Blog Menghitung LTV pasca-IDFA: Memenuhi kebu...

Menghitung LTV pasca-IDFA: Memenuhi kebutuhan akan predictive analytics

Saat mengevaluasi efektivitas campaign, lifetime value seorang pengguna dibandingkan dengan biaya untuk mengakuisisi pengguna tersebut (LTV/CAC), menjadi salah satu metrik utama yang dihitung oleh mobile marketer. SKAdNetwork pasca-IDFA Apple membuat predictive analytics di iOS lebih menantang dari sebelumnya, karena data anonim yang didasarkan pada kegiatan yang dilakukan sejak 24 jam pertama adalah satu-satunya masukan yang diperoleh dari campaign. Oleh karena itu, para marketer perlu menyiapkan skema nilai konversi untuk memaksimalkan informasi.

Walaupun sebagian marketer berupaya untuk mengatasi tantangan ini dengan menggunakan berbagai metode seperti koefisien (yang dijelaskan di bawah), ini rumit dan sulit dihitung dengan tepat. Oleh karena itu, Adjust merekomendasikan untuk memanfaatkan predictive modeling. Model kami mengirimkan data (SDK) dalam volume besar ke algoritma machine learning untuk berfokus serta lebih memahami data yang tersedia dan menentukan korelasinya dengan satu sama lain. Setelah itu kami dapat memprediksi outcome jangka panjang sejak awal.

Dalam blog ini, kami menjelaskan tentang kesulitan yang muncul dalam pengukuran campaign sejak iOS 14.5+, pain point yang dihadapi oleh para marketer dan cara Adjust menggunakan predictive LTV (pLTV) untuk menangani dan mengatasi tantangan ini.

iOS 14.5+ dan tantangan untuk memprediksi LTV dan mengevaluasi kesuksesan campaign

Estimasi dan penghitungan LTV perlu dilakukan secara strategis dan sejak awal di siklus hidup campaign untuk memastikan bahwa semua keputusan marketing dioptimalkan agar dapat meningkatkan pendapatan perusahaan. Misalnya, mengevaluasi kegiatan pada Hari ke-1 tidak akan dapat memprediksi dengan baik perilaku pengguna sepanjang siklus 30 hari apabila pengguna yang diakuisisi dengan campaign A memiliki belanja yang tinggi tetapi kemudian berhenti menggunakan aplikasi, sementara pengguna dari campaign B lambat untuk mulai tetapi nilai transaksinya pada akhirnya lebih tinggi. Oleh karena itu, para marketer membutuhkan cara yang baik untuk memprediksi LTV.

iOS 14.5+, dalam framework SKAdNetwork, telah meningkatkan kompleksitas predictive analytics. Di masa lampau (dan kini hanya bagi pengguna yang memberikan persetujuan untuk AppTrackingTransparency (ATT)), kami dapat menghubungkan campaign iOS ke IDFA dan data tingkat perangkat, yang dikirimkan melalui SDK Adjust. Setelah itu, kami dapat melihat tindakan yang dilakukan dan pendapatan yang dihasilkan di tingkat pengguna, menjalankan predictive modeling untuk menghubungkan pengguna tersebut dengan kohort pengguna, serta menghitung estimasi LTV.

Dengan SKAdNetwork, kami mendapatkan data pengguna anonim yang didasarkan pada kegiatan dalam 24 jam pertama (dan kemudian ditunda hingga 24 jam), sebagai masukan dari marketing campaign di iOS. Ini memperumit proses memprediksi LTV pengguna, karena sekarang:

  • Kita hanya menerima postback SKAdNetwork, dengan skema yang ditetapkan oleh mobile app, dan tidak dapat dihubungkan dengan pengguna tertentu.
  • Kita tidak dapat menghitung pendapatan atau proxy metric secara langsung dan harus menggunakan nilai 0-63 SKadNetwork.
  • Kita tidak menerima informasi secara real-time.

Sebelum dapat mulai membuat prediksi untuk campaign iOS, para marketer dan developer perlu menyiapkan skema nilai konversi terlebih dahulu. Setelah itu, saat menjalankan marketing campaign baru, data SKAdNetwork harus menjalani proses decoding sebelum digunakan dalam predictive model.

Solusi Adjust untuk predictive modeling pasca-IDFA

Sebagian marketer berusaha mengatasi isu ini dengan menggunakan koefisien (D0 pendapatan/DX pendapatan) per pengguna dari data historis. Hasilnya kemudian dikalikan dengan D0 pendapatan untuk memprediksi DX LTV. Akurasi koefisien yang rendah menjadi masalah dalam pendekatan ini dan pendekatan serupa, sehingga prediksi yang disiapkan tidak dapat diandalkan.

Solusi yang disediakan oleh Adjust menggunakan artificial intelligence atau machine learning, dapat digunakan untuk menganalisis berbagai tren untuk memprediksi perilaku pengguna di masa mendatang. Dengan cara ini, data historis pengguna dan pola yang dipelajari dari pengguna serupa lainnya dapat membantu memprediksi nilai pengguna tersebut pada, misalnya Hari ke-30, dari data yang disediakan pada Hari ke-1. Dengan menggunakan data set skala besar (yang dikumpulkan oleh SDK Adjust) dan memasukkan data tersebut ke dalam algoritma machine learning, kami dapat mengekstrapolasi dan menghubungkan keduanya agar dapat memperoleh gambaran tentang outcome jangka panjang bagi pengguna yang tidak memberikan persetujuan.

Predictive model Adjust dikembangkan secara khusus untuk setiap aplikasi khusus. Dengan kata lain, mereka belajar dan dilatih dengan data (SDK) asli untuk aplikasi tertentu. Dengan menggabungkan predictive modeling, analisis kohort dan data SKAdNetwork agregat, para marketer dapat mengekstraksi informasi yang paling bermakna dan mengambil keputusan berdasarkan informasi yang memadai. Mereka juga dapat mengetahui nilai campaign di masa mendatang sejak awal runtime (melewati masa tunggu SKAdNetwork) dan surface data relationship yang sebelumnya mungkin tidak akan terdeteksi.

iOS 14.5+ membuat predictive analytics jauh lebih kompleks, tetapi tidak mustahil untuk dilakukan. Dengan memanfaatkan data yang tersedia dengan cara yang paling efektif, para marketer dan pengiklan dapat memperoleh informasi yang diperlukan untuk meningkatkan efisiensi, menambah imbal hasil, dan meningkatkan kinerja campaign di iOS dengan mindset yang didorong oleh data seperti sebelumnya.

Untuk mendapatkan informasi lebih lanjut tentang solusi pLTV Adjust dan mendapatkan informasi, wawasan terbaru dan thought leadership iOS 14.5+, Anda dapat memperoleh demo di sini, atau silakan kunjungi resource center di sini.

Ingin mendapatkan berita terbaru dari Adjust?