Cálculo do LTV pós-IDFA (Identifier for Advertisers): a necessidade da análise preditiva

Ao avaliar a eficácia de uma campanha, o LTV/CAC (valor da vida útil em relação ao custo de aquisição) de um usuário é uma das principais métricas na mensuração de marketing mobile. O uso do SKAdNetwork da Apple (SKAN) após o IDFA tornou a análise preditiva no iOS para métricas como o lifetime value mais desafiadora, pois dados anônimos com base na atividade das primeiras 24 horas são o único feedback recebido das campanhas. Por isso, também é essencial que os profissionais de marketing configurem os esquemas de valor de conversão para maximizar os insights. Todo o ecossistema de publicidade mobile está ficando mais preocupado com a privacidade e a Adjust está abraçando essas mudanças, permanecendo ágil e desenvolvendo soluções inovadoras que garantem que nossos clientes continuem tendo bons resultados.

Embora alguns profissionais de marketing estejam tentando superar esse desafio usando métodos como coeficientes (que explicamos abaixo), estes são complicados e difíceis de acertar. É por isso que a Adjust recomenda aproveitar o modelo preditivo para lançar e mensurar campanhas no iOS. Nosso modelo adiciona grandes volumes de dados (SDK) a algoritmos de machine learning para filtrar apenas o que é necessário para entender melhor as camadas de dados existentes e identificar as correlações entre elas. Com base nisso, podemos prever resultados de longo prazo desde o início e oferecer modelos de valor de conversão e fluxos adequados para a categoria do seu aplicativo e para os seus principais KPIs.

Nesta publicação, descrevemos as dificuldades que o iOS 14.5+ trouxe para a mensuração de campanhas, os pontos problemáticos que os profissionais de marketing encontram e como a Adjust está lidando com o pLTV (LTV preditivo) para enfrentar e resolver esses desafios.

Estimar e identificar o LTV é uma atividade que precisa ser realizada estrategicamente e no início do ciclo de vida de uma campanha para garantir que todas as decisões de marketing sejam otimizadas visando à geração de receita bruta. Por exemplo, se os usuários trazidos pela campanha A tiverem gastado muito inicialmente, mas em seguida pararam de usar ou cancelaram o app, e os usuários da campanha B demoraram de começar, mas fizeram compras de um valor mais alto, a avaliação da atividade do primeiro dia seria insuficiente para prever o comportamento ao longo de um ciclo de 30 dias. É por isso que os profissionais de marketing precisam de uma boa opção para prever o LTV.

O trabalho com o iOS 14.5+ no framework do SKAN aumentou a complexidade da análise preditiva. Anteriormente (e agora apenas com usuários que fazem o opt-in do ATT (AppTrackingTransparency)), conseguíamos vincular campanhas do iOS a IDFAs e dados no nível do dispositivo, enviados pelo nosso SDK. Com base nisso, era possível conferir as ações realizadas e a receita gerada no nível do usuário, aplicar o modelo preditivo para associar o usuário a uma coorte e, por fim, estimar o LTV.

Com o SKAN, recebemos dados de usuários anonimizados baseados apenas em atividades nas primeiras 24 horas (e depois com um atraso de até 24 horas) como retorno de campanhas de marketing no iOS. Isso complica o processo de previsão do LTV do usuário, porque agora:

• Recebemos apenas postbacks do SKAN usando um esquema que deve ser definido pelo aplicativo móvel e que não pode ser vinculado a um dispositivo específico.
• Não podemos mensurar a receita ou as métricas de proxy diretamente e devemos usar valores de 0 a 63 do SKAN.
• Não recebemos as informações em tempo real.

Antes de começarmos a fazer previsões para campanhas no iOS, é essencial que os profissionais de marketing e desenvolvedores configurem primeiro os esquemas de valor de conversão. Em seguida, ao executar uma nova campanha de marketing, os dados do SKAN devem ser decodificados antes de serem usados em modelos preditivos.

Alguns profissionais de marketing tentaram contornar os problemas do modelo preditivo usando o coeficiente (receita D0/receita DX) por usuário a partir de dados do histórico. Esse número é multiplicado, então, pela receita D0 real para obter um LTV DX previsto. O problema dessa abordagem e de métodos semelhantes é que os coeficientes podem ser extremamente imprecisos, tornando as previsões pouco confiáveis também.

A solução da Adjust usa machine learning para analisar camadas de tendências que ajudam a prever o comportamento futuro de um usuário. Dessa forma, os dados do histórico de um usuário e os padrões aprendidos com outros usuários semelhantes — como aqueles que deram o consentimento pelo opt-in do ATT — podem ajudar a prever o valor desse primeiro usuário, digamos, no dia 30, com base nos dados disponibilizados no dia 1. Ao usar grandes conjuntos de dados (coletados pelo nosso SDK) adicionados a algoritmos de machine learning, podemos fazer suposições e correlações para definir o cenário de resultados a longo prazo de usuários que não fizeram o opt-in.

Os modelos preditivos da Adjust são personalizados para cada aplicativo específico, ou seja, aprendem e são treinados com base nos dados reais (SDK) de cada aplicativo específico. Ao combinar o modelo preditivo com a análise de coortes e os dados agregados do SKAN, os profissionais de marketing podem extrair insights importantes e tomar decisões fundamentadas. Eles também podem entender o valor futuro de uma campanha logo no início do período de execução (ignorando o período de espera do SKAN) e descobrir relações entre dados que poderiam ter passado despercebidas.

O iOS 14.5+ tornou a análise preditiva muito mais complexa, mas não impossível. Com o uso eficaz dos dados disponíveis, profissionais de marketing e anunciantes podem obter os insights necessários para aumentar a eficiência e os retornos, além de melhorar o desempenho da campanha no iOS com a mesma mentalidade orientada por dados disponíveis antes. O importante é que você tenha as ferramentas certas para permitir esse desempenho.

Para saber mais sobre a solução de pLTV da Adjust e obter as informações, os insights e as ideias inovadoras mais recentes do iOS 14.5+, solicite uma demonstração aqui ou visite nosso centro de recursos.