ブログ ポストIDFA時代のLTVの算出方法:予測分析のニーズを解決

ポストIDFA時代のLTVの算出方法:予測分析のニーズを解決

キャンペーンの効果を評価する際、モバイルマーケターが計測する主な指標の1つが、ユーザーの生涯価値(LTV)とそのユーザーの獲得コスト(CAC)の比率(LTV/CAC)です。ポストIDFA時代におけるAppleのSKAdNetworkでは、iOSでの予測分析がこれまでよりもはるかに困難になっているのが現状です。これは、キャンペーンから得られるフィードバックが最初の24時間に基づく匿名化されたデータのみであるためです。また、マーケターがconversion valueスキーマを設定してインサイトを最大限に高めることが重要である理由でもあります。

一部のマーケターは係数(以下でご説明します)を使用してこの課題の克服に取り組んでいますが、この手法は複雑で、正確に行うことが難しいため、Adjustでは予測型モデルの活用をお勧めしています。Adjustのモデルでは、大量の(SDK)データを機械学習アルゴリズムに読み込ませ、ノイズをふるい分け、さまざまなレイヤーのデータに関する理解を深めた上で相関関係を判断します。そうすることで、長期的な結果を早期に予測することができます。

このブログでは、iOS 14.5以降のキャンペーン計測における課題やマーケターが解決を迫られている問題について概説し、Adjustがこれらの課題を克服するために予測LTV(pLTV)をどのように活用しているのかについてご説明します。

iOS 14.5以降の変化がLTVの予測とキャンペーン計測にもたらす課題

マーケティングに関するすべての判断を最適化して営業収益を増加させるには、LTVの予測・把握をキャンペーンライフサイクルの早期段階で戦略的に行う必要があります。ここで1つ、例を挙げてみましょう。キャンペーンAで獲得したユーザーAは当初、多額のアプリ内購入を行いましたが、後にチャーン(離脱)しました。一方、キャンペーンBで獲得したユーザーBは、当初の購入額は少なかったものの、最終的にユーザーAよりも高額のアプリ内購入を行いました。ユーザーAとBの30日間全体におけるユーザー行動を正確に予測する場合、1日目のユーザー行動を評価するだけでは困難であることは明らかです。マーケターがLTVを予測する正確な方法を学ぶべきなのは、要するにこのためです。

iOS 14.5以降、SKAdNetworkフレームワークによる対応は予測分析をより複雑なものにしました。以前は、iOSにおけるキャンペーンをSDK経由で送信されるIDFAとデバイスレベルのデータに紐づけることができました(現在はAppTrackingTransparency(ATT)でオプトインしたユーザーの場合のみ可能)。さらに、ユーザー行動と生成された収益をユーザーレベルで把握し、予測型モデルを適用して、そのユーザーをコホートに分類し、最終的にLTVを評価することができました。

しかし、SKAdNetworkではiOSにおけるマーケティングキャンペーンからのフィードバックとして、最初の24時間(以降、最大24時間)に発生するユーザー行動のみに基づいて、匿名化されたユーザーデータを受け取ります。ユーザーLTVの予測を複雑化させている原因は、次の通りです。

  • Adjustでは、モバイルアプリで定義する必要があり、かつ特定のユーザーと関連付けることができないスキーマを使用する方法でのみSKAdNetworkポストバックを受信できます。
  • Adjustは収益またはプロキシ指標を直接計測できず、0~63のSKAdNetwork値を使用する必要があります。
  • Adjustはリアルタイムで情報を受けとることができません。

iOSキャンペーン向けの予測を開始するには、事前にまずマーケターと開発者がconversion valueスキーマを設定することが重要です。その後、新しいマーケティングキャンペーンを実施する際に、SKAdNetworkデータをデコードしてから予測モデルで使用する必要があります。

ポストIDFA時代におけるAdjustの予測型モデルソリューション

一部のマーケターはこれらの問題を解決するために、過去のデータから得たユーザーごとの係数(0日目収益/X日目収益)を使用しています。この数値に実際の0日目の収益を掛けることで、X日目の予測LTV(顧客生涯価値)が得られます。しかし、係数あるいは類似のアプローチには、係数そのものが大きな誤差を生みやすいことから、正確な予測が難しいという問題があります。

Adjustが提供するソリューションでは、人工知能(機械学習)を活用してさまざまな層の傾向を分析することで、ユーザーの将来の行動を予測します。このように、ユーザーの過去のデータとその他の類似ユーザーから学習したパターンを活用すれば、1日目のデータを基に、その後(例えば30日目)のユーザの価値を予測することができます。Adjust SDKが収集して機械学習アルゴリズムに読み込ませた大規模なデータセットを活用することで、オプトインしていないユーザーの長期的な結果を推測し、関連付けることができます。

Adjustの予測型モデルは、個々のアプリに合わせてカスタマイズされるため、各アプリの実際の(SDK)データを学習して、その学習データに基づいてトレーニングされます。予測型モデルをコホート分析やSKAdNetworkの集計データと組み合わせることで、マーケターは最も有意義なインサイトを抽出し、データに基づいた意思決定を行うことができます。また、キャンペーンの開始初期に(SKAdNetworkの待機期間なしで)その将来価値を把握し、他の方法では見過ごされる可能性のあるデータ間の関連性を明らかにすることができます。

iOS 14.5以降、予測分析は非常に複雑化しましたが、決して不可能になった訳ではありません。マーケターと広告主は最も効率的に得られるデータを活用することで、従来のデータ主導の考え方に基づいて効率性や収益性の向上、そしてiOSにおけるキャンペーンパフォーマンスの強化に必要なインサイトを得ることができます。

AdjustのpLTVソリューションの詳細やiOS 14.5以降に関する最新情報をご希望の場合は、こちらからデモをお申し込みください。iOSに関するその他の情報については、こちらのリソースセンターからご覧いただけます。

Adjustの最新情報をお届けします