后 IDFA 时代的 LTV 计算：Adjust 能够满足您对预测分析的需求

在评估推广活动的效果时，用户生命周期价值与用户获取成本之间的关系 (LTV/CAC) 是移动营销监测中的关键指标。在后 IDFA 时代，Apple 的 SKAdNetwork (简称 SKAN) 使得 LTV 等 iOS 端指标预测性分析更具挑战性，因为推广活动能够提供的唯一反馈只有针对用户最初24小时内活动的匿名数据。因此，营销人员必须创建转化值方案， 以便最大限度地获取信息。整个移动营销生态系统对隐私保护的注重程度越来越高，Adjust 也欣然拥抱这些变化，在保持自身灵活性的同时研发新一代解决方案，确保客户持续取得成功。

有些营销人员正在通过系数 (我们将在下文加以解释) 等方法来克服该挑战，但这很复杂，想要做好很难，因此 Adjust 建议使用预测模型发布并监测 iOS 端成功的推广活动。我们的模型将大量的 (SDK) 数据导入机器学习算法，以此筛除干扰数据，更好地理解已有数据层，并确定不同数据之间的相关性。在此基础上，我们可以在早期预测长期结果，根据您的应用类别和关键 KPI，为您量身打造转化值模型和流程。

本文概述了 iOS 14.5+ 给推广活动监测带来的困难，营销人员正在经历的痛点，以及 Adjust 如何利用预测性 LTV (pLTV) 来解决这些挑战。

评估和发现 LTV 需要在推广活动生命周期的早期进行，以确保优化所有营销决策，从而提高收入。例如，如果推广活动 A 吸引的用户一开始花了很多钱，但后来却流失了，而推广活动 B 带来的用户起步较慢，但最终消费更多，那么研究第 1 天的活动将很难预测整个 30 天周期内的行为。因此，营销人员需要一个能够准确预测 LTV 的方法。

在 iOS 14.5+ 中使用 SKAN 框架使得预测分析的复杂程度加剧。以前，我们可以将 iOS 营销活动与 IDFA 和 (通过SDK发送的) 设备层级数据关联 (这种方法现在只适用于那些在 AppTrackingTransparency (ATT) 中授予许可的用户)。这一做法可以揭示用户层级的行为和收益，使用预测模型将用户与某个同期群联系起来，最终估算出 LTV。

在 SKAN 中，作为 iOS 营销推广活动的反馈，我们只能收到最初 24 小时内用户活动的匿名数据，而且最多会被延迟 24 小时。这使预测用户 LTV 的过程变得更加复杂，原因如下：

• 我们只接收 SKAN 回调，其方案必须由移动应用定义，且不能与特定设备关联。
• 我们无法直接监测收入或代理指标，必须使用 SKAN 中 0-63 范围内的比特值。
• 我们不能实时接收信息。

开始预测 iOS 推广活动之前，营销人员和开发者必须先设定转化值方案。然后，在开展新的营销活动时，SKAN 数据在被用于预测模型之前必须先解码。

有些营销人员试图使用历史数据中每个用户的系数 (D0 收入/DX 收入) 来规避预测建模方面的问题。这个数字乘以实际的 D0 收入，得到预测 DX LTV。这种方法和类似方法的问题在于，该系数可能非常不准确，从而使预测变得同样不可靠。

Adjust 的解决方案利用机器学习来分析不同层面趋势，帮助预测用户的未来行为。通过这种方式，我们可以基于用户的历史数据以及其他类似用户的行为模式 (例如在 ATT 弹窗中授予了许可的用户)，根据第 1 天的数据来预测该用户的未来价值，比如第 30 天的价值。通过将庞大的数据集 (由 Adjust SDK 收集) 导入机器学习算法，我们可以进行外推和关联，预测未授权用户的长期表现。

Adjust 的预测模型为每款应用量身定制，也就是说，这些模型的学习和训练过程基于该应用的真实 (SDK) 数据。通过将预测模型与同期群分析和 SKAN 聚合数据相结合，营销人员可以获取有价值的洞见，做出明智的决策。他们还能跳过 SKAN 等待期，在推广活动的早期就掌握其未来价值，发现极易被忽视的数据关联。

iOS 14.5+ 让预测分析变得更加复杂，但并非完全不可能。通过以最有效的方式利用已有数据，营销人员和广告主可以获得所需洞见，从而提高效率，增加回报，继续用隐私规定变更之前的方式改善 iOS 推广活动效果。您需要拥有高效的工具，才能获得出色效果——这一点至关重要。

进一步了解 Adjust 的 pLTV 解决方案并获取 iOS 14.5+ 的最新资讯和洞见，请 在此申请 Demo或浏览我们的资源中心。