AppsFlyer干貨分享｜如何預知未來,appsflyer是什么平臺

AppsFlyer干貨分享如何預測未來

通過有效的廣告為移動應用帶來優(yōu)質(zhì)用戶是移動用戶增長經(jīng)理的核心目標之一。如果能通過用戶早期行為預測長期用戶周期價值(LTV)，就能為廣告優(yōu)化提供有價值的決策依據(jù)。從廣告投放優(yōu)化的決策挑戰(zhàn)出發(fā)，詳細介紹了什么是營銷預測分析，以及廣告主如何應用該技術降低廣告投放的不確定性，優(yōu)化用戶增長策略。

用戶增長經(jīng)理面臨的決策挑戰(zhàn)

近年來，在移動營銷行業(yè)各種挑戰(zhàn)的催化下，負責用戶增長的獲客經(jīng)理的工作內(nèi)容變得越來越重要。

客戶經(jīng)理不斷追求真實有效的廣告優(yōu)化，從而獲得優(yōu)質(zhì)用戶，使用各種BI技術方案，或者與第三方技術平臺合作，希望獲得準確的用戶成本數(shù)據(jù)，然后與用戶生命周期價值(LTV)進行對比分析，試圖降低投資回報(ROI)的不確定性。

然而，在大多數(shù)情況下，當能夠幫助決策的數(shù)據(jù)維度不足或不可用時，獲勝的管理者只能依靠自己的經(jīng)驗和對廣告效果的直覺來做出決策。

如何有效優(yōu)化獲客廣告？

應用開發(fā)者吸引更多用戶使用app的方式主要有兩種，一是用戶自然搜索App，二是在各種營銷渠道打廣告吸引用戶。廣告主會根據(jù)國家和地區(qū)、展示廣告應用類型、多元化受眾特征等分類標準設定不同的目標投放群體。，然后進行針對性的廣告投放。

例如，廣告應用程序可以通過傳統(tǒng)的廣告平臺在Tinder上做廣告，以接觸到其在英國的用戶，或者可以在臉書上做廣告，以接觸到其對游戲感興趣的20至34歲的女性用戶。采集經(jīng)理會為每個用戶群設定廣告參數(shù)，比如預算、每日廣告曝光限額、最關鍵的廣告出價，也就是一個新用戶愿意支付的價格(簡稱PPU)。

當用戶激活并打開應用時，獲客經(jīng)理觀察并分析用戶的整個轉化路徑。用于衡量用戶價值的關鍵指標如下:

清算

通過廣告瀏覽、應用內(nèi)購買、訂閱、積分墻等為應用帶來收入。

交互

代表交互式應用程序參與并能為移動經(jīng)濟做出貢獻的用戶活動。

保留時間:

用戶App的使用頻率也叫用戶粘性。

獲取經(jīng)理的目標是一個用戶帶來的收入超過獲取這個用戶的成本。實現(xiàn)這一目標的難點在于準確衡量用戶生命周期的價值，用戶生命周期的持續(xù)時間從三周至12個月不等，這也與應用的商業(yè)形態(tài)密切相關。

預測KPI分解

先知道用戶生命周期的價值，再決定每個用戶對這個數(shù)據(jù)的出價基礎，是一個極其理想的情況。行業(yè)的現(xiàn)實是廣告主需要先付費才能獲得客戶，這給廣告的運營管理帶來了很大的不確定性。

如何最大化LTV？

在廣告主的BI系統(tǒng)上投入大量資源，成立專門團隊，利用數(shù)據(jù)科學嘗試識別用戶路徑中的每個節(jié)點，得到一個大概的用戶生命周期值。BI解決方案越先進，客戶經(jīng)理就越容易獲得準確的LTV。

這種數(shù)據(jù)分析過程通常需要714天，只有在積累了足夠的數(shù)據(jù)規(guī)模后，才能形成早期的LTV值。注意:為了得到準確有效的數(shù)據(jù)，需要保證在廣告期間沒有其他外界因素的干擾。

只有有效的數(shù)據(jù)洞察，獲客經(jīng)理才能逐一優(yōu)化廣告系列，對廣告出價、廣告創(chuàng)意或目標人群進行有針對性的調(diào)整。

廣告主等待的時間越長，這個數(shù)據(jù)結果就越準確。然而，在等待數(shù)據(jù)逐漸細化的過程中，營銷人員可能仍然在投放不成功的廣告，這浪費了成本，導致廣告主無法將預算投入到成功潛力更大的廣告活動中。

什么是預測分析技術？

對于一些應用程序開發(fā)人員來說，有一個線性模型來預測LTV就足夠了。然而，更復雜、更先進的預測模型可能會給許多移動應用的廣告帶來意想不到的積極質(zhì)變。

在用戶激活App后的一到兩天內(nèi)，根據(jù)這些數(shù)據(jù)信號，測量用戶早期行為，預測用戶的長期生命周期價值，是業(yè)界期待已久的解決方案。

這種解決方案的主要挑戰(zhàn)是早期數(shù)據(jù)和長期預測之間的關系不直觀。需要在用戶首次登錄App后的幾天內(nèi)，對用戶的轉化行為和模式進行測量，用先進的工具對數(shù)據(jù)進行分析，得出預測結果。這種研究方法被稱為預測分析，廣泛應用于金融和公共衛(wèi)生領域。

將這項技術應用到移動營銷領域并不容易。即使在數(shù)據(jù)平臺已經(jīng)成為主流商業(yè)模式的情況下，將預測分析技術應用于LTV預測仍然需要投入大量的R&D資源，并且有海量數(shù)據(jù)as 基礎。

其中采用了包括深度學習、自定義智能標記、動態(tài)特征機學習等技術。要支持多種數(shù)據(jù)模型，服務器的維護和運營費用極高。

盡管大多數(shù)客戶經(jīng)理能夠理解預測分析，但只有少數(shù)人享受到了這項技術帶來的便利。大部分營銷團隊不具備自行創(chuàng)建和維護這一機制的條件，只能依靠相對有限的數(shù)據(jù)分析模型和營銷人員的主觀判斷。

什么是理想的營銷預測分析解決方案？

并創(chuàng)建可以深度學習的預測分析模型，提供營銷人員決策所需的LTV預測數(shù)據(jù)。作為這套數(shù)據(jù)建模基礎需要大量的用戶行為數(shù)據(jù)。

雖然預測分析模型只是廣告主的app用來預測自己app的長期LTV，但是這種數(shù)據(jù)模型的訓練和優(yōu)化需要建立在數(shù)百甚至數(shù)千個應用數(shù)據(jù)的基礎上，才能最大限度地提高預測的準確性。

行業(yè)內(nèi)很少有平臺能夠基于如此龐大的數(shù)據(jù)量級和變現(xiàn)、成本等數(shù)據(jù)維度，衡量所有應用跨所有營銷渠道和媒體渠道的廣告活動。

預測儀表板

如果一個廣告主和五個廣告平臺合作，每個平臺都有自己龐大的流量池，但是并沒有接入其他平臺的流量。每個平臺只能看到自己的廣告系列和媒體表現(xiàn)。所以媒體渠道的數(shù)據(jù)必然會有偏差。

為什么建議廣告主采用營銷預測分析模型？

我們已經(jīng)來到了一個隱私至上的新時代。歸因測量正在發(fā)生重大變化，營銷人員需要采用新的測量視角:可測量的時間框架將縮短，用戶級數(shù)據(jù)將默認不可用，等等。這些是營銷人員需要適應的新現(xiàn)實。

預測模型可以有效解決以上痛點。

AppsFlyer作為獨立、公平、公正的歸因平臺，基于海量的歸因數(shù)據(jù)，提供準確有效的數(shù)據(jù)洞察。著眼于廣闊的行業(yè)視角，AppsFlyer為此在行業(yè)內(nèi)投入了無與倫比的技術、人才和資源。再加上其獨立公正的價值主張，AppsFlyer能夠真正在最短的時間框架內(nèi)為廣告主提供最精準的預測和分析數(shù)據(jù)洞察。

特別聲明：以上文章內(nèi)容僅代表作者本人觀點，不代表ESG跨境電商觀點或立場。如有關于作品內(nèi)容、版權或其它問題請于作品發(fā)表后的30日內(nèi)與ESG跨境電商聯(lián)系。