Giới thiệu
Giới thiệu một tư duy tiếp thị nhanh hơn, dựa trên dữ liệu
Trong thời đại ngày nay, người tiêu dùng có nhiều sự lựa chọn hơn bao giờ hết. Họ có thể dễ dàng tận dụng khả năng cuộn để có được hầu hết mọi thứ mà họ muốn, bất cứ khi nào họ muốn. Được thúc đẩy bởi đại dịch và nhu cầu ngày càng tăng đối với các dịch vụ kỹ thuật số và giải trí, sự cạnh tranh trên thị trường ứng dụng đã trở nên khốc liệt hơn bao giờ hết.
Việc nắm bắt xu hướng là cách duy nhất để duy trì sự cạnh tranh. Và mô hình dự đoán chính là công cụ để giúp nhà tiếp thị hiểu rõ hành vi và xu hướng tiêu dùng, dự đoán hành động trong tương lai và lập kế hoạch chiến dịch dựa trên quyết định dựa trên dữ liệu.
Khoa học về phân tích dự đoán đã tồn tại trong nhiều năm và được sử dụng bởi các công ty lớn nhất trên thế giới để hoàn thiện hoạt động của họ, dự đoán sự thay đổi cung và cầu, đoán được những thay đổi trên toàn cầu và sử dụng dữ liệu lịch sử để chuẩn bị tốt hơn cho các sự kiện trong tương lai.
Nhưng điều gì làm nên sự kỳ quặc này, khoa học dữ liệu & ý tưởng marketing?
Mô hình dự đoán là một hình thức phân tích tận dụng máy học và AI để kiểm tra dữ liệu chiến dịch lịch sử, dữ liệu hành vi người dùng trong quá khứ và dữ liệu giao dịch bổ sung để dự đoán các hành động trong tương lai.
Sử dụng mô hình dự đoán, nhà tiếp thị có thể đưa ra quyết định tối ưu hóa chiến dịch nhanh chóng mà không cần chờ kết quả thực tế. Ví dụ, một thuật toán học máy đã phát hiện ra rằng người dùng hoàn thành cấp độ 10 của trò chơi trong 24 giờ đầu tiên có khả năng mua hàng trong ứng dụng cao hơn 80% trong tuần đầu tiên.
Với thông tin này, nhà tiếp thị có thể tối ưu hóa sau sự kiện đó xảy ra trong vòng 24 giờ, trước khi tuần đầu tiên kết thúc. Nếu chiến dịch không hoạt động tốt, việc tiếp tục đầu tư sẽ hoàn toàn lãng phí ngân sách. Nhưng nếu chiến dịch đang hoạt động tốt, đầu tư gia tăng nhanh chóng có thể mang lại kết quả tốt hơn.
Còn về quyền riêng tư thì sao?
Quyền riêng tư ảnh hưởng như thế nào đến mô hình dự đoán khi dữ liệu cấp người dùng bị hạn chế?
Thực tế đã được biết rằng trong vài năm qua, người dùng di động đã trở nên tinh vi và có nhiều hiểu biết hơn. Với quyền riêng tư (hoặc thiếu nó) trở thành trung tâm, người dùng ứng dụng trung bình không còn vội vàng cung cấp dữ liệu của họ để sử dụng ứng dụng, hoặc thậm chí để tận hưởng trải nghiệm cá nhân hóa hơn.
Nhưng, vào năm 2021, liệu các nhà quảng cáo thực sự bị bỏ lại hoặc không có thông tin đầy đủ khi cần truy cập vào dữ liệu chất lượng?
Câu trả lời ngắn gọn là không nhất thiết. Bằng cách kết hợp mô hình dự đoán, SKAdNetwork, dữ liệu tổng hợp và cohort analysis, các nhà tiếp thị có thể đưa ra quyết định sáng suốt ngay cả trong thực tế giới hạn IDFA.
Nhưng bạn phải bắt đầu từ đâu? Đo lường sự kiện, theo dõi hiệu suất và tối ưu hóa là một việc, nhưng việc phân tích một lượng lớn dữ liệu, cũng như phát triển và áp dụng các mô hình dự đoán để giúp bạn đưa ra quyết định linh hoạt, chính xác dựa trên dữ liệu là một việc hoàn toàn khác.
Bạn đừng quá lo lắng. Chúng tôi ở đây để giúp bạn hiểu được tất cả.
Trong hướng dẫn thực tế này – sự hợp tác giữa AppsFlyer, công ty marketing kỹ thuật số AppAgent và Incipia, chúng tôi sẽ khám phá cách nhà tiếp thị có thể nâng cao kỹ năng dữ liệu của họ lên một tầm cao mới và đạt được lợi thế cạnh tranh mong muốn bằng mô hình dự đoán.
Chương 1
Mô hình dự đoán: Các khái niệm cơ bản và thiết lập đo lường
Tại sao chúng ta nên xây dựng các mô hình dự đoán từ đầu?
Có nhiều lợi ích trong việc sử dụng mô hình dự đoán trong marketing di động, nhưng chúng tôi tập trung vào hai hoạt động marketing quan trọng sau:
1. Thu hút người dùng
Việc hiểu hành vi thông thường của người dùng và những cột mốc sớm để phân biệt người dùng có tiềm năng cao và người dùng có tiềm năng thấp có thể hữu ích cả trong việc thu hút người dùng và tương tác lại.
Ví dụ: nếu người dùng cần tạo ra X đô la vào ngày thứ 3 để kiếm lợi nhuận sau ngày 30 và con số đó thấp hơn so với mục tiêu của bạn, bạn sẽ biết rằng bạn sẽ cần điều chỉnh giá thầu, nội dung quảng cáo, đối tượng tiếp cận hoặc các yếu tố khác để cải thiện chi phí/chất lượng của người dùng có được hoặc cải thiện xu hướng kiếm tiền của bạn.
Tuy nhiên, nếu X đó mục tiêu của bạn, thì bạn có thể tự tin tăng ngân sách và giá thầu để đạt được nhiều giá trị hơn từ những người dùng có được.
2. Quảng cáo tập trung vào quyền riêng tư
Trong nhiều năm, lợi thế lớn nhất của quảng cáo trực tuyến so với quảng cáo truyền thống là khả năng sử dụng lượng lớn dữ liệu hiệu suất có thể đo lường để xác định chính xác đối tượng người dùng mong muốn.
Chiến dịch của bạn càng cụ thể – bạn càng có nhiều khả năng thúc đẩy LTV người dùng cao hơn và lập ngân sách hiệu quả. Nhưng điều gì sẽ xảy ra nếu bạn có thể mở rộng nhóm người dùng mẫu lớn hơn và có được cái nhìn sâu sắc ngay lập tức về giá trị tiềm năng của chúng?
Mô hình dự đoán cho phép bạn làm chính xác điều đó; mở rộng đối tượng tiềm năng của chiến dịch của bạn. Bằng cách tạo ra các nhóm đặc điểm hành vi khác nhau, người dùng của bạn có thể được phân khúc không dựa trên danh tính của họ, mà dựa trên tương tác của họ với chiến dịch của bạn ở các giai đoạn sớm nhất.
Tôi cần đo lường những gì?
Để hiểu những gì bạn cần đo lường để có được dự đoán chính xác, hãy khám phá xem những điểm dữ liệu nào hữu ích và những điểm dữ liệu nào không hữu ích:
Các chỉ số
Cũng giống như mối quan hệ hình vuông và hình chữ nhật: tất cả các chỉ số đều là điểm dữ liệu, nhưng không phải tất cả các chỉ số đều là chỉ số hiệu suất chính (KPI). Các chỉ số dễ tính toán và phát triển nhanh hơn KPI, có xu hướng liên quan đến các công thức phức tạp.
Lưu ý rằng với SKAdNetwork của Apple, các chỉ số sau vẫn có thể được đo lường, nhưng với mức độ chính xác thấp hơn. Tìm hiểu thêm về điều này trong chương 5.
1) Các chỉ số liệu kế thừa thường được xác định với độ tin cậy thấp trong việc dự đoán lợi nhuận, nhưng có tính khả dụng nhanh nhất:
- Click để cài đặt (CTI) – chuyển đổi trực tiếp giữa hai điểm tiếp xúc mạnh nhất trong hành trình người dùng trước khi cài đặt, CTI rất quan trọng về mặt xã hội và kỹ thuật, vì tỷ lệ thấp hơn có thể cho thấy đối tượng người dùng không liên quan, nội dung sáng tạo không hiệu quả hoặc thời gian tải chậm trước khi hoàn tất cài đặt.
Công thức: Số lượt cài đặt/Số lần click vào quảng cáo
- Tỷ lệ nhấp (CTR) – tỷ lệ giữa một lần nhấp vào một quảng cáo nhất định với tổng số lượt xem. Ở giai đoạn sau trong phễu chuyển đổi, CTR có giá trị hạn chế trong việc cung cấp thông tin cho các mục tiêu marketing chung khác, nhưng có thể phản ánh trực tiếp hiệu quả của sáng tạo của chiến dịch dựa trên các nhấp chuột nhận được.
Công thức: số lần click /Số lượt xem quảng cáo
Các điểm dữ liệu cần thiết: số lần hiển thị, lượt click, lượt cài đặt được phân bổ
2) Các chỉ số chỉ báo ban đầu thường được xác định với độ tin cậy trung bình trong việc dự đoán lợi nhuận và tính khả dụng nhanh chóng.
Trong thời kỳ tập trung ở giai đoạn cuối trong phễu chuyển đổi, cài đặt không còn là KPI đủ. Điều đó nói lên rằng, các chỉ số sau đây, mặc dù không hữu ích để sử dụng trong dự đoán lợi nhuận, nhưng vẫn hữu ích như các chỉ số ban đầu thông báo cho các nhà tiếp thị về khả năng chiến dịch của họ thu được lợi nhuận.
Ví dụ bao gồm:
- Chi phí cho mỗi lần cài đặt (CPI) – Tập trung vào cài đặt trả phí thay vì cài đặt organic, CPI đo lường chi phí UA của bạn đối với việc xem quảng cáo.
Công thức: Chi phí quảng cáo/Tổng số lượt cài đặt gắn trực tiếp với chiến dịch quảng cáo
- Tỷ lệ giữ chân – Số lượng người dùng quay trở lại sau một khoảng thời gian nhất định.
Công thức: [(CE – CN)/CS)] X 100
CE = số lượng người dùng vào cuối kỳ
CN = số lượng người dùng mới có được trong giai đoạn
CS = số lượng người dùng vào đầu kỳ
Các điểm dữ liệu bắt buộc: chi phí, lượt cài đặt được phân bổ, mở ứng dụng, (báo cáo tỷ lệ giữ chân người dùng)
Ngoại trừ tỷ lệ giữ chân người dùng, các chỉ số thường liên quan đến một mô hình marketing hơn là mô hình kinh doanh của bạn và do đó, không hữu ích để xác định xem người dùng mới có mang lại lợi nhuận cho doanh nghiệp của bạn hay không.
Nếu bạn trả 100 đô la cho mỗi lần nhấp hoặc mỗi lần cài đặt, rất có thể bạn sẽ không kiếm được lợi nhuận. Nếu CTR của bạn là 0,05%, có khả năng cơ chế đấu giá sẽ buộc bạn phải trả một tỷ lệ cao cho mỗi lần cài đặt, khiến bạn một lần nữa có ít margin để tạo ra lợi nhuận.
Các chỉ số không hỗ trợ dự đoán khi bạn cố gắng hiệu chỉnh phạm vi tin cậy của mình với độ chính xác tốt hơn, ví dụ – khi mức lợi nhuận nằm trong khoảng CPI từ $2 đến $6.
KPI
Điều quan trọng là phải chia nhỏ các KPI phổ biến thành hai nhóm:
1) Chỉ số KPI cấp 2 dự đoán đáng tin cậy – được xác định bởi mức độ tin cậy trung cao trong việc dự đoán lợi nhuận và tính khả dụng chậm:
Những chỉ số này rất hữu ích để đóng vai trò là điểm chuẩn ban đầu về lợi nhuận, mang lại độ tin cậy hơn so với các chỉ số hàng đầu, KPI cấp 2 mất thời gian lâu hơn để tạo ra, và cũng mang lại độ tin cậy ít hơn so với KPI cấp 1.
* Lưu ý rằng với SKAdNetwork của Apple, các KPI sau không thể được đo lường cùng nhau.
- Chi phí thu hút người dùng cho mỗi người dùng trả tiền
- Chi phí hoặc tỷ lệ chuyển đổi các hành động quan trọng – ví dụ: tỷ lệ trò chơi trong ngày đầu tiên được chơi hoặc tỷ lệ lượt xem nội dung trong phiên đầu tiên
- Chi phí dựa trên thời gian hoặc tỷ lệ chuyển đổi các hành động quan trọng (ví dụ: chi phí cho số trò chơi được chơi trong ngày đầu tiên hoặc chi phí cho mỗi lượt xem nội dung trong phiên đầu tiên)
- Chi phí mỗi ngày X cho người dùng được giữ lại: Tổng chi tiêu một ngày X số người dùng được giữ lại vào ngày đó.
- Các hành vi trong ứng dụng cụ thể theo ngành – ví dụ: hoàn thành hướng dẫn, hoàn thành cấp độ 5 vào ngày 1 (trò chơi), số trang sản phẩm được xem trong phiên đầu tiên, số phiên trong 24 giờ (mua sắm), v.v.
Các điểm dữ liệu bắt buộc: chi phí, lượt cài đặt được phân bổ, mở ứng dụng (báo cáo tỷ lệ giữ chân người dùng), các hành vi trong ứng dụng được cấu hình và đo lường, dữ liệu phiên (dấu thời gian, tính năng được sử dụng, v.v.)
Đối với hầu hết các mô hình kinh doanh, các KPI này không thể đóng vai trò như những dự đoán đáng tin cậy vì, trong khi chúng tính toán chi phí và các hành vi thường tương quan với lợi nhuận, chúng bỏ qua phần lợi nhuận từ việc marketing hoàn chỉnh, vì mở ứng dụng không phải lúc nào cũng tương đương với việc tiêu dùng trong ứng dụng, và người dùng trả tiền có thể mua nhiều lần.
2) Chỉ số KPI cấp 1 dự đoán đáng tin cậy – doanh thu sớm và ROAS kết quả của sự thành công dài hạn – được đánh dấu với mức độ tin cậy cao trong việc dự đoán lợi nhuận, nhưng khả dụng chậm nhất:
KPI cấp 1 mất nhiều thời gian hơn để hoàn thành hoàn toàn hoặc liên quan đến các quy trình phức tạp để xác định. Tuy nhiên, chúng gắn liền trực tiếp với mô hình kinh doanh của bạn và do đó, hoàn toàn phù hợp để dự đoán lợi nhuận của các chiến dịch tiếp thị của bạn.
- Lợi nhuận trên chi tiêu quảng cáo (ROAS) – Số tiền chi cho marketing chia cho doanh thu do người dùng tạo ra trong một khung thời gian nhất định.
Giá trị trọn đời (LTV) – Số lượng doanh thu người dùng đã tạo ra cho ứng dụng của bạn cho đến nay.
Công thức: Giá trị trung bình của chuyển đổi X Số lượt chuyển đổi trung bình trong khung thời gian X Thời gian sử dụng trung bình của khách hàng
Các điểm dữ liệu bắt buộc: chi phí, lượt cài đặt được quy định, mở ứng dụng, đo lường doanh thu chuyên sâu (IAP, IAA, đăng ký, v.v.)
Mặc dù ROAS dễ tính hơn, nhưng nó cần vài tuần hoặc thậm chí vài tháng để người dùng tiếp tục tạo ra các đường cong doanh thu. Kết hợp với doanh thu trung bình trên mỗi người dùng, LTV có thể là một cách tuyệt vời để xác định tổng doanh thu tiềm năng hoặc giá trị của ứng dụng của bạn.
Để tổng kết, đây là vị trí của mỗi phương pháp trong biểu đồ sau:
Ưu và nhược điểm của các mô hình dự đoán dựa trên LTV khác nhau: Các insight từ các nhà tiếp thị hàng đầu
Việc xây dựng một mô hình LTV để dự đoán ROAS có thể gây choáng ngợp do tính phức tạp và nhiều khái niệm dự đoán khác nhau có sẵn.
Có sự khác biệt rõ ràng trong cách các loại ứng dụng khác nhau giữ chân người dùng và khai thác giá trị từ người dùng; hãy nghĩ về sự khác biệt giữa các trò chơi mua trong ứng dụng, ứng dụng dựa trên đăng ký và doanh nghiệp thương mại điện tử.
Rõ ràng là không thể tồn tại một mô hình LTV phù hợp cho tất cả.
Để hiểu rõ hơn về sự phức tạp, chúng tôi đã nói chuyện với một số chuyên gia từ cả các công ty game và các công ty khác, bao gồm Hutch Games, Wargaming, Pixel Federation và Wolt , và nhiều công ty khác.
Dưới đây là những câu hỏi chính mà chúng tôi đã thảo luận:
- Bạn sử dụng những mô hình LTV nào?
- Mô hình LTV của bạn phát triển như thế nào theo thời gian?
- Ai trong công ty chịu trách nhiệm xử lý mô hình dự đoán?
- Chỉ số chính của bạn trong UA là gì?
- Quan điểm của bạn về tự động hóa UA và xu hướng tương lai là gì?
Mô hình LTV
Dựa trên các cuộc phỏng vấn của chúng tôi, có vẻ như có ba “trường phái tư tưởng” chính cho các dự đoán LTV:
1) Mô hình dựa trên việc giữ chân người dùng / ARPDAU
- Khái niệm: Lập mô hình đường cong về tỷ lệ giữ chân người dùng dựa trên một vài điểm dữ liệu về tỷ lệ giữ chân ban đầu, sau đó tính số ngày hoạt động trung bình cho mỗi người dùng (cho ngày 90, 180, v.v.) và nhân số đó với doanh thu trung bình trên mỗi người dùng hoạt động hàng ngày (ARPDAU) để có được LTV dự đoán.
- Ví dụ: Khả năng giữ chân người dùng trong D1/D3/D7 là 50%/35%/25%. Sau khi khớp các điểm dữ liệu này với đường cong lũy thừa và tính tích phân của nó cho đến D90, chúng tôi thấy rằng số ngày hoạt động trung bình là 5. Biết rằng ARPDAU là 40 xu, D90 LTV dự đoán sẽ bằng 2 USD.
- Phù hợp: Các ứng dụng có tỷ lệ lưu giữ cao (các trò chơi như MMX Racing). Dễ dàng thiết lập, có thể hữu ích đặc biệt nếu không có đủ dữ liệu cho các mô hình khác.
- Không phù hợp: Các ứng dụng giữ chân thấp (ví dụ: e-commerce) không thể truy cập đủ số lượng điểm dữ liệu về tỷ lệ giữ chân để duy trì mô hình này.
2) Mô hình dựa trên tỷ lệ
- Khái niệm: Tính hệ số (D90 LTV/D3 LTV) từ dữ liệu lịch sử, sau đó với mỗi cohort, và cuối cùng – áp dụng hệ số này để nhân LTV D3 thực tế để có được dự đoán D90 LTV.
- Ví dụ: Sau 3 ngày đầu tiên, ARPU cho cohort của chúng tôi là 20 xu. Sử dụng dữ liệu lịch sử, chúng ta biết rằng D90/D3 = 3. Do đó, D90 LTV dự đoán sẽ là 60 cent (20 xu ARPU* 3).
- Trong trường hợp không có đủ dữ liệu lịch sử để tính toán tỷ lệ đáng tin cậy (Ví dụ: chúng tôi chỉ có 50 ngày dữ liệu và chúng tôi muốn dự đoán D180 LTV hoặc chúng tôi có quá ít mẫu dữ liệu D180 LTV), ước tính ban đầu có thể được thực hiện bằng cách sử dụng các điểm dữ liệu hiện có, và sau đó được tinh chỉnh liên tục khi có nhiều dữ liệu hơn.
Tuy nhiên, trong những trường hợp này, cần phải cân nhắc kỹ lưỡng với những ước tính như vậy.
- Phù hợp: Các loại ứng dụng “tiêu chuẩn” bao gồm nhiều thể loại trò chơi hoặc ứng dụng e-commerce.
- Không phù hợp: Ứng dụng dựa trên đăng ký với bản dùng thử miễn phí kéo dài hơn 1 tuần. Có thể mất nhiều thời gian trước khi một giao dịch mua hàng có thể xảy ra, và vì phương pháp này dựa trên giao dịch mua hàng, nó sẽ khiến dự đoán không thể thực hiện được.
3) Dự đoán dựa trên hành vi
- Khái niệm: Thu thập một khối lượng dữ liệu đáng kể từ người dùng ứng dụng đồng ý (dữ liệu phiên và tương tác, mua hàng, nhắn tin trong ứng dụng, v.v.) và xử lý chúng bằng cách sử dụng hồi quy và học máy để xác định hành động hoặc kết hợp hành động nào là “yếu tố dự đoán” tốt nhất về giá trị của người dùng mới.
Một thuật toán sau đó gán một giá trị cho mỗi người dùng mới dựa trên sự kết hợp của các đặc điểm (ví dụ: nền tảng hoặc kênh UA) và các hành động được thực hiện (thường là trong một vài phiên hoặc ngày ban đầu).
Điều quan trọng cần đề cập là kể từ khi Apple ra mắt các ràng buộc về quyền riêng tư của Apple với iOS 14, các dự đoán ở cấp độ người dùng đã không thể thực hiện được. Tuy nhiên, dự đoán người dùng tổng hợp vẫn có thể thực hiện.
- Ví dụ: Người dùng A đã có 7 phiên dài vào ngày 0 và tổng cộng – 28 phiên vào ngày 3. Họ cũng truy cập trang giá cả và dừng ở đó trong hơn 60 giây.
Xác suất họ mua hàng trong tương lai là 65%, theo phân tích hồi quy và thuật toán dựa trên máy học. Với ARPPU là 100 USD, LTV dự đoán của họ là 65 USD.
- Phù hợp: Bất kỳ ứng dụng nào có quyền truy cập vào nhóm khoa học dữ liệu giàu kinh nghiệm, tài nguyên kỹ thuật và nhiều dữ liệu. Điều này có thể là một trong số ít các lựa chọn khả thi trong một số trường hợp (ví dụ: ứng dụng theo đăng ký với thời gian dùng thử miễn phí dài).
- Không phù hợp: Có thể là quá sức cho nhiều ứng dụng quy mô nhỏ và trung bình. Thường thì cách tiếp cận đơn giản hơn có thể đạt được kết quả tương tự, dễ dàng bảo trì và và dễ hiểu hơn đối với những người còn lại trong nhóm.
Chọn mô hình phù hợp cho các loại ứng dụng khác nhau
Mỗi ứng dụng và mỗi nhóm đều có sự kết hợp của các tham số và yếu tố cần xem xét trong quá trình lựa chọn:
- Về mặt sản phẩm, đó là sự kết hợp độc đáo của loại và danh mục ứng dụng, mô hình kiếm tiền, hành vi mua hàng của người dùng và dữ liệu có sẵn (và sự biến động của nó).
- Về mặt nhóm, đó là khả năng, chuyên môn kỹ thuật, kiến thức và thời gian có sẵn trước khi đội ngũ UA cần mô hình hoạt động.
Trong phần này, chúng tôi sẽ trình bày một số ví dụ đơn giản về quá trình lựa chọn.
Chúng dựa trên các trường hợp thực tế của ba loại ứng dụng: trò chơi miễn phí (F2P), ứng dụng dựa trên đăng ký và ứng dụng e-commerce.
Ứng dụng dựa trên đăng ký
Hãy khám phá hai trường hợp ứng dụng dựa trên đăng ký, mỗi ứng dụng có một loại rào cản thanh toán (paywall) khác nhau – cổng cứng và dùng thử miễn phí trong thời gian giới hạn:
1. Rào cản thanh toán cứng: Đăng ký trả phí thường bắt đầu rất thường xuyên trong ngày 0 (ví dụ: 8fit).
Điều đó có nghĩa là chúng ta sẽ có một chỉ số đo lường rất chính xác về tổng số người đăng ký đã có sau ngày đầu tiên (ví dụ: giả sử 80% tất cả các thuê bao sẽ làm như vậy vào D0 và 20% còn lại sẽ làm một lúc nào đó trong tương lai).
Với điều kiện là chúng ta đã biết tỷ lệ rời bỏ của mình và theo đó là ARPPU, chúng ta có thể dễ dàng dự đoán LTV của cohort chỉ bằng cách nhân (số người trả tiền) * (ARPPU cho một phân khúc người dùng nhất định) * (1,25 là hệ số đại diện cho 20% người dùng ước tính bổ sung dự kiến sẽ trả tiền trong tương lai).
2. Dùng thử miễn phí trong thời gian có hạn: Trong trường hợp này, một tỷ lệ phần trăm người dùng sẽ chuyển đổi để trở thành người đăng ký trả tiền sau khi dùng thử kết thúc (ví dụ: Headspace). Vấn đề là các nhà quản lý UA phải đợi cho đến khi thử nghiệm kết thúc để hiểu về tỷ lệ chuyển đổi.
Thời gian chờ này có thể gây khó khăn đặc biệt khi thử nghiệm các kênh và vùng địa lý mới, đó là lý do tại sao dự đoán hành vi người dùng có thể hữu ích ở đây.
Ngay cả với khối lượng dữ liệu vừa phải và các phép hồi quy đơn giản, thường có thể xác định các yếu tố dự đoán khá tốt. Ví dụ: chúng tôi có thể biết rằng người dùng tham gia bản dùng thử miễn phí và có ít nhất 3 phiên mỗi ngày trong 3 ngày đầu tiên sau khi cài đặt – sẽ chuyển đổi sang đăng ký trong 75% trường hợp.
Yếu tố dự đoán ở trên mặc dù không hoàn hảo nhưng có thể đủ chính xác cho việc ra quyết định UA và cung cấp khả năng hành động tốt cho nhóm UA trước khi thu thập thêm dữ liệu và kiểm tra mô hình thích hợp.
Các loại và thiết kế Paywall có thể bị ảnh hưởng rất nhiều bởi nhu cầu đánh giá nhanh chóng lưu lượng truy cập.
Việc tìm hiểu xem người dùng có chuyển đổi (hoặc không) càng sớm càng tốt sẽ rất hữu ích để hiểu được tính lợi nhuận của chiến dịch và có khả năng phản ứng nhanh. Chúng tôi đã thấy điều này trở thành một trong những yếu tố quyết định cho một số công ty khi xác định loại paywall.
Freemium games
Trò chơi miễn phí (F2P) có xu hướng có tỷ lệ giữ chân cao và số lượng mua hàng đáng kể.
1) Casual game (Diggy’s Adventure):
Mô hình phù hợp cho các trò chơi dựa trên mua trong ứng dụng là “mô hình tỷ lệ”, trong đó chúng ta có thể dự đoán được D (x) LTV sau 3 ngày với độ tin cậy khá cao, vì lẽ ra chúng ta đã xác định được hầu hết người dùng trả tiền của mình vào thời điểm đó.
Đối với một số trò chơi kiếm tiền thông qua quảng cáo, phương pháp tiếp cận dựa trên tỷ lệ giữ chân cũng có thể được xem xét.
2) Hardcore game (World of Tanks hoặc MMX Racing):
Phân bổ ARPPU của người dùng Hardcore game có thể bị lệch đáng kể khi những người dùng chi tiêu cao nhất – hay còn gọi là ‘cá voi’ – có thể chi nhiều gấp x lần so với những người khác.
“Mô hình tỷ lệ” vẫn có thể hoạt động trong những trường hợp này, nhưng cần được nâng cao để tính đến các mức chi tiêu khác nhau cho các loại chi tiêu khác nhau. Ở đây, biến “loại người dùng” sẽ gán các giá trị LTV khác nhau cho người dùng dựa trên hành vi chi tiêu của họ (tức là họ đã chi bao nhiêu, bao nhiêu lần mua, họ đã mua gói khởi đầu nào, v.v.).
Tùy thuộc vào dữ liệu, dự đoán ban đầu có thể được thực hiện sau ngày thứ 3, với một lần khác muộn hơn một chút (ngày 5 hoặc ngày 7) sau khi xác định được mức chi tiêu của người dùng.
Ứng dụng eCommerce
Các ứng dụng eCommerce thường có các mô hình giữ chân duy nhất, vì việc ra mắt chúng thường liên quan đến ý định mua hàng hiện có, điều này không xảy ra quá thường xuyên.
Do đó, chúng tôi có thể kết luận rằng việc sử dụng ‘mô hình giữ chân’ nói chung không phù hợp với các ứng dụng như vậy. Thay vào đó, chúng ta hãy khám phá hai trường hợp sử dụng khác:
1) Đại lý bán vé máy bay
Thời gian từ việc cài đặt đến việc mua trong lĩnh vực du lịch là quan trọng, đôi khi kéo dài hàng tháng. Do việc mua hàng và doanh thu được phân phối trong một khung thời gian dài, các mô hình “tỷ lệ” hoặc “giữ chân” sẽ không hoạt động trong hầu hết các trường hợp.
Do đó, chúng ta nên tìm kiếm các dấu hiệu hành vi và khám phá các yếu tố dự báo tiềm năng trong phiên sau cài đặt đầu tiên, vì đây thường là thông tin duy nhất chúng ta có sẵn.
Dựa vào các dấu hiệu này và giả sử có đủ dữ liệu, chúng ta sẽ ước tính xác suất người dùng sẽ mua vé bất kỳ và nhân nó với ARPPU để có sự kết hợp liên quan của các đặc điểm của họ (nền tảng, quốc gia xuất xứ, v.v.)
2) Thị trường trực tuyến
Người dùng có xu hướng thực hiện giao dịch mua đầu tiên ngay sau khi cài đặt. Hơn nữa, mặt hàng mua đầu tiên đó thường mất thời gian đáng kể để được vận chuyển. Do đó, khách hàng thường đợi việc vận chuyển hàng đầu tiên để đánh giá dịch vụ trước khi tiến hành giao dịch mua hàng lần thứ hai.
Việc chờ đợi lô dữ liệu “giao dịch mua hàng thứ hai” sẽ khiến các dự đoán không thể sử dụng được do độ trễ dài và sau đó giới hạn bất kỳ phép tính nào đối với dữ liệu ban đầu.
Tùy thuộc vào thời điểm người dùng đặt hàng (với phần lớn làm như vậy trong 5 ngày đầu tiên), chúng ta có thể sử dụng phương pháp tỷ lệ (D90/D5) và nhân kết quả với một hệ số khác sẽ tính đến các giao dịch mua trong tương lai.
Từ MVP đến các mô hình phức tạp
Tất cả các nhà phân tích dữ liệu mà chúng tôi đã nói chuyện tại các nhà xuất bản lớn đều đồng ý rằng điều quan trọng là bắt đầu quá trình dự đoán của bạn với một “Sản phẩm khả thi tối thiểu” (MVP) đơn giản.
Ý tưởng là xác minh các giả định ban đầu, tìm hiểu thêm về dữ liệu và dần dần xây dựng một mô hình. Điều đó thường có nghĩa là thêm nhiều biến hơn khi bạn sử dụng để kích hoạt các mô hình chi tiết và chính xác hơn (ví dụ: hệ số k, tính thời vụ và doanh thu quảng cáo, bên cạch việc phân khúc ban đầu theo nền tảng, quốc gia và kênh UA).
Phức tạp không đồng nghĩa với “tốt”. Các nhà quản lý UA có thể nhanh chóng trở nên khó chịu khi quyền truy cập vào dữ liệu của họ bị chặn vì có ai đó đang thực hiện những công việc phức tạp.
Anna Yukhtenko, nhà phân tích dữ liệu @Hutch Games
Trên thực tế, chúng tôi đã phát hiện rằng các công ty thường ưu tiên sử dụng các mô hình có khái niệm đơn giản.
Điều này là một phát hiện đáng ngạc nhiên. Chúng tôi đã kỳ vọng rằng khi sản phẩm phát triển, các nhóm dữ liệu sẽ nhanh chóng triển khai các thuật toán học máy và trí tuệ nhân tạo để đạt tiêu chuẩn ngành mà chúng tôi tin là đúng. Chúng tôi đã sai. Hoặc ít nhất là một phần.
Mặc dù nhiều người nhận thấy giá trị của các mô hình phức tạp và đã thử nghiệm chúng trong quá khứ, phần lớn cuối cùng đã chọn những mô hình đơn giản hơn. Có ba lý do chính cho điều đó:
1. Chi phí/Lợi ích của các mô hình nâng cao
Tỷ lệ chi phí/lợi ích của việc tạo và duy trì một mô hình phức tạp không thực sự hợp lý. Nếu có thể đạt được mức độ tin cậy đủ cho các hoạt động hàng ngày bằng các mô hình đơn giản hơn, tại sao lại cần phức tạp?
2. Thời gian kỹ thuật để tạo/duy trì
Việc tạo ra một mô hình tiên tiến có thể tốn rất nhiều giờ kỹ thuật, và quản lý nó còn tốn nhiều thời gian hơn, điều này là vấn đề lớn đối với các nhóm nhỏ hơn.
Thông thường, bộ phận BI chỉ có rất ít tài nguyên để dành cho đội ngũ marketing, khiến các nhà tiếp thị phải tự mình giải quyết cuộc chiến không cân xứng với thống kê và kỹ thuật dữ liệu
3. Thay đổi liên tục
Mỗi phiên bản sản phẩm đều khác nhau và có cách tiếp cận khác nhau về thu nhập (ví dụ: thêm hoặc loại bỏ các tính năng có thể có tác động rất lớn); tính thời vụ địa phương và hiệu ứng toàn thị trường là hai ví dụ có liên quan.
Những thay đổi cần phải được thực hiện nhanh chóng và đưa ra các thay đổi đối với một mô hình phức tạp có thể là một quá trình mất nhiều thời gian và tiền bạc, điều này có thể trở thành thảm họa trong một môi trường di động chuyển động nhanh chóng với việc mua quảng cáo liên tục.
Sẽ dễ dàng hơn rất nhiều để tinh chỉnh một mô hình đơn giản, đôi khi bởi chính các nhà tiếp thị.
Đối với một tập hợp con nhất định của ứng dụng,một mô hình dựa trên hành vi có thể là phương án phù hợp nhất. Và trong khi một đội ngũ kỹ thuật và khoa học dữ liệu giàu kinh nghiệm nên có sẵn cho các công ty đủ lớn để hỗ trợ một khoản đầu tư như vậy, những người khác có thể chọn áp dụng một sản phẩm sẵn sàng cung cấp những phẩm chất tương tự.
Một tập dữ liệu khác đang thu hút được sự chú ý là các mô hình LTV do quảng cáo tạo ra với ước tính doanh thu quảng cáo ở cấp độ người dùng. Để biết thêm về chủ đề này, hãy xem chương 4.
Đội ngũ và trách nhiệm
Nói chung, việc thiết kế, thiết lập và điều chỉnh mô hình LTV dự đoán nên là công việc của một đội ngũ phân tích dữ liệu / khoa học dữ liệu (nếu có).
Lý tưởng nhất, có hai vai trò ở đây: một nhà phân tích có kinh nghiệm với kiến thức vượt trội về marketing có thể tư vấn về chiến lược và mức chiến thuật, đồng thời quyết định xem nên sử dụng mô hình nào và như thế nào. Và một nhà phân tích chuyên dụng “sở hữu” các tính toán và dự đoán LTV hàng ngày.
“Nhà phân tích hàng ngày” phải liên tục giám sát mô hình và chú ý đến bất kỳ sự biến động đáng kể nào. Ví dụ: nếu doanh thu dự kiến hàng tuần không phù hợp với thực tế và không nằm trong ranh giới được đặt trước, có thể cần điều chỉnh mô hình ngay lập tức chứ không phải sau vài tuần hoặc vài tháng.
“Đó là một nỗ lực của cả đội. Chúng tôi đã tạo ra một hệ thống cảnh báo sớm, nơi chúng tôi gặp nhau mỗi tháng một lần, xem xét tất cả các giả định đi vào mô hình và kiểm tra xem chúng có còn đúng không. Cho đến nay, chúng tôi có khoảng 12 giả định chính (ví dụ: giá trị của chất hữu cơ gia tăng, tính thời vụ, v.v.), mà chúng tôi kiểm soát để đảm bảo rằng chúng tôi đang đi đúng hướng.
Tim Mannveille, Giám đốc Growth & Insight @Hutch Games
Khi kết quả dự đoán được tính toán, chúng sẽ tự động được chuyển đến và sử dụng bởi nhóm UA. thường chỉ đơn giản dựa vào các kết quả này và báo cáo về sự không nhất quán, nhưng họ nên cố gắng nâng cao hiểu biết để có thể thách thức và đánh giá tốt hơn các mô hình đang được sử dụng ở mức tổng quát (không yêu cầu hiểu biết về những chi tiết phức tạp của một mô hình phức tạp và các phép tính của nó).
Các chuyên gia marketing được phỏng vấn cho chương này:
- Fredrik Lucander từ Wolt
- Andrey Evsa từ Wargaming
- Matej Lancaric từ Boombit (trước đây làm việc tại Pixel Federation)
- Anna Yukhtenko và Tim Mannveille từ Hutch Games
Chương 3
Phương pháp đánh giá lợi nhuận marketing di động với Excel
Nếu bạn nghĩ rằng bạn đã thành thạo lĩnh vực Excel nâng cao bằng cách sử dụng bảng tổng hợp, trường tính toán, định dạng có điều kiện và tra cứu, thì bạn có thể ngạc nhiên khi biết rằng bạn đang bỏ lỡ một mẹo thậm chí còn mạnh mẽ hơn trong sổ tay hướng dẫn sử dụng Excel.
Không chỉ vậy, mẹo này còn có thể được sử dụng để dự đoán lợi nhuận của các chiến dịch tiếp thị di động của bạn!
Hãy xem chương sau đây là hướng dẫn nhỏ của bạn để tạo mô hình dự đoán của riêng bạn bằng các công cụ hàng ngày.
Tuyên bố miễn trừ trách nhiệm Hãy nhớ rằng dưới đây là một biến thể rất đơn giản của mô hình dự đoán. Để vận hành đúng quy mô này, các thuật toán học máy tinh vi được yêu cầu để tính đến nhiều yếu tố có thể ảnh hưởng đáng kể đến kết quả. Chỉ nhìn vào một yếu tố duy nhất để dự đoán giá trị của nó (ví dụ: doanh thu) có thể dẫn đến thiếu chính xác.
Bằng cách sử dụng biểu đồ phân tán và một chút đại số, bạn có thể biến phương trình đường xu hướng Excel thành một công cụ mạnh mẽ, chẳng hạn như xác định sớm điểm mà tại đó các chiến dịch marketing của bạn chứng minh rằng chúng có khả năng tạo ra lợi nhuận.
Phương pháp này có thể giúp bạn từ bỏ cảm nhận và chuyển sang quyết định dựa trên dữ liệu và tăng sự tự tin trong báo cáo hàng tuần của bạn.
Dự đoán ROAS tuần 0 nào dẫn đến dự đoán ROAS 100% sau 6 tháng
Mặc dù LTV được thực hiện đúng cách là một dự đoán tuyệt vời, ROAS – đặc biệt là trong tuần đầu tiên từ khi người dùng bắt đầu sử dụng – là một chỉ số phổ biến được sử dụng để đo lường lợi nhuận do tính tiếp cận rộng lớn của nó.
Cụ thể, chúng tôi sẽ sử dụng ROAS Tuần 0 (doanh thu trong tuần đầu tiên thu hút người dùng/chi phí để có được những người dùng đó) làm công cụ dự đoán tin cậy của chúng tôi, đó là một phương pháp đo lường hiệu suất quảng cáo theo nhóm, mang tính tương đồng để đánh giá hiệu suất quảng cáo mỗi tuần.
ROAS tuần 0 sẽ cho phép chúng tôi dự đoán liệu chúng tôi có đạt mức chênh lệch cho chi tiêu quảng cáo của mình với ROAS 100% sau 6 tháng hay không.
Bước 1
Bước đầu tiên để sử dụng Excel để dự đoán lợi nhuận là đảm bảo bạn có đủ điểm dữ liệu Tuần 0 và 6 tháng. Mặc dù bạn có thể vẽ một đường cong và dự đoán cho bất kỳ điểm nào trên đường cong đó với hai điểm dữ liệu, nhưng dự đoán của bạn sẽ không đáng tin cậy với số lượng quan sát quá ít.
Số lượng quan sát lý tưởng phụ thuộc vào vô số yếu tố; chẳng hạn như mức độ tin cậy mong muốn của bạn, mối tương quan trong tập dữ liệu và giới hạn thời gian, nhưng theo quy tắc chung cho các dự đoán dựa trên ROAS Tuần 0, bạn nên cố gắng có ít nhất 60 cặp quan sát Week 0 và 6 tháng ROAS.
Điều quan trọng là phải bao gồm đủ các quan sát đã đạt đến mức mục tiêu mà bạn đặt ra. Nếu bạn có 60 điểm dữ liệu để vẽ, nhưng chỉ có 2 điểm mà 6 tháng ROAS vượt qua 100%, thì mô hình phương trình của bạn sẽ không được hỗ trợ bởi đủ hiểu biết về những yếu tố đầu vào cần thiết để đạt được điểm cân bằng này.
Trong trường hợp này, đối với tất cả những gì mô hình của bạn biết, yêu cầu đạt 100% ROAS sau 6 tháng có thể là 2 điểm phần trăm ROAS đầy đủ hoặc 5 điểm phần trăm, đây là một phạm vi rất rộng không có lợi cho việc dự đoán.
Bước 2
Khi bạn đã thu thập đủ các quan sát về mức mục tiêu, bước thứ hai là chia tập dữ liệu của bạn thành hai nhóm, một để đào tạo và một để dự đoán.
Đặt phần lớn dữ liệu (~ 80%) vào nhóm đào tạo. Sau đó, bạn sẽ sử dụng nhóm dự đoán để thực sự kiểm tra độ chính xác của mô hình của bạn trong việc dự đoán ROAS 6 tháng, với ROAS Tuần 0.
Bước 3
Bước thứ ba là sử dụng biểu đồ phân tán (scatter plot) để biểu đồ hóa dữ liệu, với ROAS tuần 0 trên trục x và ROAS 6 tháng trên trục y.
Sau đó thêm một trendline và thêm phương trình và cài đặt R-squared.
Biểu đồ dữ liệu đào tạo bằng biểu đồ phân tán.
Click chuột phải vào một điểm dữ liệu và thêm một trendline.
Thêm phương trình đường xu hướng và bình phương R.
Bước 4
Bước bốn liên quan đến việc sử dụng phương trình tuyến tính y = mx + b để giải giá trị x của phương trình (Tuần 0 ROAS) khi giá trị y (ROAS 6 tháng) là 100%.
Sắp xếp lại phương trình sử dụng algebra được thực hiện như sau:
1. y = 9,2695x – 0,0936
2. 1 = 9,2695x – 0,0936
3. 1 + .0936 = 9.2695x
4. 1,0936 = 9,269x
5. X = 1,0936/9,269
6. X = 11,8%
Theo cách này, chúng ta trả lời được cho câu hỏi làm thế nào để dự đoán lợi nhuận sau 6 tháng là ROAS tuần 0 phải lớn hơn 11.8% trong tuần đầu tiên.
Nếu ROAS Tuần 0 của bạn thấp hơn tỷ lệ này, bạn biết rằng bạn sẽ cần điều chỉnh giá thầu, quảng cáo hoặc nhắm mục tiêu để cải thiện chi phí/chất lượng của người dùng có được và cải thiện xu hướng kiếm tiền của bạn.
Nếu ROAS Tuần 0 của bạn vượt quá con số này, thì bạn có thể cảm thấy tự tin trong việc tăng ngân sách và giá thầu!
Bước 5
Bước năm là nơi bạn sử dụng phân khúc dự đoán của tập dữ liệu đầy đủ để đánh giá mức độ mô hình của bạn có thể dự đoán kết quả thực tế. Điều này có thể được đánh giá bằng cách sử dụng Lỗi phần trăm tuyệt đối trung bình (MAPE), là một phép tính chia giá trị tuyệt đối của sai số (giá trị thực tế trừ đi giá trị dự đoán) cho giá trị thực tế.
Tổng MAPE càng thấp, khả năng dự đoán của mô hình của bạn càng tốt.
Không có quy tắc chung nào cho một số MAPE tốt, nhưng nói chung, mô hình của bạn càng có nhiều dữ liệu và dữ liệu càng tương quan, sức mạnh dự đoán của mô hình của bạn sẽ càng tốt.
Nếu MAPE của bạn cao và tỷ lệ lỗi không thể chấp nhận được, có thể cần phải sử dụng một mô hình phức tạp hơn. Mặc dù khó quản lý hơn, nhưng mô hình liên quan đến R và Python có thể nâng cao khả năng dự đoán của phân tích của bạn.
Và đVà đó là một khung để dự đoán tính khả thi của chiến dịch marketing.
Nhưng đừng ngừng đọc! Hướng dẫn này còn nhiều thông tin hữu ích hơn để khám phá.
Cải thiện dự đoán của bạn
Đối với những độc giả có tính tò mò, họ có thể sẽ có câu hỏi trong tâm trí là liệu đường xu hướng tuyến tính mặc định có phải là tốt nhất để sử dụng trong việc dự đoán lợi nhuận hay không.
Bạn có thể thử một số đường xu hướng khác và phát hiện rằng R-squared (một chỉ số đo sự phù hợp của phương trình với dữ liệu) cải thiện với các phương trình khác, làm nổi bật câu hỏi này hơn nữa.
Trong khi nguyên tắc marketing “tùy thuộc vào” lại áp dụng khi chọn đường xu hướng tốt nhất, một nguyên tắc marketing khác cũng hữu ích như một phản hồi: KISS (keep it simple, stupid). Nếu bạn không phải là một nhà thống kê hay một người đam mê toán học, cách tốt nhất của bạn là sử dụng các đường xu hướng đơn giản hơn – đó là đường tuyến tính.
Tại sao đây lại là một vấn đề? Như một ví dụ đơn giản, hãy xem xét việc bổ sung dữ liệu bất ngờ vào mô hình. Trong hai tình huống sau đây, hãy xem xét xem một ROAS tuần 0 thấp hơn dự đoán nhưng phát triển tốt không ngờ, hoặc một ROAS tuần 0 cao hơn dự đoán nhưng phát triển kém không ngờ, ảnh hưởng đến độ chính xác của mô hình đường xu hướng (được đánh giá bằng cách sử dụng MAPE).
Sử dụng MAPE để so sánh các mô hình dựa trên đường xu hướng khác nhau ở đây cho thấy, mặc dù các mô hình tuyến tính và mô hình mũ không phải là những mô hình chính xác nhất trong bất kỳ trường hợp nào, nhưng chúng là những mô hình ổn định nhất.
Ngoài ra, học máy có thể giúp bạn tự động hóa quá trình này, phân tích một lượng lớn dữ liệu và cung cấp thông tin nhanh chóng hơn.
Đảm bảo bạn đang đi đúng hướng
Để lưu ý cuối cùng, hãy xem danh sách các câu hỏi bổ sung này có thể hữu ích để đảm bảo phân tích dự đoán của bạn được hình thành trên nền tảng vững chắc:
- Bạn đã tiếp tục cung cấp dữ liệu cho mô hình để nó tiếp tục được đào tạo với dữ liệu phù hợp nhất không?
- Bạn đã kiểm tra xem liệu các dự đoán của mô hình của bạn có thành hiện thực dựa trên những quan sát mới hay gần với nó không?
- Bạn có quá nhiều biến thể hoặc ngược lại, quá phù hợp?
- Một R-squared rất thấp hoặc rất cao đều cho thấy một vấn đề trong khả năng dự đoán chính xác dữ liệu mới của mô hình của bạn.
- Bạn đã sử dụng đúng KPI chưa?
- Hãy tiếp tục và kiểm tra các KPI khác nhau (ví dụ: ROAS hoặc LTV nhiều hơn hoặc ít hơn) và sử dụng MAPE để so sánh sức mạnh dự đoán lợi nhuận của từng KPI.
Bạn có thể ngạc nhiên về mối tương quan kém của các thước đo tiêu chuẩn.
- Các chỉ số hàng đầu hoặc điểm chuẩn ban đầu của bạn có trải qua những thay đổi đáng kể không?
- Đây có thể là một dấu hiệu cho thấy một điều gì đó quan trọng đã thay đổi trong thế giới thực và rắc rối đang xảy ra đối với khả năng dự đoán lợi nhuận của mô hình của bạn một cách chính xác trong tương lai.
- Bạn đã áp dụng phân khúc cho dữ liệu chưa?
- Phân khúc người dùng thành các nhóm đồng nhất hơn là một cách tuyệt vời để giảm nhiễu và cải thiện khả năng dự đoán của mô hình của bạn.
Ví dụ: không áp dụng cùng một mô hình cho tất cả người dùng trên tất cả các kênh và khu vực địa lý nếu những người dùng đó có xu hướng duy trì và chi phí khác nhau đáng kể.
- Bạn đã xem xét các yếu tố thời gian chưa?
- Hầu hết các nhà tiếp thị đều nhận thức được ảnh hưởng của tính thời vụ là một yếu tố mà các dự đoán có thể bị phá vỡ, nhưng vòng đời của ứng dụng/chiến dịch/khán giả và sáng tạo của bạn cũng có thể ảnh hưởng đến khả năng mô hình của bạn để đưa ra dự đoán chính xác.
Chương 4
Thêm một mảnh ghép vào câu đố: Dự đoán quảng cáo LTV trong ứng dụng
Quảng cáo trong ứng dụng (IAA) ngày càng trở nên phổ biến, chiếm ít nhất 30% doanh thu ứng dụng trong những năm gần đây. Các trò chơi Hyper-casual và causal, cùng với nhiều ứng dụng tiện ích khác, tự nhiên tận dụng dòng doanh thu này làm nguồn kiếm tiền chính của họ.
Ngay cả các nhà phát triển đã hoàn toàn phụ thuộc vào việc mua hàng trong ứng dụng (IAP) cũng đã bắt đầu kiếm tiền bằng quảng cáo. Kết quả là, chúng ta có thể thấy rằng nhiều ứng dụng hiện đang kết hợp thành công cả hai luồng doanh thu để tối đa hóa LTV của người dùng.
Ví dụ, chỉ cần nhìn vào trò chơi Candy Crush của King.
LTV của việc kết hợp hai phương pháp kiếm tiền này bao gồm hai phần:
- LTV từ mua trong ứng dụng/đăng ký: Doanh thu được tạo ra một cách tích cực bởi người dùng mua tiền trong trò chơi hoặc ứng dụng, các mặt hàng đặc biệt, dịch vụ bổ sung hoặc đăng ký trả phí.
- LTV từ quảng cáo trong ứng dụng: Doanh thu được tạo thụ động bởi người dùng xem và/hoặc tương tác với quảng cáo (biểu ngữ, video, quảng cáo xen kẽ, v.v.)
Thách thức về dữ liệu
Lý tưởng nhất là các nhà tiếp thị nên có khả năng hiểu giá trị danh nghĩa của từng lượt hiển thị; điều đó thực tế sẽ biến nó thành một lượt “mua hàng”. Sau khi thu thập đủ dữ liệu, chúng ta sẽ có thể tạo ra các mô hình dự đoán tương tự như những gì chúng tôi đã mô tả trong chương 2 về việc mua trong ứng dụng.
Nhưng trong thực tế, điều đó không đơn giản như vậy – thậm chí tính toán LTV từ quảng cáo trong ứng dụng một mình cũng khó khăn do khối lượng và cấu trúc dữ liệu doanh thu mà các nhà tiếp thị có thể thu thập được.
Dưới đây là một số vấn đề:
- Hiếm khi chỉ có một nguồn quảng cáo được hiển thị. Trên thực tế, có rất nhiều nguồn, với một thuật toán/công cụ đằng sau chúng (nền tảng trung gian quảng cáo) liên tục chuyển đổi nguồn và eCPM.
- Nếu một người dùng xem 10 quảng cáo, rất có thể chúng đến từ 5 nguồn khác nhau, mỗi nguồn có một eCPM hoàn toàn khác nhau.
- Một số mạng quảng cáo trả tiền cho các hành động (cài đặt, click) thay vì số lần hiển thị, làm phức tạp thêm mọi thứ.
- Khi làm việc với các nền tảng trung gian mà thường cung cấp doanh thu quảng cáo cấp người dùng, con số này vẫn là ước tính. Các mạng quảng cáo cơ bản thường không chia sẻ dữ liệu này, thường dẫn đến việc phân chia doanh thu được tạo ra cho người dùng đã xem số lần hiển thị)
- eCPM có thể dao động mạnh theo thời gian và không thể dự đoán những thay đổi này.
Mô hình dự đoán LTV quảng cáo trong ứng dụng
Nhiều công ty chúng tôi phỏng vấn đã không tích cực tham gia vào các dự đoán quảng cáo LTV. Trong số các nhà tiếp thị ứng dụng game quan tâm đến chủ đề này, không ai thực sự hiểu rõ ở mức họ sẽ hài lòng sử dụng nó. Thay vào đó, đó là một quá trình đang tiếp tục được phát triển.
Dưới đây là các khái niệm đã được thảo luận dưới dạng các điểm chuyển tiếp:
1. Mô hình giữ chân người dùng dựa trên ARPDAU
- Khái niệm: Sử dụng mô hình giữ chân ARPDAU, trong trường hợp này cũng bao gồm đóng góp bổ sung từ doanh thu quảng cáo trong ứng dụng.
- Ví dụ: Tỷ lệ giữ chân D1/D3/D7 là 50%/35%/25%. Sau khi đưa các điểm dữ liệu này vào một đường cong mũ và tính tích phân của nó cho đến D90, chúng ta biết rằng số ngày hoạt động trung bình là 5. Biết rằng ARPDAU là 50 xu, do đó, LTV D90 dự đoán sẽ là 2,50 đô la.
2. Phương pháp dựa trên tỷ lệ
- Khái niệm: Tích hợp ước tính doanh thu quảng cáo cấp người dùng vào hệ thống để sử dụng phương pháp tỷ lệ theo cùng cách (dựa trên hệ số từ D1, D3, D7, v.v.).
- Ví dụ: ARPU được tính từ cả mua hàng trong ứng dụng và doanh thu quảng cáo trong ứng dụng là 40 xu sau 3 ngày đầu tiên. Chúng ta biết rằng D90/D7 = 3. Do đó, dự đoán LTV D90 sẽ là 1.20 đô la.
3. Phương pháp nhân đơn giản
- Khái niệm: Tính tỷ lệ giữa giao dịch mua trong ứng dụng và doanh thu quảng cáo để sử dụng hệ số nhân cho tính toán tổng LTV. Với nhiều dữ liệu hơn, có thể tính toán nhiều hệ số cho các kích thước quốc gia/nền tảng, vì chúng thường có tác động lớn nhất đến tỷ lệ doanh thu quảng cáo so với doanh thu trong ứng dụng.
Liên kết đến dự đoán LTV dựa trên hành vi
Cần nhắc đến một yếu tố quan trọng khác có thể ảnh hưởng mạnh đến khả năng sinh lời tiềm năng của người dùng ứng dụng: tự tước đoạt doanh thu.
Người dùng chi tiền bằng cách mua hàng trong ứng dụng thường có LTV cao hơn đáng kể so với người dùng chỉ sử dụng quảng cáo. Việc quan trọng nhất là đảm bảo ý định của họ không bị gián đoạn bởi thông điệp về cung cấp các đồ vật miễn phí.
Tuy nhiên, việc khuyến khích người dùng xem quảng cáo cũng rất quan trọng, vì vậy họ thường được thưởng bằng tiền trong ứng dụng hoặc phần thưởng.
Nếu một ứng dụng chứa cả quảng cáo có thưởng và mua hàng trong ứng dụng, có thể, tại một thời điểm nhất định, người chơi sẽ không trở thành người chi tiêu IAP nếu nhận được một khoản thưởng đáng kể bằng tiền trong ứng dụng sau khi xem quảng cáo.
Đây chính là lúc dự đoán hành vi đóng vai trò — thông qua việc đo lường hành vi người dùng, một thuật toán học máy có thể xác định khả năng rằng những người dùng cụ thể sẽ trở thành “người tiêu tiền” và chỉ ra nơi cần điều chỉnh trải nghiệm trò chơi/ ứng dụng.
Quá trình hoạt động như sau:
- Tất cả người dùng nên bắt đầu với trải nghiệm không có quảng cáo trong khi dữ liệu tương tác bắt đầu được đo lường.
- Thuật toán liên tục tính toán xác suất người dùng trở thành người tiêu tiền.
- Nếu xác suất này vượt quá tỷ lệ phần trăm đã đặt, quảng cáo sẽ không còn được hiển thị khi có thêm dữ liệu được thu thập (“đang chờ mua hàng”).
- Nếu xác suất giảm xuống dưới một tỷ lệ đã định, rất có khả năng người dùng này sẽ không bao giờ thực hiện mua hàng. Trong trường hợp này, ứng dụng bắt đầu hiển thị quảng cáo.
- Dựa trên hành vi dài hạn của người chơi, thuật toán có thể tiếp tục đánh giá hành vi của họ trong khi điều chỉnh số lượng quảng cáo và kết hợp giữa các định dạng khác nhau.
Hầu hết các công ty sẽ hài lòng với việc sử dụng các mô hình và phương pháp đơn giản sẽ mang lại tỷ lệ lợi ích/chi phí tối ưu, đặc biệt là khi đối mặt với khó khăn trong việc triển khai và giá trị gia tăng từ thông tin chính xác hơn.
Có thể thấy sự tiến bộ nhanh chóng trong lĩnh vực này, với các giải pháp khác nhau đang xuất hiện để điền vào những khoảng lỗ và bổ sung cho tốc độ phát triển nhanh chóng của hệ sinh thái, cũng như sự quan trọng ngày càng tăng của quảng cáo trong ứng dụng như một nguồn thu chính cho các ứng dụng.
Phương pháp đóng góp
Mặc dù các phương pháp dự đoán hành vi được điều chỉnh tốt có thể mang lại kết quả chính xác nhất trong việc gán doanh thu quảng cáo, nhưng có một phương pháp đơn giản và khả thi hơn để xử lý vấn đề phân bổ doanh thu quảng cáo cho nguồn thu tiếp cận.
Phương pháp này dựa trên việc phân bổ đóng góp của một kênh doanh thu quảng cáo dựa trên dữ liệu hành vi người dùng đã tổng hợp.
Số dư đảm phí hoạt động bằng cách chuyển đổi đóng góp của một kênh vào hành vi người dùng tổng thể – thành lợi nhuận thu được từ doanh thu quảng cáo tổng thể được tạo ra bởi tất cả người dùng.
Lý thuyết cho rằng người dùng có được của kênh càng tạo ra nhiều hành động trong một ứng dụng, thì kênh đó càng có ảnh hưởng và xứng đáng nhận công nhận cho doanh thu quảng cáo từ những người dùng đó.
Để làm rõ, chúng ta sẽ phân tích cụ thể:
Bước 1
Bước đầu tiên liên quan đến việc chọn một điểm dữ liệu để xác định số dư đảm phí doanh thu quảng cáo của mỗi nguồn tiếp cận.
Để bắt đầu, bạn có thể sử dụng hồi quy đường xu hướng Excel để xác định KPI hành vi người dùng nào tương quan tốt nhất với những thay đổi trong doanh thu quảng cáo.
Lưu ý rằng, vì phương thức đóng góp liên quan đến việc phân bổ doanh thu dựa trên tỷ lệ tổng hoạt động, bạn sẽ muốn sử dụng điểm dữ liệu là số lượng người dùng hoạt động giống như số lượng người dùng hoạt động trong một ngày, chứ không phải tỷ lệ giữ người dùng.
Một số lựa chọn bao gồm:
- Tổng số người dùng đang hoạt động
- Tổng số phiên người dùng
- Tổng thời lượng phiên
- Dữ liệu có thể được liên kết với quảng cáo (ví dụ: số lần hiển thị quảng cáo)
- Tổng số hành vi chính (ví dụ: trò chơi đã chơi)
Bước 2
Sau khi bạn có một số điểm dữ liệu để quan sát, vẽ biểu đồ phân tán cho mỗi điểm dữ liệu so với tổng doanh thu quảng cáo hàng ngày để xem sự tương quan giữa sự thay đổi trong hành vi người dùng và tổng doanh thu quảng cáo mạnh nhất ở đâu.
Bước 3
Thêm điểm dữ liệu R-squared vào đồ thị của bạn để xác định điểm dữ liệu nào có sự tương quan mạnh nhất.
Có một nhược điểm của phương pháp hồi quy xu hướng Excel này: sự biến đổi ít trong hành vi người dùng và doanh thu quảng cáo, thì mô hình sẽ ít chính xác hơn trong việc quan sát sự mạnh mẽ của sự tương quan giữa các điểm dữ liệu.
Kết quả là, bạn sẽ ít tự tin hơn trong việc có thể chọn một điểm dữ liệu hơn một điểm dữ liệu khác.
Trong tập dữ liệu mô phỏng này, chúng ta thấy số lượng của từng điểm dữ liệu, mỗi ngày, cũng như tổng doanh thu quảng cáo được tạo ra mỗi ngày.
Dựa trên dữ liệu mô phỏng này, chúng ta có thể thấy rằng sự kiện có sức tương quan mạnh nhất dường như là số lượng người dùng hoạt động dựa trên chỉ số R-squared.
Điều này có nghĩa là điểm dữ liệu từ tập dữ liệu của chúng ta mà giải thích tốt nhất sự thay đổi trong doanh thu quảng cáo là số lượng người dùng hoạt động, và do đó chúng ta nên sử dụng số lượng người dùng hoạt động để phân bổ doanh thu quảng cáo theo kênh.
Bước 4
Sau khi bạn đã chọn một chỉ số KPI về hành vi người dùng, đã đến lúc chúng ta cần tính số dư đảm phí.
Sau đó, nhân số dư đảm phí hàng ngày của mỗi kênh với doanh thu quảng cáo tích lũy được tạo ra mỗi ngày.
Quá trình này yêu cầu dữ liệu hành vi người dùng phải được đo lường trên mỗi kênh và có thể truy cập mỗi ngày, để số dư đảm phí của tất cả các kênh có thể được tính toán với dữ liệu doanh thu của mỗi ngày mới.
Lưu ý: Mặc dù chúng tôi chỉ bao gồm bốn kênh quảng cáo ở đây cho mục đích minh họa, nhưng bạn cũng có thể muốn đưa dữ liệu kênh organic và dữ liệu kênh khác của mình vào đây để phân bổ đầy đủ doanh thu hàng ngày cho hành vi của người dùng hàng ngày.
Ở trên, chúng ta có thể thấy doanh thu quảng cáo được tính toán được tạo ra theo ngày, theo kênh, cho phép bạn ước tính lợi nhuận của từng kênh.
Lưu ý rằng bạn sẽ cần xem lại đánh giá của mình về các KPI hữu ích để phân bổ doanh thu quảng cáo khi xu hướng hành vi của người dùng và dữ liệu kiếm tiền từ doanh thu quảng cáo thay đổi hoặc khi các điểm dữ liệu mới có sẵn.
Ví dụ: trong tập dữ liệu trên, chúng ta có thể thấy nhóm điểm dữ liệu thứ hai vào cuối kỳ dữ liệu (bắt đầu khoảng ngày 10 tháng 1), nơi có doanh thu quảng cáo mỗi ngày cao hơn đáng kể so với đầu tháng.
Điều này được phản ánh trong việc nhóm dữ liệu về phía trên bên phải của mỗi biểu đồ phân tán, cách xa nhóm dưới cùng bên trái.
Tập dữ liệu càng phức tạp, đánh giá hồi quy Excel đơn giản này sẽ càng kém chính xác và nhu cầu áp dụng phân khúc và phân tích nghiêm ngặt hơn càng lớn.
Chương 5
Mô hình dự đoán trong thực tế tập trung vào quyền riêng tư
Hướng tới một thực tế quảng cáo mới
Phân tích dự đoán cho phép bạn tăng lượng khán giả tiềm năng của chiến dịch, thúc đẩy LTV người dùng cao hơn và đảm bảo lập ngân sách hiệu quả hơn – trong một thời đại mà trong một số trường hợp, chúng ta không còn quyền truy cập vào dữ liệu hiệu suất chi tiết.
Bằng cách tạo ra các nhóm đặc điểm hành vi khác nhau, khán giả của bạn có thể được phân loại không phải dựa trên danh tính thực tế của họ, mà dựa trên tương tác với phễu chuyển đổi của bạn ở giai đoạn sớm nhất. Sự tương tác này có thể chỉ ra tiềm năng tương lai của họ để thúc đẩy giá trị có ý nghĩa cho sản phẩm của bạn.
Kết hợp các yếu tố tương tác, giữ chân và kiếm tiền chính có thể tương quan với khả năng tương thích của người dùng với logic LTV của bất kỳ nhà phát triển nào và cung cấp chỉ báo pLTV (Giá trị trọn đời dự đoán) ngay từ đầu chiến dịch.
Học máy – chìa khóa thành công
Một ứng dụng di động có thể có hơn 200 chỉ số có sẵn để đo lường, nhưng một nhà tiếp thị thông thường có thể sẽ chỉ đo tối đa 25 chỉ số. Mặt khác, một máy có thể thu thập tất cả thông tin đó trong vài mili giây và áp dụng nó vào những insight tiếp thị và các chỉ báo chức năng ứng dụng.
Một thuật toán học máy sẽ có khả năng tính toán tất cả các chỉ báo này và tìm ra các tương quan phù hợp cho bạn. Các tính toán của nó sẽ dựa trên định nghĩa của bạn về thành công, logic LTV của bạn và áp dụng điều đó cho một lượng dữ liệu đáng kể để tìm mối tương quan giữa các tín hiệu tương tác sớm và thành công cuối cùng.
Điều này có nghĩa là các nhà quảng cáo không còn cần biết NGƯỜI dùng là ai, mà chỉ cần biết người dùng THUỘC loại hồ sơ pLTV và các đặc điểm nào. Hồ sơ này phải chính xác nhất có thể và được cung cấp trong những ngày đầu tiên của chiến dịch. Nó phải đại diện cho các yêu cầu LTV của nhà quảng cáo để nó được coi là hợp lệ và có thể thực hiện được.
Ví dụ, khi nói đến các ứng dụng eCommerce, việc áp dụng các chỉ số như giao dịch mua trước đó, tần suất mua hàng, thời gian trong ngày hoặc tiến trình phễu chuyển đổi cho phép thuật toán nhóm đối tượng chung thành các nhóm có độ chi tiết cao, loại trừ lẫn nhau.
Điều này cho phép bạn nhắm mục tiêu và đem lại thông điệp hiệu quả hơn, và cuối cùng là ROAS cao hơn.
Tận dụng các dự đoán LTV của nhóm
Phân tích dự đoán giúp rút ngắn thời gian học của chiến dịch bằng cách sử dụng các tích hợp hiện có để cung cấp dự đoán LTV chính xác cho chiến dịch.
Bằng cách tận dụng máy học và hiểu dữ liệu tổng hợp, phân tích dự đoán có thể cung cấp một chỉ dẫn tiềm năng chiến dịch dưới dạng điểm số, xếp hạng hoặc bất kỳ hình thức insight nào khả thi chỉ trong vòng vài ngày kể từ khi ra mắt, thông báo cho các nhà tiếp thị khả năng thành công của chiến dịch.
Ví dụ, máy tính của ứng dụng chơi game phát hiện ra rằng người dùng hoàn thành cấp độ 10 của trò chơi trong vòng 24 giờ đầu tiên có khả năng trở thành người dùng trả tiền cao hơn 50%.
Với thông tin này, nhà tiếp thị có thể cắt giảm thiệt hại của mình trong chiến dịch không mang lại người dùng chất lượng, tối ưu hóa khi cần thiết hoặc tăng cường khi các chỉ báo ban đầu cho thấy tiềm năng lợi nhuận, mang lại khả năng đưa ra quyết định nhanh về tạm dừng tăng cường tối ưu hóa nhanh chóng.
Thử thách SKAdNetwork
Việc giới thiệu tính năng thực tế tập trung vào quyền riêng tư của iOS 14 và SKAdNetwork của Apple đã tạo ra một loạt thách thức riêng, chủ yếu hạn chế việc đo lường dữ liệu cấp người dùng trong hệ sinh thái iOS cho người dùng đồng ý.
Đây được coi là bước đầu tiên hướng tới một môi trường quảng cáo tập trung vào quyền riêng tư của người dùng hơn, với nhiều công ty lớn nhất của ngành công nghiệp trực tuyến có khả năng theo dõi dưới hình thức này hay hình thức khác.
Những thay đổi này không chỉ giới hạn khối lượng dữ liệu có sẵn mà còn giới hạn khoảng thời gian mà các nhà tiếp thị có thể đưa ra quyết định sáng suốt về việc liệu một chiến dịch có khả năng thành công hay không.
Mặc dù thuật toán học máy có thể nhanh chóng dự đoán chiến dịch nào có khả năng mang lại khách hàng có giá trị nhất, nhưng những hạn chế khác bao gồm thiếu dữ liệu thời gian thực, không có dữ liệu ROI hoặc LTV vì nó chủ yếu đo lường lượt cài đặt và thiếu chi tiết vì chỉ có dữ liệu cấp chiến dịch có sẵn.
Vậy làm thế nào bạn có thể cung cấp quảng cáo có liên quan khi mà bạn không biết những hành động mà mỗi người dùng đang thực hiện?
Bạn có thể đoán được câu trả lời: Marketing dự đoán dựa trên máy học. Sử dụng các mối tương quan thống kê nâng cao dựa trên dữ liệu hành vi ứng dụng lịch sử để dự đoán các hành động trong tương lai, các nhà tiếp thị có thể chạy thử nghiệm bằng cách sử dụng các tham số không được cá nhân hóa, chẳng hạn như tín hiệu ngữ cảnh và đào tạo mô hình học máy liên tục.
Kết quả sau đó có thể được áp dụng cho các chiến dịch trong tương lai và được điều chỉnh thêm khi nhiều dữ liệu được thu thập hơn.
Chương 6
Các phương pháp hay nhất để xây dựng các mô hình dự đoán marketing di động
1. Cung cấp dữ liệu liên tục:
Khi xây dựng các mô hình dữ liệu được sử dụng để hướng dẫn các quyết định quan trọng, điều quan trọng không chỉ là xây dựng hệ thống tốt nhất có thể mà còn phải thực hiện thử nghiệm liên tục để đảm bảo hiệu quả của nó.
Vì cả hai mục đích này, hãy đảm bảo rằng bạn liên tục cung cấp dữ liệu cho mô hình dự đoán lợi nhuận của mình để giữ cho nó được đào tạo về dữ liệu phù hợp nhất.
Ngoài ra, luôn luôn kiểm tra xem các dự đoán của mô hình của bạn có thành hiện thực hay không dựa trên những quan sát mới, hoặc ít nhất là gần với nó.
Không tuân thủ các bước này có thể dẫn đến việc mô hình với khả năng dự đoán ban đầu hữu ích có thể đi sai hướng tùy thuộc vào mùa, đấu giá động vĩ mô, xu hướng kiếm tiền của ứng dụng hoặc nhiều lý do khác.
Bằng cách quan sát các chỉ báo hàng đầu hoặc điểm chuẩn ban đầu của bạn và tìm kiếm những thay đổi đáng kể trong các điểm dữ liệu, bạn có thể đánh giá khi nào dự đoán của bạn có thể sẽ gặp vấn đề.
Ví dụ: nếu mô hình của bạn được đào tạo trên dữ liệu trong đó tỷ lệ giữ chân trung bình ngày 1 dao động từ 40% -50%, nhưng trong khoảng thời gian một tuần, tỷ lệ giữ chân ngày 1 giảm xuống còn 30% -40%, điều này có thể cho thấy sự cần thiết phải đào tạo lại mô hình của bạn.
Điều đó có thể đặc biệt đúng khi các tín hiệu chất lượng từ những người dùng bạn có được gần đây nhất đã thay đổi, có thể dẫn đến những thay đổi về kiếm tiền và lợi nhuận, tất cả các yếu tố khác đều như nhau.
2. Chọn KPI phù hợp để dự đoán lợi nhuận
Có một số tùy chọn để lựa chọn, mỗi tùy chọn có một tập hợp các đánh đổi về khả năng tồn tại, độ chính xác và tốc độ để đưa ra các khuyến nghị.
Tiếp tục và kiểm tra các KPI khác nhau (ví dụ: ROAS hoặc LTV nhiều ngày hoặc ít hơn) và sử dụng một hoặc tất cả các yếu tố sau đây để so sánh sức mạnh dự đoán lợi nhuận của một số KPI:
- R-squared
- Tỷ lệ thành công và thất bại khi dự đoán thỏa đáng
- Sai số trung bình tỷ lệ phần trăm (MAPE)
Bạn có thể ngạc nhiên về mối tương quan kém của các thước đo tiêu chuẩn.
3. Phân khúc dữ liệu của bạn
Phân khúc người dùng thành các nhóm đồng nhất hơn không chỉ là một cách tuyệt vời để cải thiện tỷ lệ chuyển đổi mà còn là một phương pháp đã được chứng minh để giảm nhiễu và cải thiện khả năng dự đoán của mô hình của bạn.
Ví dụ: áp dụng cùng một mô hình cho cả chiến dịch dựa trên sở thích và chiến dịch tương tự dựa trên giá trị có thể dẫn đến kết quả kém hiệu quả hơn. Lý do cho điều này là xu hướng kiếm tiền và độ dài trọn đời của người dùng từ mỗi mục tiêu đối tượng duy nhất có thể khác nhau đáng kể.
Ngoài ra, bằng cách tạo ra các nhóm đặc điểm hành vi khác nhau, khán giả của bạn có thể được phân loại không chỉ theo danh tính thực tế mà còn theo tương tác của họ với chiến dịch của bạn trong giai đoạn sớm nhất. Sự tương tác này có thể chỉ ra tiềm năng tương lai của họ với sản phẩm của bạn.
Ví dụ, một nhà phát triển ứng dụng chơi game có thể dự đoán LTV tiềm năng mà họ có thể loại bỏ khỏi người dùng trong khung thời gian 30 ngày. Nói cách khác, thời gian cho đến khi hoàn thành hướng dẫn (tương tác), số lần quay trở lại ứng dụng (giữ chân), hoặc mức tiếp xúc với quảng cáo trong mỗi phiên (tiền tệ hóa).
4. Hãy nhớ tính đến yếu tố thời gian
Hầu hết các nhà tiếp thị đều nhận thức được ảnh hưởng của mùa vụ đối với việc phân tích các dự đoán, nhưng vòng đời của ứng dụng/chiến động/khán giả và sáng tạo của bạn cũng có thể ảnh hưởng đến khả năng mô hình của bạn để đưa ra dự đoán chính xác.
Xu hướng chi phí mua lại trong tuần đầu tiên của một ứng dụng mới ra mắt sẽ khác nhiều so với tháng thứ năm, năm thứ hai, v.v., giống như 1.000 đô la đầu tiên chi tiêu cho một lookalike chưa được khai thác trước đây sẽ khác với 10.000 và 50.000 đô la chi tiêu đầu tư vào cùng một lookalike (đặc biệt là không thay đổi sáng tạo được sử dụng).
Các điểm chính
Các điểm chính
- Khoa học về phân tích dự đoán đã tồn tại trong nhiều năm và được sử dụng bởi các công ty lớn nhất trên thế giới để hoàn thiện hoạt động của họ, dự đoán sự thay đổi cung và cầu, dự đoán các thay đổi toàn cầu và sử dụng dữ liệu lịch sử để tiên đoán và chuẩn bị cho các sự kiện tương lai.
- Khi chúng ta bước vào thực tế mới nhằm bảo vệ quyền riêng tư, chúng ta phải áp dụng một tiêu chuẩn đo lường mới – một tiêu chuẩn yêu cầu khoảng thời gian đo ngắn hơn và áp dụng các chỉ báo tiềm năng người dùng ẩn danh để đưa ra quyết định.
- Mô hình dự đoán chính là điều đó. Giới thiệu công nghệ tinh vi này vào bối cảnh marketing và ứng dụng của nó để phù hợp với sự phát triển của ngành – là điều tối quan trọng.
