Расчет LTV в среде без IDFA: работа с предиктивной аналитикой

Одним из ключевых показателей, которые измеряют мобильные маркетологи при оценке эффективности кампании, является пожизненная ценность пользователя по отношению к стоимости привлечения этого пользователя (LTV/CAC). Работа со SKAdNetwork после отмены IDFA значительно усложняет предиктивную аналитику на iOS, поскольку анонимные данные об активности в течение первых 24 часов по сути становятся единственными показателями, которые мы получаем о кампаниях. Вот почему маркетологам важно правильно настроить схемы значений конверсии, чтобы получать как можно больше полезных сведений.

Некоторые решают эту задачу с помощью коэффициентов (мы остановимся на этом ниже). Однако их сложно рассчитывать, а полученные результаты трудно применять в деле. Поэтому Adjust рекомендует использовать предиктивное моделирование. Наша модель передает большие объемы данных (SDK) алгоритмам машинного обучения, которые отсеивают лишнее, анализируют существующие слои данных и определяют их взаимосвязь друг с другом. Это позволяет заранее предсказывать результаты, которые мы получим в долгосрочной перспективе.

В этой статье мы рассказываем о том, как изменились процедуры проведения измерений для кампаний после выхода iOS 14.5+, об основных трудностях, с которыми сталкиваются маркетологи, и о подходе Adjust к прогнозированию LTV (pLTV) для решения этих проблем.

iOS 14.5+ и трудности, связанные с прогнозированием LTV и оценкой успеха кампаний

Оценка и определение LTV должны проводиться стратегически и на ранних этапах жизненного цикла кампании, чтобы гарантировать, что все маркетинговые решения будут оптимизированы для увеличения дохода. Например, если пользователи, привлеченные кампанией А, сначала тратили большие суммы, но затем уходили, а пользователи, пришедшие из кампании B, сначала покупали мало, но в конечном итоге совершали более дорогие покупки, то по активности первого дня будет трудно правильно предсказать поведение пользователей в течение 30-дневного цикла. Вот почему маркетологам нужен рабочий метод прогнозирования LTV.

Конечно, выполнять предиктивный анализ, начиная с версии iOS 14.5+, в среде SKAdNetwork стало сложнее. Раньше мы могли привязывать кампании iOS к IDFA и данным на уровне устройства, которые передаются через наш SDK, а теперь эта возможность доступна только для пользователей, предоставивших согласие по протоколу AppTrackingTransparency (ATT). Это позволяло анализировать действия и доходы на уровне пользователя, применять предиктивное моделирование, чтобы связать пользователя с когортой пользователей и вычислять LTV на основе этих моделей.

При работе со SKAdNetwork обратная связь о рекламных кампаниях на iOS ограничена анонимными данными о пользователях, основанными только на активности в течение первых 24 часов (с последующей задержкой до 24 часов). Следовательно, процесс прогнозирования LTV пользователя усложняется.

• Мы получаем постбэки SKAdNetwork по схеме, которую определяют разработчики мобильного приложения; эти постбэки нельзя связать с определенным пользователем.
• Мы не можем измерить доход или производные метрики напрямую и должны работать со значениями SKadNetwork 0-63.
• Мы не получаем информацию в реальном времени.

Теперь перед тем, как делать прогнозы по кампаниям для iOS, маркетологи и разработчики сначала должны настроить схемы значений конверсии. Затем при запуске новой маркетинговой кампании данные SKadNetwork необходимо расшифровать для дальнейшего использования в предиктивных моделях.

Решение Adjust для предиктивного моделирования без IDFA

Некоторые маркетологи, чтобы это обойти, используют коэффициент (доход D0/доход DX) на пользователя из исторических данных. Затем это число умножается на реальный доход D0 и получается прогнозируемое значение LTV DX. Проблема этого подхода, как и других аналогичных, в том, что эти коэффициенты могут быть очень неточными, а прогнозы, соответственно, ненадежными.

Adjust использует искусственный интеллект (машинное обучение) для анализа многоуровневых тенденций, которые позволят предсказать поведение пользователей в будущем. Исторические данные и информация о поведении других аналогичных пользователей могут помочь предсказать ценность отдельно взятого пользователя, скажем, на 30-й день, на основе данных, предоставленных на 1-й день. Работая с большими наборами данных (собранными с помощью нашего SDK), которые передаются алгоритмам машинного обучения, мы можем экстраполировать и сопоставлять их, чтобы увидеть картину по пользователям, не давшим свое согласие на отслеживание, в долгосрочной перспективе.

Предиктивные модели Adjust создаются с учетом запросов клиента: они обучаются и тренируются на основе реальных данных (SDK) для каждого конкретного приложения. Сочетая предиктивное моделирование с когортным анализом и агрегированными данными SKAdNetwork, маркетологи получают возможность извлекать наиболее ценные сведения и принимать обоснованные решения. Они также могут понять итоговую эффективность кампании на ранней стадии ее проведения (минуя период ожидания SKAdNetwork) и выявить взаимосвязи данных, которых в противном случае можно было бы не увидеть.

В iOS 14.5 и выше процедура предиктивного анализа стала значительно сложнее, но это все равно возможно. Используя имеющиеся данные наиболее эффективными способами, маркетологи и рекламодатели могут получить сведения, необходимые для повышения эффективности, увеличения прибыли и результативности кампаний на iOS, не меняя своих общих принципов анализа результатов.

Чтобы узнать больше о решении pLTV от Adjust и получить свежие новости, полезные сведения и инновационные идеи, связанные с работой в iOS 14.5+, запросите демонстрацию здесь или посетите наш центр ресурсов.