IDFA sonrası dünyada LTV'yi hesaplamak: Tahmine dayalı analitik ihtiyaçlar için bir çözüm

Bir kampanyanın ne kadar etkili olduğunu değerlendirirken mobil pazarlamacıların kullandığı en önemli metriklerden biri, bir kullanıcıyı edinmenin maliyetiyle o kullanıcının hayat boyu değeri arasındaki ilişkidir (LTV/CAC). IDFA sonrası dünyada Apple'ın SKAdNetwork çerçevesi ile çalışmak, kampanyalardan alınan tek geri bildirimin ilk 24 saatteki aktiviteye dayalı anonimleştirilmiş veriler olmasından dolayı iOS'te tahmine dayalı analitikleri her zamankinden daha zor hale getirdi. Ayrıca bu, pazarlamacıların elde ettikleri içgörüleri en üst düzeye çıkarmak için dönüşüm değeri şemaları oluşturmalarını gerektiriyor.

Bazı pazarlamacılar katsayılar (yazımızın ilerleyen paragraflarında değineceğiz) gibi yöntemler kullanarak bu zorluğun üstesinden gelmeye çalışıyor, ancak bu oldukça karmaşıktır ve doğru bir şekilde uygulanması zordur. Bu yüzden Adjust, tahmine dayalı modellemeyi kullanmayı öneriyor. Modelimiz gürültüyü temizlemek, mevcut veri katmanlarını daha iyi anlamak ve bunların birbirleriyle olan korelasyonlarını belirlemek için büyük miktarda (SDK) veriyi machine learning algoritmaları ile işler. Bu şekilde uzun vadeli sonuçları erkenden tahmin edebiliyoruz.

Bu blog'da, iOS 14.5'in kampanya ölçümlemesine getirdiği zorlukları, pazarlamacıların sorun yaşadığı noktaları ve Adjust'ın bir çözüm olarak tahmine dayalı LTV'ye (predictive LTV, pLTV) nasıl yaklaştığını özetliyoruz.

iOS 14.5'in LTV tahmininde ve kampanya başarısını değerlendirmede ortaya çıkardığı zorluklar

Pazarlamaya dair tüm kararların en yüksek ciro odağında alınması amacıyla optimize edilmesini sağlamak için, LTV tahmininin stratejik olarak bir kampanyanın yaşam döngüsünün başlarında yapılması gerekir. Örneğin, A kampanyasından gelen kullanıcıların en başta yüksek harcama yaptıklarını ancak daha sonra kullanımı bıraktıklarını düşünelim. B kampanyasından gelenlerin harcamaları düşük kalsa, ancak uzun vadede daha yüksek bir değere sahip olurlarsa, 1. gündeki etkinlik incelendiğinde 30 günlük bir döngü içerisinde davranış tahmininde düşük bir doğruluğa sahip olacaktır. Bu yüzden pazarlamacıların LTV tahmini için iyi bir yola ihtiyaçları var.

iOS 14.5+ üzerinde SKAdNetwork ile çalışmak, tahmine dayalı analitiklerin karmaşıklığını artırdı. Daha önce, iOS kampanyalarını SDK'mız ile gönderilen IDFA'lere ve cihaz seviyesindeki verilere bağlayabiliyorduk. (Bunu artık sadece AppTrackingTransparency'ye (ATT) onay veren kullanıcılarla yapabiliyoruz.) Bu noktadan sonra kullanıcı seviyesinde gerçekleştirilen eylemleri ve elde edilen ciroyu görebiliyor, bu kullanıcıyı bir cohort ile ilişkilendirmek için tahmine dayalı modelleme uygulayabiliyor ve sonuç olarak LTV'yi tahmin edebiliyorduk.

SKAdNetwork ile, iOS'te yürütülen pazarlama kampanyalarından geri bildirim olarak sadece ilk 24 saat içindeki aktivitelere dair anonimleştirilmiş kullanıcı verileri alabiliyoruz. Ayrıca bu verilerin alınması sonrasında 24 saate kadar ertelenebiliyor. Bu, kullanıcı LTV'sinin tahminini karmaşıklaştırıyor, çünkü artık:

• Sadece SKAdNetwork postback'leri alabiliyoruz. Bunlar mobil uygulama tarafından tanımlanan bir şema gerektiriyor ve spesifik bir kullanıcıya bağlanamıyor.
• Ciroyu veya proxy metriklerini doğrudan ölçümleyemiyoruz ve SKadNetwork'ün 0-63 değerleriyle çalışmamız gerekiyor.
• Bilgileri gerçek zamanlı olarak alamıyoruz.

iOS kampanyalarına dair tahminler yapmaya başlamadan önce, pazarlamacıların ve geliştiricilerin dönüşüm değeri şemalarını oluşturmaları çok önemlidir. Bunun ardından yeni bir pazarlama kampanyası yürütürken, tahmine dayalı modellerde kullanılmadan önce SKAdNetwork verilerinin decode edilmesi gerekiyor.

IDFA sonrasında Adjust'ın tahmine dayalı modelleme çözümü

Bazı pazarlamacılar, bu sorunu geçmiş verilerden kullanıcı başına katsayı (D0 cirosu/DX cirosu) kullanarak çözmeye çalışıyordu. Bu sayı daha sonra tahmini bir DX LTV elde etmek için gerçek D0 cirosu ile çarpılır. Bu ve benzer yaklaşımlarla ilgili sorun, katsayıların son derece yanlış olabilmesi ve tahminleri aynı derecede güvenilmez hale getirmesidir.

Adjust olarak sunduğumuz çözüm, kullanıcıların gelecekteki olası davranışlarını tahmin etmek için birçok farklı katmandaki trendi analiz eden AI ya da machine learning teknolojilerini kullanır. Bu şekilde, bir kullanıcının geçmiş verileri ve diğer benzer kullanıcıların davranış düzenleri, örneğin bir kullanıcının 30. gündeki değerini tahmin etmek için 1. güne dair verilerden yararlanabilir. Machine learning algoritmalarının beslendiği büyük veri setleri (SDK'mız tarafından toplanan) ile çalışarak, takibe onay vermeyen kullanıcılara dair uzun vadeli sonuçların bir resmini çizmek için tahminlerde bulunabiliyor ve korelasyonlar kurabiliyoruz.

Adjust'ın tahmine dayalı modelleri, her uygulama için özel olarak oluşturulur. Bu da her uygulamanın gerçek (SDK) verileri ile ML açısından eğitildikleri anlamına gelir. Pazarlamacılar, tahmine dayalı modellemeyi cohort analizi ve toplu SKAdNetwork verileriyle eşleştirerek en anlamlı içgörüleri elde edebilir ve bunları kullanarak bilinçli kararlar verebilirler. Ayrıca, bir kampanyanın gelecekteki değerini en başlarda (SKAdNetwork bekleme süresini atlayarak) anlama ve veriler arasındaki aksi takdirde gözden kaçabilecek ilişkileri ortaya çıkarabiliyorlar.

iOS 14.5+, tahmine dayalı analitikleri önemli ölçüde karmaşıklaştırdı, ancak yine de bu tahminleri yapmak imkansız değil. Pazarlamacılar ve reklamcılar, ellerinde olan verilerden en etkili şekilde yararlanarak verimliliği yükseltmek, yatırım getirilerini artırmak ve iOS'teki kampanya performansını iyileştirmek için ihtiyaçları olan içgörülere sahip olmak adına her zaman kullandıkları veri odaklı yaklaşımlarını uygulayabilirler.

Adjust'ın pLTV çözümü hakkında daha fazla bilgi edinmek ve en son gelişmeleri, içgörüleri ve iOS 14.5'e dair en güncel verileri almak için buradan bir demo talep edebilir ya da kaynak merkezimizi buradan ziyaret edebilirsiniz.