从素材生成到智能出价和用户价值预测，厂商几乎可以在每个展台上听到类似的描述。但聊得深入一些，出海团队真正关心的往往更具体：一款产品已经接入多个广告渠道，CPI也不算离谱，为什么放量后还是很难赚钱？
这个问题在休闲游戏、IAA和混合变现产品中尤其普遍。
其实过去几年，游戏出海的增长模型已经变了几轮。
流量红利相对充足时，安装和CPI是最重要的指标；随着成本上涨，团队开始关注留存、付费和ROAS；到了今天，开发者还要把广告收入和回收周期放进同一张表里——指标越来越多，利润却没有因此变得更好算。
罗斯基在ChinaJoy现场与一些从业者交流后发现，许多团队已经意识到“低成本用户”不一定等于“高价值用户”，但实际执行仍然面临一个老问题：买量和变现分属不同团队，使用不同平台，考核目标也很难完全一致。
结果往往是，UA团队的CPI降了，变现团队的eCPM涨了，最后一看整体利润，变化并不明显。
· 买量进入深水区后，低 CPI 可能是一种误导
这几年，游戏公司的投放目标已经明显后移。
过去买量主要优化点击和安装，现在越来越多团队将目标设置到D0 和D7 ROAS，还有付费事件及次留。原因是，安装成本只能说明用户来得便不便宜，无法回答这个用户最终值多少钱。
以IAA 为例，两名CPI 同为1美元的用户，一名玩家安装后体验几分钟便流失，另一名玩家连续活跃一周，期间观看多次激励视频。放在传统投放报表里，两者的获取成本完全相同；放到完整的利润模型中，他们的价值显然不在一个量级。
中重度游戏也有类似问题。某个渠道可能带来大量低成本安装，付费表现却迟迟起不来；另一个渠道的CPI较高，带来的用户反而拥有更长的生命周期。只看前端成本，很容易把预算分配给表面上更便宜的流量。
因此，ChinaJoy上大家频繁谈起的“深度事件优化”，背后其实是一次投放标准的变化。游戏公司希望广告平台少关注单次安装，多理解用户安装之后发生了什么。
这也对数据量和算法提出了更高要求。安装信号可以快速积累，留存和长期广告收入需要更长时间观察。对于预算有限的中小游戏团队，等模型慢慢跑出来，本身就是一笔不小的试错成本。
· 变现团队也有自己的“局部最优”
上面说的买量只是半本账，另外半本在变现侧。
IAA 和混合变现产品通常关注eCPM、填充率、广告展示次数及ARPDAU。为了提高短期收入，团队可以调整广告场景和增加展示频率，或者引入出价更高的广告需求。
但eCPM上升，并不意味着整体利润一定增加。
如果广告过于频繁，玩家的体验和留存可能受到影响；如果只选择报价最高的广告，也要考虑填充是否稳定、素材是否适合当地用户。短期多赚到的广告收入，有时抵不过玩家提前流失带来的LTV 损失。
就像前面说的，买量和变现由此形成了一种微妙关系。
UA团队想要更便宜的用户，变现团队希望每次展示卖得更贵，产品团队则要守住留存。各方指标都有道理，放在一起却未必指向整体利润最大化。
罗斯基认为，这也是今年游戏营销行业值得关注的一处变化。过去，行业习惯把用户获取和广告变现视为上下游两项业务；现在，越来越多平台和开发者开始尝试打通两端，让用户后续产生的收入直接参与前端投放决策。
ChinaJoy 期间，罗斯基关注到的BIGO Ads，便是采用这一思路的平台之一。
· 只有变现数据回流，买量算法才能看到完整的用户
BIGO Ads隶属于欢聚集团，业务同时覆盖用户获取和广告变现。目前，平台连接超过55000款合作应用，流量覆盖BIGO Ads 的独家广告库存，包括imo、Likee等优质流量，及开放网络资源，覆盖北美、欧洲、日本、俄罗斯、巴西和中东等市场。
从实战角度看，这类“双端模式”的价值是很大的。
变现侧，平台可以观察不同用户的活跃行为和收入表现；这些信号回流到买量模型后，算法便能重新评估渠道、人群与版位。下一轮投放寻找的，不再只是容易点击和安装的人，也包括更可能付费或持续贡献广告收入的人。
优质用户进入产品后，又会带来新的行为和收益数据，继续帮助模型调整出价。买量为变现提供用户，变现再为买量提供价值判断，两端由此形成循环。
DSP 方面，BIGO Ads 目前支持ROAS优化及"ROAS + 留存”双目标复合优化。
同时，BIGO Ads 已与AppsFlyer、Adjust、Kochava、Singular等第三方监测平台对接，帮助广告主更顺畅地完成转化数据回传与效果归因，提升投放数据的透明度和可衡量性，也让后续优化能够基于更完整、可信的转化信号展开。
在大家关心的游戏领域，一款面向俄罗斯投放的SLG，则使用付费用户作为种子寻找相似人群，并通过重度游戏白名单版位进行测试，安卓端CPI 约为1 美元，月度ROAS达到预设目标。
另一款在美国和俄罗斯推广的休闲卡牌产品，通过ROAS模型持续优化用户获取效率，在兼顾回收表现与用户质量的同时，实现D0 ROAS和次日留存均超过30%。
另一款休闲射击游戏的投放案例，更直观地展示了“买量与变现协同”如何落到实际增长中。
这款产品主要面向美国、巴西、俄罗斯及其他新兴市场推广。BIGO Ads 前期采用 ROAS优化出价和精准定向，优先识别具备更高回收潜力的用户；素材侧则结合Playable Ads、竖版视频等形式，让用户在安装前快速理解玩法，并根据各市场的投放反馈持续调整创意。
随着模型逐步稳定，团队没有只追求安装规模，而是将广告变现收入和用户价值信号用于优化人群、出价及放量节奏。最终，该产品实现日均安装量超过5 万，次日留存率达到37%。
这些打法没有太多黑科技色彩。先圈定更匹配的流量，观察深层数据，再逐步放大预算，依旧是相对稳妥的投放节奏。AI的作用，在于加快人群判断和预算调整，减少团队反复手动测试的工作量。
· 人人都在讲 AI，但最终还得看它解决了什么
ChinaJoy 现场谈AI很容易，回到投放后台，开发者面对的仍是冷启动慢和素材衰减等具体问题。
从投放实战来看，AI的一大作用，是把优化目标从单次转化成本推向用户的长期价值。BIGO Ads 将这套能力概括为“前链路LTV 增长引擎”，核心包括广告继承、ROAS预测和多目标优化。
广告继承可以复用成熟广告积累的模型与历史数据，缩短新素材的学习周期；ROAS预测模型结合实时信号判断用户的潜在价值；多目标优化则在获客成本和留存等指标之间动态分配权重，调整每次竞价。
这套逻辑的核心，是判断哪些用户更有可能长期活跃并贡献收入。高价值用户进入产品后，产生的留存、付费、变现数据会反哺模型，帮助下一轮投放寻找相似人群。前端获客与后端运营由此形成一套围绕LTV 持续运转的增长循环。
在落地提效层面，AI也展示出了巨大潜力。
以素材为例，同一款游戏进入多个国家后，需要适应不同语言偏好和广告版位。一个视频还要拆分出不同版本。人工制作可以保证质量，但很难长期追上测试速度。
BIGO Ads的程序化创意工具会自动组合视频、图片、标题、文案、按钮和结束卡片，经过前期测试后，把更多流量分配给表现较好的组合。其试玩素材转换工具，则用于降低Playable Ads 的制作门槛。
在罗斯基看来，这类能力更适合被视为效率工具。AI可以处理批量组合和初步筛选，真正决定素材上限的，依旧是团队对产品卖点和当地用户的理解。
变现侧也是同理。
BIGO Ads通过实时应用内竞价，让多个广告需求同时参与竞争。平台披露，其曾帮助一家头部模拟经营游戏开发者将eCPM 提升至15 至20美元，并成为其重要变现合作伙伴。
这个数字能够证明特定流量的变现潜力，但开发者仍需结合地区、广告场景、填充率和留存综合判断。单独追求高eCPM，容易重新回到局部优化的老路上。
· 写在最后：游戏出海的下一轮竞争，可能是全局优化
逛完今年ChinaJoy，罗斯基一个比较强的感受是，游戏出海很少再谈单纯的流量增长了。
厂商更关心用户质量和回收，当然还有最终利润。广告平台也被要求继续向后看，从单纯安装走到留存、ROAS、LTV等等。AI只是实现这些目标的一种手段，能不能把数据转化为利润，才是开发者判断平台价值的标准。
BIGO Ads希望将自身定位为一站式买量与变现平台，这个方向契合了行业从单点优化走向全局优化的变化。这与行业变化是吻合的——买量团队不能只负责把人带进来，变现团队也不能只盯着每次展示卖多少钱。
用户从哪里来、为什么留下、带来多少收入，以及这笔收入能否反过来指导下一次投放，才是一张更接近真实利润的增长账。