Cómo calcular el LTV sin tener acceso al IDFA: resolver la necesidad del análisis predictivo

Al evaluar la efectividad de una campaña, el valor del ciclo de vida de un usuario en relación con el costo de su adquisición (LTV/CAC) es una métrica clave en la medición del mobile marketing. El uso de Apple SKAdNetwork (SKAN) sin tener acceso al IDFA en iOS ha convertido el analytics predictivo de algunas métricas, como el LTV, en un proceso más desafiante, ya que las campañas únicamente proporcionan datos anonimizados basados en la actividad de las primeras 24 horas. Esta también es la razón por la que es indispensable que los mercadólogos configuren sus esquemas de valor de conversión a fin de maximizar la información recibida. Conforme todo el ecosistema móvil se ha ido enfocando cada vez más en la privacidad, en Adjust, aceptamos con gusto estos cambios y nos mantenemos ágiles mientras desarrollamos la siguiente generación de herramientas para garantizar el éxito continuo de nuestros clientes.

Aunque algunos mercadólogos están intentando superar este desafío por medio de diferentes métodos, como los coeficientes (que explicamos a continuación), esto resulta muy complicado y difícil de lograr, por lo que te recomendamos aprovechar la elaboración de modelos predictivos para lanzar campañas exitosas en iOS y medirlas correctamente. Nuestro modelo envía grandes cantidades de datos (del SDK) hacia los algoritmos de aprendizaje automático a fin de eliminar el ruido, entender mejor las diferentes capas de datos existentes y determinar cuáles son las correlaciones que existen entre ellas. De esta manera, podemos predecir los resultados a largo plazo desde las primeras etapas, y proporcionar modelos y flujos de valores de conversión adecuados para la vertical de tu aplicación, así como para tus KPI más importantes.

En este blog, describimos las dificultades que iOS 14.5 y las versiones posteriores han generado para la medición de campañas, los obstáculos que enfrentan los mercadólogos y los enfoques que hemos adoptado en Adjust en cuanto al LTV predictivo (pLTV) para enfrentar y resolver estos desafíos.

El pronóstico y el cálculo del LTV se deben realizar de forma estratégica y en las primeras etapas del ciclo de vida de una campaña para garantizar que todas las decisiones de marketing estén optimizadas a fin de impulsar los ingresos brutos. Por ejemplo, si los usuarios adquiridos por la campaña A realizaron gastos importantes al principio, pero abandonaron la aplicación poco tiempo después, mientras que los usuarios adquiridos por la campaña B tuvieron un inicio más lento, pero sus compras tuvieron un mayor valor al final, la revisión de la actividad del día 1 no sería muy útil para predecir el comportamiento durante un ciclo de 30 días. Por eso, los mercadólogos necesitan una buena solución para predecir el LTV.

El uso del entorno de trabajo SKAN en iOS 14.5 y las versiones posteriores ha aumentado la complejidad del analytics predictivo. Anteriormente (y ahora, únicamente con los usuarios que otorgan su autorización en el entorno de trabajo AppTrackingTransparency, o ATT), podíamos relacionar las campañas de iOS con los IDFA y los datos a nivel de dispositivo enviados por medio de nuestro SDK. De esta manera, podíamos ver las acciones realizadas y los ingresos generados a nivel de usuario, aplicar modelos predictivos para asociar al usuario con una cohorte de usuarios, y calcular el LTV en última instancia.

Con SKAN, recibimos los datos de los usuarios anonimizados, basados únicamente en la actividad de las primeras 24 horas (y luego con un retraso de hasta 24 horas), como retroalimentación de las campañas de marketing ejecutadas en iOS. Esto complica el proceso para predecir el LTV de los usuarios porque ahora sucede lo siguiente:

• Únicamente recibimos los postbacks de SKAN con un esquema que debe estar definido por la aplicación móvil y que no se puede vincular con un dispositivo específico.
• No podemos medir directamente los ingresos ni las métricas de proxy, y debemos utilizar los valores 0 a 63 de SKAN.
• No recibimos la información en tiempo real.

Antes de poder empezar a hacer predicciones para las campañas de iOS, es indispensable que los mercadólogos y los desarrolladores configuren sus esquemas de valor de conversión. Después, al ejecutar una nueva campaña de marketing, los datos de SKAN se deben decodificar para poder utilizarlos en los modelos predictivos.

Algunos mercadólogos han intentado eludir el problema relacionado con la elaboración de modelos predictivos al utilizar el coeficiente (ingresos al día 0 / ingresos al día X) por usuario a partir de los datos históricos. Después, este número se multiplica por los ingresos reales al día 0 para obtener la predicción del LTV al día X. El problema con este enfoque y otros similares es que los coeficientes pueden ser muy imprecisos, por lo que las predicciones no son confiables.

La solución que tenemos en Adjust utiliza aprendizaje automático para analizar varias capas de tendencias que ayudan a predecir el comportamiento futuro de un usuario. De esta manera, los datos históricos de un usuario y los patrones aprendidos con otros usuarios similares (como los que otorgaron su autorización en ATT) pueden ayudar a predecir el valor de ese usuario, por ejemplo, al día 30, a partir de los datos proporcionados en el día 1. Al trabajar con grandes conjuntos de datos (recopilados por nuestro SDK) enviados hacia los algoritmos de aprendizaje automático, podemos extrapolar y hacer una correlación a fin de dibujar un panorama de los resultados a largo plazo para los usuarios que no otorgan su autorización.

Los modelos predictivos que ofrecemos en Adjust están personalizados para cada aplicación específica, lo que significa que aprenden y se entrenan con los datos reales (del SDK) de cada aplicación específica. Al emparejar los modelos predictivos con el análisis de cohortes y los datos agregados de SKAN, los mercadólogos pueden obtener la información más significativa y tomar decisiones informadas. También pueden entender el valor futuro de una campaña desde los primeros momentos de su ejecución (con lo que se evita el período de espera de SKAN) y detectar las relaciones de datos que podrían haber pasado desapercibidas de otra manera.

iOS 14.5 y las versiones posteriores han convertido el análisis predictivo en un proceso mucho más complejo, pero no imposible. Al utilizar los datos disponibles de las maneras más efectivas, los mercadólogos y los anunciantes pueden obtener la información que necesitan para aumentar la eficiencia, incrementar los retornos y mejorar el rendimiento de sus campañas en iOS con la misma mentalidad orientada a los datos que antes. Lo más importante es contar con las herramientas adecuadas para alcanzar ese rendimiento.

Si deseas obtener más información acerca de nuestra herramienta de pLTV, además de conocer toda la información más reciente y las opiniones más importantes acerca de iOS 14.5 y las versiones posteriores, puedes solicitar una demostración aquí o visitar nuestro centro de recursos aquí.