Xác định LTV sau thời điểm IDFA: giải quyết bài toán về phân tích dự đoán

Khi đánh giá hiệu quả quảng cáo của chiến dịch, một trong các chỉ số mà người làm marketing cần phải đo lường là tỷ lệ giữa giá trị trọn đời của người dùng và chi phí để có được người dùng đó (LTV/CAC). Kể từ thời điểm các quy định về quyền riêng tư chính thức có hiệu lực và việc sử dụng mô hình SKAdNetwork của Apple là bắt buộc, công tác phân tích dự đoán iOS trở nên khó khăn gấp nhiều lần, vì dữ liệu chiến dịch mà người làm marketing nhận về là dữ liệu ở dạng ẩn danh và chỉ liên quan đến các hoạt động của người dùng trong 24 giờ đầu. Đó là lý do tại sao người làm marketing cần biết cách cài đặt schema cho giá trị chuyển đổi để nhận nhiều thông tin nhất có thể.

Mặc dù một số người làm marketing đã lựa chọn các phương pháp như hệ số (coefficient, chúng tôi sẽ giải thích rõ hơn ở bên dưới) để khắc phục khó khăn trên iOS, nhưng các phương pháp như vậy thường phức tạp và khó nắm bắt cho đúng. Do vậy, Adjust đề xuất sử dụng mô hình dự đoán (predictive modeling). Mô hình của chúng tôi đã nạp một lượng lớn dữ liệu (SDK) cho các thuật toán học máy (machine learning) nhằm lọc bỏ nhiễu (noise), phân tích các lớp dữ liệu và xác định mối tương quan giữa chúng. Bằng mô hình này, chúng tôi có thể dự đoán sớm các xu hướng dài hạn.

Trong bài viết này, chúng tôi sẽ phân tích các khó khăn trong công tác đo lường chiến dịch quảng cáo trên iOS 14.5+, các thách thức mà người làm marketing đang phải đối mặt, và phương án Adjust đưa ra cho LTV dự đoán (predictive LTV, pLTV) để giải quyết các thách thức này.

iOS 14.5+ và những khó khăn trong việc dự đoán LTV và đo lường chiến dịch

Ngay từ các bước đầu của chiến dịch, người làm marketing đã phải ước tính và xác định được LTV qua một chiến lược cụ thể và hiệu quả. Có như vậy, người làm marketing mới có thể đưa ra các quyết định đúng đắn nhất và tăng mạnh được doanh thu. Ví dụ, một người dùng biết đến ứng dụng sau khi tương tác với chiến dịch A, họ ban đầu chi rất nhiều tiền nhưng sau đó dừng truy cập ứng dụng; một người dùng khác tương tác với chiến dịch B, họ cần một thời gian khá dài để làm quen với ứng dụng, nhưng mỗi đơn hàng họ mua lại có giá trị rất lớn. Như vậy, nếu chỉ dựa vào hành vi của người dùng ở ngày thứ 1, thì bạn không thể dự đoán đúng hành vi của họ trong suốt vòng đời 30 ngày. Người làm marketing cần tìm ra được một phương án hiệu quả để dự đoán LTV.

Việc phân tích chiến dịch iOS 14.5+ qua SKAdNetwork framework đã làm tăng mức độ phức tạp của công tác phân tích dự đoán. Ngày trước, chiến dịch iOS có thể được liên kết với IDFA và dữ liệu cấp thiết bị (được gửi qua Adjust SDK). Giờ đây, chỉ khi người dùng cho phép ứng dụng thu thập thông tin qua thông báo của AppTrackingTransparency (ATT), thì ứng dụng mới có thể đo lường và phân tích như trước. Hay nói cách khác, ứng dụng mới có thể xem hành vi mà người dùng đã thực hiện và doanh thu do mỗi người dùng tạo ra, sau đó sử dụng mô hình dự đoán để liên kết người dùng đó với một nhóm người dùng (cohort), cuối cùng ước tính LTV.

Nhưng với SKAdNetwork, phản hồi của các chiến dịch marketing trên iOS chỉ bao gồm dữ liệu ẩn danh về hoạt động của người dùng trong 24 giờ đầu (chưa kể chúng ta phải chờ thêm tối đa 24 giờ nữa mới có trong tay dữ liệu). Cách thức gửi dữ liệu như trên khiến người làm marketing khó mà dự đoán LTV của người dùng, vì:

• Chúng ta chỉ nhận được SKAdNetwork postback, schema mà postback này sử dụng phải được ứng dụng cài đặt từ trước, và dữ liệu không dẫn đến bất kỳ người dùng nào.
• Chúng ta không thể trực tiếp đo lường doanh thu hay các chỉ số proxy, và phải sử dụng các giá trị từ 0-63 của SKAdNetwork.
• Chúng ta không nhận được dữ liệu theo thời gian thực.

Trước khi xây dựng mô hình dự đoán cho chiến dịch iOS, nhà phát triển và nhà quảng cáo cần cài đặt schema cho giá trị chuyển đổi. Sau đó, khi bắt đầu chiến dịch marketing mới, họ cần phải giải mã dữ liệu SKAdNetwork rồi mới có thể sử dụng dữ liệu cho mô hình dự đoán.

Giải pháp của Adjust cho mô hình dự đoán sau thời điểm IDFA

Một số người làm marketing đã cố gắng giải quyết vấn đề này bằng hệ số (doanh thu ngày 0/doanh thu ngày X) được tính dựa trên dữ liệu lịch sử của mỗi người dùng. Hệ số này sau đó được đem đi nhân với doanh thu ngày 0 thực tế để dự đoán LTV của ngày X. Phương án này, cùng nhiều phương án khác, có chung một vấn đề về tính thiếu chính xác của hệ số và mức độ kém tin cậy của dự đoán.

Giải pháp của Adjust sử dụng trí tuệ nhân tạo, hoặc công nghệ học máy (ML), để phân tích các lớp dữ liệu và dự đoán hành vi của người dùng trong tương lai. Bằng cách này, bạn có thể sử dụng dữ liệu lịch sử của người dùng, cũng mẫu hành vi đúc kết được từ những người dùng tương tự, để dự đoán giá trị mà người dùng đó đem lại vào ngày thứ 30 (ngày thứ 1 là ngày nhận được dữ liệu). Adjust đã nạp lượng lớn dữ liệu (do SDK thu thập) vào các thuật toán học máy, sau đó ngoại suy và liên kết dữ liệu để dự đoán được hành vi của người dùng opt-out (những người không cho phép ứng dụng truy cập thông tin qua ATT).

Adjust xây dựng mô hình dự đoán theo nhu cầu của từng ứng dụng, tức là mô hình được huấn luyện dựa trên dữ liệu (SDK) thực của từng ứng dụng. Nếu kết hợp mô hình dự đoán với phân tích tổ hợp (cohort) và dữ liệu SKAdNetwork tổng hợp, thì người làm marketing có thể truy xuất các thông tin quan trọng nhất, từ đó có cơ sở để ra quyết định đúng đắn. Họ cũng hiểu được giá trị tương lai của chiến dịch ngay từ bước đầu khởi chạy (không cần phải chờ qua hai khoảng thời gian quy định của SKAdNetwork), đồng thời nhìn ra được mối liên hệ giữa các dữ liệu.

Các quy định mới xoay quanh iOS 14.5+ đã khiến công tác phân tích dự đoán trở nên phức tạp hơn, chứ không biến việc này thành không thể. Nếu có thể khai thác dữ liệu có sẵn theo cách hữu hiệu nhất, thì nhà quảng cáo vẫn có thể có đủ thông tin cần thiết để tăng hiệu quả chiến dịch, tăng doanh thu, cải thiện kết quả hoạt động và tiếp tục sử dụng dữ liệu để ra quyết định như ngày trước.

Để tìm hiểu thêm về giải pháp dự đoán LTV (pLTV) của Adjust, đồng thời nhận thông tin mới nhất và các chia sẻ chuyên môn về iOS 14.5+, bạn có thể yêu cầu bản demo tại đây hoặc truy cập resource center tại đây.