Blog Cálculo do LTV pós-IDFA (Identifier for ...

Cálculo do LTV pós-IDFA (Identifier for Advertisers): a necessidade da análise preditiva

Ao avaliar a eficácia de uma campanha, o LTV/CAC (valor da vida útil em relação ao custo de aquisição) de um usuário é uma das principais métricas que os profissionais de marketing mobile mensuram. O uso da SKAdNetwork da Apple após o IDFA tornou a análise preditiva no iOS mais desafiadora do que nunca, pois dados anônimos com base na atividade das primeiras 24 horas são o único feedback recebido das campanhas. Por isso, também é essencial que os profissionais de marketing configurem os esquemas de valor de conversão para maximizar os insights.

Embora alguns profissionais de marketing estejam tentando superar esse desafio usando métodos como coeficientes (que explicamos abaixo), estes são complicados e difíceis de acertar. É por isso que a Adjust recomenda aproveitar o modelo preditivo. Nosso modelo adiciona grandes volumes de dados (SDK) a algoritmos de machine learning para filtrar apenas o que é necessário, entender melhor as camadas de dados existentes e identificar as correlações entre elas. Com base nisso, podemos prever resultados de longo prazo desde o início.

Nesta publicação, descrevemos as dificuldades que o iOS 14.5+ trouxe para a mensuração de campanhas, os pontos problemáticos que os profissionais de marketing encontram e como a Adjust está lidando com o pLTV (LTV preditivo) para enfrentar e resolver esses desafios.

iOS 14.5+ e os desafios da previsão do LTV e da avaliação do sucesso da campanha

Estimar e identificar o LTV é uma atividade que precisa ser realizada estrategicamente e no início do ciclo de vida de uma campanha para garantir que todas as decisões de marketing sejam otimizadas visando à geração de receita bruta. Por exemplo, se os usuários trazidos pela campanha A tiverem gastado muito inicialmente, mas em seguida pararam de usar ou cancelaram o app, e os usuários da campanha B demoraram de começar, mas fizeram compras de um valor mais alto, a avaliação da atividade do primeiro dia seria insuficiente para prever o comportamento ao longo de um ciclo de 30 dias. É por isso que os profissionais de marketing precisam de uma boa opção para prever o LTV.

O trabalho com o iOS 14.5+ dentro da estrutura SKAdNetwork aumentou a complexidade da análise preditiva. Anteriormente (e agora apenas com usuários que fizeram o opt-in do ATT (AppTrackingTransparency)), conseguíamos vincular campanhas do iOS a IDFAs e dados no nível do dispositivo, enviados pelo nosso SDK. Com base nisso, conseguíamos ver as ações realizadas e a receita gerada no nível do usuário, aplicar o modelo preditivo para associar o usuário a um grupo de usuários e, por fim, estimar o LTV.

Com a SKAdNetwork, recebemos dados de usuários anonimizados baseados apenas em atividades nas primeiras 24 horas (e depois com um atraso de até 24 horas) como feedback de campanhas de marketing no iOS. Isso complica o processo de previsão do LTV do usuário, porque agora:

  • Recebemos apenas postbacks da SKAdNetwork usando um esquema que deve ser definido pelo aplicativo móvel e que não pode ser vinculado a um usuário específico.
  • Não podemos mensurar a receita ou as métricas de proxy diretamente e devemos usar valores de 0 a 63 da SKAdNetwork.
  • Não recebemos as informações em tempo real.

Antes de começarmos a fazer previsões para campanhas no iOS, é essencial que os profissionais de marketing e desenvolvedores configurem primeiro os esquemas de valor de conversão. Em seguida, ao executar uma nova campanha de marketing, os dados da SKAdNetwork devem ser decodificados antes de serem usados em modelos preditivos.

Solução da Adjust para o modelo preditivo pós-IDFA

Alguns profissionais de marketing tentaram contornar o problema usando o coeficiente (receita D0/receita DX) por usuário a partir de dados históricos. Esse número é multiplicado pela receita D0 real para obter um LTV DX previsto. O problema dessa abordagem e de métodos semelhantes é que os coeficientes podem ser extremamente imprecisos, tornando as previsões pouco confiáveis também.

A solução da Adjust usa inteligência artificial, ou machine learning, para analisar camadas de tendências que ajudam a prever o comportamento futuro de um usuário. Dessa forma, os dados históricos de um usuário e os padrões aprendidos com outros usuários semelhantes podem ajudar a prever o valor desse usuário, digamos, no dia 30, com base nos dados disponibilizados no dia 1. Ao usar grandes conjuntos de dados (coletados pelo nosso SDK) adicionados a algoritmos de machine learning, podemos fazer suposições e correlações para definir o cenário de resultados a longo prazo para usuários que não fizeram o opt-in.

Os modelos preditivos da Adjust são personalizados para cada aplicativo específico, ou seja, aprendem e são treinados com base nos dados reais (SDK) de cada aplicativo específico. Ao combinar o modelo preditivo com a análise de coorte e os dados agregados da SKAdNetwork, os profissionais de marketing podem extrair os insights mais importantes e tomar decisões fundamentadas. Eles também podem entender o valor futuro de uma campanha logo no início do período de execução (ignorando o período de espera da SKAdNetwork) e descobrir relações entre dados que poderiam ter passado despercebidas.

O iOS 14.5+ tornou a análise preditiva muito mais complexa, mas não impossível. Com o uso eficaz dos dados disponíveis, profissionais de marketing e anunciantes podem obter os insights necessários para aumentar a eficiência e os retornos, além de melhorar o desempenho da campanha no iOS com a mesma mentalidade orientada por dados disponíveis antes.

Para saber mais sobre a solução de pLTV da Adjust e obter as informações, os insights e as ideias inovadoras mais recentes do iOS 14.5+, solicite uma demonstração aqui ou visite nosso centro de recursos.

Quer receber as últimas novidades da Adjust?