Calcul de la LTV sans IDFA : répondre au besoin d'analytique prédictive

Lorsqu'il s'agit d'évaluer l'efficacité d'une campagne, la valeur vie d'un utilisateur comparée à son coût d'acquisition (LTV/CAC) est l'une des métriques privilégiées par les marketeurs mobiles. Avec le framework SKAdNetwork d'Apple, qui ne permet plus d'utiliser l'IDFA, l'analytique prédictive sur iOS a beaucoup gagné en complexité, car les données anonymisées issues de l'activité des 24 premières heures constituent le seul feedback renvoyé par les campagnes. C'est pourquoi il est essentiel que les marketeurs configurent leurs schémas de valeurs de conversion afin de maximiser les insights.

Si certains marketeurs choisissent d'utiliser des méthodes comme les coefficients (que nous expliquons plus bas), ces solutions sont loin d'être idéales, et Adjust conseille plutôt de tirer parti de la modélisation prédictive. Notre modèle injecte de grandes quantités de données (du SDK) dans les algorithmes de machine learning pour identifier et mieux comprendre les différents niveaux des données, ainsi que leurs corrélations. Avec une telle méthode, nous sommes capables de prédire précocement les résultats sur le long terme.

Dans ce blog, nous soulignons les difficultés qu'iOS 14.5+ a introduites dans la mesure des campagnes, les soucis majeurs que les marketeurs rencontrent et comment Adjust approche la LTV prédictive (pLTV) pour y apporter une solution.

Défis soulevés par iOS 14.5+ dans la LTV prédictive et l'évaluation des campagnes

Estimer et déterminer la LTV demande d'appliquer une démarche stratégique et précoce dans le cycle de vie d'une campagne pour veiller à ce que les décisions marketing alimentent le chiffre d'affaires. Par exemple, si les utilisateurs captés par une campagne A dépensent beaucoup dans un premier temps mais qu'ils s'en détournent rapidement par la suite, alors que les utilisateurs d'une campagne B démarrent doucement mais réalisent finalement plus d'achats que ceux de la première campagne, la prédiction du comportement sur un cycle de 30 jours ne peut se limiter à l'analyse du jour 1. C'est pourquoi les marketeurs ont besoin d'un outil efficace de prédiction de la LTV.

Travailler avec iOS 14.5+ dans le framework SKAdNetwork a beaucoup complexifié l'analytique prédictive. Avant (et maintenant uniquement avec les utilisateurs consentant au AppTrackingTransparency (ATT)), nous pouvions relier les campagnes iOS aux IDFA et aux données des appareils par l'intermédiaire de notre SDK. Nous pouvions alors identifier les actions d'un utilisateur et les revenus générés à son niveau, appliquer une modélisation prédictive pour associer cet utilisateur à une cohorte, pour enfin estimer la LTV.

Avec SKAdNetwork, le seul feedback que nous recevons sur les campagnes de marketing iOS sont des données utilisateur anonymisées, basées uniquement sur l'activité des 24 premières heures (et avec un décalage de jusqu'à 24 heures). Prédire la LTV utilisateur est aujourd'hui difficile, car :

• Nous recevons uniquement des postbacks SKAdNetwork au moyen d'un schéma qui doit être défini par l'app mobile et qu'il n'est pas possible de relier à un utilisateur spécifique.
• Nous ne pouvons pas mesurer les revenus ou les métriques proxy directement, et devons travailler avec les valeurs 0-63 de SKAdNetwork.
• Nous ne recevons pas les informations en temps réel.

Avant de pouvoir réaliser des prédictions pour les campagnes iOS, il est essentiel que les marketeurs et les développeurs configurent d'abord leurs schémas de valeurs de conversion. Ensuite, lors de l'exécution d'une nouvelle campagne marketing, les données SKAdNetwork doivent être décodées avant de pouvoir établir des modèles prédictifs.

La solution Adjust à la modélisation prédictive sans IDFA

Certains marketeurs ont essayé de contourner le problème en utilisant le coefficient (revenus D0/revenus DX) par utilisateur à partir des données historiques. Cette valeur est ensuite multipliée par les revenus D0 réels pour obtenir une LTV DX prévue. Le problème avec cette approche, et avec les autres approches similaires, est que le coefficient peut être très imprécis et donc entraîner des prédictions peu fiables.

Chez Adjust, notre solution consiste à utiliser l'intelligence artificielle (machine learning) pour analyser les niveaux de tendances qui aident à prédire le comportement futur des utilisateurs. De la sorte, les données historiques d'un utilisateur, et les modèles établis à partir d'utilisateurs similaires, contribuent à prédire la valeur de cet utilisateur au jour 30, par exemple, à l'aide de données concernant le jour 1. En injectant un grand nombre de données (collectées par notre SDK) dans nos algorithmes de machine learning, nous pouvons extrapoler et corréler les données pour dégager une vue générale des résultats à long terme pour les utilisateurs non consentants.

Les modèles prédictifs d'Adjust sont créés sur mesure pour chaque app spécifique : ils apprennent et sont entraînés pour les données réelles (SDK) de chaque app. En associant la modélisation prédictive à l'analyse de cohortes et aux données agrégées SKAdNetwork, les marketeurs parviennent à extraire des insights de qualité pour prendre des décisions informées. Ils sont également en mesure de comprendre la valeur future d'une campagne dès le début de son exécution (en court-circuitant la période d'attente imposée par SKAdNetwork) et de faire ressortir des relations entre les données, invisibles autrement.

Avec iOS 14.5+, l'analytique prédictive est certes devenue plus complexe, mais pas impossible. En exploitant efficacement les données disponibles, les marketeurs et les annonceurs peuvent dégager les insights nécessaires pour augmenter l'efficacité et les retours, et améliorer les performances des campagnes iOS en gardant le même regard qu'auparavant sur les données.

Pour en savoir plus sur la solution pLTV d'Adjust, rester à jour et profiter d'insights et analyses sur iOS 14.5+, vous pouvez demander une démonstration ici ou consultez notre centre de ressources ici.