV的比值。健康状态下这个比值在0.5以下，回本周期两到三个月；一旦比值超过0.8，说明买量已经很难赚钱，赛道进入存量博弈。

第二个数字是素材同质化程度。我一般抽一批竞品素材做人工比对，如果前五秒的钩子高度雷同——同样的开头、同样的痛点文案、同样的展示节奏，说明大家都在用同一套投放方法论厮杀，创意红利已经耗尽。

第三个数字是用户评价里的“又是这种”出现频率。这个听起来很土，但真的有用。抓取新品评论区，统计抱怨同质化的比例，超过一定阈值就说明用户开始疲劳了。用户疲劳比成本上升更早出现，是个不错的领先指标。

4.3 衰退与重启：老品类翻红的条件

品类衰退不等于死掉。我观察到老品类翻红通常满足两个条件之一：一是技术或设备变化带来了新的操作方式，让老玩法有了新体验；二是与其他品类嫁接产生了化学反应，比如把卡牌构筑和Roguelike结合，把模拟经营和生存要素结合。

翻红的判断方法不是看有没有人喊“文艺复兴”，而是看核心用户结构是否变化。真正翻红的品类，新用户占比会明显上升，而且新用户的年龄结构和老用户有差异。如果只是老用户在怀旧，新用户占比不动，那只是小圈子自嗨，别当机会。

4.4 跨品类嫁接的红利窗口怎么抓

这是我觉得最值得花时间研究的方向。玩法动词的组合空间远没有穷尽，把A品类的核心循环装进B品类的框架里，经常能做出既熟悉又新鲜的东西。

判断某个嫁接有没有潜力，我的方法是看两个品类的用户重叠度。重叠度太低，嫁接出来的产品两边都不买账；重叠度太高，等于没嫁接。理想的区间是中等重叠——大概三到四成的用户交叉，剩下的人各自觉得“另一个品类的要素很新鲜”。

具体怎么估重叠度？用社区数据。看两个品类的核心社区里，有多少用户同时活跃在对方社区。这个数据拿起来不难，比做问卷快得多。

5. 五个让分析结论失真的高频陷阱

前面讲的是怎么做对，这一节讲怎么避免做错。这五个坑我在实际项目里几乎每次都能碰到至少两个，列出来供对照。

5.1 只看榜单前一百的幸存者偏差

做赛道分析最容易犯的错，就是拿畅销榜前一百当样本。这一百款产品是幸存者，它们背后的失败产品可能是这个数字的几十倍。用幸存者样本算出来的“平均研发成本”“平均回本周期”“成功率”，全部偏高。

修正方法是主动去找失败样本。下架的产品、上线半年就停止更新的产品、评分区一片差评还在运营的产品，都要纳入统计。这类数据不好拿，但哪怕只补二三十个样本，结论的偏差也会小很多。

5.2 标签漂移：同一款产品不同时期标签不一致

一款长线运营的产品，三年里可能改过好几次核心玩法。第一年主打剧情，第二年加了PVP，第三年转成放置。如果用当前状态去打标，然后拿去分析三年前的市场，结论必然错。

处理办法是给打标数据加时间维度，按年度或半年度快照打标，而不是只维护一份最新状态。成本会高一些，但做趋势分析时这一点是决定性的。

5.3 时间口径错配：自然年、财年、赛季混着用

听着很低级，但真的常见。特别是分析海外市场时，不同地区的数据统计周期不一样，有的按自然年，有的按财年，有的按赛季。混着算增速，得出的数字能差出十几个百分点。

统一口径的原则：所有时间序列数据在进入分析前，先转换成同一时间粒度（通常是自然季度），并注明转换方式。这一步花不了多少时间，但能省掉后面无数次返工。

5.4 把相关性当因果

最典型的例子：观察到“某品类买量成本高”，就得出“这个品类不能做”。实际上买量成本高往往是因为这个品类的用户LTV也高，或者是因为这个品类里有一款产品在疯狂投放拉高了整体均价。成本高本身不是结论，成本与收益的比值才是。

另一类常见错误是“品类A的用户留存比品类B高，所以A更好”。留存高可能是因为A的用户基数小、筛选更严，扩量之后留存会掉。这种结论必须做过规模化验证才能下。

5.5 “大盘增长”掩盖结构性变化

大盘每年都在涨，但如果拆开看，可能是两三个细分品类在涨，其他品类在跌。只看总数会得出“市场向好”的结论，实际你所在的那个细分赛道可能正在萎缩。

所以任何大盘数字，我都要拆到至少L2子品类层级再看一遍。拆分之后经常能看到完全相反的趋势——总数涨8%，但你关心的那个子品类跌了15%。这个拆解动作不能省。

6. 一份能直接套用的分析流程（模拟项目走查）

讲完方法，用一套完整流程串一遍。这里的项目和数据全部是模拟的，只用来演示步骤。

6.1 流程骨架

整个分析分五步，每步的产出物明确，避免做到一半发现缺数据。

6.2 模拟案例：某细分赛道的完整走查

假设要判断“带建造要素的模拟经营”这个交叉赛道值不值得投入。

第一步，问题陈述写清楚：未来18个月内，该交叉赛道的新品是否还有进入前50的机会，需要什么量级的投入。这句话里包含了时间范围、判断标准和决策指向，比“分析一下这个赛道”有用得多。

第二步，打标。用前文的三层结构，L1选“模拟经营”，L2选对应子类，L3挂“建造”“离线收益”“赛季制”等机制标签。筛选出近三年上线的全部相关产品，假设得到120款样本。双人打标，算Kappa，假设第一轮0.71，针对“建造占比多少算带建造要素”这个分歧点补充定义（建造产出占玩家总收益超30%即计入），第二轮Kappa到0.84，可以用了。

第三步，测算。用榜单反推估算这120款产品的年流水总和，假设得到某个数值，拆解头部集中度。假设发现CR5达到68%，说明头部锁定比较严重；但再看新品进榜率，近12个月有7款新品进入前50，进榜率约6%，处于中等水平，说明还有缝隙但不多。

第四步，机会判断。逐项打分：赛道规模中等、增速略高于大盘、集中度偏高、进榜率中等、获客成本中等偏上、研发成本中等。综合下来是“有机会但窗口不宽”，适合中小体量团队做差异化切入，不适合大规模资源投入。

第五步，结论。不用“建议关注”这种废话，直接给具体判断：若研发预算在中等区间内、且能在建造与经营的配比上做出明显差异，有进入机会；若走同质化路线，预计回本周期超过12个月，不建议。

6.3 结论怎么写才有决策价值

最后说一个报告写作上的经验。我审过很多分析报告，最常见的毛病是结论部分全是“该赛道具有较大发展潜力”“建议持续关注”这类话。这种结论等于没结论，因为它不能支撑任何决策。

有用的结论必须包含三个要素：条件、判断、量级。条件是什么情况下成立，判断是行还是不行，量级是要投入多少、预期回报多少。三者缺一，结论就落不了地。

举个对比。“该赛道增长较快，值得关注”是废结论。“若首年研发投入控制在某个区间、且主打差异化建造玩法，预计首月LTV与获客成本比值可达0.65左右，回本周期约5个月，具备投入价值”才是有用的结论——即使这个预估值后来被证明偏差不小，它也给了决策者一个可以反驳、可以校准的锚点。

我个人在实操中的体会是，分类表这件事看起来是脏活累活，远不如数据建模有技术含量，但它决定了后面所有分析的地基。地基歪了，模型再漂亮也是错的。花两周时间把标签定义、打标流程、一致性校验这三件事磨清楚，后面每次分析都能省下大量返工时间。踩过几次“数字对不上、回头查发现是标签打错”的坑之后，我现在做任何市场分析，第一件事永远是先把分类表调出来看一眼版本号和最近一次一致性校验的结果。