博客 后 IDFA 时代的 LTV 计算:Adjust 能够满足您对预测分析的需求

后 IDFA 时代的 LTV 计算:Adjust 能够满足您对预测分析的需求

在评估推广活动的效果时,用户生命周期价值与用户获取成本之间的关系 (LTV/CAC) 是移动营销人员监测的关键指标之一。在后 IDFA 时代,Apple 的 SKAdNetwork 使得对 iOS 推广活动的预测性分析比以往任何时候都更具挑战性,因为推广活动能够提供的唯一反馈只有针对用户最初24小时内活动的匿名数据。因此,营销人员必须创建转化值方案, 以便最大限度地获取信息。

有些营销人员正在通过系数 (我们将在下文加以解释) 等方法来克服该挑战,但这很复杂,想要做好很难,因此 Adjust 建议使用预测模型。我们的模型将大量的 (SDK) 数据导入机器学习算法,以此筛除干扰数据,更好地理解已有数据层,并确定不同数据之间的相关性。在此基础上,我们可以在早期预测长期结果。

本文概述了 iOS 14.5+ 给推广活动监测带来的困难,营销人员正在经历的痛点,以及 Adjust 如何利用预测性 LTV (pLTV) 来解决这些挑战。

iOS 14.5+以及 LTV 预测和推广活动效果监测面临的挑战

评估和发现 LTV 需要在推广活动生命周期的早期进行,以确保优化所有营销决策,从而提高收入。例如,如果推广活动 A 吸引的用户一开始花了很多钱,但后来却流失了,而推广活动 B 带来的用户起步较慢,但最终消费更多,那么研究第 1 天的活动将很难预测整个 30 天周期内的行为。因此,营销人员需要一个能够准确预测 LTV 的方法。

在 iOS 14.5+ 中使用 SKAdNetwork 框架使得预测分析的复杂程度加剧。以前,我们可以将 iOS 营销活动与 IDFA 和 (通过SDK发送的) 设备层级数据关联 (这种方法现在只适用于那些在 AppTrackingTransparency (ATT) 中授予许可的用户)。这一做法可以揭示用户层级的行为和收益,使用预测模型将用户与某个同期群联系起来,最终估算出 LTV。

在 SKAdNetwork 中,作为 iOS 营销推广活动的反馈,我们只能收到最初 24 小时内用户活动的匿名数据,而且最多会被延迟 24 小时。这使预测用户 LTV 的过程变得更加复杂,原因如下:

  • 我们只接收 SKAdNetwork 回调,其方案必须由移动应用定义,且不能与特定用户关联。
  • 我们无法直接监测收入或代理指标,必须使用 SKadNetwork 中 0-63 范围内的比特值。
  • 我们不能实时接收信息。

开始预测 iOS 推广活动之前,营销人员和开发者必须先设定转化值方案。然后,在开展新的营销活动时,SKadNetwork 数据在被用于预测模型之前必须先解码。

Adjust 的后 IDFA 时代预测模型解决方案

有些营销人员试图使用历史数据中每个用户的系数 (D0 收入/DX 收入) 来规避这个问题。这个数字乘以实际的 D0 收入,得到预测 DX LTV。这种方法和类似方法的问题在于,该系数可能非常不准确,从而使预测变得同样不可靠。

Adjust 的解决方案利用人工智能 (机器学习) 来分析不同层面趋势,帮助预测用户的未来行为。通过这种方式,我们可以基于用户的历史数据以及其他类似用户的行为模式根据第 1 天的数据来预测该用户的未来价值,比如第 30 天的价值。通过将庞大的数据集 (由 Adjust SDK 收集) 导入机器学习算法,我们可以进行外推和关联,预测未授权用户的长期表现。

Adjust 的预测模型为每款应用量身定制,也就是说,这些模型的学习和训练过程基于该应用的真实 (SDK) 数据。通过将预测模型与同期群分析和 SKAdNetwork 聚合数据相结合,营销人员可以获取最有价值的洞见,做出明智的决策。他们还能跳过 SKAdNetwork 等待期,在推广活动的早期就掌握其未来价值,发现极易被忽视的数据关联。

iOS 14.5+ 让预测分析变得更加复杂,但并非完全不可能。通过以最有效的方式利用已有数据,营销人员和广告主可以获得所需洞见,从而提高效率,增加回报,继续用隐私规定变更之前的方式改善 iOS 推广活动效果。

进一步了解 Adjust 的 pLTV 解决方案并获取 iOS 14.5+ 的最新资讯和洞见,请 在此申请 Demo或浏览我们的资源中心.

想了解 Adjust 的最新消息?