Modelagem preditiva para profissionais de marketing de aplicativos: o guia completo

Introdução

Conheça um novo mindset de marketing: mais rápido e alimentado por dados

Atualmente, os consumidores têm mais opções do que nunca. Com muita facilidade, eles navegam rapidamente para acessar o que querem, sempre que querem. Com a pandemia e uma demanda crescente por serviços e entretenimento digital, a concorrência no ecossistema de aplicativos se tornou mais acirrada do que nunca. 

Ficar um passo à frente das mudanças é a única maneira de permanecer competitivo. A modelagem preditiva nos permite fazer exatamente isso, ajudando os profissionais de marketing a entender os comportamentos e tendências do consumidor através da previsão de ações futuras e do planejamento de campanhas de acordo com decisões baseadas em dados. 

A ciência da análise preditiva existe há anos e é usada pelas maiores empresas do mundo para aperfeiçoar suas operações, antecipar alterações na oferta e demanda, prever mudanças globais e usar históricos de dados para se preparar melhor para eventos futuros. 

Mas afinal, o que é esse híbrido de ciência de dados e marketing? 

A modelagem preditiva é uma forma de análise que usa machine learning e IA para avaliar histórico de dados de campanhas, dados de comportamento dos usuários e dados transacionais adicionais para prever ações futuras. 

Usando a modelagem preditiva, os profissionais de marketing podem tomar decisões rápidas para otimizar campanhas, sem ter que esperar pelos resultados reais. Por exemplo, um algoritmo de machine learning pode descobrir que os usuários que concluíram o nível 10 de um jogo nas primeiras 24 horas tinham 80% mais chances de fazer uma compra no aplicativo na primeira semana. 

Sabendo disso, os profissionais de marketing podem fazer uma otimização quando o evento é concluído dentro 24 horas, bem antes da primeira semana. Se a campanha não tivesse uma boa performance, o investimento contínuo seria um total desperdício de orçamento. Mas se ela gerar bons resultados, dobrar rapidamente o investimento pode gerar resultados ainda melhores. 

E a privacidade?

Qual é o impacto da privacidade sobre a modelagem preditiva, agora que o acesso a dados no nível do usuário é limitado? 

Sabemos que os usuários mobile se tornaram cada vez mais sofisticados e experientes nos últimos anos. Com a privacidade (ou a falta dela) ocupando o centro das atenções, o usuário médio não tem mais pressa em fornecer seus dados para usar um aplicativo ou mesmo para desfrutar de uma experiência mais personalizada. 

Mas será que os anunciantes realmente ficaram no escuro quando se trata do acesso a dados de qualidade?

Não necessariamente. Ao combinar a modelagem preditiva, SKAdNetwork, dados agregados e análise de cohort, os profissionais de marketing podem tomar decisões bem-informadas mesmo em uma realidade de acesso limitado ao IDFA. 

Mas por onde devemos começar? Uma coisa é mensurar eventos, monitorar a performance e fazer otimizações. Outra coisa é analisar uma grande quantidade de dados, além de desenvolver e aplicar modelos preditivos que permitirão que você tome decisões ágeis e precisas baseadas em dados. 

Bem, não tenha medo. Estamos aqui para te ajudar. 

Neste guia prático – uma colaboração entre a AppsFlyer, a AppAgent (agência de marketing digital) e a Incipia – vamos falar sobre como os profissionais de marketing podem melhorar ainda mais suas habilidades de dados e conquistar a tão cobiçada vantagem competitiva usando a modelagem preditiva. 

Capítulo 1

Modelagem preditiva: conceitos básicos e configuração de mensuração

Em primeiro lugar, por que devemos criar modelos preditivos?

Existem inúmeras vantagens da modelagem preditiva para o marketing mobile. Vamos falar sobre suas vantagens para duas atividades principais:

1. Aquisição de usuários

Conhecer o comportamento típico do usuário e os marcos iniciais que separam usuários com alto potencial dos usuários com baixo potencial pode ser útil tanto para a aquisição como para o reengajamento . 

Por exemplo, se você sabe que um usuário precisa gerar X até o 3º dia de uso para que você tenha lucro no 30º dia, e esse número está abaixo do seu benchmark — então você sabe que precisará ajustar seus lances, criativos ou sua segmentação para melhorar o custo/qualidade dos seus usuários adquiridos, ou para melhorar suas estratégias de monetização. 

Se, no entanto, esse X ultrapassar seu benchmark, você terá confiança para aumentar orçamentos e lances e extrair ainda mais valor dos seus usuários adquiridos.

2. Publicidade centrada na privacidade

Durante anos, a maior vantagem da publicidade online com relação à publicidade tradicional é a capacidade de usar quantidades significativas de dados de performance mensuráveis ​​para identificar o público-alvo desejado. 

Quanto mais específicas forem suas campanhas, maior é a probabilidade de impulsionar um LTV de usuário mais alto e ter um orçamento eficiente. Mas e se você pudesse ter acesso a um grupo de amostra maior e receber um insight imediato sobre seu potencial valor?

A modelagem preditiva permite que você faça exatamente isso; expandir o público potencial da sua campanha. Ao criar diferentes clusters de características comportamentais, seu público pode ser segmentado não por sua identidade, mas pela interação com sua campanha em seus estágios iniciais.

O que devo mensurar?

Para entender o que você precisa mensurar para acertar em suas previsões, vamos avaliar quais pontos de dados podem ou não ser úteis:

Métricas

Todas as métricas são pontos de dados, mas nem todas as métricas são key performance indicators (KPIs). As métricas são mais fáceis de calcular e amadurecem muito mais rápido do que os KPIs, que tendem a envolver fórmulas complexas.

É importante ressaltar que, com a SKAdNetwork, as métricas abaixo ainda podem ser mensuradas, mas com um nível menor de precisão. Mais detalhes no capítulo 5.

1) As métricas legadas geralmente são consideradas de baixa confiança para a previsão de lucro, mas podem ser acessadas com mais rapidez: 

• Click to install (CTI) – a conversão direta entre os dois touchpoints mais fortes na jornada pré-instalação do usuário, o CTI é fundamental tanto do ponto de vista social como técnico, pois taxas mais baixas podem indicar uma audiência não relevante, criativos ineficazes ou um tempo de carregamento lento antes da instalação ser concluída.

Fórmula: número de instalações / número de cliques em anúncios

• Taxa de cliques (CTR) – a relação entre um clique em um determinado anúncio e o número total de visualizações. Mais no topo do funil, o CTR tem um valor limitado, informando outras metas gerais de marketing. No entanto, ele também pode refletir diretamente a eficácia do criativo de uma campanha com base nos cliques recebidos.

Fórmula: número de cliques / número de visualizações de anúncios

Pontos de dados necessários: impressões, cliques, instalações atribuídas

2) As métricas de indicadores iniciais geralmente são consideradas de média confiança para a previsão de lucro, e também podem ser acessadas rapidamente.
Como há um foco maior no fundo do funil atualmente, uma instalação não é mais um KPI suficiente. Dito isso, as métricas a seguir, embora não sejam úteis para a previsão de lucro, ainda são úteis como indicadores iniciais que informam os profissionais de marketing sobre a probabilidade de suas campanhas gerarem lucro.

Alguns exemplos incluem:

• Custo por instalação (CPI) – Com foco em instalações pagas em vez de orgânicas, o CPI mensura seus custos de UA em resposta à visualização de um anúncio.

Fórmula: gastos com anúncios / total de instalações diretamente vinculadas à campanha publicitária

• Taxa de retenção – é a quantidade de usuários que retornam ao app após um determinado período de tempo. 

Cálculo: [(CE – CN) / CS)] x 100

CE = número de usuários no final do período

CN = número de novos usuários adquiridos durante o período

CS = número de usuários no início do período

Pontos de dados necessários: custo, instalações atribuídas, aberturas de aplicativos (relatório de retenção)

Com exceção da taxa de retenção, as métricas tendem a estar vinculadas a um modelo de marketing e não ao seu modelo de negócios e, como tal, não são úteis para determinar se os usuários adquiridos gerarão lucro para sua empresa.

Se você pagar US$ 100 por clique ou por instalação, é provável que você não tenha lucro. Se o seu CTR for de 0,05%, é provável que a mecânica do leilão te force a pagar uma taxa alta por instalação, fazendo com que você tenha uma margem menor para obter lucro. 

As métricas não são tão úteis para realizar previsões quando ajustamos nossos valores de confiança para ter uma precisão melhor, por exemplo, quando a linha de lucratividade está dentro de um intervalo de CPI de US$ 2 a US$ 6.

KPIs

É importante separar os KPIs comuns em dois grupos:

1) Preditores confiáveis ​​de KPI de nível 2 – definidos por um nível de confiança médio-alto na previsão de lucro, e disponibilidade lenta: 

Eles são úteis para servir como benchmarks iniciais de lucro, oferecendo um nível de confiança maior do que os indicadores principais (métricas). Os KPIs de nível 2 levam mais tempo para amadurecer e também oferecem menos confiança do que os KPIs de nível 1.

*Observe que, com a SKAdNetwork, os seguintes KPIs não podem ser mensurados juntos.

• Custo de aquisição do cliente, por usuário pagante
• Custo ou conversão de ações-chave – por exemplo, quantidade de partidas jogadas no primeiro dia de uso ou quantidade de visualizações de conteúdo durante a primeira sessão
• Custo baseado em tempo, ou conversão em ações-chave (por exemplo, custo por quantidade de partidas de jogos no primeiro dia ou custo por visualização de conteúdo durante a primeira sessão)
• Custo por dia para usuários retidos: Gasto total por dia x usuários retidos naquele dia. 
• Eventos in-app específicos de cada vertical – por exemplo, conclusão do tutorial, conclusão do nível 5 no dia 1 (jogos), número de páginas de produtos visualizadas na 1ª sessão, número de sessões em 24 horas (compras), etc.

Pontos de dados necessários: custo, instalações atribuídas, aberturas do aplicativo (relatório de retenção), eventos in-app configurados e mensurados, dados da sessão (carimbos de data/hora, recursos usados, ​​etc.)

Para a maioria dos modelos de negócios, esses KPIs não podem servir como indicadores confiáveis ​​porque, embora levem em conta custos e eventos comumente correlacionados com lucro, eles perdem a monetização completa dentro da equação do lucro, visto que as aberturas de aplicativos nem sempre equivalem a uma compra in-app, e os usuários pagantes podem comprar mais de uma vez.

2) Indicadores confiáveis de KPI de nível 1 – receita inicial e consequente ROAS como indicação de sucesso de longo prazo – são marcados como KPIs de alta confiança na previsão de lucro, mas com a disponibilidade mais reduzida: 

Os KPIs de nível 1 levam mais tempo para amadurecer completamente ou necessitam de processos complexos para serem determinados. No entanto, eles se ligam diretamente ao seu modelo de negócios e, como tal, são perfeitamente adequados para prever a lucratividade das suas campanhas de marketing. 

• Retorno sobre o gasto com anúncios (ROAS) – é o dinheiro gasto com marketing dividido pela receita gerada pelos usuários em determinado período de tempo.

Lifetime Value (LTV) – é a quantidade de receita que os usuários geraram para seu aplicativo até o momento.

Fórmula: Valor médio de uma conversão x média de conversões em um período de tempo x vida útil média do cliente

Pontos de dados necessários: custo, instalações atribuídas, aberturas do app, mensuração detalhada da receita (IAP, IAA, assinatura, etc.)

Embora o ROAS seja mais fácil de calcular, são necessárias semanas ou até meses para que os usuários continuem gerando curvas de receita. Junto da receita média por usuário, o LTV é uma métrica fundamental para determinar a receita total ou a qualidade do seu aplicativo.

Para finalizar, veja onde cada abordagem se situa no gráfico a seguir (confiança x disponibilidade):

Capítulo 2

Prós e contras de diferentes modelos preditivos baseados em LTV: insights de grandes profissionais de marketing

Criar um modelo de LTV para prever o ROAS pode ser um processo bastante complicado, considerando sua alta complexidade e os diversos conceitos de previsão existentes. 

Existem algumas diferenças óbvias na forma como diferentes tipos de aplicativos retêm e monetizam os usuários; por exemplo, pense em como jogos que oferecem compras in-app, apps de assinatura e apps de eCommerce são distintos entre si. 

Assim, é claro que não existe um único modelo de LTV ideal para todos. 

Para entender melhor essas complexidades, conversamos com vários especialistas de empresas de jogos e não-jogos, incluindo Hutch Games, Wargaming, Pixel Federation, Wolt e outros. 

Entre os tópicos que abordamos, esses foram os principais: 

1. Quais são os modelos de LTV mais usados? 
2. Como seu modelo de LTV evolui com o tempo?
3. Quem na empresa é responsável por lidar com a modelagem preditiva?
4. Qual é a sua principal métrica para aquisição de usuários?
5. Qual é a sua posição sobre automação de UA e tendências futuras?

Modelos de LTV

Com base em nossas entrevistas, percebemos que há três linhas de raciocínio para previsões de LTV:

1) Modelo de retenção / ARPDAU

• Conceito: Faça o modelo de uma curva de retenção com base em alguns pontos de dados de retenção iniciais. Depois, calcule o número médio de dias ativos por usuário (para o dia 90, 180, etc.) e multiplique por uma receita média por usuário ativo diário (ARPDAU) para gerar uma previsão de LTV.
  • Exemplo: A retenção D1 / D3 / D7 é de 50% / 35% / 25%. Depois de ajustar esses pontos de dados em uma curva de potência e calcular sua integral até o D90, descobrimos que o número médio de dias ativos é 5. Sabendo que o ARPDAU é de US$ 0,40, a previsão de LTV para o dia 90 seria igual a US$ 2.
• Ideal para: Aplicativos com alta retenção (jogos como MMX Racing). Fácil de configurar, pode ser útil principalmente se não houver dados suficientes para outros modelos.
• Inadequado para: Aplicativos com baixa retenção (por exemplo, apps de eCommerce) que não possuem uma quantidade suficiente de pontos de dados de retenção para sustentar esse modelo.

2) Proporção

• Conceito: Calcule um coeficiente (D90 LTV / D3 LTV) a partir do histórico de dados, depois para cada cohort e, por último, aplique esse coeficiente para multiplicar o LTV real do D3 para obter uma previsão do LTV em D90.
• Exemplo: Após os 3 primeiros dias, o ARPU do nosso cohort é de 20 centavos. Usando o histórico de dados, sabemos que D90/D3 = 3. Assim, a previsão do LTV para o D90 seria de 60 centavos (ARPU de 20 centavos x 3). 
• Caso não haja um histórico de dados o suficiente para calcular uma proporção confiável (por exemplo, quando temos apenas 50 dias de dados e queremos uma previsão de LTV em D180, ou temos poucas amostras de LTV em D180), uma estimativa inicial pode ser feita usando os pontos de dados existentes e, em seguida, refinada continuamente conforme recebemos mais dados. 

Mas, nesses casos, é necessário ter cautela com essas estimativas.

• Ideal para: Tipos de aplicativos “padrão”, incluindo muitos gêneros de jogos ou aplicativos de eCommerce. 
• Inadequado para: Aplicativos de assinatura que oferecem um teste gratuito de mais de 1 semana. Muito tempo pode passar antes que uma compra ocorra e, como esse método se baseia em compras, é impossível fazer uma previsão.

3) Previsões baseadas no comportamento

• Conceito: Nesse modelo, coletamos uma quantidade significativa de dados de usuários que permitem essa coleta (dados de sessão, engajamento, compras, mensagens in-app, etc.) e os processamos usando regressões e machine learning para definir quais ações ou combinações de ações são os melhores “indicadores” do valor de um novo usuário.  

Então, um algoritmo atribui um valor para cada novo usuário com base em uma combinação de características (como plataforma ou canal de UA) e ações realizadas (geralmente durante sessões ou dias de uso iniciais).

É importante lembrar que, desde o lançamento das novas restrições de privacidade da Apple com o iOS 14, não é mais possível realizar previsões em nível do usuário. Dito isto, ainda conseguimos realizar previsões agregadas.

• Exemplo: O usuário A teve 7 sessões longas no dia 0 e 28 sessões no total até o dia 3. Ele também acessou a página de preços e ficou lá por mais de 60 segundos.

Sua probabilidade de fazer uma compra no futuro é de 65%, de acordo com a análise de regressão e com o algoritmo baseado em machine learning. Com um ARPPU de US$ 100, seu LTV previsto será de US$ 65.

• Ideal para: Qualquer aplicativo com acesso a uma equipe experiente de ciência de dados, recursos de engenharia e muitos dados. Pode ser uma das poucas opções viáveis ​​em alguns casos (por exemplo, aplicativos de assinatura com um longo período de teste gratuito).
• Inadequado para: Pode ser um modelo excessivo para muitos aplicativos pequenos e médios. Na maioria das vezes, abordagens bem mais simples podem produzir resultados semelhantes, além de serem muito mais fáceis de manter e de serem compreendidas pelo resto da equipe.

Escolhendo o modelo certo para diferentes tipos de aplicativos

Cada aplicativo e cada equipe tem sua própria combinação de parâmetros e considerações que devem entrar no processo de escolha: 

• Do lado do produto, tudo depende da combinação do tipo e da categoria do app, seu modelo de monetização, o comportamento de compra do usuário e os dados disponíveis para uso (assim como sua variação). 

• Do lado da equipe, tudo depende da sua capacidade, competência de engenharia, o conhecimento e o tempo de trabalho disponível.

Agora, vamos falar sobre vários exemplos simplificados desse processo. 

Eles se baseiam em casos reais de três tipos de apps: um jogo gratuito (F2P), um app de assinatura e um app de eCommerce. 

Aplicativos de assinatura

Vamos explorar dois casos de aplicativos de assinatura, cada um com um tipo diferente de paywall — um com hard gate e outro com um teste gratuito por tempo limitado:

1. Hard paywall: A assinatura paga normalmente comçea durante o dia 0 (por exemplo, 8fit).
Isto é ótimo – significa que teremos uma indicação muito precisa do número total de assinantes logo após o primeiro dia de uso do app (por exemplo vamos supor que 80% de todos os usuários assinarão seu app em D0, e os outros 20% o assinarão no futuro). 

Assumindo que já sabemos quais são nossas taxas de churn e, consequentemente, nosso ARPPU, poderíamos facilmente prever o LTV dos cohorts apenas fazendo a seguinte multiplicação: (usuários pagantes) x (ARPPU para um determinado segmento de usuário) x (1,25 como o coeficiente que representa a estimativa de 20% de usuários que realizarão um pagamento no futuro). 

2. Teste gratuito por tempo limitado: Nesse caso, uma porcentagem dos usuários será convertida em assinantes após o término do período teste (por exemplo, Headspace). O problema é que os gerentes de UA precisam esperar até que o teste termine para entender suas taxas de conversão. 

Esse atraso pode ser especialmente problemático durante testes de novos canais e países. Por isso, as previsões comportamentais podem ser bastante úteis nesse caso. 

Mesmo com uma quantidade moderada de dados e regressões simples, muitas vezes é possível identificar indicadores de previsão decentes. Por exemplo, podemos descobrir que os usuários que fazem o teste gratuito e têm pelo menos 3 sessões por dia durante os primeiros 3 dias após a instalação – converterão para assinaturas em 75% dos casos.

Embora ele esteja longe de ser perfeito, o indicador acima pode ser preciso o suficiente para futuras decisões de UA, além de fornecer uma boa capacidade de ação para a equipe de UA antes que mais dados sejam coletados e um modelo adequado seja testado. 

Tipos e designs de paywall podem ser bastante influenciados pela necessidade de avaliar rapidamente o tráfego. 

Saber se o usuário vai converter (ou não) o mais rápido possível é extremamente útil para entender a rentabilidade da campanha e conseguir reagir rapidamente. Vimos que isso se tornou um dos fatores decisivos para várias empresas na hora de determinar um tipo de paywall.

Jogos freemium 

Os jogos gratuitos (F2P) tendem a ter uma alta taxa de retenção e uma quantidade significativa de compras. 

1) Jogo casual (Diggy’s Adventure):
Um bom modelo para jogos que oferecem compras in-app é o “modelo de proporção”, que permite a previsão relativamente confiável da proporção LTV/dia após 3 dias, período no qual provavelmente já identificamos a maioria dos nossos usuários pagantes.

Para alguns jogos que geram receita por meio de anúncios, a abordagem baseada em retenção também pode ser uma boa escolha.

2) Jogo Hardcore (World of Tanks ou MMX Racing):
A distribuição de ARPPU dos usuários de jogos hardcore pode não ser tão precisa assim, considerando que os usuários que gastam mais – também conhecidos como “baleias” – podem gastar muito mais do que os outros usuários. 

O “modelo de proporção” ainda pode funcionar nesses casos, mas deve ser aprimorado para levar em consideração diferentes níveis de gastos para diferentes tipos de usuários. Aqui, uma variável de “tipo de usuário” atribuiria diferentes valores de LTV aos usuários com base em seu comportamento de gastos (ou seja, quanto gastaram, quantas compras fizeram, qual pacote inicial compraram, etc.).

Dependendo dos dados, uma previsão inicial pode ser feita após o dia 3, com outra avaliação um pouco mais tarde (dia 5 ou dia 7), depois que os níveis de gastos do usuário forem revelados.

Aplicativos de eCommerce

Os aplicativos de eCommerce geralmente têm padrões de retenção únicos, pois a abertura desse tipo de app costuma estar vinculado a uma intenção de compra existente, o que não acontece com muita frequência. 

Portanto, podemos concluir que usar o “modelo baseado em retenção” normalmente não é uma boa opção para esses aplicativos. Assim, vamos explorar dois casos de uso alternativos:

1) Revendedor de passagens aéreas

O tempo desde a instalação até a compra em apps de viagens é bastante significativo, em que meses podem se passar antes que uma compra seja feita. Considerando que as compras e a receita são distribuídas por um período de tempo mais longo, os modelos de “proporção” ou “retenção” não funcionarão na maioria dos casos. 

Portanto, devemos encontrar pistas comportamentais e descobrir possíveis indicadores logo na primeira sessão pós-instalação, pois essa costuma ser a única informação que temos à nossa disposição. 

Usando essas pistas, e considerando que temos dados suficientes, estimamos a probabilidade de um usuário comprar uma passagem e a multiplicamos por um ARPPU para uma combinação relevante de suas características (plataforma, país de origem, etc.)

2) Marketplace online

Os usuários tendem a fazer sua primeira compra logo após a instalação. Além disso, o primeiro item comprado geralmente leva um tempo considerável para ser enviado. Como resultado, os clientes tendem a esperar a conclusão do primeiro envio para avaliar o serviço, antes de se comprometerem com outra compra. 

Esperar tanto tempo pelos dados da “segunda compra” tornaria as previsões inutilizáveis e, consequentemente, limitaria quaisquer cálculos de dados iniciais. 

Dependendo de quando os usuários fazem seus pedidos (a maioria nos primeiros 5 dias), podemos usar o método de proporção (D90/D5) e multiplicar o resultado por outro coeficiente que contabilizaria as compras futuras. 

Do MVP aos modelos complexos

Todos os analistas de dados de grandes publishers com quem conversamos concordaram que é importante começar sua trajetória de previsões com um simples “produto mínimo viável” (MVP, do inglês minimum viable product). 

A ideia é verificar as suposições iniciais, aprender mais sobre os dados e construir gradualmente um modelo. Isso geralmente significa adicionar mais variáveis ​​à medida que você avança para criar modelos mais granulares e precisos (por exemplo fator k, sazonalidade e receita de anúncios, além da segmentação inicial por plataforma, país e canal de UA).

Complexidade não é sinônimo de “bom”. Os gerentes de UA podem ficar frustrados rapidamente quando seu acesso aos dados é bloqueado porque alguém está fazendo coisas complicadas demais.”

Anna Yukhtenko, analista de dados na @Hutch Games

Na realidade, descobrimos que as empresas tendem a preferir modelos conceitualmente simples. 

Essa foi uma descoberta um tanto surpreendente. Esperávamos que, assim que o produto tivesse sucesso, as equipes de dados colocariam o pé no acelerador e começariam a usar algoritmos de machine learning e IA para alcançar o que acreditávamos ser um padrão do setor. Nós estávamos errados. Ou pelo menos um pouco errados. 

Embora muitos vejam o valor de modelos sofisticados e os tenham testado no passado, a maioria acabou optando por modelos mais simples. Existem três grandes motivos para isso:

1. Custo/benefício de modelos avançados

A relação custo/benefício de criar e manter um modelo complexo simplesmente não vale a pena. Se um nível de confiança suficiente para as operações do dia a dia pode ser alcançado com modelos mais simples, por que se preocupar?

2. Tempo de engenharia para criar/manter esse tipo de modelo

Criar um modelo avançado pode consumir muitas horas de engenharia e ainda mais tempo para gerenciá-lo, o que é um grande problema para equipes menores. 

Muitas vezes, o departamento de BI tem muito pouca capacidade para dedicar à equipe de marketing, fazendo com que os profissionais de marketing enfrentem sozinhos uma batalha desigual contra estatísticas e engenharia de dados.

3. Mudanças contínuas

Cada versão do produto é diferente e monetizada de forma diferente (por exemplo, adicionar ou remover recursos pode gerar um grande impacto); a sazonalidade local e os efeitos sentidos em todo o mercado são bons exemplos. 

As alterações precisam ser feitas na hora, e introduzir alterações em um modelo complexo pode ser um processo lento e doloroso, que pode ser desastroso em um ambiente mobile em constante evolução, onde a compra de mídia nunca para. 

É bem mais fácil ajustar um modelo simples, um processo que às vezes pode ser feito pelos próprios profissionais de marketing.

Para um determinado subconjunto de aplicativos, um modelo baseado em comportamento pode ser o único modelo adequado. E. enquanto uma equipe experiente de engenharia e ciência de dados deve estar disponível para empresas grandes que conseguem fazer tal investimento, outras podem optar por adotar um produto pronto que oferece vantagens parecidas.

Outro conjunto de dados que está ganhando força são os modelos de LTV gerados por anúncios, que oferecem estimativas de receita de anúncios em nível de usuário. Para saber mais sobre esse assunto, veja o capítulo 4. 

Equipes e responsabilidades

No geral, fazer o design, a configuração e adaptação de um modelo preditivo de LTV deve ser a tarefa para uma equipe de ciência/análise de dados (desde que você tenha uma). 

Idealmente, há dois papéis em jogo aqui: um analista experiente com um conhecimento aprofundado de marketing que pode aconselhar sobre a estratégia e os níveis táticos, assim como decidir qual modelo deve ser usado e como. E um analista dedicado que lida com os cálculos e previsões de LTV no dia a dia.

O “analista do dia a dia” deve monitorar continuamente o modelo e ficar atento a quaisquer flutuações significativas. Por exemplo, se a previsão das receitas semanais não corresponde à realidade e não está dentro dos limites predefinidos, pode ser necessário ajustar o modelo imediatamente, sem esperar algumas semanas ou meses.

“Esse é um esforço de equipe. Criamos um tipo de sistema de alerta precoce onde nos reunimos uma vez por mês, analisamos todas as suposições que entram no modelo e verificamos se elas ainda são verdadeiras. Até agora, temos cerca de 12 suposições principais (por exemplo, valor de orgânicos incrementais, sazonalidade, etc.), que controlamos para garantir que estamos no caminho certo.”

Tim Mannveille, Director of Growth & Insighs da Hutch Games

Depois que os resultados da previsão são calculados, eles são automaticamente repassados ​​e usados ​​pela equipe de UA. Na maioria das vezes, os gerentes de UA confiam nesses resultados e relatam inconsistências. No entanto, é importante tentar dar um passo adiante, com o intuito de desafiar e avaliar melhor os modelos usados em um nível geral (não é necessário entender as complexidades por trás de um modelo e seus cálculos).

Profissionais de marketing entrevistados para nesse capítulo:

• Fredrik Lucander da Wolt
• Andrey Evsa da Wargaming
• Matej Lancaric do Boombit (antigo Pixel Federation)
• Anna Yukhtenko e Tim Mannveille da Hutch Games

Capítulo 3

Métodos para avaliar a rentabilidade do marketing mobile com o excel

Se você acha que dominou um nível avançado no excel usando tabelas dinâmicas, campos calculados, formatação condicional e pesquisas, pode se surpreender ao saber que desconhece um truque ainda mais poderoso dessa ferramenta. 

Além de tudo, esse truque pode ser usado para prever a rentabilidade das suas campanhas de marketing mobile! 

Esse capítulo pode ser usado como um miniguia para criar sua própria modelagem preditiva usando ferramentas do dia a dia.

Aviso legal: Lembre-se de que estamos falando de uma variação muito simplificada de um modelo preditivo. Para que sejam operados adequadamente em escala, algoritmos sofisticados de machine learning são necessários para levar em consideração vários elementos que podem afetar seus resultados drasticamente. Observar apenas um fator para prever seu valor (ou seja, sua receita) provavelmente resultará em uma baixa precisão.

Usando um gráfico de dispersão e um pouco de álgebra, você pode transformar uma equação de linha de tendência do excel em uma ferramenta poderosa para identificar antecipadamente o ponto em que suas campanhas de marketing provavelmente gerarão lucro. 

Esse método pode te ajudar a pular de um palpite para uma tomada de decisão baseada em dados, aumentando sua confiança nos relatórios semanais.

Prevendo qual semana de 0 ROAS prevê 100% de ROAS em 6 meses

Embora o LTV possa ser um ótimo indicador, o ROAS – principalmente na primeira semana de vida de um usuário – é uma métrica amplamente usada para mensurar o lucro. 

Mais especificamente, usaremos o ROAS da semana 0 (receita na primeira semana de aquisição de usuários/custo para adquirir esses usuários) como nosso indicador confiável, que é um método que compara cohorts equivalentes para avaliar a performance de um anúncio a cada semana . 

O ROAS da semana 0 nos permitirá prever se atingimos o ponto de equilíbrio em nossos gastos com anúncios, conquistando um ROAS de 100% após 6 meses.

Etapa 1

O primeiro passo é garantir que você tenha pontos de dados suficientes da semana 0 e de 6 meses. Embora tecnicamente você possa desenhar uma inclinação e fazer uma previsão para qualquer ponto nessa inclinação usando dois pontos de dados, usar um número tão pequeno de observações como base fará com que a sua previsão seja pouco confiável. 

O número ideal de observações depende de inúmeros fatores, como o nível de confiança desejado, correlações no conjunto de dados e restrições de tempo. Mas, como regra geral para previsões baseadas em ROAS da semana 0, você deve disparar para pelo menos 60 pares de observações de ROAS da semana 0 e de 6 meses. 

Também é fundamental incluir observações suficientes que atingiram a meta que você definiu. Se você tiver 60 pontos de dados para plotar, mas apenas 2 pontos em que o ROAS de 6 meses ultrapassou 100%, seu modelo de equação não será alimentado por uma compreensão suficiente de quais entradas são necessárias para atingir esse ponto de equilíbrio. 

Nesse caso, o seu modelo entende que o requisito para chegar a 100% de ROAS após 6 meses podem ser outros 2 pontos percentuais de ROAS total ou 5 pontos percentuais, uma faixa muito ampla que não é propícia à previsão.

Etapa 2

Depois de reunir observações suficientes, a segunda etapa é dividir seu conjunto de dados em dois grupos, um para treinamento e outro para previsão. 

Coloque a maior parte dos dados (~80%) no grupo de treinamento. Mais tarde, você usará o grupo de previsão para realmente testar a precisão do seu modelo para prever o ROAS de 6 meses, considerando o ROAS da semana 0.

Etapa 3:

A terceira etapa é usar um gráfico de dispersão para representar graficamente os dados, com o ROAS da semana 0 no eixo x e o ROAS de 6 meses no eixo y. 

Em seguida, adicione uma linha de tendência e adicione as configurações de equação e R-quadrado.

Faça um gráfico dos dados de treinamento usando um gráfico de dispersão.

Clique com o botão direito em um ponto de dados e adicione uma linha de tendência.

Adicione a equação da linha de tendência e o R-quadrado.

Etapa 4:

Agora, usaremos a equação linear y = mx + b para resolver o valor x da equação (ROAS da semana 0) quando o valor y (ROAS de 6 meses) é 100%.

Assim, nossos cálculos serão parecidos com esses:

1. y = 9,2695x – 0,0936
2. 1 = 9,2695x – 0,0936
3. 1 + 0,0936 = 9,2695x
4. 1,0936 = 9,269x
5. x = 1.0936 / 9.269
6. x = 11,8%

Dessa forma, calculamos que, para prever o seu lucro em 6 meses, seu ROAS deve ser maior que 11,8% na primeira semana.

Se seu ROAS da semana 0 estiver abaixo dessa taxa, você saberá que precisará ajustar lances, criativos ou segmentação para melhorar o custo/qualidade de seus usuários adquiridos e melhorar suas tendências de monetização. 
Se o seu ROAS da semana 0 estiver acima desse número, você poderá aumentar os orçamentos e os lances com confiança.

Etapa 5:

Essa é a etapa em que você usa seu segmento de previsão dentro do conjunto de dados completo para avaliar o quão bem seu modelo foi capaz de prever os resultados reais. Isso pode ser feito usando o erro percentual médio absoluto (MAPE), que é um cálculo que divide o valor absoluto do erro (o valor real menos o valor previsto) pelo valor real. 

Quanto menor a soma do MAPE, melhor o poder preditivo do seu modelo.

Não existe uma regra para um bom número MAPE, mas, geralmente, quanto mais dados seu modelo tiver e quanto maior a correlação entre eles, melhor será o seu poder de previsão. 

Se o seu MAPE for alto e as taxas de erro forem inaceitáveis, pode ser necessário usar um modelo mais complexo. Embora sejam mais difíceis de gerenciar, os modelos que envolvem R e python podem aumentar o poder de previsão da sua análise.
E aí está: uma estrutura para prever a lucratividade da sua campanha de marketing.
Mas ainda não terminamos! Ainda temos muitas informações valiosas para compartilhar.

Melhore suas previsões

Para os leitores curiosos, é possível que vocês estejam se perguntando se a linha de tendência linear padrão é realmente a melhor para prever o lucro. 

Você pode até experimentar mais algumas linhas de tendência e descobrir que o R-quadrado (uma medida do ajuste da equação aos seus dados) melhora com outras equações, fazendo com que essa dúvida seja ainda mais relevante.

Ainda que adotar uma mentalidade de que “tudo é relativo” se aplique na hora de escolher as melhores linhas de tendência, também temos um outro conselho útil: KISS (keep it simple, stupid). Se você não é um entusiasta da estatística ou da matemática, sua melhor aposta é usar as linhas de tendência mais simples – que são as lineares.

Por que isso pode ser um problema? Como exemplo simples, considere a inclusão de dados inesperados no modelo. Nos dois cenários a seguir, vamos mostrar como um ROAS de semana 0 menor com um rendimento surpreendentemente bom ou um ROAS de semana 0 maior com um rendimento surpreendentemente ruim afeta a precisão de cada modelo de linha de tendência (usando o MAPE).

Usando o MAPE para comparar os diferentes modelos baseados em linha de tendência podemos ver que, embora os modelos linear e exponencial não sejam mais precisos em nenhum caso, eles são os mais consistentes.

Além disso, o machine learning pode ajudar a automatizar esse processo, analisar grandes quantidades de dados e fornecer insights mais rapidamente.

Como saber se você está seguindo o caminho certo

Como observação final, confira nossa lista de perguntas adicionais que podem ser úteis para garantir que sua análise de previsão seja sólida:

1. Você continua alimentando seu modelo para que ele continue treinando com os dados mais relevantes?
   1. Você verificou se as previsões do seu modelo se concretizaram com base em novas observações?

2. Você tem muitas variações ou overfitting?
   1. Um R-quadrado muito baixo ou um R-quadrado muito alto indica um problema na capacidade do seu modelo de prever novos dados com precisão.

3. Você usou o KPI certo?
   1. Teste diferentes KPIs (por exemplo, mais ou menos dias de ROAS ou LTV) e use o MAPE para comparar o poder de previsão de lucro de cada um. 

Você pode se surpreender com o quão mal correlacionadas as mensurações padrão são.

4. Seus principais indicadores ou benchmarks iniciais sofreram mudanças significativas?
   1. Isso pode ser um sinal de que houve uma mudança importante no mundo real e que o problema afetará a capacidade do seu modelo de prever o lucro com precisão no futuro.

5. Você fez a segmentação dos dados?
   1. Segmentar os usuários em grupos mais homogêneos é uma ótima maneira de reduzir o ruído e melhorar o poder preditivo do seu modelo. 

Por exemplo, não aplique o mesmo modelo a todos os usuários em todos os canais e regiões geográficas se esses usuários tiverem tendências de custo e retenção significativamente diferentes.

6. Você está considerando as influências do tempo?
   1. A maioria dos profissionais de marketing está ciente das influências da sazonalidade como um fator que pode fazer com que as previsões falhem, mas o ciclo de vida de seu aplicativo/campanha/audiência/criativo também pode influenciar a precisão do seu modelo preditivo.

Capítulo 4

Mais uma peça do quebra-cabeças: previsão do LTV de anúncios in-app

Os anúncios in-app (IAA, do inglês in-app advertising) se tornaram cada vez mais populares, sendo responsáveis por pelo menos 30% da receita dos aplicativos nos últimos anos.  Jogos casuais e hipercasuais, além de muitos aplicativos utilitários, naturalmente aproveitam esse fluxo de receita como sua principal fonte de monetização. 

Mesmo os desenvolvedores que dependiam completamente de compras in-app (IAP, do inglês in-app purchases) começaram a monetizar usando anúncios. Como resultado, vemos que muitos aplicativos agora estão combinando esses dois fluxos de receita para otimizar o LTV de seus usuários. 

Um ótimo exemplo é o Candy Crush.

O LTV da monetização híbrida é composto por duas partes:

1. LTV de compras in-app/assinatura: Receita gerada ativamente por um usuário que compra moedas no jogo ou no aplicativo, itens especiais, serviços extras ou faz uma assinatura paga.
2. LTV de anúncios in-app (IAA): Receita gerada passivamente por um usuário que visualiza e/ou interage com anúncios (banners, vídeos, intersticiais, etc.)

Desafio de dados

Idealmente, os profissionais de marketing devem entender o valor nominal de cada impressão. Depois de reunir dados suficientes, poderemos criar modelos de previsão semelhantes ao que já descrevemos no capítulo 2 para compras in-app. 

Mas, no mundo real, não é tão simples – mesmo calcular por conta própria do LTV de anúncios in-app é difícil, por conta do volume e da estrutura dos dados de receita que os profissionais de marketing conseguem obter. 

Para citar alguns problemas:

• Raramente há uma fonte de anúncios sendo exibida. Na realidade, existem muitas fontes que possuem um algoritmo/ferramenta por trás delas (plataformas de mediação de anúncios ) que mudam constantemente de fontes e eCPM. 
• Se um usuário visualiza 10 anúncios, é bem possível que ele tenha vindo de 5 fontes diferentes, cada uma com um eCPM completamente diferente.
• Algumas ad networks pagam por ações (instalar, clicar) em vez de impressões, complicando ainda mais as coisas.
• Ao trabalhar com as plataformas de mediação mais comuns, que oferecem receita de anúncios no nível do usuário, esse número continua sendo uma estimativa. As ad networks mais básicas geralmente não compartilham esses dados, levando a uma divisão da receita gerada (para usuários que visualizaram as impressões).
• Os eCPMs podem flutuar drasticamente ao longo do tempo e é impossível prever essas mudanças.

Modelos de previsão de LTV de anúncios in-app

Muitas das empresas que entrevistamos não estavam ativamente envolvidas com previsões de LTV de anúncios. Entre os profissionais de marketing de aplicativos de jogos que estavam interessados ​​nesse assunto, nenhum deles realmente descobriu como isso funciona em um nível que de fato os ajudasse. Na realidade, esse ainda é um trabalho em andamento.

Listamos abaixo os conceitos que foram discutidos como pontos de transição:

1. Modelo baseado em retenção/retenção de ARPDAU

• Conceito: Usando o modelo de retenção de ARPDAU, que nesse caso também contém a contribuição adicional da receita de anúncios in-app.
• Exemplo: A retenção D1/D3/D7 é de 50%/35%/25%. Depois de ajustar esses pontos de dados em uma curva de potência e calcular sua integral até o D90, descobrimos que o número médio de dias ativos é 5. Sabendo que o ARPDAU é de US$ 0,50, a previsão de LTV para o dia 90 seria igual a US$ 2,50.

2. Método baseado em razão

• Conceito: Integrar estimativas de receita de anúncio em nível do usuário para usar o método de proporção seguindo essa lógica (ou seja, com base em coeficientes de D1, D3, D7, etc.).
• Exemplo: O ARPU de compras e receita de anúncios in-app é de US$ 0,40 após os primeiros 3 dias. Sabemos que D90/D7 = 3. O D90 LTV previsto seria, portanto, de US$ 1,20.

3. Método de multiplicação simples

• Conceito: Calcular a proporção entre compras in-app e receita de anúncios para usar um multiplicador para o cálculo do LTV total. Com mais dados disponíveis, vários coeficientes podem ser calculados para dimensões de plataforma/país, já que geralmente têm o maior impacto na proporção de receita de anúncio x receita in-app.

Previsões de LTV baseadas em comportamento

É importante mencionar outro fator importante que pode influenciar fortemente a possível rentabilidade dos usuários do aplicativo: a canibalização. 

Usuários que gastam dinheiro fazendo compras in-app geralmente têm um LTV significativamente maior do que os usuários que apenas consomem anúncios. Assim, é extremamente importante que sua intenção não seja interrompida por mensagens aleatórias. 

Por outro lado, é importante incentivar os usuários a assistirem aos anúncios, para que eles sejam frequentemente recompensados ​​com moedas ou bônus no aplicativo.

Se um aplicativo tiver anúncios com recompensa e compras in-app, é possível que, em determinado momento, um jogador que poderia fazer várias IAPs desista de realizar uma compra em troca de uma recompensa conquistada com a visualização de um anúncio. 

É aqui que as previsões comportamentais entram em ação — ao mensurar o comportamento dos usuários, um algoritmo de machine learning pode determinar a probabilidade de certos usuários se tornarem “gastadores” e indicar onde certos ajustes na experiência do jogo/aplicativo são necessários. 

O processo funciona da seguinte forma:

1. Todos os usuários devem começar com uma experiência sem anúncios enquanto os dados de engajamento estão sendo mensurados.

2. O algoritmo calcula continuamente a probabilidade de um usuário se tornar um gastador.

3. Se essa probabilidade for superior a uma porcentagem definida, os anúncios não serão mais exibidos à medida que mais dados forem coletados (“aguardando a compra”).

4. Se a probabilidade cair abaixo de uma porcentagem definida, é mais provável que esse usuário nunca faça uma compra. Nesse caso, o aplicativo começa a exibir anúncios.

5. Com base no comportamento de longo prazo dos jogadores, o algoritmo pode continuar avaliando seu comportamento enquanto modifica os tipos e quantidades de anúncios exibidos para o usuário.

A maioria das empresas fica satisfeita com o uso de modelos e abordagens simples que fornecem uma boa relação custo/benefício, especificamente quando se trata de dificuldades de implementação e do valor agregado de insights mais precisos. 

Já podemos observar rápidos avanços nessa área com as diferentes soluções que estão surgindo para preencher possíveis lacunas e complementar o ritmo acelerado de desenvolvimento do ecossistema, assim como um aumento na importância dos anúncios in-app como um fluxo de receita fundamental para os aplicativos. 

O método de contribuição

Embora métodos de previsão de comportamento bem regulados possam produzir os resultados mais precisos na atribuição de receita de anúncios, existe um método mais simples e viável para lidar com essa atribuição a um canal de aquisição. 

Esse método se baseia na atribuição da contribuição de um canal para impulsionar a receita de anúncios de acordo com os pontos de dados agregados de comportamento do usuário.

As margens de contribuição ajudam a converter a contribuição de um canal no comportamento geral do usuário na margem de ganho desse canal a partir da receita geral de anúncios gerada por todos os usuários. 

A teoria é que quanto mais os usuários adquiridos de um canal geram ações em um aplicativo, maior é a influência da participação desse canal, permitindo que ele reivindique crédito pela receita de anúncios desses usuários.

Vamos explicar em mais detalhes:

Etapa 1

Primeiro, é preciso selecionar um ponto de dado que será usado para determinar a margem de contribuição dentro da receita de anúncios de cada canal de aquisição. 

Para começar, você pode usar a regressão da linha de tendência do excel para identificar qual KPI de comportamento do usuário está mais correlacionado com as mudanças na receita de anúncios. 

Lembre-se que, como o método de contribuição envolve a atribuição da receita com base em uma parcela da atividade total, é recomendado que você use um ponto de dado como a quantidade de usuários ativos em um dia, em vez de algo como a taxa de retenção.  

Algumas opções incluem:

• Total de usuários ativos
• Total de sessões do usuário
• Duração da sessão
• Dados atribuíveis a anúncios (por exemplo, impressões de anúncios)
• Total de eventos-chave (por exemplo, partidas jogadas)

Etapa 2

Depois de definir alguns pontos de dados, faça um gráfico de dispersão de cada ponto de dado com relação ao total de receita de anúncios por dia para entender onde as correlações entre as mudanças no comportamento do usuário e o total de receita de anúncios são mais fortes.

Etapa 3

Adicione o R-quadrado dos pontos de dados ao seu gráfico para identificar qual ponto de dado tem a correlação mais forte.

Mas fique atento, esse método possui uma desvantagem: quanto menor for a variação no comportamento do usuário e na receita de anúncios, menos precisa será a capacidade do modelo de observar a força da correlação entre os pontos de dados. 

Como resultado, você terá menos confiança para escolher entre pontos de dados.

 Na simulação desse conjunto de dados, vemos as contagens de cada ponto de dados por dia, assim como o total da receita de anúncios gerada por dia.

Com base nesses dados simulados, podemos ver que o evento com a melhor força de correlação parece ser o número de usuários ativos com base no R-quadrado da nossa métrica de ajuste. 

Isso significa que o ponto de dados que mais explica as mudanças na receita de anúncios é a quantidade de usuários ativos. Assim, devemos usar esse número para atribuir a receita de anúncios por canal.

Etapa 4

Depois de selecionar um KPI de comportamento do usuário, é hora de calcular a margem de contribuição.

Em seguida, multiplique a margem de contribuição diária de cada canal pela receita acumulada de anúncios gerada em cada dia.

Esse processo exige que os dados de comportamento do usuário sejam mensurados por canal e sejam acessados todos os dias, para que a margem de contribuição de todos os canais possa ser calculada com os dados de receita de cada novo dia.

Observação: embora tenhamos incluído apenas quatro canais de anúncios para fins ilustrativos, você também pode incluir seus dados orgânicos e outros canais para atribuir totalmente a receita diária ao comportamento diário do usuário. 

Acima, podemos ver o cálculo da receita de anúncios gerada por dia, por canal, o que permite estimar a rentabilidade de cada canal.

Lembre-se que será necessário revisar quais KPIs são úteis para a atribuição de receita de anúncios à medida que as tendências de comportamento do usuário e os dados de monetização da receita de anúncios mudam, ou conforme novos pontos de dados são disponibilizados.

Por exemplo, no conjunto de dados acima, podemos ver um segundo agrupamento de pontos de dados no final do período (começando aproximadamente em 10 de janeiro), em que há significativamente mais receita de anúncios por dia do que no início do mês. 

Isso se reflete no agrupamento de dados na parte superior direita de cada gráfico de dispersão, longe do grupo inferior esquerdo. 

Quanto mais complexo o conjunto de dados, menos precisa será essa avaliação de regressão do excel e maior será a necessidade de aplicar segmentação e uma análise mais rigorosa.

Capítulo 5

Modelagem preditiva em um mundo centrado na privacidade

Rumo a uma nova realidade

A análise preditiva permite que você aumente a audiência potencial da sua campanha, impulsione o LTV do usuário e garanta um orçamento mais eficiente – em uma realidade na qual, em alguns casos, não temos mais acesso a dados granulares de performance. 

Ao criar diferentes clusters de características comportamentais, sua audiência pode ser segmentada não por sua identidade, mas pela interação com sua campanha em seus estágios iniciais. Essa interação pode oferecer um indicador do seu potencial para trazer um valor significativo para o seu produto.

A combinação dos principais fatores de engajamento, retenção e monetização pode se correlacionar com a compatibilidade de um usuário com a lógica de LTV de qualquer desenvolvedor, fornecendo uma indicação de pLTV (previsão do lifetime value) logo no início de uma campanha.

Machine learning – a chave para o sucesso

Um aplicativo mobile pode ter mais de 200 métricas disponíveis para mensuração, mas um profissional de marketing comum provavelmente fará a mensuração de no máximo 25. Uma máquina, por outro lado, é capaz de ingerir todas essas informações em questão de milissegundos e aplicá-las a insights de marketing e indicadores de funcionalidade do aplicativo. 

Um algoritmo de machine learning será capaz de calcular todos esses indicadores e encontrar as correlações certas para você. Seus cálculos serão baseados em sua definição de sucesso e em sua lógica de LTV, aplicando isso a uma quantidade significativa de dados para encontrar a correlação entre os primeiros sinais de engajamento e o sucesso final.

Isso significa que os anunciantes não precisam mais saber QUEM é o usuário, mas sim em QUAL perfil e características de pLTV ele se encaixa. Esse perfil deve ser o mais preciso possível, ficando disponibilizado logo nos primeiros dias da campanha. Ele deve representar os requisitos de LTV do anunciante para que seja considerado válido e acionável. 

Quando se trata de aplicativos de eCommerce, por exemplo, o uso de indicadores como compras anteriores, frequência de compras, hora do dia ou progressão no funil permite que o algoritmo agrupe o público geral em grupos altamente granulares e mutuamente exclusivos. 

Isso permite uma segmentação e mensagem mais eficazes e, por fim, um ROAS mais alto.

Aproveitando as previsões de LTV de um cluster

A análise preditiva ajuda a reduzir o período de machine learning usando as integrações existentes para fornecer uma previsão precisa do LTV da campanha. 

Usando o machine learning para entender os dados agregados, a análise preditiva pode fornecer uma indicação de potencial da campanha na forma de uma pontuação, classificação ou qualquer outro tipo de insight acionável poucos dias após seu lançamento, informando aos profissionais de marketing sobre o seu possível sucesso. 

Por exemplo, em um aplicativo de jogos, esse mecanismo descobriu que os usuários que completam o nível 10 de um jogo dentro das primeiras 24 horas têm uma probabilidade 50% maior de se tornarem usuários pagantes.

Com essas informações em mãos, os profissionais de marketing podem reduzir suas perdas em uma campanha ruim que não entrega usuários de qualidade e fazer as otimizações necessárias ou dobrar seus esforços quando as primeiras indicações mostram lucro potencial, permitindo que eles tomem decisões rápidas para pausar, aumentar ou otimizar. 

O desafio da SKAdNetwork

As recentes mudanças de privacidade introduzidas com o iOS 14 e a SKAdNetwork trouxeram desafios inéditos, limitando a mensuração de dados em nível do usuário no ecossistema do iOS.

Esse é apenas o primeiro passo em direção a um ambiente de publicidade mais focado na privacidade do usuário, sendo que tudo indica que muitos dos maiores players da indústria online seguirão pelo mesmo caminho.

Essas mudanças limitam não apenas o volume de dados disponíveis, mas também a janela de tempo na qual os profissionais de marketing podem tomar decisões informadas sobre a probabilidade de uma campanha ser bem-sucedida ou não. 

Embora os algoritmos de machine learning possam prever rapidamente quais campanhas provavelmente trarão os clientes mais valiosos, outras limitações incluem a falta de dados em tempo real, sem incluir dados de ROI ou LTV (pois eles mensuram principalmente instalações), além de uma falta de granularidade (pois apenas os dados em nível de campanha estão disponíveis).

Então, como você pode oferecer anúncios mais relevantes sem saber quais ações cada usuário está realizando? 

Você adivinhou: com o marketing preditivo baseado em machine learning. Usando correlações estatísticas avançadas com base no histórico de dados do comportamento no app para prever ações futuras, os profissionais de marketing podem realizar testes usando parâmetros não personalizados, como sinais contextuais e treinamento contínuo de modelos de machine learning. 

Os resultados podem ser aplicados a campanhas futuras e refinados à medida que mais dados são coletados.  

Capítulo 6

Práticas recomendadas para criar modelos de previsão de marketing mobile

1. Alimente a fera

Quando criamos modelos de dados que serão usados para nos ajudar com decisões significativas, não é apenas importante construir o melhor sistema possível, mas também realizar testes contínuos para garantir sua eficácia. 

Para isso, certifique-se de alimentar continuamente seu modelo de previsão de lucro para que ele se mantenha treinado com os dados mais relevantes. 

Além disso, verifique sempre se as previsões do seu modelo se concretizam ou chegam perto de se concretizarem com base em novas observações. 

Não seguir essas etapas pode fazer com que um modelo com um poder inicial de previsão útil falhe, a depender da sazonalidade, da dinâmica macro de um leilão, das tendências de monetização do seu app ou de diversos outros fatores. 

Ao observar seus principais indicadores e benchmarks iniciais, e procurar alterações significativas em seus pontos de dados, você conseguirá avaliar quando suas próprias previsões provavelmente também falharão. 

Por exemplo, se seu modelo foi treinado com dados em que a taxa média de retenção do dia 1 teve uma variação de 40% a 50%, mas em uma semana a taxa de retenção do dia 1 caiu para 30% a 40%, isso pode indicar que é necessário treinar novamente seu modelo. 

Isso ocorre porque os sinais de qualidade dos usuários que você adquiriu mais recentemente mudaram e, provavelmente, alteraram sua monetização e lucro.

2. Escolha o KPI certo para prever a lucratividade

Para isso, existem várias opções possíveis, cada uma com um conjunto de de vantagens e desvantagens com relação à sua viabilidade, precisão e velocidade de recomendações. 

Teste diferentes KPIs (por exemplo, mais ou menos dias de ROAS ou LTV) e use o MAPE para comparar o poder de previsão de lucro de vários KPIs:

• R-quadrado 
• A relação entre o sucesso e a falha de previsões satisfatórias
• Erro percentual médio absoluto (MAPE)

Você pode se surpreender com o quanto as mensurações padrão estão pouco correlacionadas.

3. Segmente seus dados

Segmentar os usuários em grupos mais homogêneos é uma ótima maneira de impulsionar suas taxas de conversão, reduzir o ruído e melhorar o poder preditivo do seu modelo. 

Por exemplo, aplicar o mesmo modelo a campanhas baseadas em interesse e campanhas lookalike baseadas em valor pode gerar resultados menos eficazes. Isso acontece porque as tendências de monetização e duração da vida útil dos usuários de cada público-alvo provavelmente serão bem diferentes. 

Além disso, ao criar diferentes grupos de características comportamentais, sua audiência pode ser segmentada não por sua identidade, mas pela interação com sua campanha em seus estágios iniciais. Essa interação pode indicar o potencial valor dos usuários para o seu produto.

Por exemplo, um desenvolvedor de aplicativos de jogos pode prever o LTV potencial obtido de seus usuários em um período de 30 dias. Ou seja, o tempo necessário para a conclusão de um tutorial (engajamento), quantas vezes um usuário retorna ao aplicativo (retenção) ou o nível de exposição de anúncios em cada sessão (monetização). 

4. Lembre-se de incluir prazos

A maioria dos profissionais de marketing está ciente das influências da sazonalidade como um fator que pode fazer com que as previsões falhem, mas o ciclo de vida de seu aplicativo/campanha/audiência/criativo também pode influenciar a precisão do seu modelo preditivo. 

As tendências de custo de aquisição na primeira semana de uma nova abertura do app serão muito diferentes daquelas no quinto mês ou segundo ano de uso, assim como os primeiros 1.000 dólares gastos com uma nova audiência lookalike será diferente dos 10.000 e 50.000 dólares investidos na mesma audiência lookalike (especialmente sem alterar o criativo usado).

Principais conclusões

Principais conclusões

• A ciência da análise preditiva existe há anos e é usada pelas maiores empresas do mundo para aperfeiçoar suas operações, antecipar mudanças de oferta e demanda, prever mudanças globais e usar históricos de dados, permitindo que os profissionais se preparem melhor para eventos futuros.
• Conforme avançamos para uma nova realidade, mais centrada na privacidade, será necessário adotar um novo padrão de mensuração – um que requer prazos de mensuração mais curtos e aplica indícios anônimas do potencial valor de um usuário.
• É exatamente isso que a modelagem preditiva faz. Incluir essa tecnologia sofisticada no cenário de marketing global, seguindo a evolução natural da indústria, é simplesmente fundamental.