Steam 发售预期中的愿望单 关注人数与 Demo 在线峰值

一款游戏准备在 Steam 发售时，开发者通常已经积累了一些数字：商店页有多少愿望单，有多少关注者，免费试玩曾经有多少人同时在线。把这些数字放进表格并不困难，困难在于判断它们能够支持多大的发售预期。

愿望单记录一次收藏，关注记录一次订阅，Demo 在线人数记录某个时刻的实际游玩。这些行为都有信息价值，但它们对应着不同的观察对象。理解差别，才能把数据用于发行判断。

Simon Carless 在 GameDiscoverCo 的两篇分析中，分别研究了愿望单与关注人数的关系，以及试玩版与本体在线峰值的关系。下面先概括两项发现，再讨论它们在实际判断中的用法。

2026 年 5 月 12 日的文章考察了发售时愿望单超过五万的六百余款游戏。在愿望单数除以关注人数这一比值上，最高的一百款与最低的一百款，首月销量除以发售时愿望单数的中位数分别为 0.22 和 0.37。关注者相对更多的一组，销售表现更强。原文同时列出例外，强调受众类型影响解读。这是样本中的关联，不能据此认定增加关注按钮点击就能提高销量。来源：GameDiscoverCo 的发售指标分析。

2026 年 9 月 8 日的文章统计了 2,569 款在 2024 年 1 月至 2026 年 8 月发售、Demo 峰值超过 50 人的 Steam 游戏。本体历史在线峰值除以 Demo 在线峰值的中位数为 3.01。这个样本只占同期发售游戏约 4.7%，不能直接代表所有项目；该倍数也不是销量转化率。来源：GameDiscoverCo 的 Demo CCU 分析。

这两项观察放在一起，首先要求开发者把表格里的分子和分母写清楚。

例如，一款游戏发售前有十万个愿望单，首月卖出三万份，两者相除得到 0.3。这个数字只能表述为“首月销量相当于发售时愿望单数量的三成”。三万名购买者中可能包括发售后才发现游戏的人，因此不能直接写成“三成愿望单用户购买了游戏”。后一个说法需要追踪同一批用户。

Steamworks 的愿望单报表提供新增、购买和删除等数据；官方也明确说明，玩家收藏游戏的理由不同，没有能够通过愿望单准确预测销量的公式。来源：Steamworks 愿望单文档。对开发者而言，后台记录的愿望单购买行为与外部研究中的销量比值，应当使用不同的列名。

关注人数也存在类似的统计边界。假设两个项目都有十万个愿望单，甲有一万名关注者，乙有五千名关注者，愿望单与关注人数之比分别为 10 和 20。这只能说明两项总量的关系。仅凭这些总量，仍然不知道两批用户实际重叠多少，也无法区分差异来自玩家习惯、宣传入口还是游戏本身。

如果团队据此在每段宣传片末尾新增“关注游戏”的提示，关注人数可能上升，比值随之下降。此时指标变化的一部分来自引导方式。把这种下降直接解释为购买意愿增强，就混淆了测量结果与产生结果的原因。后续仍需要观察玩家对产品的实际反应。

Demo 的同时在线人数同样需要拆开理解。CCU 是 Concurrent Users 的缩写，表示同时在线用户数；峰值是观察期间这一数字的最大值。它没有直接告诉开发者累计来了多少人，也没有说明每个人玩了多久。

可以用两个假想试玩活动说明差异。甲活动有一百名玩家同时进入，十分钟后全部退出；乙活动把一百名玩家分成十批，每隔十分钟进入一批，每批也只玩十分钟，前后不重叠。两次活动都吸引一百人，各自产生一千分钟游玩时间，在线峰值却分别为一百人和十人。

这个例子经过刻意简化，但它揭示了峰值的一个限制：玩家进入时间的集中程度，会改变结果。实际比较 Demo 时，需要同时记录开放时间、试玩时长和活动安排。只留下排行榜上的最高数字，会丢失理解这个数字所需的条件。

本体历史峰值还有观察时间的差别。一款已经发售两年的游戏，有机会在更新或促销期间刷新纪录；刚发售两周的游戏只有更短的观察窗口。因此，把历史峰值关系用于首发判断时，需要另外取得首周或首月数据，不能把不同时间范围视作同一个结果。

对一个具体项目，我更倾向于先建立一份口径明确的记录，再决定采用哪些参照。下面是根据上述测量差异提出的记录方式，不是两篇文章已经验证的预测模型。

这样的记录能帮助团队定位下一轮工作。假设试玩覆盖人数增加，但大量玩家在第一次战斗前退出，接下来就可以检查加载、操作说明和进入战斗的流程。若修复后退出位置后移，团队才获得了关于改动效果的进一步证据。单独一个在线峰值无法完成这段判断。

实验也需要尽量保留可比条件。如果同一天更换宣传素材、扩大投放、修改教程并延长试玩流程，即便数据上升，也很难判断哪项改动起了主要作用。小团队可以按阶段修改，保留版本与活动日期；有条件时，再对不同玩家组进行比较。

进入发售预测时，表格应当保留区间和假设。团队可以从类型、体验长度与发行方式接近的游戏中选择参照，分别记录偏低、中间与偏高的结果。样本差异较大时，扩大预期范围比增加小数位更诚实。

还需要避免把愿望单预测和 Demo 预测当成两份完全独立的证据。同一场活动可能同时推动收藏和试玩，两项数据的一致增长可能共享同一个原因。把它们综合起来时，应当保留这层联系，而不是因为两个数字都好看就重复提高信心。

即使预测落在一个较窄的区间里，商业结果仍然需要单独计算。同样的销量，在不同售价、折扣、退款和项目成本下，会形成不同的收支。在线峰值能够描述游玩规模，最终能否支持后续开发，还要回到项目自己的成本与收入记录。

因此，一份有用的发售预期应当能够随证据更新。每次试玩结束，团队更新参与数据和问题记录；每次产品改动后，再观察相同位置的玩家行为。到了发售前，表格里保留的不只是一个希望达到的销量，还包括支持这个预期的具体条件，以及条件没有成立时需要调整的安排。