การคำนวณ LTV หลัง IDFA: ตอบโจทย์ความต้องการการวิเคราะห์เชิงคาดการณ์

ในการประเมินประสิทธิภาพของแคมเปญ มูลค่าตลอดอายุการใช้งานของผู้ใช้ที่สัมพันธ์กับต้นทุนในการได้มาซึ่งผู้ใช้รายนั้น (LTV/CAC) ถือเป็นหนึ่งในเมตริกหลักที่นักการตลาดบนมือถือใช้ในการวัดผล การทำงานกับ SKAdNetwork หลัง IDFA ของ Apple ทำให้การวิเคราะห์เชิงคาดการณ์บน iOS ยากกว่าที่เคย เนื่องจากผลลัพธ์เดียวที่ได้จากแคมเปญคือข้อมูลที่ไม่ระบุตัวตนตามกิจกรรมในช่วง 24 ชั่วโมงแรก เป็นอีกเหตุผลหนึ่งที่นักการตลาดจำเป็นต้องสร้างสคีมามูลค่า Conversion ของตนเพื่อเพิ่มข้อมูลเชิงลึก

ในขณะที่นักการตลาดส่วนหนึ่งกำลังทำงานเพื่อเอาชนะอุปสรรคนี้โดยใช้วิธีการต่างๆ เช่น ค่าสัมประสิทธิ์ (ซึ่งเราอธิบายไว้ด้านล่าง) การคำนวณค่านี้ยังคงเป็นเรื่องซับซ้อนและยากที่จะหาคำตอบที่ถูกต้องได้ Adjust จึงขอแนะนำให้ใช้การสร้างโมเดลเชิงคาดการณ์ โมเดลของเราป้อนข้อมูล (SDK) จำนวนมากลงในอัลกอริทึม Machine Learning เพื่อกรองข้อมูลรบกวน ทำความเข้าใจชั้นข้อมูลที่มีอยู่ และกำหนดความสัมพันธ์ระหว่างข้อมูลเหล่านั้น จากจุดนี้เองที่เราจะสามารถคาดการณ์ผลลัพธ์ในระยะยาวได้ตั้งแต่เนิ่นๆ

ในบล็อกนี้ เราได้สรุปปัญหาที่ iOS 14.5+ นำมาสู่การวัดผลแคมเปญ, Pain Point ที่นักการตลาดกำลังเผชิญอยู่ และวิธีที่ Adjust หันมาใช้ LTV เชิงคาดการณ์ (pLTV) เพื่อจัดการและแก้ไขปัญหาเหล่านี้

iOS 14.5+ และความท้าทายที่เกิดขึ้นกับการคาดการณ์ LTV และการประเมินความสำเร็จของแคมเปญ

การประเมินและการค้นหา LTV จำเป็นต้องทำอย่างมีกลยุทธ์ตั้งแต่เนิ่นๆ ในช่วงต้นของวงจรชีวิตของแคมเปญ เพื่อตัดสินใจทางการตลาดทั้งหมดอย่างเหมาะสมและเพิ่มรายได้ถึงขีดสุด ตัวอย่างเช่น หากผู้ใช้ได้มาจากแคมเปญ ก ใช้จ่ายเงินจำนวนมากในตอนแรกแต่เลิกใช้งานไปในภายหลัง ในขณะที่ผู้ใช้จากแคมเปญ ข เริ่มต้นได้ช้าแต่ทำการซื้อที่มีมูลค่าสูงกว่าในท้ายที่สุด การตรวจสอบกิจกรรมเฉพาะในวันที่ 1 อาจไม่ดีต่อการคาดการณ์พฤติกรรมตลอดรอบ 30 วัน ด้วยเหตุนี้เอง นักการตลาดจึงต้องมีวิธีที่ดีในการคาดการณ์ LTV

การทำงานบน iOS 14.5+ ภายในเฟรมเวิร์ก SKAdNetwork ทำให้การวิเคราะห์เชิงคาดการณ์มีความซับซ้อนขึ้น ก่อนหน้านี้ (และตอนนี้เฉพาะกับผู้ใช้ที่เลือกใช้ AppTrackingTransparency (ATT)) เราสามารถเชื่อมโยงแคมเปญ iOS กับ IDFA และข้อมูลระดับอุปกรณ์ที่ส่งผ่าน SDK ของเราได้ เมื่อเชื่อมโยงแล้ว เราจะเห็นการดำเนินการและรายได้ที่เกิดขึ้นในระดับผู้ใช้ ใช้โมเดลคาดการณ์เพื่อเชื่อมโยงผู้ใช้รายนั้นกับกลุ่มผู้ใช้อื่นๆ และประเมิน LTV ในท้ายที่สุด

ในเฟรมเวิร์ก SKAdNetwork เราได้รับข้อมูลผลลัพธ์จากแคมเปญการตลาดบน iOS ในรูปของผู้ใช้ที่ไม่ระบุชื่อโดยอิงจากกิจกรรมภายใน 24 ชั่วโมงแรกเท่านั้น (ซึ่งอาจล่าช้าถึง 24 ชั่วโมง) ซึ่งทำให้กระบวนการคาดการณ์ LTV ของผู้ใช้มีความซับซ้อน ด้วยสาเหตุต่อไปนี้ในตอนนี้

• เราได้รับเฉพาะ Postback ของ SKAdNetwork โดยใช้สคีมาที่ต้องกำหนดโดยแอปบนมือถือ และไม่สามารถเชื่อมโยงกับผู้ใช้รายใดรายหนึ่งได้
• เราไม่สามารถวัดรายได้หรือเมตริกพร็อกซีได้โดยตรง และต้องใช้ค่า SKadNetwork 0-63
• เราไม่ได้รับข้อมูลแบบเรียลไทม์

ก่อนที่เราจะเริ่มต้นการคาดการณ์สำหรับแคมเปญ iOS นักการตลาดและผู้พัฒนาจำเป็นต้องตั้งค่าสคีมามูลค่า Conversion ของตนก่อน จากนั้นเมื่อเผยแพร่แคมเปญการตลาดใหม่ ข้อมูล SKadNetwork จะต้องผ่านการถอดรหัสก่อนนำไปใช้ในโมเดลคาดการณ์

โซลูชันของ Adjust ในการสร้างโมเดลคาดการณ์หลัง IDFA

นักการตลาดบางรายพยายามหลีกเลี่ยงปัญหานี้โดยใช้ค่าสัมประสิทธิ์ (รายได้ D0/รายได้ DX) ต่อผู้ใช้หนึ่งรายจากข้อมูลในอดีต จากนั้นจึงคูณตัวเลขนี้ด้วยรายได้ D0 จริงให้ได้ DX LTV ที่คาดการณ์ไว้ ปัญหาของแนวทางนี้และแนวทางที่คล้ายคลึงกันคือสัมประสิทธิ์อาจมีความคลาดเคลื่อนอย่างมาก ทำให้การคาดการณ์ไม่น่าเชื่อถือไปด้วย

โซลูชันที่ Adjust ใช้ AI หรือ Machine Learning ในการวิเคราะห์เทรนด์ในระดับต่างๆ ที่ช่วยคาดการณ์พฤติกรรมในอนาคตของผู้ใช้ ด้วยวิธีนี้ ข้อมูลในอดีตของผู้ใช้ และรูปแบบที่เรียนรู้จากผู้ใช้รายอื่นที่คล้ายคลึงกัน เราจะสามารถช่วยคาดการณ์มูลค่าของผู้ใช้รายนั้นได้ในวันที่ 30 จากข้อมูลที่ให้ในวันที่ 1 เมื่อใช้ชุดข้อมูลขนาดใหญ่ (ที่รวบรวมโดย SDK ของเรา) ซึ่งป้อนลงในอัลกอริทึม Machine Learning เราสามารถคาดการณ์และเชื่อมโยงความสัมพันธ์ให้เห็นภาพผลลัพธ์ในระยะยาวสำหรับผู้ใช้ที่ไม่ได้เลือกให้ข้อมูล

โมเดลคาดการณ์ของ Adjust นั้นสร้างขึ้นสำหรับแต่ละแอปโดยเฉพาะ ซึ่งหมายความว่าโมเดลแต่ละโมเดลจะเรียนรู้และฝึกจากข้อมูล (SDK) จริงของแต่ละแอปเท่านั้น เมื่อใช้โมเดลคาดการณ์ร่วมกับการวิเคราะห์ตามกลุ่มและข้อมูล SKAdNetwork ที่รวบรวมไว้ นักการตลาดจะสามารถดึงข้อมูลเชิงลึกที่มีความหมายมากที่สุดและตัดสินใจได้โดยตั้งอยู่บนพื้นฐานของข้อมูล ทั้งยังมีทรัพยากรพอที่จะทำความเข้าใจมูลค่าในอนาคตของแคมเปญตั้งแต่เนิ่นๆ ในช่วงต้นของเวลาเผยแพร่ (ข้ามระยะเวลารอของ SKAdNetwork ไป) และเห็นความสัมพันธ์ของข้อมูลที่อาจพลาดไป

iOS 14.5+ ทำให้การวิเคราะห์เชิงคาดการณ์ซับซ้อนขึ้นอย่างมาก แต่ก็ใช่ว่าจะเป็นไปไม่ได้เลย หากใช้ข้อมูลที่มีอยู่อย่างมีประสิทธิภาพมากที่สุด นักการตลาดและผู้ลงโฆษณาจะได้รับข้อมูลเชิงลึกที่จำเป็นในการเพิ่มประสิทธิภาพ เพิ่มผลตอบแทน และปรับปรุงการทำงานของแคมเปญบน iOS ด้วยแนวคิดที่ขับเคลื่อนด้วยข้อมูลเช่นเดิม

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับโซลูชัน pLTV ของ Adjust และรับข้อมูลล่าสุด ข้อมูลเชิงลึก และความคิดเห็นจากผู้นำเกี่ยวกับ iOS 14.5+ คุณสามารถขอตัวอย่างที่นี่ หรือไปที่ศูนย์ข้อมูลของเราที่นี่