Le contexte

Fondée en 2014, Clover favorise les connexions essentielles du futur en aidant les célibataires en quête d’amour et d’amitié à trouver leur bonheur. Bien que la génération Z et les milléniaux cherchent leur moitié à leur propre rythme et qu’ils attendent plus longtemps que les générations précédentes pour se marier, cette population n’en n’apprécie pas moins le rythme frénétique des rencontres en ligne. Avec plus de 9 millions d’utilisateurs dans le monde entier, Clover répond à ce besoin du marché. En tant que service par abonnement, la conversion des utilisateurs en clients payants et la mesure du ROI sont des éléments essentiels de la réussite de Clover. Pour cibler des utilisateurs de qualité appartenant à son cœur de cible, l’équipe mène des campagnes sur les principaux réseaux sociaux, et notamment Snapchat, Facebook et TikTok. Clover analyse les performances de ses campagnes sur ces principaux canaux sur une base hebdomadaire, voire quotidienne, afin de procéder à des optimisations agiles de l’acquisition d’utilisateurs, ce qui explique en grande partie pourquoi Clover est en mesure de conserver en interne l’ensemble de ses activités d’acquisition d’utilisateurs.

Défi

Comme tant d’autres annonceurs, Clover savait que la sortie d’iOS 14 d’Apple et l’introduction du cadre App Tracking Transparency (ATT) – un message demandant aux utilisateurs l’autorisation de suivre les données de leur appareil – allaient poser de nouveaux défis pour l’acquisition d’utilisateurs sur les appareils Apple. Ne pouvant pas exploiter l’identifiant des annonceurs (IDFA) – l’identifiant utilisé pour mesurer l’engagement des utilisateurs et le remarketing – l’équipe devait comprendre comment sa stratégie d’acquisition actuelle, qui reposait sur l’IDFA, devait évoluer afin de maintenir son taux de croissance élevé dans un écosystème de marketing mobile en pleine évolution.

L’objectif stratégique global de Clover consistait à convertir le plus rapidement possible les utilisateurs gratuits en abonnés payants. Mais des semaines ou des mois pouvaient s’écouler avant qu’un utilisateur gratuit ne se transforme en abonné. Bien que Clover ait optimisé les installations et non les événements post-installation, il était essentiel de comprendre comment ces événements en aval pouvaient influencer les revenus futurs liés aux abonnements. Si un utilisateur téléchargeait l’app et s’enregistrait ou s’inscrivait à un essai gratuit dans un certain délai, Clover pouvait raisonnablement espérer que l’utilisateur deviendrait un abonné. La possibilité d’identifier rapidement les tendances dans ces événements post-installation en a fait un baromètre précieux pour les performances d’abonnement, et a indiqué la qualité de l’installation ce qui a pu guider les allocations budgétaires stratégiques.

La mise en place des nouvelles modifications d’iOS 14 a aussi permis à SKAdNetwork d’intervenir. Les nouvelles limitations de l’IDFA ont obligé Clover à transférer certaines de ses publicités iOS vers SKAdNetwork, l’API de performance de campagne propriétaire d’Apple. SKAdNetwork est conçu pour fournir des données d’attribution tout en maximisant la confidentialité des utilisateurs. Par conséquent, l’une des caractéristiques de SKAdNetwork est le postback différé : les postfaces sont retardés d’au moins 24 heures après l’installation afin de s’assurer que l’utilisateur/appareil ne peut pas être identifié. Une fois que l’utilisateur a installé l’app, la minuterie de 24 heures de SKAdNetwork se met en marche.

L’annonceur peut définir un certain nombre d’événements qui prolongent efficacement ce délai (comme la remise à zéro à chaque ouverture de l’app), mais si ces événements ne se produisent pas dans la fenêtre de 24 heures, la valeur de conversion est verrouillée et le postback est envoyé. Cela signifie que si un utilisateur s’inscrit pour un essai gratuit au cours de cette période, mais qu’il décide, ultérieurement, de s’abonner, il sera toujours enregistré comme s’étant inscrit pour un essai gratuit. Ce décalage introduit par SKAdNetwork a rendu difficile la mesure des événements survenant plus de 24 heures après l’installation, et a sérieusement limité la capacité de Clover à entreprendre une analyse significative de la qualité de ses installations.

Solution

Clover s’est tournée vers la solution SKAdNetwork d’AppsFlyer, qui réunit le SDK, l’infrastructure et la plateforme d’AppsFlyer afin de conserver le maximum d’insights basés sur ses données tout en restant conforme aux nouvelles politiques de confidentialité d’Apple. L’infrastructure de SKAdNetwork fonctionnant sans IDFA, Clover a pu assurer la mesurabilité de ses campagnes indépendamment de la réponse aux invites ATT. Lorsque l’autorisation d’utiliser l’IDFA a été accordée, Clover a pu s’appuyer en outre sur l’attribution déterministe d’AppsFlyer pour ses mesures mobiles. Grâce au tableau de bord de SKAdNetwork, qui fournit un aperçu visuel complet des KPI de performance critiques, tels que le ROI, le CPI et le ROAS, Clover a pu prendre en toute confiance des décisions fondées sur les données. Clover a tout d’abord intégré la solution plug-and-play SKAdNetwork d’AppsFlyer à Snapchat lors d’un déploiement simple qui a nécessité un minimum de temps et de ressources. Cette première étape a ensuite permis de tester et d’optimiser la solution sur Snapchat avant de l’intégrer à Facebook et TikTok.

Impact

La mise en œuvre de SKAdNetwork par le biais d’AppsFlyer a permis à Clover de comprendre à quoi ressemblait en pratique une mesure axée sur la protection de la vie privée, ce qui lui a donné une longueur d’avance sur ses concurrents le jour de la sortie du produit. L’adaptation aux postbacks différés et le travail avec des données agrégées ont conduit à des changements clés au niveau du flux de travail et de la stratégie. Toutefois, Clover a été en mesure d’effectuer ces ajustements avec un temps d’adaptation suffisant.

En définitive, le passage à des données agrégées au niveau de l’utilisateur n’a pas eu de conséquences aussi importantes que prévu sur la capacité de Clover à atteindre ses objectifs. La plupart de ses objectifs clés ont pu être atteints de manière cohérente en utilisant la suite de solutions d’AppsFlyer. L’équipe est désormais tenue de faire preuve de plus de patience et de patienter quelques jours pour voir l’impact des ajustements sur les performances. Elle bénéficie toutefois de la garantie de savoir qu’elle est parfaitement préparée à réussir dans un monde post-IDFA à partir du moment où Apple a rendu l’ATT obligatoire.

“Bien que la perte de données au niveau de l’utilisateur soit l’un des plus grands changements auxquels les marketeurs mobiles ont été confrontés, la solution SKAdNetwork d’AppsFlyer a rendu indolore notre transition vers une réalité centrée sur la confidentialité.”

Natasha Upal – VP Croissance

The post Adopter SKAdNetwork pour s’adapter à un avenir fondé sur la confidentialité appeared first on AppsFlyer.

• Introduction
• Qu’est-ce que la publicité mobile ?
• Avantages et défis de la publicité mobile
• Types et formats d’annonces mobiles
• Mesure de la publicité mobile : des données que vous devez connaître
• Six étapes pour assurer une stratégie de publicité mobile à toute épreuve
• Quelle est la prochaine étape pour la publicité mobile ?
• Points clés à retenir

Introduction

La technologie mobile a parcouru un long chemin. Sur votre téléphone, vous pouvez gérer votre entreprise, tout en attrapant votre Pokémon préféré et en faisant défiler simultanément des millions de vidéos de chats hilarantes. 

C’est pourquoi les spécialistes du marketing mobile s’enthousiasment de l’une des plus grandes opportunités de ces derniers temps. En fait, les dépenses publicitaires mobiles ont dépassé 327,1 milliards de dollars dans le monde et devraient dépasser 339 milliards à fin 2023.

En raison de cette croissance sans précédent, le monde de la publicité mobile présente des défis nouveaux et complexes. 

Comment mesurez-vous efficacement l’impact de votre publicité sur plusieurs points de contact ? Comment résolvez-vous le besoin d’immédiateté ? Comment gérez-vous les changements en cours, en terme de confidentialité ?

Avec ce guide, nous aborderons ces questions difficiles et vous expliquerons les tenants et les aboutissants de la publicité mobile, dissiperons certaines des plus grandes fausses idées et vous fournirons les outils nécessaires pour réussir votre publicité mobile.

Chapitre 1

Qu’est-ce que la publicité mobile ?

Commençons par les fondamentaux de la publicité mobile. La publicité mobile est une méthode de marketing affichée sur les smartphones et les tablettes via des canaux payants. Qu’il s’agisse de bannières publicitaires dans des jeux mobiles ou de publicités par SMS, la publicité mobile est l’une des méthodes les plus efficaces pour faire de la publicité à l’ère numérique d’aujourd’hui.

Marketing mobile vs publicité mobile

Le marketing et la publicité sont souvent utilisés de manière interchangeable, mais à tort (d’ailleurs même en dehors du monde du mobile). 

La publicité mobile est une méthodologie payante utilisant des canaux tels que les annonces intégrées aux applications, les bannières publicitaires, les annonces textuelles et les annonces mobiles riches en médias. En revanche, le marketing mobile englobe la pratique générale du marketing sur les appareils mobiles, ce qui inclut la publicité mobile.

Traditionnellement, la publicité mobile comprend les bannières publicitaires, les annonces interstitielles, les vidéos publicitaires, les annonces récompensées, les annonces interactives et bien plus encore (que nous aborderons en détail au chapitre 3). 

En ce qui concerne les plateformes de publicité mobile les plus importantes, celles-ci incluent Google Ads, Meta ads, Apple Search, AdMob, Tube Mogul et Airpush. 

De manière générale, le marketing mobile peut prendre de nombreuses formes, y compris des méthodes non payantes telles que le marketing de contenu, les campagnes interactives en réalité augmentée (AR) et les coupons à l’inscription. 

La stratégie de marketing mobile de Starbucks est une combinaison de nombreuses tactiques efficaces, notamment l’engagement géolocalisé, les paiements numériques, un programme de fidélité robuste et un système de notification efficace. 

Ces tactiques permettent à Starbucks d’encaisser 1,6 milliard de dollars d’argent préchargé simplement à partir de leur programme de récompenses.

Un autre exemple, la marque de mode japonaise UNIQLO a permis aux utilisateurs mobiles de s’enregistrer dans n’importe lequel de leurs magasins pour recevoir un coupon exclusif en utilisant la segmentation géographique, les réseaux sociaux et l’engagement dans l’application.

Un autre exemple de marketing mobile est la promotion du film “The Mandalorian” par la société de production Lucasfilm. La promotion s’est faite via une application de réalité augmentée, permettant aux fans d’interagir avec les héros Mandaloriens tout en restant confortablement assis chez eux. 

L’écosystème de la publicité mobile : un bref aperçu

Dire qu’il y a de nombreux aspects en progression dans le monde de la publicité mobile serait un euphémisme. Voici un bref aperçu de son fonctionnement :

Définitions courantes

• Marques – c’est-à-dire les entreprises qui font la publicité de leurs produits ou services.
• Agences – la liaison entre les marques et les réseaux publicitaires (et parfois les échanges publicitaires).
• Éditeurs – les plateformes sur lesquelles les publicités sont diffusées auprès d’audiences pertinentes.
• Réseaux publicitaires mobiles – agréger l’inventaire publicitaire et les associer aux annonceurs appropriés. 
• Échanges d’annonces mobiles – automatiser l’achat et la vente d’annonces par programmation. 

Chapitre 2

Avantages et défis de la publicité mobile

Maintenant que vous connaissez les termes de base, parlons des opportunités et des défis dans le monde de la publicité mobile. Un challenge de plus à résoudre avec l’augmentation du nombre de changements liés à la confidentialité et la protection des données des utilisateurs. Voici à quoi s’attendre.

Les avantages de la publicité mobile

1 – Les annonceurs atteignent plus d’utilisateurs via les téléphones mobiles. Les recherches montrent que plus de la moitié de la population mondiale possède des téléphones portables, qui ont été largement adoptés dans les pays développés et en développement. En 2021, 72,7 % des Américains possèdent un smartphone.

2 – Publicité hyper-ciblée. La publicité mobile utilise des points de données rentables sur votre public cible, à condition que vos utilisateurs iOS14+ aient consenti à leur collecte de données personnelles. Cela inclut les données démographiques, le type d’appareil, la connexion mobile, le système d’exploitation, les préférences, les passe-temps, l’emplacement, les habitudes et le comportement d’achat.

3 – Au bon moment, au bon endroit. Étant donné que les utilisateurs de smartphones transportent leur téléphone avec eux à tout le temps, les annonceurs peuvent tirer parti de la géolocalisation et envoyer des offres dédiées aux utilisateurs consentants au moment le plus idéal de la journée. 

Par exemple, si vous êtes un utilisateur Android ou iOS14+ consentant, vous pouvez bénéficier d’une promotion Starbucks lorsque vous êtes à un pâté de maisons de la boutique. De la même manière, vous pourriez être encouragé à visiter une certaine station-service tout en utilisant une application de navigation GPS.

4 – Rentabilité. Malgré les récents défis liés à l’accès des données au niveau de l’utilisateur, la publicité mobile affiche toujours des taux de conversion plus élevés et une segmentation plus granulaire que les canaux traditionnels, ce qui s’avère beaucoup plus rentable pour les annonceurs à grande échelle. 

Les mauvais côtés de la pub sur mobile

Augmentation des mesures de confidentialité. Alors qu’Apple déploie le framework ATT et que Google se dirige vers une expérience de navigation sans cookies, de plus en plus de mesures de confidentialité sont mises en place. 

Les marketeurs et les éditeurs trouvent des solutions alternatives, notamment en utilisant SKAdNetwork, Data Clean Rooms, la modélisation prédictive et l’exploitation de l’analyse de cohorte. Nous étayerons davantage sur sujet plus tard.

La fraude. La fraude publicitaire mobile est un défi pour les marketeurs depuis le début de l’utilisation de la pub sur mobile. Que ce soient des bots, des installations frauduleuses, des fermes d’appareils ou des détournements d’installations, les acteurs malveillants seront là où l’argent se trouve. 

Et comme les dépenses publicitaires mobiles continuent d’augmenter massivement, il y aura un besoin croissant de mesures plus précises et de détection des fraudes. 

Chapitre 3

Types et formats d’annonces mobiles

Les publicités pour mobile peuvent prendre de nombreuses formes et tailles, en fonction de leur objectif, du contexte, de l’audience et de la catégorie. Voici les types et formats d’annonces mobiles les plus courants :

1 – Unité de bannière publicitaire. Annonces rectangulaires temporaires qui apparaissent en haut ou en bas de l’écran. Elles peuvent inclure du texte, médias riches en images ou des vidéos. Les bannières publicitaires sont les plus courantes et les plus faciles à mettre en place. 

2 – Publicités natives. Publicités qui reproduisent l’apparence de votre application ou de votre site Web tout en apparaissant “natives” pour l’utilisateur. Ces publicités sont particulièrement efficaces dans les contenus écrits qui sont longs. Elles peuvent être créées sous forme de publicités illustrées ou vidéo.

3 – Publicités récompensées. Publicités qui incitent les utilisateurs à s’engager en les récompensant avec des avantages dans le jeu après avoir joué, répondu à un sondage ou regardé des vidéos.

4 – Publicités vidéo. Publicités avec image et son, qui peuvent se présenter sous plusieurs formats, y compris les annonces bumper, InStream désactivable, InStream non désactivable, Outstream, vidéo InFeed et bannières Masthead.

5 – Publicités audio. Annonces audio uniquement utilisées dans les applications musicales et vocales, notamment Spotify et Amazon Echo.

6 – Publicités interactives. Ces publicités offrent à l’utilisateur de pouvoir jouer dans l’application. Elles donnent par exemple accès à une brève partie de jeu pour donner aux utilisateurs un avant-goût de l’expérience complète du jeu. Les publicités interactives créent beaucoup d’engagement et génèrent des CPMs les plus élevés pour les applications de jeu. 

7 – Publicités interstitielles. Publicités qui s’affichent entre les pauses et les transitions et occupent tout l’écran, généralement entre les différents niveaux des jeux.

8 – Textes publicitaires. Les textes publicitaires (ou publicités textuelles) sont utilisés sur des moteurs de recherche tels que Google et Bing.

Quels sont les types d’annonces les plus efficaces ?

Les publicités intégrées dans une application sont plus efficaces lorsqu’elles sont engageantes, interactives et ne détériorent pas l’expérience de l’utilisateur. 

Pour les applications de jeu qui impliquent des niveaux, par exemple, les publicités interstitielles sont extrêmement populaires, tandis que les applications de jeu hardcore utilisent des publicités récompensées pour inciter à l’engagement.

En ce qui concerne les bannières publicitaires, les tailles les plus efficaces selon Google sont 300×250, 336×280, 728×90, 300×600 et 320×100.

Chapitre 4

Mesure de la publicité mobile : des données que vous devez connaître

Les spécialistes du marketing adorent les acronymes et les spécialistes du marketing mobile ne font pas exception. Vous pensez peut-être que WTF est ARPU, CTI, PCR, CPI ? Soyez rassuré, nous avons ce qu’il vous faut.

Le marketing des applications mobiles est en fin de compte guidé par les données, et le moyen le plus efficace de mesurer les performances consiste à mettre en évidence les données qui sont des indicateurs clés de succès. 

Aucune mesure de donnée ne peut décrire pleinement l’impact de vos dépenses publicitaires, c’est pourquoi nous énumérerons toutes les mesures importantes pour vous permettre de mieux comprendre comment vous pouvez mesurer efficacement l’engagement, la rétention, la conversion, les performances, etc.

Notre recommandation est d’éviter de trop compliquer les choses en mesurant des KPI qui peuvent ne pas s’appliquer à votre entreprise. Bonne pratique : essayez quelques mesures afin de déterminer celles qui conviennent le mieux à votre application et à vos besoins, puis optimisez-les au fur et à mesure.

1 – Taux de fraude à l’installation d’application. La part des installations frauduleuses identifiées et bloquées au sein d’une cohorte d’installations d’applications. Celle-ci est calculée par les installations frauduleuses / le nombre total de NOIs (installations non organiques).

2 – Revenu moyen par utilisateur (ARPU). Cet indicateur inclut les achats intégrés, les impressions d’annonces, les clics sur les annonces, les abonnements et les téléchargements payants. L’ARPU est calculé en fonction du chiffre d’affaires au cours de la période / du nombre total d’utilisateurs.

3 – Revenu moyen par utilisateur payant (ARPPU). Cet indicateur permet l’estimation des revenus générés par un seul utilisateur pendant une période spécifique via des abonnements, des achats in-app ou des téléchargements. L’ARPPU est calculé par le revenu total / le nombre d’utilisateurs payants.

4 – Session moyenne par utilisateur. Cet indicateur est le temps moyen que les utilisateurs passent sur votre application par session, ce qui permet d’identifier les utilisateurs de haute qualité par rapport aux utilisateurs moins engagés. Cet indicateur est calculé par le nombre total de sessions / le nombre total d’utilisateurs. 

5 – Retour sur dépenses publicitaires (ROAS). Le ROAS mesure la rentabilité d’une campagne publicitaire. Le ROAS est calculé en fonction des revenus générés par l’utilisateur / des dépenses marketing totales.

6 – Click to Install (CTI). C’est la part d’utilisateurs ayant cliqué sur une annonce et installé votre application. Le CTI est calculé en nombre d’installations / nombre de clics
7 – Coût par installation (CPI). Mesure le coût qu’un annonceur paie à un éditeur pour l’installation d’une application. Le CPI est calculé en fonction des dépenses publicitaires / du nombre total d’installations dans les campagnes publicitaires.

8 – Coût par action (CPA). Le coût pour qu’un utilisateur effectue une action spécifique, y compris la création d’un compte, la réalisation d’un achat in-app ou la configuration de notifications. Le CPA est calculé en fonction du coût / du nombre total d’actions mesurées.

9 – Coût effectif pour mille (eCPM). Revenus générés pour 1 000 impressions, qui sont utilisés par les éditeurs pour optimiser les placements d’annonces, surveiller les campagnes de monétisation et mesurer les performances globales de monétisation des annonces. L’eCPM est calculé de cette façon (revenu publicitaire total / nombre total d’impressions) x 1 000.

10 – Lifetime value (LTV) Montant des revenus générés par utilisateur depuis l’installation de l’application jusqu’à une date désignée. La lifetime value (LTV) est calculée par le total des revenus générés depuis la date d’installation / le nombre total d’utilisateurs qui ont installé à cette date.

11 – Taux de conversion payant (PCR). Le volume de conversions provenant de la publicité payante, y compris le PPC, les publicités display, les publicités sur les réseaux sociaux et les avis sponsorisés. Le PCR est calculé en fonction du nombre total de conversions / du nombre total d’interactions publicitaires attribuées à la conversion.

12 – Paiement par clic (PPC). Combien cela coûte à l’annonceur à chaque fois qu’un utilisateur clique sur l’une de leurs annonces. Le PPC est calculé par le coût total de la publicité / le nombre de clics. 

13 – Taux de rétention (RR). C’est le nombre d’utilisateurs récurrents au cours d’une certaine période. Cela est calculé par le nombre total d’utilisateurs actifs pendant la période donnée depuis l’installation divisé par le nombre total d’utilisateurs qui ont lancé votre application pour la première fois pendant la même période.

14 – Taux d’achat répété (RPR). C’est le nombre d’utilisateurs ayant effectué plusieurs achats au cours de plusieurs sessions, ce qui indique une LTV plus élevée. Le RPR est calculé par le nombre total d’achats auprès des utilisateurs existants / le nombre total d’achats.

15 – Retour d’expérience (ROX). Mesure l’impact financier d’une campagne sur l’expérience client. ROX est calculé par les avantages (par exemple, les revenus) / le coût de l’expérience (logiciels, services, main-d’œuvre) x 100 %.

16 – Part des conversions de remarketing / Part de marketing moyenne. Pourcentage de conversions de remarketing par rapport à toutes les conversions marketing. Le remarketing est essentiel pour améliorer la fidélisation et la LTV des utilisateurs, et s’avère beaucoup moins cher que l’acquisition de nouveaux utilisateurs. Cet indicateur est calculé par le nombre total de conversions de remarketing / le nombre total de conversions marketing.

Chapitre 5

Six étapes pour assurer une stratégie de publicité mobile à toute épreuve

Parlons des meilleurs moyens de vous préparer au succès lors de l’élaboration d’une stratégie de publicité mobile.

1 – Établissez vos objectifs en avance

La première étape consiste à mesurer clairement votre réussite. Définissez des objectifs clairs, simples et mesurables pour mieux comprendre quelles campagnes vous lancez et pourquoi. 

Certains objectifs peuvent inclure :

• Augmenter la notoriété de la marque pour X groupe démographique
• Augmentez les achats intégrés de X %
• Augmenter le taux d’achat répété de X %
• Réduire le taux de désabonnement de X %
• Améliorer la rétention by X%

2 – Définissez clairement votre audience

Tous les commerçants ne devraient pas payer des milliards de dollars juste pour être sur un panneau d’affichage sur Times Square. La publicité mobile excelle à atteindre votre marché cible avec les plus hauts niveaux de personnalisation. 

Revenez à vos buyer personas et identifiez quel groupe d’utilisateurs potentiels est le plus rentable. Grâce à cela, vous pouvez trouver plus précisément un réseau publicitaire pertinent, personnaliser vos créations de manière appropriée et comprendre quels types d’annonces vous pouvez utiliser.

3 – Maîtrisez vos messages ATT (App Tracking Transparency)

Plus de 75 % des applications utilisent désormais le message ATT, mais la question est de savoir combien d’entre elles le font de la bonne manière. 

Nous avons constaté que le nombre le plus élevé de taux d’adhésion se produit lorsque les messages ATT sont affichées lors du premier lancement, mais la maîtrise de le message ATT est propre à votre marque et à votre catégorie d’applications. 

Les spécialistes du marketing d’applications peuvent apprendre à optimiser les pré-invites à partir de marques telles que Nike et Hello Fresh pour augmenter les taux d’activation.

4 – Concentrez-vous sur les performances in-app

Les mauvaises performances des applications peuvent être extrêmement coûteuses. 70 % des utilisateurs d’applications mobiles abandonneront une application qui prend trop de temps à charger, et un délai d’une seconde peut entraîner une baisse de 7 % des conversions. 

En plus de désinstaller votre application, les utilisateurs frustrés rechercheront activement un concurrent.

Réduisez ce risque en améliorant le temps de réponse et le rendu de l’écran, en prévenant les plantages et en optimisant la consommation d’énergie. 

Vous pouvez lire notre guide des performances des applications ici pour plus de conseils sur la façon d’assurer des performances optimales dans votre l’application.

5 – Ayez une bonne maîtrise de vos chiffres

La publicité est un investissement à long terme. La clé du succès est de comprendre vos coûts, vos revenus et, en fin de compte, vos rendements. Oui, mesurer le ROAS dans un monde fragmenté et centré sur la confidentialité est un défi. 

Mais, il existe de nombreuses approches pour mieux mesurer vos campagnes. Que ce soit manuellement, par programmation, via un logiciel d’agrégation ou un MMP, explorez une solution de mesure qui convient le mieux à votre taille et à votre budget. 

6 – Respectez les mesures de confidentialité

Les réglementations sur la protection de la vie privée des consommateurs ont subi des changements monumentaux ces dernières années. Il est essentiel de rester au courant des directives et de vous assurer que votre application les respecte pour éviter toute sanction sévère susceptible de compromettre vos campagnes payantes.

Pour en savoir plus sur la mesure et l’attribution mobile à l’ère de la confidentialité des utilisateurs, commencez ici.

Chapter 6

Quelle est la prochaine étape pour la publicité mobile ?

Nous sommes entrés dans le taux de croissance technologique le plus rapide – jamais enregistré – et les chiffres sont stupéfiants. Avec 63 % de la population mondiale utilisant Internet et plus de 5,32 milliards d’utilisateurs uniques sur téléphones mobiles, nous entrons dans une ère sans précédent de croissance mobile. 

Voici ce que cela signifie pour l’avenir de la publicité mobile.

Changer les attitudes envers la vie privée

Nous ne pouvons pas parler de l’avenir sans aborder la confidentialité des utilisateurs. Apple mène la danse sur la confidentialité depuis des années, ce qui a commencé avec l’introduction de la fonctionnalité Intelligent Tracking Prevention (ITP) sur Safari. 

Désormais, avec le cadre App Tracking Transparency (ATT) d’Apple déployé avec des campagnes publicitaires à part entière, les utilisateurs mobiles ont commencé à comprendre les implications plus profondes de la confidentialité de leurs données. 

Cela nécessite un changement d’état d’esprit indispensable depuis l’époque où les données au niveau de l’utilisateur étaient complètement à saisir vers une nouvelle réalité – où plusieurs méthodologies doivent être mises en place pour que les annonceurs puissent maintenir la granularité des données et tirer des informations exploitables de celles-ci.

Sur le sujet des complexités de la mesure du ROAS à l’ère de la confidentialité, voici trois approches pratiques à considérer. 

Ruée vers l’or pour les données au niveau de l’utilisateur

Le cadre ATT d’Apple a posé un nouveau défi aux annonceurs, aux éditeurs et aux développeurs d’applications, rendant plus difficile l’engagement d’audiences spécifiques et l’optimisation de leurs campagnes. 

Étant donné que les utilisateurs d’une application doivent désormais donner leur accord pour que leurs données soient suivies, on peut comprendre qu’il manque, dès le départ, un grand ensemble de données.

Les experts anticipent un engouement massif pour la collecte de données “first-party” à travers des canaux propriétaires. Une tendance qui devrait prendre de l’ampleur. 

Qu’il s’agisse de captures de prospects à partir d’inscriptions ou de conversion d’abonnés à la newsletter, un pool croissant de données “first-party” est une mine d’or pour des opportunités publicitaires personnalisées.

Plus de fusions, plus d’acquisitions

La ruée vers les données “first-party” a entraîné davantage de fusions et d’acquisitions. Microsoft a acquis Activision Blizzard pour 68,7 milliards de dollars, Take-Two interactive a acquis Zynga pour 12,7 milliards de dollars, et ce ne sont là que quelques-unes des méga-opérations de fusion et acquisition qui ont balayé l’écosystème au cours des dernières années. 

Alors que ces chiffres astronomiques battent des records, attendez-vous à ce que cette tendance persiste. L’acquisition de contenu de marque et d’adresses IP précieuses est au cœur de ces accords, car les consolidations s’accompagnent d’une multitude de données “first-party” récentes et de la possibilité de mener des campagnes multi-plateformes.

Data Clean Rooms et MMP pour relever les défis de la confidentialité

Les défis croissants pour la mesure des données apportent avec eux de plus en plus de solutions. Les salles blanches de données (DCRs) fournissent un accès soigneusement supervisé mais très précieux aux données au niveau de l’utilisateur sous une forme agrégée, tout en respectant intégralement les réglementations en matière de confidentialité. 

Essentiellement, les DCRs agissent comme une couche intermédiaire entre les annonceurs, les éditeurs et les partenaires – qui partagent les données de comportement des utilisateurs de manière anonyme sans compromettre les PII (informations personnellement identifiables). 

Il ne fait aucun doute que le besoin de mesures et d’attributions précises continuera de monter en flèche alors que nous transitions dans un paysage mobile centré sur la confidentialité.

Les MMPs de confiance peuvent vous aider à mesurer et à attribuer des données critiques à partir de plusieurs sources, systèmes d’exploitation, canaux et supports – pour vous aider à mesurer, optimiser et faire évoluer votre entreprise en toute confiance.

Points clés à retenir

• La publicité mobile est un levier marketing via des canaux publicitaires payants tels que la publicité intégrée dans l’application, les bannières publicitaires, les annonces textuelles et les annonces vidéo enrichies. Le marketing mobile englobe évidemment le marketing sur les appareils mobiles, y compris la publicité mobile.
• Les plus grands atouts de la publicité mobile sont sa capacité à engager des publics spécifiques de manière adaptée et personnalisée, à offrir des capacités d’UA très efficaces et à permettre une acquisition et une fidélisation rentables.
• L’inconvénient de la publicité mobile est l’augmentation des mesures de confidentialité, ce qui rend l’attribution des mesures plus difficile. La fraude mobile est également répandue, c’est pourquoi les annonceurs doivent être proactifs pour protéger leurs dépenses publicitaires.
• Le moyen le plus efficace de mesurer les performances de la publicité mobile consiste à comprendre quelles mesures définissent le succès de votre application unique. Assurez-vous que vos données sont exactes afin de pouvoir tester efficacement vos campagnes et les piloter en conséquence.

The post Publicité mobile – tout ce que vous devez savoir (et oublier) en 2023 et au-delà appeared first on AppsFlyer.

La récente interprétation d’ Apple pour sa mise en conformité avec le Digital Markets Act (DMA) a suscité un vif débat dans le secteur, de nombreuses entreprises et développeurs estimant qu’elle n’est pas à la hauteur des attentes, et incitent les législateurs de la rejeter.  

Cependant, une analyse que nous avons effectuée montre que la viabilité des nouvelles formules dépendent de multiples facteurs et que, dans certains cas, l’option est réalisable. 

Quel que soit le résultat final, le fait qu’Apple ouvre son walled garden aux stores d’applications alternatifs dans l’UE aura un impact considérable sur l’expérience utilisateurs, pour les développeurs, et sur l’ensemble du marché des applications. 

Mais pour l’instant, nous allons nous concentrer sur la proposition actuelle d’Apple. Et pour commencer…

Pourquoi tout ce remue-ménage ?

Avant de se plonger dans les données, un bref rappel des news.

L’annonce d’Apple comprend une série de mises à jour de la plupart de ses principales fonctionnalités dans l’UE, qui incluent iOS, App Store, les services de paiement, Safari, Webkit, etc.

Toutefois, celle qui pourrait avoir les conséquences les plus significatives est celle qui permet de télécharger des applications iOS à partir d’autres stores d’applications – et que Apple nome “marketplaces” – tout en payant des frais basés sur de nouvelles conditions commerciales. 

Voici une déclinaisons des formules d’aujourd’hui et de demain.

Dans le cadre des nouveaux modèles, les développeurs peuvent choisir de s’en tenir au modèle actuel, de passer à d’autres marketplace, ou de combiner les deux. En outre, ils peuvent faire ce choix au sein de l’App Store lui-même.

Facteurs en jeu

La question à un million de dollars est bien sûr de savoir quel(s) modèle(s) sont les meilleurs plans d’action.

Il est clair que les frais d’achat in-app jouent un rôle extrêmement important, mais ceci est assez simple (Apple a fourni cette calculateur pour simuler les chiffres). En outre, d’autres facteurs importants doivent être pris en considération :

1. Portée : La structure tarifaire actuelle de l’App Store n’exige le paiement que pour les achats in-app qui passent par le store, c’est-à-dire les biens et services numériques tels que 50 pièces dans un jeu, ou un abonnement à un service. 
   À première vue, pourquoi les applications qui ne traitent pas les paiements par l’intermédiaire du store, en eCommerce par exemple, les voyages, les transports, la livraison de nourriture, les services sociaux, devraient-elles envisager un changement alors qu’elles ne paient actuellement rien à Apple ?
   La réponse est bien sûr la discoverability. Les nouvelles marketplaces ouvrent de nouvelles perspectives de croissance. Pensez au potentiel d’une place de marché Meta ou d’un store Microsoft. Quelle entreprise ne souhaiterait pas participer à cette danse, dont la portée est considérable ?
   
2. Effort de développement : Mais avant de se joindre aux festivités, il est important de se rappeler que chaque nouvelle place de marché et chaque méthode de paiement s’accompagnent d’un coût de développement élevé.

3. Business model : Les applications qui se rémunèrent grâce aux publicités (par exemple, les jeux hypercasuals ou les réseaux sociaux) ne paient actuellement aucune redevance à l’App Store. Alors pourquoi envisager un changement ? Pour les grands jeux hypercasuals, par exemple, des frais de 0,5 euro n’est probablement pas viable en raison des faibles marges du jeu. Mais pour les social apps, la portée peut jouer un rôle si elles parviennent à faire fonctionner l’économie de l’unité. 

4. Taille d’application : Il va sans dire que les frais de technologie de base peuvent peser lourdement sur les grandes applications, avec un demi euro par installation au-delà de 1 million… 

5. Autres frais : Qu’il s’agisse d’impôts locaux à ajouter (connus) ou de frais sur les nouvelles places de marché qui revendiquent une part du gâteau (frais inconnus), le paiement ne commence pas et ne se termine pas avec Apple.  

6. Mesure : À quoi ressembleront les mesures dans les nouvelles places de marché ? Apple a explicitement déclaré que l ‘ATT s’applique, mais qu’en est-il de SKAN? 

7. L’avenir : Les petites applications bénéficient du nouveau modèle mais, comme toute entreprise, elles cherchent à se développer et le feront probablement si elles sont soutenues par un VC. Par conséquent, cela pourrait ne pas être une bonne option à l’avenir, et l’on ne sait pas encore s’il sera facile ou difficile de passer d’un modèle à l’autre et d’un store à l’autre.

La réponse rapide à la question sur toutes les lèvres est donc : cela dépend du cas étudié. 

Quelles sont les applications les plus touchées par les frais sur les technologies de base ?

Pour examiner l’impact potentiel des seuls frais technologique de base, nous avons analysé nos données (plus de 2 milliards d’installations d’applications iOS dans l’UE en 2023 à partir de dizaines de milliers d’applications), et constaté que parmi les applications ayant un nombre minimum d’installations (nous avons utilisé un seuil de 10 000 par an), un total de 4,2 % répond aux critères qui exigeraient le paiement d’une redevance technologique de base si le nouveau modèle était choisi – un pourcentage assez important.

Toutefois, il n’est pas surprenant de constater que la vue verticale fait apparaître des différences significatives.

Les verticales telles que eCommerce, l’alimentation et les boissons, et les voyages ont une part plus importante de grandes applications et ne paient pas, à l’heure actuelle, de frais à l’App Store, car leurs transactions sont traitées en dehors du store: ces apps ne vendent pas de biens ou de services numériques. Quels sont les cas propices au changement ? 

Le petit nouveau qui a connu une croissance massive l’année dernière est Gen AI, avec la plus grande part d’applications d’ampleur, et donc, des frais de technologie de base potentiellement élevés. D’autre part, la plupart de ses applications utilisent généralement un modèle d’abonnement, ce qui signifie qu’elles paient des frais de 30 % (15 % après la première année) dans le modèle actuel. Pour eux, la décision n’est donc pas évidente.

Mais ne vous inquiétez pas…nous ne vous laisserons pas en suspens avec ces questions sans réponse.

Quelle voie dois-je emprunter ? Essayez notre modèle

Le diable se cache dans les détails. 

Pour nous aider dans cette tâche, nous avons créé sur Desmos un modèle qui vous permet de choisir votre stratégie et de déterminer à quel moment la nouvelle méthode devient plus avantageuse.

Dans ces graphiques, nous avons examiné trois facteurs : 

x = Revenus

y = Nouveau modèle de paiement moins modèle de paiement actuel

z = Installations

L’axe des y représentant la différence entre les modèles de paiement, tout point où y<0 correspond à un moment où le nouveau modèle est préféré, du moins d’un point de vue purement mathématique. Mais n’oubliez pas : il y a beaucoup d’autres facteurs à prendre en considération, comme ceux qui ont énumérés ci-dessus.

Pour les petites entreprises (sur la base du Small Business Program d’Apple pour applications dont le revenu annuel est inférieur à 1 million de dollars), utilisez ce modèle et suivez les instructions de la colonne de gauche.

Pour de plus grandes activités, utilisez ce modèle et suivez les instructions de la colonne de gauche.

Voyons quelques exemples pour illustrer le fonctionnement de cet outil :

Activités d’ampleur

1) Biens et services numériques, 10 000 000 d’installations annuelles

Il est conseillé de passer à la nouvelle formule si votre chiffre d’affaires dépasse 50 millions d’euros. 

2) Biens et services NON numériques, 10 000 000 d’installations annuelles

Il est conseillé de poursuivre le modèle actuel.

Petites entreprises

Biens & services numériques ou biens et services NON numériques (les mêmes conditions s’appliquent), 800 000 installations annuelles

Il est recommandé de passer au nouveau modèle.

Conclusions

L’ouverture du walled garden d’Apple est sans aucun doute une nouvelle passionnante. Mais pour ce qui est de la viabilité des business et de la concrétisation de ce changement, c’est une autre histoire. 

Bien que de nombreux développeurs soient déçus par les changements apportés par Apple en UE, notre analyse a montré qu’il existe des scénarios dans lesquels cela a du sens, en particulier pour les applications actuellement inscrites à l’App Store Small Business Program qui ont moins d’un million d’installations annuelles, ainsi que pour les applications plus importantes dans des cas spécifiques, comme nous l’avons vu ci-dessus.

La balle est maintenant dans le camp de la Commission européenne, qui doit déterminer comment elle interprétera la propre interprétation d’Apple de la nouvelle réglementation. 

Il ne s’agit vraisemblablement pas du dernier mot et nous vous tiendrons au courant au fur et à mesure de l’évolution de la situation.  

The post Les modifications d’Apple après le DMA de l’UE : impact et possibilités appeared first on AppsFlyer.

Ces trois dernières années, les spécialistes marketing d’applications mobiles ont vécu les montagnes russes : covid, post-covid, restrictions de données liées à la confidentialité d’iOS 14.5, essor de l’IA, et ralentissement économique mondial dont les effets se sont fait sentir en 2022 et 2023. 

Par conséquent, la capacité à générer une croissance régulière dans ce contexte a été – et continuera d’être – un défi majeur à l’approche de 2024. Des changements plus importants encore sont à prévoir. Voici ce que les données* nous disent d’une année 2023 tumultueuse, et ce à quoi nous attendre compte tenu de ces tendances en 2024.  

1) Les dépenses publicitaires liées à l’installation d’applications ont diminué de 6 % en 2023 pour s’établir à 82 milliards de dollars. 

2) Les installations non organiques d’iOS rebondissent avec une augmentation de 9 % en YoY

3) Les chiffres d’affaires des achats in-app dans les secteurs gaming – et non gaming – sont en hausse de 11 % et 19 %

4) Les conversions remarketing sur Android sont en baisse de 9 % par rapport à l’année précédente

5) Le nombre total de téléchargements d’applications n’a augmenté que de 2 % en 2023, après une hausse de 10 % en 2022

Les dépenses publicitaires liées à l’installation d’applications ont diminué de 6 % en 2023 pour s’établir à 82 milliards de dollars 

Le ralentissement économique a eu un impact significatif sur les budgets d’acquisition d’utilisateurs sur applications mobiles en 2023, qui ont diminué de 6 % d’une année sur l’autre pour atteindre 82 milliards de dollars dans le monde (voir méthodologie à la fin de l’article.

La baisse a été largement due à une baisse de 10 % pour Android, tandis qu’iOS a en fait augmenté de 2 %. Cette disparité a été encore plus flagrante au cours des trois derniers mois (septembre-novembre) de chaque année, où nous avons vu les budgets iOS augmenter de 7 %, tandis que les budgets Android chutaient de 8 %.

Du point de vue des verticales, une baisse de 10 % en YoYa été enregistrée dans les budgets UA des applications autres que les jeux, en raison de coupes dans les trois principales catégories : shopping, finance et divertissement. Dans le même temps, les applications de voyage et lifestyle ont vu leurs dépenses augmenter de manière significative.

Les dépenses d’UA par les applications de jeux en 2023, en revanche, sont restées à peu près au même niveau que l’année dernière, mais une fois de plus, la plateforme et le temps racontent des histoires très différentes. Les budgets Android sont restés relativement similaires, tandis qu’iOS a augmenté de 3 %, mais la tendance s’est inversée en 2023. Alors qu’en 2022, les dépenses ont augmenté de mai à novembre, en 2023, c’est l’inverse qui s’est produit. En particulier au cours des trois derniers mois où nous avons constaté une perte significative de 13 % sur toutes les plateformes : Baisse de 17 % sur Android et de 8 % sur iOS. 

Les studios de gaming ont commencé l’année avec de lourdes dépenses, et au fur et à mesure que l’année avançait, il y a eu une baisse substantielle des dépenses alors que les réserves de trésorerie commençaient à se tarir. Entre juillet et novembre 2023, les dépenses des applications de jeux ont chuté de 10 % par rapport à février à juin ; alors qu’en 2022, il était supérieur de 9 %.

Dans le domaine des jeux, les casual games (y compris puzzle, party, action, match, simulation, tabletop et les jeux pour enfants) ont récolté une grande partie du lot car ils ont généré plus de revenus (voir la tendance #4 ci-dessous), grignotant les budgets des autres genres. Les jeux hypercasual ont été les plus touchés – baisse de 30 % – et une augmentation de 13 % des dépenses publicitaires liées à l’installation d’applications.

Les jeux hypercasual ont subi des pertes, car la baisse de leur LTV et de leur ARPPU a été supérieure à la baisse du coût par installation. Avec leurs marges minces, ce modèle n’était plus viable pour de nombreux jeux de ce type. Cela a précipité le passage à un modèle au style plus hybride et casual, avec une volonté de générer des revenus provenant des achats in-app pour compenser les pertes de revenus publicitaires.  

Ce que nous réserve 2024

A la lumière des changements importants qui continuent de façonner l’écosystème, il y a encore beaucoup d’incertitude à l’approche de 2024 sur plusieurs fronts : d’un point de vue 1) macroéconomique – reprise économique potentielle, 2) l’industrie du marketing digital qui continue de s’adapter aux nouveautés liées à la confidentialité depuis iOS 14.5, et avant la sortie de Privacy Sandbox d’Android et l’obsolescence prévue des cookies de Chrome, et 3) l’IA, qui est bien sûr un changement positif et disruptif, mais qui a le potentiel de changer radicalement la façon dont les entreprises fonctionnent. Ces facteurs, en particulier l’état de l’économie, joueront un rôle clé dans l’allocation budgétaire en 2024.

La bonne nouvelle, c’est que de nombreux paramètres économiques tels que la croissance du PIB, l’inflation et la performance du marché sont dans une bien meilleure position qu’ils ne l’étaient en 2022, ce qui nous permet d’être prudemment optimiste et envisager une augmentation des budgets de dépenses publicitaires liés à l’installation d’applications, en 2024.

Les installations non organiques d’iOS rebondissent avec une augmentation de 9 % en YoY 

Après une baisse de 15 % du nombre d’installations non organiques (NOI) d’iOS en 2022 par rapport à 2021 – lorsque les ondes de choc d’iOS 14.5 se faisaient encore sentir – 2023 a vu un rebond impressionnant : + 9 % d’une année sur l’autre, soit trois fois plus que l’augmentation de 3 % enregistrée sur Android. 

Il y a deux raisons principales à ce revirement : une réduction de 10 % du coût des médias sur iOS (comme le montrent les chiffres du coût par installation), ce qui contraste fortement avec la hausse de 15 % en 2022 ayant limité le volume d’installations que les spécialistes du marketing pouvaient acheter. Les marketeurs, les réseaux publicitaires et les MMP ont également amélioré leur capacité d’adaptation et leur savoir-faire face aux changements massifs apportés par ATT et SKAdNetwork et à la perte de data signals à des fins d’optimisation. Dans l’ensemble, l’efficacité s’est considérablement améliorée. 

La hausse d’iOS est tirée par les applications autres que les jeux, qui ont grimpé de 19 % en YoY (contre une baisse de 4 % sur Android), tandis que les NOI des applications de jeu sont restés relativement stables (contre une hausse de 8 % sur Android). Cela dit, le fait que les NOI de jeux sur iOS n’aient pas augmenté constitue tout de même une amélioration majeure par rapport à la baisse de 9 % en 2022.

Ce que nous réserve 2024

Le ralentissement économique aura un impact considérable sur la capacité des spécialistes marketing d’applications mobiles à se développer en 2024. Comme mentionné ci-dessus, il est possible d’être raisonnablement optimiste. 

De manière générale, des changements importants dans l’écosystème rendent les prévisions encore plus difficiles. Avec iOS, il est probable que nous assisterons à une croissance continue, en particulier avec les améliorations majeures de SKAN 4. Cependant, à l’heure actuelle (fin novembre), son adoption n’a atteint que 21% (part des postbacks), mais nous nous attendons à ce qu’elle atteigne un seuil critique au premier trimestre, une fois que les principaux médias auront terminé leur mise en œuvre. 

Bien que SKAN 4.0 représente un pas en avant positif, il est toujours confronté à de nombreux problèmes, en particulier lorsqu’il s’agit de données incomplètes ou indisponibles de SKAN. L’utilisation d’une source unique de vérité (SSOT) pour dédupliquer plusieurs sources de données iOS permettra d’augmenter les chiffres du NOI et d’allouer le budget de manière plus efficace, avec davantage d’installations attribuées au marketing, des coûts effectifs plus faibles et des informations en temps quasi réel (au lieu d’attendre des jours entiers pour obtenir des informations).

Sur le front Android, 2024 est l’année de la Privacy Sandbox. Une refonte complète de la mesure sur Android aura un impact profond sur les NOI. Par conséquent, les spécialistes marketing doivent se renseigner sur Sandbox et préparer leurs systèmes. Comme nous l’avons vu avec le déploiement d’iOS 14.5, des changements aussi massifs peuvent prendre au moins un an pour se préparer, comprendre et, en fin de compte, générer des résultats commerciaux positifs. Il est donc absolument essentiel de prendre une longueur d’avance maintenant et début de 2024. Nous avons décrit ici la marche à suivre pour réussir lePrivacy Sandbox. 
La plupart des spécialistes marketing semblent optimistes à propos de Sandbox, du moins selon une récente enquête que nous avons menée auprès de 150 d’entre eux :

Le chiffre d’affaires des achats in-app dans les secteurs non-gaming et gaming a augmenté de 19 % et 11 %, respectivement 

Les achats in-app de jeux ont rebondi après un effondrement en 2022, augmentant de 11 % en 2023, grâce aux gains des casinos et des jeux occasionnels, qui ont tous deux vu leurs chiffres iOS augmenter de manière significative. Contrairement à tous les autres genres, les jeux Midcore ont connu de légères baisses, ce qui peut indiquer que le ralentissement économique limite les consommateurs lorsqu’il s’agit d’IAP plus élevés pour ces jeux.

Les revenus publicitaires ou les revenus de la publicité in-app (IAA) de jeux ont augmenté de 4 % en YoY, grâce à des gains significatifs dans les casual games(y compris les puzzle, party, action, match, simulation, tabletop et jeux pour enfants), principalement au détriment des jeux hypercasual dont la seule source de revenus a pris un coup en 2023 (chute de 21 % pour Android et baisse de 10 % pour iOS). 

Bien que les résultats dans les applications de casino soient significatifs, ce genre ne représente que 3 % du total des revenus publicitaires, contre pas moins de 63 % pour les casuals et 28 % pour les hypercasuals. La part de Midcore dans l’IAA est également faible, à seulement 4 %.

Parmi les applications non liées aux jeux, nous pouvons constater que les dépenses des consommateurs IAP, qui comprennent les revenus d’abonnement, ont bondi de 19 % en YoY, grâce à des gains importants dans les applications de voyage, de restauration et de boissons, d’utility & productivity, et de lifestyle. Ce qui a compensé les pertes des deux plus grandes catégories hors jeux : le shopping et la finance, qui étaient également en tête des catégories ayant réduit leurs dépenses publicitaires cette année. Les revenus de l’IAP comprennent les revenus d’abonnement, qui ont eux-mêmes bondi de 30 % en 2023 pour devenir une source de revenus clé pour les applications autres que les jeux. 
Les spécialistes marketing déploient beaucoup d’efforts pour améliorer l’ARPU un succès qui se traduit par une augmentation plus importante des revenus par rapport aux installations. Dans le domaine des jeux, les marketeurs n’ont jamais cessé d’être clairvoyants, et de se renforcer encore (par exemple, les mécanismes de monétisation du Monopoly Go – plus complexes que jamais, mais aussi plus intelligents que jamais). De leur côté aussi, de nombreuses applications non liées aux jeux ont finalement saisi l’importance des mécanismes, en utilisant divers outils d’optimisation des revenus et du paywall comme pratique de base.

Ce que nous réserve 2024

La monétisation des applications est restée robuste cette année dans les flux de revenus de l’IAP, de l’IAA et des abonnements, ce qui montre que les consommateurs continuent de dépenser de l’argent dans les applications malgré l’incertitude persistante de l’économie et du secteur de la publicité. Alors que les signes économiques s’améliorent, cette tendance devrait donc se poursuivre en 2024. Cela devrait également donner confiance aux spécialistes marketing qui restreignent leurs dépenses. En outre, nous nous attendons à ce que de plus en plus d’applications adoptent la monétisation hybride, les jeux combinant principalement l’IAA et l’IAP et pour les revenus non liés aux jeux, principalement l’IAP et les abonnements.

Baisse de 9 % des conversions de remarketing Android

Les conversions remarketing hors jeux sur Android ont chuté de 9 % en YoY, en ligne avec la baisse du budget des dépenses publicitaires liées à l’installation d’applications (voir la tendance #1 ci-dessus) en raison du ralentissement économique. 

À l’échelle locale, cette baisse s’explique en grande partie par les baisses enregistrées sur les deux plus grands marchés en termes de volume de conversions remarketing : l’Inde et le Brésil. En Inde, des pertes ont été enregistrées dans les achats et massivement dans les applications de divertissement, et malgré des gains dans pour la finance et pour l’alimentation & boissons. L’utilisation du remarketing aux États-Unis a en fait augmenté en raison des gains dans les apps de divertissement, de finance et de restauration & boissons, cela malgré un déclin dans la plus grande verticale – le shopping. 

Le remarketing de jeux a en fait connu une hausse de 34 %, mais il convient de noter que cette activité ne représente qu’une fraction du remarketing global et un très faible pourcentage par rapport à l’utilisation de l’UA dans les jeux.

Ce que nous réserve 2024

Alors que nous passons d’un remarketing basé sur l’identifiant publicitaire dans le cadre de Privacy Sandbox, à un remarketing utilisant la nouvelle API Protected Audiences, nous sommes convaincus que le remarketing bénéficiera de succès continus grâce à cette solution robuste. Cela dit, il s’agit d’un changement disruptif, de sorte que les spécialistes marketing devront élaborer différentes stratégies et s’assurer qu’ils sont bien informés sur ce qui est nécessaire pour une transition réussie.

Sur le front d’iOS, on s’attend également à une solution appropriée pour le remarketing sans IDFA sous SKAN 5, qui pourrait être publié au début de l’année prochaine. Il semble qu’il ne prendra en charge le réengagement qu’avec les utilisateurs qui ont installé une application, et non avec ceux qui l’ont supprimée. On ne sait pas encore comment cela fonctionnera, mais apparemment, Apple développera un cadre similaire à l’API Protected Audiences. 

Il sera intéressant de voir si l’API Protected Audiences et SKAN 5 conduiront à une confiance accrue parmi les spécialistes marketing quant aux perspectives de remarketing, à l’ère des restrictions de données liées à la confidentialité. 

Dans l’ensemble, il semble que le remarketing soit prêt pour une année 2024 plus forte.

Le nombre total de téléchargements d’applications n’a augmenté que de 2 % en 2023, après une hausse de 10 % en 2022

Le nombre total d’applications mobiles téléchargées par les utilisateurs en 2023 n’a augmenté que de 2 %, contre une hausse de 10 % en 2022. Cela s’explique en grande partie par une baisse de 4 % parmi les applications Android autres que les jeux, qui est le plus important parmi les autres combinaisons catégorie/plateforme. 

Cette baisse s’explique par le déclin enregistré sur les trois plus grands marchés des applications Android autres que les jeux, en dehors de la Chine : l’Inde, l’Indonésie et le Brésil. Et ce, malgré une hausse de 6 % des installations de jeux Android (tirée par des gains en Inde, au Brésil, en Russie et en Indonésie) et une hausse de 7 % des installations de jeux iOS hors jeux (résultat de gains en Russie et au Royaume-Uni, ainsi qu’en Thaïlande et au Vietnam avec des volumes iOS étonnamment élevés).

Ce que nous réserve 2024

Avec Android Privacy Sandbox, il peut y avoir une période d’ajustement qui réduira le volume global des installations Android, qui constituent la grande majorité des téléchargements d’applications dans le monde. 

En bonus : les installations d’applications via CTV sont multipliées par 9 et la moyenne par application, par 2,5

Au cours des huit derniers mois, nous avons constaté une augmentation spectaculaire de l’adoption de la publicité CTV par les marketeurs d’applications dans le but de stimuler les téléchargements d’applications . Entre février et septembre, l’attribution de CTV au mobile a grimpé en flèche, bondissant de 9 fois. 

Cette dynamique est particulièrement évidente lorsque l’on examine les chiffres moyens par application. Les chiffres présentés ici démontrent que l’augmentation de l’utilisation est observée dans tous les domaines, dans la plupart des applications. Malgré la légère baisse enregistrée en juillet et en août après une multiplication pratiquement par 2, le nombre moyen d’installations attribuées à la CTV a rebondi, augmentant de 20 % en octobre et de 2,5 fois depuis février. 

Il est important de noter que cette trajectoire de croissance est cohérente dans les secteurs du jeu et dans d’autres secteurs. La télévision étant désormais un canal de performance mesurable et abordable, l’attrait pour les spécialistes marketing d’applications axés sur la performance est clair. 
Les performances de la CTV sont également prometteuses : lorsque l’on examine les non-SRN, les chiffres de rétention au jour 30 favorisent l’attribution de la CTV vers le mobile par rapport aux utilisateurs mobiles uniquement, avec un avantage de 8 à 10 %. Cela est particulièrement significatif dans le secteur des applications de jeu, où les non-SRN ont une part beaucoup plus importante.

Ce que nous réserve 2024

Ce canal en plein essor pour les spécialistes se dirige vers une croissance continue. Les raisons sont les suivantes : des résultats prometteurs en matière d’attribution CTV vers mobile, et l’accélération attendue de la publicité CTV en 2024 avec le lancement d’un ad-supported tier sur Amazon Prime Video (eMarketer prévoit que la croissance en YoY passera de 20,0 % en 2023 à 22,4 % l’année prochaine).

* Taille de l’échantillon : 30 milliards d’installations de janvier 2022 à novembre 2023 parmi 40 000 applications ; Tous les résultats sont basés sur des données entièrement anonymes et agrégées. Pour assurer la validité statistique, nous suivons des seuils de volume et des méthodologies strictes.

** Les dépenses publicitaires liées à l’installation d’applications sont mesurées par tous les partenaires de mesure mobile, sur la base d’une extrapolation à l’échelle du secteur d’estimations tierces. 

• Dépenses sur le marché non attribué (installations axées sur le marketing qui n’ont pas été mesurées par l’un des principaux MMP) – estimées entre 5 % et 10 %.
• Les dépenses en Chine ont été estimées sur la base du chiffre de data.ai avec 110 milliards d’installations sur le marché en 2022, ainsi que de la part des installations non organiques et des données CPI. 
• Le modèle prédictif était principalement basé sur des données historiques, qui comprenaient plus de 85 milliards d’installations non organiques et 60 milliards de dollars de dépenses publicitaires entre janvier 2020 et mai 2023, ainsi que sur des estimations d’analystes externes relatives aux relances financières.

The post Top 5 des tendances data de 2023…et ce qui nous attend pour 2024… appeared first on AppsFlyer.

• Introduire un état d’esprit marketing plus rapide, et alimenté par les données
• Modélisation prédictive Concepts de base et configuration de mesure
• Avantages et inconvénients des différents modèles prédictifs basés sur la LTV : Points de vue des meilleurs spécialistes marketing
• Méthodes d’évaluation de la rentabilité du marketing mobile avec Excel
• Ajout d’une autre pièce au puzzle : Prédire la LTV des annonces in-app
• Modélisation prédictive dans un monde centré sur la confidentialité
• Meilleures pratiques pour créer des modèles de prédiction de marketing mobile
• Points clés à retenir

Introduction

Introduire un état d’esprit marketing plus rapide, et alimenté par les données

De nos jours, les consommateurs ont plus de choix que jamais. Ils peuvent facilement exploiter leurs capacités de scrolling pour obtenir à peu près tout ce qu’ils veulent, quand ils le veulent. Alimentée par la pandémie et une demande croissante de services digitaux et de divertissement, la concurrence sur le marché des applications est devenue plus féroce que jamais. 

Garder une longueur d’avance est le seul moyen de rester compétitif. Et la modélisation prédictive permet justement cela, aidant les spécialistes marketing à comprendre les comportements et les tendances des consommateurs, à prévoir les actions futures et à planifier leurs campagnes en fonction de décisions fondées sur des données. 

La science de l’analyse prédictive existe depuis des années et est utilisée par les plus grandes entreprises du monde pour perfectionner leurs opérations, anticiper les changements de l’offre et de la demande, prévoir les changements globaux et utiliser les données historiques pour mieux se préparer aux événements futurs. 

Mais qu’est-ce que c’est que cette étrange invention de la science des données et du marketing, demandez-vous ? 

La modélisation prédictive est une forme d’analyse qui tire parti du machine learning et de l’IA pour examiner les données de campagne historiques, les données de comportement des utilisateurs passés et des données transactionnelles supplémentaires pour prédire les actions futures. 

Grâce à la modélisation prédictive, les spécialistes marketing peuvent prendre rapidement des décisions d’optimisation de campagne sans avoir à attendre les résultats réels. Par exemple, un algorithme de machine learning a constaté que les utilisateurs ayant terminé le niveau 10 d’un jeu dans les 24 premières heures étaient 80 % plus susceptibles d’effectuer un achat in-app dans l’application au cours de la première semaine. 

Forts de ces connaissances, il est possible d’optimiser les contenus, une fois cet événement atteint dans les 24 heures, bien avant la fin de la première semaine. Si la campagne n’est pas performante, un investissement continu serait un gaspillage total de budget. Mais si c’est le cas, doubler rapidement les investissements peut générer des résultats encore meilleurs. 

Qu’en est-il de la confidentialité ?

Quel impact la confidentialité a-t-elle sur la modélisation prédictive maintenant que l’accès aux données au niveau de l’utilisateur est limité ? 

Les utilisateurs mobiles sont devenus de plus en plus fins et bien informés au cours des dernières années. Avec la confidentialité (ou l’absence de confidentialité) au centre de l’attention, l’utilisateur moyen n’est plus pressé de fournir ses données pour utiliser une application, ou même pour profiter d’une expérience plus personnalisée. 

Mais, en 2021, les annonceurs sont-ils vraiment dans le flou quant à l’accès à des données de qualité ?

Pas nécessairement. En combinant la modélisation prédictive, SKAdNetwork, les données agrégées et l’analyse de cohorte, les spécialistes marketing peuvent prendre des décisions éclairées, même dans une réalité limitée par l’IDFA. 

Mais par où commencer ? C’est une chose de mesurer les événements, de surveiller les performances et d’optimiser. C’est toute autre chose d’analyser une quantité massive de données, ainsi que de développer et d’appliquer des modèles prédictifs qui vous permettront de prendre des décisions agiles et précises basées sur des données. 

Eh bien, n’ayez pas peur. Nous sommes là pour vous aider à donner un sens à tout cela. 

Dans ce guide pratique – une collaboration entre AppsFlyer, l’agence de marketing digitalAppAgentet Incipia, nous allons explorer comment les spécialistes marketing peuvent élever leurs compétences en matière de données au niveau supérieur, et obtenir cet avantage concurrentiel convoité grâce à la modélisation prédictive. 

Chapitre 1

Modélisation prédictive Concepts de base et configuration de mesure

Pourquoi construire des modèles prédictifs en premier lieu ?

La modélisation prédictive présente de nombreux avantages dans le marketing mobile, mais nous l’avons réduit à deux activités marketing clés :

1. Acquisition des utilisateurs (UA)

Connaître votre comportement d’utilisateur typique et les premiers jalons qui séparent les utilisateurs à fort potentiel des autres peuvent être utiles à la fois sur le front de l’acquisition et du réengagement . 

Par exemple, si un utilisateur a besoin de générer X dollars au jour 3 pour réaliser un profit après le jour 30, et que ce chiffre est inférieur à votre benchmark, vous saurez que vous devrez ajuster les enchères, les créations, le ciblage ou d’autres choses dans afin d’améliorer le rapport coût/qualité de vos utilisateurs acquis, ou bien d’améliorer vos tendances de monétisation. 

Si, toutefois, ce chiffre X dépasse votre benchmark, vous pouvez augmenter les budgets et les enchères pour tirer encore plus de valeur de vos utilisateurs acquis.

2. Publicité centrée sur la confidentialité

Pendant des années, le plus grand avantage de la publicité en ligne par rapport à la publicité traditionnelle a été la possibilité d’utiliser des larges quantités de données de performances mesurables, pour identifier le public cible souhaité. 

Plus vos campagnes sont spécifiques, plus vous êtes susceptible d’augmenter la LTV des utilisateurs et d’optimiser la budgétisation. Mais que se passerait-il si vous pouviez ouvrir les portes à un échantillon plus large et avoir un aperçu immédiat de leur valeur potentielle ?

La modélisation prédictive vous permet de faire exactement cela ; élargir l’audience potentielle de votre campagne. En créant différents clusters de caractéristiques comportementales, votre audience peut alors être segmentée non pas par selon les identités, mais selon les interactions avec votre campagne à ses débuts.

Que dois-je mesurer ?

Pour comprendre ce que vous devez mesurer pour obtenir de bonnes prédictions, explorons quels data points sont utiles et ceux qui ne le sont pas :

Metrics

Toutes les métriques sont des data points, mais toutes les métriques ne sont pas des indicateurs de performance clés (KPI). Les métriques sont plus faciles à calculer et « mûrissent » beaucoup plus rapidement que les KPI, qui ont tendance à impliquer des formules complexes.

Notez qu’avec le SKAdNetwork d’Apple, les métriques suivantes peuvent toujours être mesurées, mais avec un niveau de précision moindre. Plus à ce sujet au chapitre 5.

1) Les legacy metrics sont généralement identifiées avec une faible confiance dans la prévision des bénéfices, mais se caractérisent par une disponibilité la plus rapide : 

• Le Click to install (CTI) En mesurant la conversion directe entre les deux points de contact (touchpoints) les plus forts sur un parcours utilisateur en pré-installation, le CTI est à la fois socialement et techniquement important, car des taux plus bas peuvent indiquer une audience non pertinente, des créatives inefficaces, ou un temps de chargement lent avant installation.

Formule: Nombre d’installations / Nombre de clics sur annonces

• Le Taux de clics (CTR) – le rapport entre un clic sur une annonce donnée et le nombre total de vues. Plus haut dans le funnel des ventes, le CTR a une valeur limitée pour informer d’autres objectifs marketing globaux, mais peut refléter directement l’efficacité de la création d’une campagne en fonction des clics reçus.

Calcul :Nombre de clics / Nombre de vues d’annonces

Les data points requis : impressions, clics, installations attribuées

2) Les « Early indicator metrics »sont généralement de confiance moyenne dans la prévision des bénéfices et de la disponibilité rapide.
À l’ère du funnel de vente inversé, l’installation n’est plus un KPI suffisant. Cela dit, les mesures suivantes, bien qu’elles ne soient pas utiles pour les prévisions de bénéfices, sont toujours utiles en tant qu’indicateurs précoces informant de la probabilité que leurs campagnes génèrent des bénéfices.

Les exemples incluent :

• Coût par installation (CPI) – En se concentrant sur les installations payantes plutôt que sur les installations organiques, le CPI mesure vos coûts UA en réponse à la visualisation d’une annonce.

Calcul : Dépenses publicitaires / total # d’installations directement liées à la campagne publicitaire

• Nombre d’utilisateurs de retour après une période donnée. 

Calcul : [(CE – CN) / CS)] X 100

CE = nombre d’utilisateurs à la fin de la période

CN = nombre de nouveaux utilisateurs acquis au cours de la période

CS = nombre d’utilisateurs au début de la période

Data points requis : coût, installations attribuées, ouvertures d’application, (rapport de rétention)

À l’exception du taux de rétention, les mesures ont tendance à être liées à un modèle marketing plutôt qu’à votre modèle commercial et, en tant que telles, ne sont pas utiles pour déterminer si vos utilisateurs acquis généreront des bénéfices pour votre entreprise.

Si vous payez 100 $ par clic ou par installation, il y a de fortes chances que vous ne réalisiez aucun profit. Si votre CTR est de 0,05 %, il est probable que les mécanismes d’enchères vous obligeront à payer un taux élevé par installation, vous laissant encore avec moins de marge pour réaliser un profit. 

Les métriques ne prennent pas en charge les prévisions lorsque vous essayez de calibrer votre plage de confiance avec une précision plus fine, par exemple – lorsque la fourchette de rentabilité se situe dans une espace compris entre 2 et 6 $.

Les KPIs

Il est important de diviser les KPI en deux catégories :

1) Les Tier 2 KPI confident predictors– définis par une confiance moyenne-élevée dans les prévisions de profit et une disponibilité lente : 

Ceux-ci sont utiles pour servir de premiers repères de profit, offrant plus de confiance que les indicateurs avancés (metrics), les tier 2 KPIs prennent plus de temps à « mûrir » et offrent également moins de confiance que les Tier 1 KPIs.

* Notez qu’avec le SKAdNetwork d’Apple, les KPI suivants ne peuvent pas être mesurés ensemble.

• Coût d’acquisition client par utilisateur payant
• Coût ou conversion des actions clés – par exemple, ratio de jeux le premier jour joué ou ratio de vues de contenu lors de la première session
• Coût en fonction du temps ou conversion des actions clés (par exemple coût par nombre de parties jouées le premier jour ou coût par vue de contenu au cours de la première session)
• Coût par jour X pour utilisateur retenu: Dépenses totales par jour X du nombre d’utilisateurs retenus ce jour-là. 
• Verticales spécifiques à des événements in-app – par exemple, achèvement du tutorial, achèvement du niveau 5 le jour 1 (jeu), nombre de pages de produits consultées lors de la 1ère session, nombre de sessions en 24 heures (shopping), etc.

Points de données requis : coût, installations attribuées, ouvertures d’application (rapport de rétention), événements in-app configurés et mesurés, données de session (time stamps, fonctionnalités utilisées, etc.)

Pour la plupart des modèles commerciaux, ces KPI ne peuvent pas servir de prédicteurs fiables car, bien qu’ils tiennent compte des coûts et des événements généralement corrélés au profit, ils manquent le côté monétisation de l’équation, étant donné que les ouvertures d’application ne sont pas toujours égales aux achats in-app, et les utilisateurs payants peuvent acheter plus d’une fois.

2) Le Tier 1 KPI confident predictors – revenus précoces et ROAS comme une indication de succès à long terme – ceux-ci sont marqués par une grande confiance dans la prévision des bénéfices, mais la disponibilité la plus lente : 

Les Tier 1 KPI confident predictors mettent plus de temps à arriver à maturité ou impliquent des processus complexes à déterminer. Cependant, ils sont directement liés à votre modèle économique et, à ce titre, sont parfaitement adaptés pour prédire la rentabilité de vos campagnes marketing. 

• Le ROAS correspond au budget consacré au marketing divisé par le revenu généré par les utilisateurs au cours d’une période donnée.

Lifetime Value (LTV) – Le montant des revenus que les utilisateurs ont générés pour votre application à ce jour.

Calcul : Valeur moyenne d’une conversion X Nombre # moyen de conversions au cours d’une période X Durée de vie moyenne du client

Points de données requis : coût, installations attribuées, ouvertures d’application, mesure approfondie des revenus (IAP, IAA, abonnement, etc.)

Bien que le ROAS soit plus facile à calculer, il faut des semaines, voire des mois, aux utilisateurs pour continuer à générer des courbes de revenus. Combiné avec le revenu moyen par utilisateur, la LTV est un excellent moyen pour déterminer le revenu potentiel total ou la valeur de vos utilisateurs.

Pour conclure, voici où se situe chaque approche dans le tableau suivant :

Chapitre 2

Avantages et inconvénients des différents modèles prédictifs basés sur la LTV : Points de vue des meilleurs spécialistes marketing

Construire un modèle LTV pour prédire le ROAS pourrait être hors de portée compte tenu de la complexité et des multiples concepts de prédiction existants. 

Il existe des différences évidentes dans la manière dont les différents types d’applications retiennent et monétisent les utilisateurs ; pensez à quel point diffèrent les jeux d’achat in-app, les applications par abonnement et les entreprises de e-commerce. 

Il est clair qu’un modèle LTV unique ne peut pas exister. 

Pour mieux comprendre les complexités, nous avons parlé à un certain nombre d’experts de sociétés de jeux et non-gaming, notamment Hutch Games, Wargaming, Pixel Federationet Wolt, entre autres. 

Voici les principales questions que nous avons couvertes : 

1. Quels modèles de LTV utilisez-vous ? 
2. Comment évolue votre modèle LTV dans le temps ?
3. Qui dans l’entreprise est responsable de la gestion de la modélisation prédictive ?
4. Quelle est votre métric phare en UA ?
5. Quelle est votre position sur l’UA automation ​​et les tendances futures ?

Modèles LTV

Sur la base de nos entretiens, il semble qu’il existe trois principales “écoles de pensée” pour les prédictions LTV :

1) Modèle de rétention axé sur la rétention / ARPDAU

• Concept: Modélisez une courbe de rétention basée sur quelques points de données de rétention initiaux, puis calculez le nombre moyen de jours actifs par utilisateur (pour le jour 90, D180, etc.) et multipliez-le par un revenu moyen par utilisateur actif quotidien (ARPDAU) pour obtenir la LTV prédite.
  • Exemple : La rétention D1 / D3 / D7 est de 50% / 35% / 25%. Après avoir ajusté ces points de données à une courbe de puissance et calculé son intégrale jusqu’à D90, nous constatons que le nombre moyen de jours actifs est de 5. Sachant que l’ARPDAU est de 40 cents, la LTV D90 prédite serait égale à 2 USD.
• Ajustement adéquat : Applications à haute rétention (jeux tels que MMX Racing). Facile à configurer, peut être utile surtout s’il n’y a pas assez de données pour d’autres modèles.
• Mauvais ajustement : Les applications à faible rétention (par exemple, en eCommerce ) qui ne peuvent pas accéder à un nombre suffisant de points de données de rétention pour soutenir ce modèle.

2) Basé sur les ratios

• Concept: Calculez un coefficient (D90 LTV / D3 LTV) à partir des données d’historiques, puis pour chaque cohorte, et enfin – appliquez ce coefficient pour multiplier le D3 LTV réel pour obtenir une prédiction D90 LTV.
• Exemple : Après les 3 premiers jours, l’ARPU pour notre cohorte est de 20 cents. En utilisant des données d’historiques, nous savons que D90/D3 = 3. La LTV D90 prédite serait donc de 60 cents (20 cents ARPU*3). 
• Dans le cas où il n’y a pas assez de données d’historiques pour calculer un ratio fiable (si par exemple nous n’avons que 50 jours de données et que nous voulons une prédiction LTV à D180, ou que nous avons trop peu d’échantillons de la LTV D180), une estimation initiale peut être faite en utilisant les points de données existants , puis affiné en continu au fur et à mesure que de nouvelles données arrivent. 

Mais dans ces cas, il faut prendre ces estimations avec précaution.

• Ajustement adéquat: Types d’applications « standard » comprenant de nombreux genres de jeux ou applications de eCommerce . 
• Mauvais ajustement: Applications par abonnement avec essai gratuit de plus d’une semaine. Beaucoup de temps peut s’écouler avant qu’un achat puisse avoir lieu, et comme cette méthode est basée sur l’achat, cela rendrait une prédiction impossible.

3) Prédictions basées sur le comportement

• Concept: Collecter un volume important de données auprès des utilisateurs consentants de l’application (données de session et d’engagement, achats, messagerie in-app, etc.) et les traiter à l’aide de régressions et de machine learning pour définir quelles actions ou combinaisons d’actions sont les meilleurs “prédicteurs” d’une nouvelle valeur de l’utilisateur.  

Un algorithme attribue ensuite une valeur à chaque nouvel utilisateur en fonction d’une combinaison de caractéristiques (par exemple, plateforme ou canal UA) et d’actions effectuées (souvent au cours de quelques sessions ou jours initiaux).

Il est important de mentionner que depuis le lancement des contraintes de confidentialité d’Apple avec iOS 14, les prédictions au niveau de l’utilisateur ne sont plus possibles. Cela étant dit, les prédictions globales des utilisateurs le sont.

• Exemple : L’utilisateur A, c’est 7 longues sessions le jour 0 et au total – 28 sessions le jour 3. Ils ont également visité la page des prixs et y sont restés plus de 60 secondes.

La probabilité qu’ils fassent un achat dans le futur est de 65 %, selon l’analyse de régression et l’algorithme basé sur le machine learning. Avec un ARPPU de 100 USD, leur LTV prédite est donc de 65 USD.

• Ajustement adéquat: Pour toute application ayant accès à une équipe expérimentée en data science, à des ressources d’ingénierie et à de nombreuses données. Cela pourrait être l’une des très rares options viables dans certains cas (c’est-à-dire des applications d’abonnement avec un long essai gratuit).
• Limitations potentielles: Peut-être exagéré pour de nombreuses applications de petite et moyenne taille. Le plus souvent, des approches beaucoup plus simples peuvent produire des résultats similaires, sont beaucoup plus faciles à maintenir et à être comprises par le reste de l’équipe.

Choisir le bon modèle pour différents types d’applications

Chaque application et chaque équipe ont leur propre mélange de paramètres et de considérations qui doivent entrer dans le processus de sélection : 

• Du côté du produit, il s’agit d’une combinaison unique de type et de catégorie d’application, de modèle de monétisation, de comportement d’achat des utilisateurs et de données disponibles (et leur variance). 

• Du côté de l’équipe, il s’agit de la capacité, des compétences en ingénierie, des connaissances et du temps disponible avant que le modèle de travail ne soit requis par l’équipe UA.

Dans cette section, nous présenterons plusieurs exemples simplifiés du processus de sélection. 

Celles-ci sont basées sur des cas réels de trois types d’applications : un jeu gratuit (F2P), une application par abonnement et une application eCommerce. 

Applications par abonnement

Explorons deux cas d’applications basées sur un abonnement, chacune avec un type de paywall différent – une hard gate et un essai gratuit à durée limitée :

1. Le hard paywall: L’abonnement payant démarre très souvent au jour 0 (par exemple 8fit).
C’est parfait – cela signifie que nous aurons une indication très précise du nombre total d’abonnés déjà après le premier jour (par exemple, disons que 80 % de tous les abonnés le feront le J0, et les 20 % restants – dans le futur ). 

À condition de connaître déjà nos taux de résiliation et par conséquent notre ARPPU, nous pourrions facilement prédire la LTV des cohortes en faisant simplement une multiplication de (nombre de payeurs)*(ARPPU pour un segment d’utilisateurs donné)*(1,25 comme coefficient représentant le 20 % supplémentaires estimés d’utilisateurs devraient payer à l’avenir). 

2. Essai gratuit à durée limitée: Dans ce cas, un pourcentage d’utilisateurs se convertira pour devenir des abonnés payants après la fin de l’essai (par exemple, Headspace). Le problème est que les responsables UA doivent attendre la fin de l’essai pour comprendre l’évolution des taux de conversion. 

Ce décalage peut être particulièrement problématique lors du test de nouveaux canaux et GEO, c’est pourquoi les prédictions comportementales pourraient être utiles ici. 

Même avec un volume modéré de données et des régressions simples, il est souvent possible d’identifier des prédicteurs décents. Par exemple, nous pourrions apprendre que les utilisateurs qui entrent dans l’essai gratuit et ont au moins 3 sessions par jour pendant les 3 premiers jours après l’installation – se convertiront à l’abonnement dans 75 % des cas.

Bien qu’il soit loin d’être parfait, le prédicteur ci-dessus pourrait être suffisamment précis pour la prise de décision UA ​​et fournir une bonne capacité d’action avant que davantage de données ne soient collectées et qu’un modèle approprié ne soit testé. 

Les types et conceptions de paywall peuvent être fortement influencés par la nécessité d’évaluer rapidement le trafic. 

Il est très utile de savoir si l’utilisateur convertira (ou non) le plus rapidement possible pour comprendre la rentabilité de la campagne et pouvoir réagir rapidement. Nous avons vu cela devenir l’un des facteurs décisifs pour plusieurs entreprises lors de la détermination d’un type de paywall.

Jeux Freemium  

Les Free-to-play (F2P) (F2P) ont tendance à avoir un taux de rétention élevé et une quantité importante d’achats. 

1) Jeu Casual (Diggy’s Adventure):
Le « modèle de ratio » est un bon choix pour les jeux basés sur l’achat in-app, où il devrait être possible de prédire en toute confiance la D(x)LTV après 3 jours, car nous devrions déjà avoir identifié la plupart de nos utilisateurs payants d’ici là.

Pour certains jeux monétisés via des publicités, l’approche basée sur la rétention pourrait également être envisagée.

2) Jeu hardcore (World of Tanks ou MMX Racing):
La distribution ARPPU des utilisateurs de jeux hardcore peut être considérablement faussée lorsque les utilisateurs les plus dépensiers – les “whales” – peuvent dépenser x fois plus que les autres. 

Le « modèle de ratio » pourrait toujours fonctionner dans ces cas, mais devrait être amélioré pour prendre en compte différents niveaux de dépenses pour différents types de dépenses. Ici, une variable “type d’utilisateur” attribuerait différentes valeurs LTV aux utilisateurs en fonction de leur comportement de dépense (c’est-à-dire combien ils ont dépensé, combien d’achats, quel pack de démarrage ils ont acheté, etc.).

En fonction des données, une prédiction initiale pourrait être effectuée après le jour 3, et une autre un peu plus tard (jour 5 ou jour 7), une fois que l’on connaît les niveaux de dépenses des utilisateurs.

Les applications eCommerce

Les applications eCommerce ont généralement des modèles de rétention uniques, car leur lancement est souvent lié à une intention d’achat existante, ce qui n’arrive pas trop souvent d’ordinaire. 

Nous pouvons donc conclure que l’utilisation du “modèle basé sur la rétention” n’est généralement pas adaptée à de telles applications. Au lieu de cela, explorons deux cas d’utilisation alternatifs :

1) Revendeur de billets d’avion

Le délai entre l’installation et l’achat est important dans le secteur du voyage, parfois long de plusieurs mois. Étant donné que les achats et les revenus sont répartis sur une longue période, les modèles de « ratio » ou de « rétention » ne fonctionneront pas dans la plupart des cas. 

Par conséquent, nous devrions chercher à trouver des indices comportementaux et à découvrir des prédicteurs potentiels lors de la première session post-installation, car c’est souvent la seule information que nous aurons à notre disposition. 

En utilisant ces indices, et étant donné qu’il y a suffisamment de données, nous estimerions la probabilité qu’un utilisateur achète un billet, et la multiplierions par un ARPPU pour une combinaison pertinente de leurs caractéristiques (plateforme, pays d’origine, etc.)

2) Marketplace en ligne

Les utilisateurs ont tendance à effectuer leur premier achat peu de temps après une installation. Et le premier article acheté prend souvent un temps considérable à être expédié. Par conséquent, les clients ont tendance à attendre le premier envoi pour évaluer le service avant de s’engager dans un autre achat. 

Attendre le lot de données lié au « deuxième achat » rendrait les prévisions inutilisables en raison du long délai, et limiterait par la suite tous les calculs aux données initiales. 

Selon le moment où les utilisateurs passent leurs commandes (la majorité le faisant dans les 5 premiers jours), nous pouvons utiliser la méthode du ratio (D90/D5) et multiplier le résultat par un autre coefficient qui tiendrait compte des achats futurs. 

Du MVP aux modèles complexes

Tous les analystes de données avec lesquels nous avons parlé chez les grands éditeurs ont convenu qu’il est important de commencer vos prédictions avec un simple « Produit minimum viable » (MVP). 

L’idée est de vérifier les hypothèses initiales, d’en savoir plus sur les données et de construire progressivement un modèle. Cela signifie généralement ajouter plus de variables au fur et à mesure pour activer des modèles plus granulaires et précis (par exemple , le facteur k, la saisonnalité et les revenus publicitaires, en plus de la segmentation initiale par plate-forme, pays et canal UA).

Complexe n’est pas synonyme de “bon”. Les responsables UA peuvent être rapidement frustrés lorsque leur accès aux données est bloqué parce que quelqu’un fait des choses compliquées. »

Anna Yukhtenko, Data Analyst @Hutch Games

En réalité, nous avons constaté que les entreprises ont tendance à s’en tenir à des modèles conceptuellement simples. 

C’était un peu une découverte surprenante. Nous nous attendions à ce que, une fois le produit lancé, les équipes de données sortent leurs artifices, leurs algorithmes de machine learning et leurs IA pour se mettre au niveau de ce que nous pensions être une norme de l’industrie. Nous avions tort. Ou du moins partiellement. 

Bien que beaucoup voient la valeur des modèles sophistiqués et les aient testés dans le passé, la plupart ont finalement opté pour des modèles plus simples. Trois raisons principales à cela.

1. Coût/bénéfice des modèles avancés

Le rapport coût/bénéfice de la création et de la maintenance d’un modèle complexe ne correspond tout simplement pas. Si un niveau de confiance suffisant pour les opérations quotidiennes peut être atteint avec des modèles plus simples, pourquoi s’en soucier ?

2. Temps d’ingénierie pour créer/maintenir

La création d’un modèle avancé peut engloutir de nombreuses heures d’ingénierie, et encore plus pour le gérer, ce qui est un énorme problème pour les petites équipes. 

Très souvent, le département BI a très peu de capacité à consacrer à l’équipe marketing, laissant les marketeurs mener seuls une bataille inégale contre les statistiques et l’ingénierie des données.

3. Changements continus

Chaque version de produit est différente et est monétisée différemment (l’ajout ou la suppression de fonctionnalités peut avoir un effet considérable, par exemple) ; la saisonnalité locale et les effets à l’échelle du marché en sont deux exemples pertinents. 

Les modifications doivent être apportées à la volée, et l’introduction de modifications dans un modèle complexe peut être un processus douloureux et lent, qui peut s’avérer désastreux dans un environnement mobile en évolution rapide avec des achats de médias continus. 

Il est tellement plus facile de modifier un modèle simple, parfois par les spécialistes marketing eux-mêmes.

Pour un certain sous-ensemble d’applications, un modèle basé sur le comportement peut être le seul bon choix. Et tandis qu’une équipe expérimentée d’ingénierie et de data science devrait être à portée de main pour les entreprises suffisamment grandes pour soutenir un tel investissement, d’autres peuvent opter pour l’adoption d’un produit prêt à l’emploi qui offre des qualités similaires.

Un autre ensemble de données qui gagne du terrain est celui des modèles LTV générés par la publicité avec des estimations de revenus publicitaires au niveau de l’utilisateur. Pour plus d’informations à ce sujet, voir le chapitre 4. 

Equipes et responsabilités

En général, la conception, la mise en place et l’adaptation d’un modèle LTV prédictif devraient être le travail d’une équipe d’analyse/data science (à condition qu’il y en ait une). 

Idéalement, il y a deux rôles en jeu ici : un analyste expérimenté avec une large portée en marketing, apte à donner des conseils sur la stratégie et les niveaux tactiques, ainsi que décider quel modèle doit être utilisé, et comment. Et un analyste dédié qui “possède” les calculs et les prévisions LTV au jour le jour.

L'”analyste au jour le jour” doit surveiller en permanence le modèle et garder un œil sur toute fluctuation significative. Par exemple, si les revenus hebdomadaires prévus ne correspondent pas à la réalité et ne se situent pas dans les limites prédéfinies, une modification du modèle peut être nécessaire immédiatement, et non après quelques semaines ou mois.

« C’est un travail d’équipe. Nous avons créé quelque chose comme un système d’alerte précoce où nous nous réunissons une fois par mois, passons en revue toutes les hypothèses qui entrent dans le modèle et vérifions si elles sont toujours vraies. Jusqu’à présent, nous avons environ 12 hypothèses majeures (par exemple, la valeur des incremental organics, la saisonnalité, etc.), que nous contrôlons pour nous assurer que nous sommes sur la bonne voie. »

Tim Mannveille, directeur du Growth & Insight @Hutch Games

Une fois les résultats de prédiction calculés, ils sont automatiquement transmis et utilisés par l’équipe UA. Les UA managers se fient le plus souvent simplement à ces résultats et signalent les incohérences, mais ils devraient essayer de monter d’un cran afin de mieux remettre en question et évaluer les modèles utilisés à un niveau général (comprendre les subtilités derrière un modèle complexe et ses calculs est non requis).

Professionnels du marketing interrogés pour ce chapitre :

• Fredrik Lucander de Wolt
• Andreï Evsa de Wargaming
• Matej Lancaric de Boombit (anciennement chez Pixel Federation)
• Anna Yukhtenko et Tim Mannveille de Hutch Games

Chapitre 3

Méthodes d’évaluation de la rentabilité du marketing mobile avec Excel

Si vous pensez maîtriser un Excel avancé en utilisant des tableaux croisés dynamiques, des champs calculés, une mise en forme conditionnelle et des recherches, vous pourriez être surpris d’apprendre que vous manquez une astuce encore plus puissante dans le playbook Excel. 

Non seulement cela, mais cette astuce peut être utilisée pour prédire la rentabilité de vos campagnes de marketing mobile ! 

Considérez le chapitre suivant comme votre mini-guide pour créer votre propre modélisation prédictive à l’aide d’outils de tous les jours.

Avertissement : Gardez à l’esprit que ce qui suit est une variante très simplifiée d’un modèle prédictif. Pour les exploiter correctement à grande échelle, des algorithmes sophistiqués de machine learning sont nécessaires afin de prendre en compte de nombreux éléments susceptibles d’affecter considérablement les résultats. L’examen d’un seul facteur pour prédire sa valeur (c’est-à-dire les revenus) entraînera probablement un manque de précision.

En utilisant un nuage de points et un peu d’algèbre, vous pouvez transformer une équation de courbe de tendance Excel en un outil puissant, comme l’identification précoce du point auquel vos campagnes marketing prouvent qu’elles sont susceptibles de générer des bénéfices. 

Cette méthode peut vous aider à passer d’intuitions à la prise de décision basée sur les données et à augmenter votre confiance dans les rapports hebdomadaires.

Prédire quel ROAS à la semaine 0 prédira un ROAS de 100 % à 6 mois

Alors que la LTV bien faite est un excellent prédicteur, le ROAS – en particulier au cours de la première semaine de la vie d’un utilisateur – est une mesure largement utilisée pour mesurer les bénéfices en raison de sa large accessibilité. 

En particulier, nous allons utiliser le ROAS de la semaine 0 (revenus de la première semaine d’acquisition d’utilisateurs/coût d’acquisition de ces utilisateurs) comme prédicteur de confiance, qui est une méthode par cohorte entre semblables, pour comparer les performances des annonces chaque semaine.  

Le ROAS de la semaine 0 nous permettra de prédire si nous atteindrons le seuil de rentabilité de nos dépenses publicitaires avec un ROAS de 100 % après 6 mois.

Étape 1

La première étape pour utiliser Excel et prédire les bénéfices consiste à vous assurer que vous disposez de suffisamment de points de données pour les semaines 0 et 6 mois. Bien que vous puissiez techniquement dessiner une pente et faire une prédiction pour n’importe quel point sur cette pente, avec deux points de données, votre prédiction sera loin d’être solide avec si peu d’observations l’alimentant. 

Le nombre idéal d’observations dépend d’une multitude de facteurs ; tels que votre niveau de confiance souhaité, les corrélations dans l’ensemble de données et les contraintes de temps, mais en règle générale pour les prévisions basées sur le ROAS de la semaine 0, vous devez viser au moins 60 paires d’observations ROAS de la semaine 0 et de 6 mois. 

Il est également essentiel d’inclure suffisamment d’observations qui ont atteint le niveau d’objectif que vous avez défini. Si vous avez 60 points de données à tracer, mais seulement 2 points où le ROAS sur 6 mois a dépassé 100 %, votre modèle d’équation ne sera pas alimenté par une compréhension suffisante des entrées nécessaires pour atteindre ce seuil de rentabilité. 

Dans ce cas, l’exigence d’atteindre un ROAS de 100 % après 6 mois pourrait être soit 2 points de pourcentage de ROAS complets supplémentaires, soit 5 points de pourcentage, ce qui représente une plage très large qui n’est pas propice à la prédiction.

Étape 2

Une fois que vous avez recueilli suffisamment d’observations sur le niveau d’objectif, la deuxième étape consiste à diviser votre ensemble de données en deux groupes, un pour l’entraînement et un pour la prédiction. 

Placez l’essentiel des données (~ 80 %) dans un training group. Plus tard, vous utiliserez le groupe de prédiction pour tester la précision de votre modèle et prédire le ROAS sur 6 mois, compte tenu du ROAS de la semaine 0.

Étape 3

La troisième étape consiste à utiliser un nuage de points pour représenter graphiquement les données, avec le ROAS de la semaine 0 sur l’axe des x et le ROAS sur 6 mois sur l’axe des y. 

Ajoutez ensuite une ligne de tendance et ajoutez les R-squared settings.

Représentez graphiquement les données d’apprentissage à l’aide d’un nuage de points.

Faites un clic droit sur un point de données et ajoutez une ligne de tendance.

Ajoutez l’équation de la ligne de tendance et le R-squared.

Étape 4

La quatrième étape consiste à utiliser l’équation linéaire y = mx + b pour résoudre la valeur x de l’équation (ROAS de la semaine 0) lorsque la valeur y (ROAS sur 6 mois) est de 100 %.

Le réarrangement de l’équation à l’aide de math se fait comme suit :

1. y = 9,2695x – 0,0936
2. 1 = 9.2695x – .0936
3. 1 + .0936 = 9.2695x
4. 1.0936 = 9.269x
5. X
6. X = 11.8%

De cette façon, comment prédire le profit à 6 mois ? Votre ROAS doit être supérieur à 11,8 % la première semaine.

Si votre ROAS de la semaine 0 est inférieur à ce taux, vous savez que vous devrez ajuster les enchères, les créatives ou le ciblage pour améliorer le coût/la qualité de vos utilisateurs acquis et améliorer vos tendances de monétisation. 
Si votre ROAS de la semaine 0 est supérieur à ce chiffre, vous pouvez augmenter vos budgets et vos enchères en toute confiance !

Étape 5

La cinquième étape consiste à utiliser votre segment de prédiction de l’ensemble complet de données pour évaluer dans quelle mesure votre modèle a pu prédire les résultats réels. Cela peut être évalué à l’aide de l’erreur absolue moyenne en pourcentage (MAPE), qui est un calcul divisant la valeur absolue de l’erreur (la valeur réelle moins la valeur prédite) par la valeur réelle. 

Plus la somme du MAPE est faible, meilleure est la puissance prédictive de votre modèle.

Il n’y a pas de règle empirique pour un bon nombre MAPE, mais généralement, plus votre modèle contient de données et plus les données sont corrélées, meilleure sera la puissance de prédiction de votre modèle. 

Si votre MAPE est élevé et que les taux d’erreur sont inacceptables, il peut être nécessaire d’utiliser un modèle plus complexe. Bien que plus difficiles à gérer, les modèles impliquant R et python) peuvent augmenter la puissance de prédiction de votre analyse.
Voilà donc : votre cadre pour prédire la rentabilité des campagnes marketing.
Mais ne partez pas tout de suite ! Ce guide contient quelques autres conseils de choix…

Améliorez vos pronostics

Les lecteurs curieux se demanderont si la ligne de tendance linéaire par défaut est la meilleure à utiliser pour prédire les bénéfices. 

Vous pouvez même essayer quelques lignes de tendance supplémentaires et découvrir que le R-squared (une mesure de l’ajustement de l’équation à vos données) s’améliore avec d’autres équations, ce qui rehausse encore plus le profil de cette question.

Alors que l’adage marketing du “ça dépend” s’applique à nouveau dans la sélection de la meilleure ligne de tendance, un autre adage marketing anglo-saxon se montre utile : Le KISS (keep it simple, stupid). Si vous n’êtes pas un statisticien ou un passionné de mathématiques, votre meilleur pari est d’utiliser les courbes de tendance les plus simples – qui sont les courbes linéaires.

Pourquoi est-ce un enjeu ? À titre d’exemple simple, considérons l’ajout de données inattendues dans le modèle. Dans les deux scénarios suivants, voyez comment un ROAS inférieur de la semaine 0 arrivant à maturité de manière inattendue ou un ROAS supérieur de la semaine 0 arrivant à maturité de manière inattendue affecte la précision de chaque modèle de courbe de tendance (évaluée à l’aide du MAPE).

L’utilisation du MAPE pour comparer les différents modèles basés sur les courbes de tendance montre ici que, bien que les modèles linéaires et exponentiels ne soient pas les plus précis dans tous les cas, ils sont les plus cohérents.

De plus, du machine learning peut vous donner la possibilité d’automatiser ce processus, d’analyser de plus grandes quantités de données et de fournir des informations plus rapidement.

S’assurer que vous allez dans le bon sens

Pour finir, consultez cette liste de questions supplémentaires qui peuvent s’avérer utiles pour vous assurer que votre analyse de prédiction repose sur des bases solides :

1. Avez-vous continué à alimenter votre modèle pour le maintenir formé sur les données les plus pertinentes ?
   1. Avez-vous vérifié si les prédictions de votre modèle se concrétisent sur la base de nouvelles observations ou s’en rapprochent ?

2. Avez-vous trop ou pas assez de variations ?
   1. Un R-squared très faible ou bien très élevé indiquent un problème dans la capacité de votre modèle à prédire avec précision de nouvelles données.

3. Avez-vous utilisé le bon KPI ?
   1. Poursuivez et testez différents KPI (par exemple, plus ou moins de jours de ROAS ou de LTV) et utilisez le MAPE pour comparer le pouvoir de prédiction des bénéfices de chacun. 

Vous serez peut-être surpris de voir à quel point les mesures standard sont peu corrélées.

4. Vos indicateurs avancés ou vos premiers benchmarks ont-ils connu des changements significatifs ?
   1. Cela peut être un signe que quelque chose d’important a changé dans le monde réel et que des problèmes se préparent pour la capacité de votre modèle à prédire avec précision les bénéfices à l’avenir.

5. Avez-vous appliqué une segmentation aux données ?
   1. La segmentation des utilisateurs en groupes plus homogènes est un excellent moyen de réduire le « bruit » et d’améliorer la puissance prédictive de votre modèle. 

Par exemple, n’appliquez pas le même modèle à tous les utilisateurs sur tous les canaux et toutes les zones géographiques si ces utilisateurs ont des tendances de rétention et de coût très différentes.

6. Considérez-vous les influences du temps?
   1. La plupart des spécialistes marketing sont conscients que la saisonnalité est un facteur pour lequel les prédictions peuvent échouer, mais le cycle de vie de votre application/campagne/audience/création peut également influencer la capacité de votre modèle à faire des prédictions précises.

Chapitre 4

Ajout d’une autre pièce au puzzle : Prédire la LTV des annonces in-app

La publicité in-app (IAA) est devenue de plus en plus populaire, représentant au moins 30 % des revenus des applications ces dernières années.  Les jeux hyper-casual et casual, en plus de nombreuses applications utilitaires, exploitent naturellement ce flux de revenus comme principale source de monétisation. 

Même les développeurs qui dépendaient entièrement des achats in-app (IAP) ont commencé à monétiser leur activités avec des publicités. En conséquence, nous pouvons voir que de nombreuses applications combinent désormais avec succès les deux sources de revenus pour maximiser la LTV de leurs utilisateurs. 

A titre d’exemple, ne cherchez pas plus loin que King’s Candy Crush.

La LTV de la monétisation hybride est composée de deux parties :

1. Achats in-app/Abonnement LTV : Revenu activement généré par un utilisateur qui fait des achats in-game, des monnaies in-app, des contenus spéciaux, des services supplémentaires ou un abonnement payant.
2. Publicité LTV in-app Revenus générés passivement par un utilisateur qui visualise et/ou interagit avec des publicités (bannières, vidéos, interstitiels, etc.)

Le défi des données

Idéalement, les spécialistes marketing devraient être en mesure de comprendre la valeur nominale de chaque impression ; cela en ferait pratiquement un « achat ». Après avoir collecté suffisamment de données, nous serons en mesure de créer des modèles de prédiction similaires à ce que nous avons déjà décrit au chapitre 2 pour les achats in-app. 

Mais dans le monde réel, ce n’est pas si simple – même le calcul de la LTV des annonces in-app est difficile en raison du volume et de la structure des données sur les revenus, visibles des marketeurs. 

Voici une liste de quelques problèmes récurrents :

• Il y a rarement une seule source d’annonces qui est affichée. En pratique pourtant, il existe de très nombreuses sources, avec un algorithme/outil derrière elles (plateformesde médiation publicitaire ) qui changent constamment de sources et d’eCPM. 
• Si un utilisateur visualise 10 annonces, il est tout à fait possible qu’elles proviennent de 5 sources différentes, chacune avec un eCPM complètement différent lui aussi.
• Certains réseaux publicitaires paient pour les actions (installation, clic) plutôt que pour les impressions, ce qui complique encore plus les choses.
• Lorsque vous travaillez avec des plateformes de médiation couramment utilisées offrant des revenus publicitaires au niveau de l’utilisateur, le nombre obtenu reste une estimation. Les réseaux publicitaires sous-jacents ne partagent pas ces données la plupart du temps, ce qui entraîne généralement une répartition entre les revenus générés avec les utilisateurs qui ont vus les impressions.
• Les eCPM peuvent varier considérablement au fil du temps et il est impossible de prévoir ces changements.

Modèles de prédiction pour la LTV des annonces in-app

De nombreuses entreprises que nous avons interrogées n’étaient pas activement impliquées dans les prévisions de LTV publicitaires. Parmi les marketeurs des app de jeu qui s’intéressaient au sujet, aucun n’avait réellement compris la valeur ajoutée de son utilisation. En tout cas, pas à court terme.

Voici les concepts qui ont été discutés comme points de transition :

1. Le modèle de rétention basé sur la rétention/ARPDAU

• Concept: Utilisation du modèle de rétention ARPDAU, qui dans ce cas contient également la contribution supplémentaire des revenus publicitaires in-app.
• Exemple : La rétention D1/D3/D7 est de 50 %/35 %/25 %. Après avoir ajusté ces points de données à une courbe de puissance et calculé son intégrale jusqu’à D90, nous apprenons que le nombre moyen de jours actifs est de 5. Sachant que l’ARPDAU est de 50 centimes, le LTV D90 prévu serait donc de 2,50 $.

2. La méthode basée sur les ratios

• Concept: Intégrer les estimations de revenus publicitaires au niveau de l’utilisateur dans le stack afin d’utiliser la méthode du ratio de la même manière (c’est-à-dire sur la base des coefficients de D1, D3, D7, etc.).
• Exemple : L’ARPU calculé à partir des achats in-app et des revenus publicitaires intégrés à l’application est de 40 cents après les 3 premiers jours. On sait que D90/D7 = 3. Le LTV D90 prévu serait donc de 1,20 $.

3. La simple méthode de multiplication

• Concept: Calcul du ratio entre les achats in-app et les revenus publicitaires, pour utiliser un multiplicateur dans le calcul de la LTV totale. Avec plus de données, plusieurs coefficients peuvent être calculés pour les dimensions plateforme/pays, car ceux-ci ont généralement le plus grand impact sur le ratio des revenus publicitaires par rapport aux revenus in-app.

Lien vers les prédictions LTV basées sur le comportement

Il est important de mentionner un autre facteur clé qui peut fortement influencer la rentabilité potentielle des utilisateurs de l’application : la cannibalisation. 

Les utilisateurs qui dépensent de l’argent en effectuant des achats in-app ont souvent une LTV nettement plus élevée que les utilisateurs qui ne font que consommer des publicités. Il est de la plus haute importance que leur « intention » première ne soit pas perturbée par des messages pratiques et gratuits. 

D’un autre côté, il est important d’inciter les utilisateurs à regarder des publicités, afin qu’ils soient souvent récompensés par de la monnaie in-app ou des bonus.

Si une application contient à la fois des publicités avec récompense et des achats in-app, il est possible qu’à un certain moment, un joueur ne reçoive pas de récompense importante en monnaie in-app, en échange du visionnage de publicités, il pourrait devenir un consommateur IAP. 

C’est exactement là que les prédictions comportementales entrent en jeu – en mesurant le comportement des utilisateurs, un algorithme de machine learning peut déterminer la probabilité que certains utilisateurs deviennent des “dépensiers” et indiquer où certains ajustements del’expérience de jeu/application sont nécessaires. 

Le processus fonctionne comme suit :

1. Tous les utilisateurs doivent commencer par une expérience sans publicité pendant que les données d’engagement commencent à être mesurées.

2. L’algorithme calcule en continu une probabilité qu’un utilisateur devienne un « spender ».

3. Si cette probabilité est supérieure à un pourcentage défini, les annonces ne seront plus diffusées au fur et à mesure que des données supplémentaires seront collectées (“en attente de l’achat”).

4. Si la probabilité tombe en dessous d’un pourcentage défini, il est fort probable que cet utilisateur n’effectuera jamais d’achat. Dans ce cas, l’application commence à diffuser des annonces.

5. Basé sur le comportement à plus long terme des joueurs, l’algorithme peut continuer à évaluer leur comportement tout en modifiant le nombre d’annonces et en mélangeant différents formats.

La plupart des entreprises se contenteront d’utiliser des modèles et des approches simples qui offriront le rapport coût/bénéfice optimal, en particulier en ce qui concerne les difficultés de mise en œuvre et la valeur ajoutée d’informations plus précises. 

Des progrès rapides dans ce domaine sont déjà visibles, avec différentes solutions qui viennent combler les lacunes et compléter le rythme de développement effréné de l’écosystème, ainsi que l’importance croissante de la publicité in-app en tant que source de revenus clé pour les applications. 

Le mode de contribution

Alors que des méthodes de prédiction de comportement bien réglées peuvent donner les résultats les plus précis dans l’attribution des revenus publicitaires, il existe une méthode plus simple et plus viable pour gérer le problème de l’attribution des revenus publicitaires à une source d’acquisition. 

Cette méthode est basée sur l’attribution de la contribution d’un canal aux revenus publicitaires en fonction de points de données agrégés sur le comportement des utilisateurs.

Les marges de contribution fonctionnent à partir de la contribution d’un canal par rapport au comportement global de l’utilisateur, qui est ensuite convertie en marge de gain de ce même canal, par rapport aux revenus publicitaires globaux générés par tous les utilisateurs. 

La théorie est que plus les utilisateurs acquis par un canal génèrent des actions dans une application, plus ce canal est influent et peut réclamer le crédit des revenus publicitaires de ces utilisateurs.

Pour clarifier, décomposons-le calcul :

Étape 1

La première étape consiste à sélectionner un point de données à utiliser pour déterminer la marge de contribution aux revenus publicitaires de chaque source d’acquisition. 

Comme point de départ, vous pouvez utiliser la régression de la courbe de tendance d’Excel pour identifier quel KPI du comportement des utilisateurs se trouve être le plus corrélé avec les changements de revenus publicitaires. 

Notez que, étant donné que la méthode de contribution implique l’attribution de revenus en fonction d’une proportion de l’activité totale, vous souhaiterez utiliser un point de données qui correspond à un nombre d’ utilisateurs actifs par jour, plutôt qu’à un taux de rétention de type ratio. 

Quelques options incluent :

• Nombre total d’utilisateurs actifs
• Nombre total de sessions utilisateur
• Durée totale de la session
• Données attribuables aux annonces (par exemple, impressions d’annonces)
• Nombre total d’événements clés (par exemple, les jeux joués)

Étape 2

Une fois que vous avez quelques points de données à observer, répartissez chaque point de données par rapport aux revenus publicitaires totaux par jour afin de voir où les corrélations entre les changements de comportement des utilisateurs et les revenus publicitaires totaux sont les plus fortes.

Étape 3

Ajoutez le point de données R-squared à votre graphique pour identifier quel point de données obtient la corrélation la plus forte.

Il y a un inconvénient à cette méthode de régression de la ligne de tendance Excel : moins il y a de variation dans le comportement des utilisateurs et des revenus publicitaires, plus le modèle perd en capacité de précision pour observer la force de la corrélation entre les points de données. 

Par conséquent, vous aurez moins confiance en votre capacité à choisir un point de données plutôt qu’un autre.

 Dans cet ensemble de données simulées, nous observons le nombre de chaque point de données, par jour, ainsi que le total des revenus publicitaires générés par jour.

Sur la base de ces données simulées, nous pouvons voir que l’événement associé à la meilleure force de corrélation semble être le nombre d’utilisateurs actifs sur la base de notre métrique d’ajustement R-squared. 

Ainsi, le point de données de notre ensemble qui explique le mieux les changements dans les revenus publicitaires est le nombre d’utilisateurs actifs, et nous devons donc utiliser le nombre d’utilisateurs actifs pour attribuer les revenus publicitaires canal par canal.

Étape 4

Une fois que vous avez sélectionné un KPI de comportement utilisateur, il est temps de calculer la marge de contribution.

Ensuite, multipliez la marge de contribution quotidienne de chaque canal par les revenus publicitaires cumulés générés chaque jour.

Ce processus nécessite que les données sur le comportement des utilisateurs soient mesurées par canal et accessibles tous les jours, de sorte que la marge de contribution de tous les canaux puisse être calculée avec les données de revenus de chaque nouveau jour.

Remarque : bien que nous n’incluions ici que quatre canaux publicitaires à des fins d’illustration, vous pouvez également inclure vos données organiques et d’autres canaux ici, afin d’attribuer et de relier entièrement les revenus quotidiens par rapport au comportement quotidien des utilisateurs. 

Ci-dessus, on peut voir les revenus publicitaires calculés générés par jour, par canal, ce qui permet d’estimer la rentabilité de chaque canal.

Notez que vous devrez revoir votre évaluation des KPI utiles pour l’attribution à mesure que les tendances de comportement, et les données de monétisation des revenus publicitaires évoluent, ou que de nouveaux points de données deviennent disponibles.

Par exemple, dans l’ensemble de données ci-dessus, nous pouvons voir un deuxième groupe de points de données vers la fin de la période (commençant approximativement le 10 janvier), où les revenus publicitaires par jour sont nettement plus élevés qu’au début du mois. 

Cela se reflète dans le regroupement des données en haut à droite de chaque nuage de points, loin du groupe en bas à gauche. 

Plus l’ensemble de données est complexe, moins cette simple évaluation de régression Excel sera précise, et plus il sera nécessaire d’appliquer une segmentation et une analyse plus rigoureuse.

Chapitre 5

Modélisation prédictive dans un monde centré sur la confidentialité

Vers une nouvelle réalité publicitaire

L’analyse prédictive vous permet d’augmenter l’audience potentielle de votre campagne, d’augmenter la LTV des utilisateurs et d’assurer une budgétisation plus efficace – à une époque où, dans certains cas, nous n’avons plus accès à des données de performance de type granulaire. 

En créant différents groupes de caractéristiques comportementales, votre public peut alors être catégorisé non pas en fonction de son identité réelle, mais en fonction de son interaction avec votre funnel des ventes, à ses débuts. Cette interaction peut indiquer leur potentiel futur à générer une valeur significative pour votre produit.

La combinaison de facteurs clés d’engagement, de rétention et de monétisation, peut être corrélée à la compatibilité d’un utilisateur avec la logique LTV de n’importe quel développeur et fournir une indication de lapLTV (Predicted Lifetime Value) au tout début d’une campagne.

Machine learning – La clé du succès

Une application mobile peut avoir plus de 200 métriques disponibles pour la mesure, mais la plupart des spécialistes marketing n’en mesureront probablement qu’un maximum de 25. Une machine, en revanche, est capable d’ingérer toutes ces informations en quelques millisecondes et de les appliquer aux informations marketing et aux indicateurs de fonctionnalité des applications. 

Un algorithme de machine learning pourra calculer tous ces indicateurs et trouver les bonnes corrélations pour vous. Ses calculs seront basés sur votre définition du succès, votre logique LTV, et l’appliqueront à une quantité importante de données pour trouver une corrélation entre les premiers signaux d’engagement et le succès éventuel.

Cela signifie que les annonceurs n’ont plus besoin de savoir QUI est l’utilisateur, mais plutôt de savoir À QUEL profil pLTV et quelles caractéristiques ils correspondent. Ce profil doit être aussi précis que possible et mis à disposition dès les premiers jours de la campagne. Il doit représenter les exigences LTV de l’annonceur pour qu’il soit considéré comme valide et exploitable. 

En ce qui concerne les applications de eCommerce par exemple, l’application d’indicateurs tels que les achats précédents, la fréquence des achats, l’heure de la journée ou la progression dans le funnel de vente permet à l’algorithme de regrouper les publics généraux en cohortes très granulaires, et mutuellement exclusives. 

Cela permet un ciblage et des messages plus efficaces, et finalement un ROAS plus élevé.

Tirer parti des prédictions LTV du cluster

L’analyse prédictive aide à réduire la période d’apprentissage de la campagne en utilisant les intégrations existantes pour fournir une prédiction LTV précise de la campagne. 

En tirant parti du machine learning et en comprenant les données agrégées, l’analyse prédictive pourrait fournir une indication du potentiel de campagne sous la forme d’un score, d’un classement ou de toute autre forme d’informations exploitables dans les jours suivant son lancement, informant les marketeurs de son succès probable. 

Par exemple, les machines d’une application de gaming ont constaté que les utilisateurs qui terminent le niveau 10 d’un jeu dans les 24 premières heures sont 50 % plus susceptibles de devenir des utilisateurs payants.

Grâce à ces informations, les spécialistes marketing peuvent soit réduire leurs pertes sur une mauvaise campagne qui ne fournit pas d’utilisateurs de qualité, optimiser si nécessaire, ou doubler la mise lorsque les premières indications montrent un profit potentiel, ce qui leur donne la possibilité de prendre des décisions rapides de pause, d’amplification ou encore d’optimisation. 

Le défi SKAdNetwork

L’introduction de la réalité axée sur la confidentialité d’iOS 14 et du SKAdNetwork d’Apple a créé son propre ensemble de défis, limitant principalement la mesure des données au niveau de l’utilisateur dans l’écosystème iOS aux utilisateurs consentants.

Ceci est considéré comme la première étape vers un environnement publicitaire davantage axé sur la confidentialité des utilisateurs, et bon nombre des plus grands acteurs de l’industrie en ligne sont susceptibles de suivre la marche sous une forme ou une autre.

Ces changements limitent non seulement le volume de données disponibles, mais également la fenêtre de temps dans laquelle les spécialistes marketing peuvent prendre des décisions éclairées sur le succès ou non d’une campagne. 

Bien que les algorithmes de machine learning puissent prédire rapidement quelles campagnes sont susceptibles d’offrir les clients les plus intéressants, d’autres limitations incluent les éléments suivants : manque de données en temps réel, pas de donnée ROI ou de LTV car il mesure principalement les installations, un manque de granularité puisque les données ne sont disponibles qu’au niveau de la campagne.

Alors, comment pouvez-vous diffuser des publicités pertinentes sans connaître les actions que chaque utilisateur effectue… ? 

Vous l’avez deviné : Marketing prédictif basé sur le Machine learning. En utilisant des corrélations statistiques avancées basées sur des données historiques, sur le comportement des applications pour prédire les actions futures, les spécialistes marketing peuvent exécuter des expériences en utilisant des paramètres non personnalisés, tels que les signaux contextuels et la formation continue des modèles de machine learning. 

Les résultats peuvent ensuite être appliqués à de futures campagnes et affinés au fur et à mesure que davantage de données sont collectées.  

Chapitre 6

Meilleures pratiques pour créer des modèles de prédiction de marketing mobile

1. Nourrir la bête…

Lors de la création de modèles de données utilisés pour guider des décisions importantes, il est non seulement important de créer le meilleur système possible, mais également d’effectuer des tests continus pour garantir son efficacité. 

Dans les deux cas, assurez-vous d’alimenter en permance votre modèle de prévision des bénéfices pour le maintenir formé sur les données les plus pertinentes. 

De plus, vérifiez toujours si les prédictions de votre modèle se concrétisent sur la base de nouvelles observations, ou du moins s’en rapprochent. 

Délaisser ces étapes peut ferait qu’un modèle doté d’une puissance de prédiction initiale pourrait ensuite dérailler en fonction de la saisonnalité, de la dynamique des macros enchères, des tendances de monétisation de votre application ou de nombreuses autres raisons. 

En observant vos indicateurs avancés ou vos premiers repères et en recherchant des changements significatifs dans les points de données, vous pouvez également évaluer quand vos propres prévisions sont susceptibles de s’effondrer. 

Par exemple, si votre modèle a été formé sur des données où le taux de rétention moyen au jour 1 variait de 40 % à 50 %, mais que pendant une semaine, le taux de rétention au jour 1 a chuté à 30 % -40 %, cela pourrait indiquer un besoin de ré-entraîner votre modèle. 

Cela peut être particulièrement vrai étant donné que les quality signals des utilisateurs que vous avez récemment acquis ont changé, entraînant probablement des changements dans la monétisation et les bénéfices, toutes choses égales par ailleurs.

2. Choisir le bon KPI pour prédire la rentabilité

Vous avez le choix entre plusieurs options, chacune avec un ensemble de compromis en matière de viabilité, de précision et de rapidité pour produire des recommandations. 

Lancez-vous et testez différents KPI (par exemple, plus ou moins de jours de ROAS ou de LTV) et utilisez un ou tous les éléments suivants pour comparer le pouvoir de prédiction des bénéfices de plusieurs KPI :

• Le R-squared 
• Un ratio réussite/échec pour une prédiction satisfaisante
• Erreur absolue moyenne en pourcentage (MAPE)

Vous serez peut-être surpris de voir à quel point les mesures standard sont peu corrélées.

3. Segmentez vos données

La segmentation des utilisateurs en groupes plus homogènes est non seulement un excellent moyen d’améliorer le taux de conversion, mais également une méthode éprouvée pour réduire le « bruit » et améliorer la puissance prédictive de votre modèle. 

Par exemple, l’application du même modèle, à la fois, aux campagnes basées sur les centres d’intérêt et aux campagnes similaires basées sur la valeur, pourrait entraîner des résultats moins performants. La raison en est que la monétisation et la durée de vie des utilisateurs sur chaque cible d’audience unique sont susceptibles d’être très différentes. 

De plus, en créant différents groupes de caractéristiques comportementales, votre public peut alors être classé non pas en fonction de son identité réelle, mais en fonction de son interaction avec votre campagne à ses débuts. Cette interaction peut indiquer leur potentiel futur face à votre produit.

Par exemple, un développeur d’applications de jeu peut prédire la LTV potentielle de ses utilisateurs dans un délai de 30 jours. En d’autres termes : la période de temps jusqu’à la fin d’un tutoriel (engagement), le nombre de retours à l’application (rétention) ou le niveau d’exposition aux publicités au cours de chaque session (monétisation). 

4. N’oubliez pas de prendre en compte le temps

La plupart des spécialistes marketing sont conscients des influences de la saisonnalité sur la décomposition des prédictions, mais le cycle de vie de votre application/campagne/audience/création peut également influencer la capacité de votre modèle à faire des prédictions précises. 

Les tendances des coûts d’acquisition au cours de la première semaine du lancement d’une nouvelle application seront très différentes de celles du cinquième mois, de la deuxième année, etc. Tout comme les 1 000 premiers dollars dépensés dans un lookalike jusque-là inexploité seront différents du 10 000 et 50 000 dollars de dépenses investis dans le même lookalike (surtout sans changer le créative utilisé).

Points clés à retenir

Points clés à retenir

• La science de l’analyse prédictive existe depuis des années; elle est utilisée par les plus grandes entreprises du monde pour perfectionner leurs opérations, anticiper les changements de l’offre et de la demande, prévoir les changements gloqbaux et utiliser des données passées pour anticiper et se préparer aux événements futurs.
• Alors que nous nous dirigeons vers une nouvelle réalité centrée sur la confidentialité, nous devons adopter une nouvelle norme de mesure – une norme qui nécessite des délais de mesure plus courts et applique des indications potentielles d’utilisateurs anonymes pour la prise de décision.
• C’est exactement ce que fait la modélisation prédictive. L’introduction de cette technologie sophistiquée dans le paysage marketing et son application pour s’adapter à l’évolution de l’industrie est tout simplement primordiale. 

The post Modélisation prédictive pour les marketeur d’applications : le guide complet appeared first on AppsFlyer.

Ne serait-il pas formidable de disposer d’une boule de cristal capable de prédire le succès de vos campagnes de marketing mobile ? 

La prise de décision serait un jeu d’enfant : vous sauriez dès le départ quels sont les campagnes et les canaux les plus efficaces, où investir votre budget pour acquérir les utilisateurs à plus forte valeur ajoutée. Plus besoin de gaspiller de l’argent dans des campagnes qui ne donnent pas de résultats. 

En tant que user acquisition manager, cela signifie que vous dépensez votre budget marketing pour une campagne sans savoir si vous acquérez le bon type d’utilisateurs. Dans le contexte actuel de récession financière, chaque dollar compte, et dépenser votre budget pour une campagne sans en connaître le rendement est un luxe que vous ne pouvez pas vous permettre.

Mais combien d’argent pouvez-vous réellement économiser pour maximiser la rentabilité ? Nous avons étudié les données en profondeur et découvert qu’une application de jeu standard peut économiser jusqu’à 100 000 dollars par mois, tandis que pour les apps hors jeu, ce chiffre grimpe à 280 000 dollars.. ce qui est stupéfiant ! 

Comment sommes-nous parvenus à ces chiffres, quelle est leur signification et quelle est la meilleure ligne de conduite à adopter pour obtenir des informations prédictives ? Toutes les réponses ci dessous.  

Confiance vs impact…

Lorsque vous évaluez votre processus de décision, vous devez prendre en compte les éléments suivants :

1. L’action que vous avez décidé d’entreprendre
2. L’impact de cette décision 

Ces deux facteurs sont largement influencés par le temps.

Pour prendre les bonnes actionafin d’optimiser votre campagne, vous devez recueillir suffisamment de données pour déterminer correctement la valeur de la campagne, son succès et sa capacité à atteindre vos objectifs.

Et pour que votre décision ait limpact souhaité, vous devez agir le plus tôt possible. Vous pouvez ainsi éviter de gaspiller votre budget et surtout, tirer parti d’un bon positionnement.

Pas évident, n’est-ce pas ?

Car d’une part, plus vous attendez, plus votre décision sera solide et digne de confiance (la collecte de données suffisantes peut prendre entre 7 et 30 jours, selon les capacités de veille stratégique de l’entreprise). Mais d’un autre côté, vous devez prendre votre décision tôt pour lui donner le plus d’influence possible.

Vous devrez tenter de trouver le point d’équilibre entre ces deux facteurs.

Et que se passerait-il si nous supprimions l’élément temps de cette équation ?

Et si nous pouvions repousser ce point d’équilibre le plus tôt possible dans le temps ? Comment cela affecterait-il la valeur de votre campagne ?

C’est exactement ce que nous avons voulu découvrir dans l’étude ci-dessous. 

Quelle est la valeur des informations prédictives pour l’acquisition d’utilisateurs ?

La valeur peut être interprétée de différentes manières, mais cette étude s’est concentrée sur l’identification de l’effet financier des informations prédictives, et plus spécifiquement sur l’impact de la capacité à prendre des décisions d’optimisation plus tôt qu’auparavant dans la durée de vie d’une campagne.

Comment avons-nous quantifié la valeur prédictive ?

Il existe différentes façons d’évaluer la valeur de l’information prédictive, en fonction de l’objectif à atteindre. Il peut être utile de prendre des mesures :

1. Économies de coûts : budgets qui peuvent être économisés en prenant des mesures rapides et en mettant fin à une campagne peu performante.
2. Augmentation du chiffre d’affaires : augmentation du chiffre d’affaires grâce à l’identification précoce des campagnes les plus performantes et à l’augmentation de leur budget et/ou de leur offre.
3. Coût alternatif : impact potentiel d’un argent affecté ailleurs, d’un canal peu performant à un canal performant.

Les revenus supplémentaires étant très difficiles à estimer, car ils sont spécifiques à chaque campagne et à chaque annonceur, nous avons décidé d’axer notre recherche sur les économies de coûts des campagnes – un sujet auquel nous pouvons tous nous identifier.

Pour cette étude, nous avons examiné les performances de 60 applications Android et de 60 applications iOS, qui ont été catégorisées comme “Gaming” ou “Non-gaming”.

Recevez les dernières infos marketing et les avis d’experts directement par mail

L’accent étant mis sur les économies de coûts, notre question de recherche a été réduite à la suivante :

Combien une application moyenne peut-elle économiser en décidant plus tôt de mettre fin à la campagne ?

Pour calculer les économies potentielles, nous avons comparé l’effet d’une décision prise par un annonceur le jour habituel, par rapport à une décision prise le troisième jour, en utilisant des informations prédictives disponibles 48 heures après le début de la campagne.
Étant donné que les annonceurs prennent leurs décisions d’optimisation de campagne à des moments différents, nous avons introduit plusieurs points de contrôle hypothétiques :

• [Coût de la décision au7e jour ]-[ Coût de la décision au3e jour ]
• [Coût de la décision au14e jour ]-[ Coût de la décision au3e jour ]
• [Coût de la décision au21e jour ]-[ Coût de la décision au3e jour ]
• [Coût de la décision au26e jour ]-[ Coût de la décision au3e jour ]

Qu’est-ce qui fait le succès d’une campagne ?

Nous devions définir le succès afin de déterminer quelles campagnes devaient être interrompues, mais les paramètres peuvent varier en fonction de la catégorie de l’application, de son modèle économique et d’autres facteurs.

Nous avons choisi de comparer la rétention des campagnes, car les campagnes qui affichent des taux de désabonnement élevés (en d’autres termes, une faible rétention) peuvent être clairement définies comme peu performantes, en particulier lorsqu’elles sont comparées à des campagnes similaires menées par le même annonceur.

Dans cette optique, nous avons défini les 30 % de campagnes les moins performantes pour chaque annonceur en termes de rétention.

Transformer des informations prédictives précoces en valeur ajoutée

Il est clair que l’obtention de données à un stade précoce d’une campagne peut vous aider à prendre des décisions plus rapidement. Mais nous voulions savoir quelle était la valeur réelle de ces décisions. Combien d’argent les annonceurs pourraient-ils économiser ?

Comme indiqué plus haut, notre étude a porté sur les applications iOS et Android – voici comment les deux plateformes se comparent.  

Applications Android : d’importantes économies dans le domaine du non-gaming

Lors de l’analyse du groupe d’applications Android, nous avons identifié un écart significatif entre les économies potentielles pour les applications non-gaming et les applications de gaming.

Si le nombre moyen de campagnes peu performantes est similaire dans les deux catégories (15,7 campagnes), l’écart s’explique principalement par la différence de taux de coût par installation (CPI) entre les deux catégories.

Les applications de jeux Android sont réputées pour promouvoir leurs campagnes avec des taux de CPI extrêmement bas, en raison de facteurs tels que la fraude à l’attribution d’installation et une plus grande dépendance à l’égard de la mesure des événements in-app.

Indépendamment de cela, le groupe de décision du 7e jour peut encore bénéficier d’économies mensuelles massives de plus de 19 000 dollars pour une application de jeu, et de plus de 40 000 dollars pour une application autre que du jeu (non-gaming).

Le temps de décision commun de chaque annonceur augmente, tout comme la valeur qu’il peut tirer de l’adoption d’une logique prédictive et d’une action plus précoce. Ainsi, pour le groupe du jour 26, les économies pourraient atteindre en moyenne plus de 100 000 dollars par mois pour l’application de jeu et plus de 280 000 dollars pour l’application de non gaming.

Applications iOS : moins de campagnes, mais le gaming permet d’économiser davantage

L’examen de ces effets sur les applications iOS fait apparaître un tableau légèrement différent.

La différence la plus notable est le nombre moyen de campagnes peu performantes par annonceur dans iOS, qui s’élève à seulement 2,9 campagnes. Notre étude étant basée sur l’analyse des 30 % de campagnes les moins performantes, ce faible nombre ne reflète pas la qualité élevée des campagnes iOS, mais plutôt le nombre réel de campagnes iOS menées par l’annonceur moyen.

Cette situation est probablement liée au SKAdNetwork (SKAN) d’Apple, à ses limites en matière de mesure des données et au manque de confiance des annonceurs dans cet espace, ce qui s’est traduit par une diminution des campagnes iOS dans l’ensemble.

Nous avons également constaté que les informations prédictives ont un impact plus important sur les applications de jeux que sur les autres applications dans iOS. Les taux de CPI pour les jeux sur iOS sont non seulement beaucoup plus élevés que ceux sur Android, mais aussi plus élevés que les taux CPI pour les autres jeux.

Ces différences se reflètent dans les économies mensuelles moyennes par annonceur. Les annonceurs de jeux sur iOS ont montré des économies potentielles variant entre 20 000 et 69 000 dollars par rapport à leur journée habituelle de prise de décision, tandis que les annonceurs en non gaming pouvaient économiser entre 7 900 et 40 000 dollars par mois.

Conclusions et points clés à retenir

La prise de décision précoce vaut son pesant d’or

Le lancement de nouvelles campagnes peut s’avérer coûteux si vous ne disposez pas des bonnes informations de business. Vous pouvez facilement épuiser votre budget de marketing en attendant que les mesures de données soient suffisantes.

La possibilité d’obtenir des informations sur les performances dès 48 heures après le début d’une campagne se traduit par une prise de décision et des actions plus précoces, qui à leur tour placent le (ROI) sur les rails.

Les limites des données affectent l’amplification de la campagne

Le système SKAN d’Apple a considérablement modifié la manière dont les annonceurs gèrent leurs budgets iOS. Vous pouvez être découragé par le manque de clarté créé par les limitations de confidentialité et les fenêtres de mesure restreintes – et vous n’êtes pas les seuls.

Bien qu’il s’agisse d’un effet à grande échelle des contraintes d’Apple en matière de protection de confidentialité , les données prédictives offrent une solution en tirant parti des mesures précoces pour clarifier l’activité future prévue.

La valeur n’est pas qu’une question d’économies

Bien que les chiffres présentés dans cette étude soient impressionnants pour tout annonceur opérant dans l’espace mobile, ils sont loin de représenter la valeur définitive qui peut être tirée de l’analyse prédictive, car ils ne représentent que des économies de coûts.

Si la logique prédictive est déjà utilisée par certaines des plus grandes entreprises du monde, ses applications dans le domaine de l’UA commencent à peine à être explorées.  

Entre les mains d’équipes d’AU compétentes, ces informations peuvent non seulement se traduire par des économies significatives, mais aussi aider à déterminer les canaux dans lesquels investir et à créer une meilleure culture de gestion des campagnes, où des décisions budgétaires plus intelligentes favorisent la croissance. 

Mettre les idées en action

Gardez à l’esprit que les premières informations sur les performances ne garantissent pas à elles seules une amélioration des performances ou des économies : vous devez les mettre en œuvre pour qu’elles aient un véritable impact. 

L’introduction d’une logique prédictive dans le processus de prise de décision d’une organisation garantit que les résultats futurs sont également pris en considération lors de la prise de décision sur les prochaines actions à entreprendre.

Voilà donc la preuve que le fait d’agir plus tôt pour optimiser vos campagnes mobiles peut avoir une valeur réelle et tangible. Et les outils pour y parvenir sont à votre portée – pas besoin de boule de cristal !   

The post Les chiffres sont clairs : la décision basée sur l’analyse prédictive peut faire économiser jusqu’à 280 000 dollars par mois appeared first on AppsFlyer.

La Lifetime value, ou LTV, est une estimation du revenu moyen qu’un client générera au cours de la période où il utilisera un produit ou un service donné.

Qu’est-ce que la LTV ?

La Lifetime value, ou LTV en abrégé, est une mesure essentielle de la croissance des entreprises mobiles, souvent utilisée pour déterminer la valeur d’un utilisateur au cours de la période d’utilisation d’une application. 

La LTV aide les spécialistes à optimiser correctement les sources de revenus telles que les achats in-app, la publicité in-app, et les abonnements, en identifiant exactement combien d’argent ils peuvent se permettre de dépenser pour l’acquisition d’utilisateurs tout en restant rentables, . ,

LTV vs CLV

Vous avez peut-être également entendu le terme CLV, ou Lifetime value du client, et vous vous demandez en quoi il diffère de la LTV. En vérité, les deux mesures sont très similaires et, dans certaines entreprises, les termes sont utilisés de manière interchangeable. 

Cependant, il est généralement admis que la CLV mesure la valeur qu’un client individuel apportera au cours du temps passé avec vous, tandis que LTV examine la valeur moyenne sur l’ensemble de votre clientèle. 

Qu’en est-il de l’ARPU?

L’ARPU (revenu moyen par utilisateur) est une autre mesure que vous entendrez souvent mentionner dans le contexte de la valeur client. 

Là où il diffère de la LTV, c’est dans la chronologie. Alors que la LTV examine la valeur qu’un client apporte sur l’ensemble de son interaction avec votre marque (qu’il s’agisse de jours ou d’années), l’ARPU se concentre sur une période définie. Vous pouvez mesurer le chiffre d’affaires sur un mois particulier ou examiner le comportement des clients 30 jours après l’installation, par exemple. 

Voici comment le calculer :

RMPU = chiffre d’affaires total de l’entreprise sur une période donnée / nombre moyen d’utilisateurs au cours de cette période

Comment calculer la LTV

Il existe de nombreuses formules pour calculer la LTV. Voici quelques étapes simples que vous pouvez suivre pour identifier rapidement son montant :

1. Déterminez la valeurmoyenne de vos achats. Si vous n’avez pas mesuré vos données d’achat moyen depuis un certain temps, envisagez de considérer une période d’un ou trois mois comme approximation pour l’ensemble de l’année.
2. Calculez le nombre moyen d’achats au cours d’une périodedéfinie. La fréquence d’utilisation de l’application est un facteur majeur de la LTV.
3. Mesurez la rétentionde vos utilisateurs. Déterminez combien de temps l’utilisateur moyen reste fidèle à votre marque. Certaines marques parviennent à fidéliser leurs utilisateurs tout au long de leur vie, mais la plupart ont du mal à garder les utilisateurs perdus en raison d’une mauvaise expérience utilisateur (UX) ou d’un paysage devenu brutalement concurrentiel.
4. Visez loin ! Maintenant que vous avez les inputs, il est temps de multiplier les trois nombres ensemble au sein d’une formule simple :

Ou essayez cela :

Pourquoi la LTV est-elle importante?

Combiné avec le revenu moyen par utilisateur, la LTV est une mesure d’or pour déterminer le revenu potentiel total ou la valeur de vos utilisateurs. Dans l’économie des applications gratuites, c’est un moyen essentiel de mesurer la santé de l’entreprise.

Voici d’autres raisons pour lesquelles il est si important de mesurer la LTV :

1. Vous ne pouvez pas améliorer ce que vous ne mesurez pas. Une fois que vous aurez commencé à mesurer la LTV et à en décomposer les différents éléments, vous serez en mesure d’utiliser des stratégies plus ciblées autour de la tarification, de la publicité et de la rétention des utilisateurs. Cela vous aidera à atteindre vos objectifs d’amélioration continue de votre UX et d’augmentation des profits.
2. Prenez de meilleures décisions en matière d’acquisition d’utilisateurs. Lorsque vous savez à quoi vous attendre en termes de revenus moyens par utilisateur, vous pouvez augmenter ou diminuer les dépenses pour vous assurer de maximiser la rentabilité et de continuer à attirer le bon public.
3. Améliorez les prévisions. Les prédictions LTV peuvent vous aider à prendre des décisions prospectives concernant les dépenses publicitaires. Les prévisions LTV minimisent le risque de sous-dépenser et de manquer des opportunités potentielles, ou de dépenser trop et de gaspiller votre argent aux mauvais endroits.
4. Augmentez la fidélité et la fidélisation des clients. Lorsqu’une entreprise fournit constamment de la valeur – sous la forme d’une excellente application, d’un support client exceptionnel ou d’un excellent programme de fidélisation – la fidélité et la rétention ont tendance à monter en flèche. Concentrer vos efforts sur les utilisateurs ayant une LTV plus élevée vous permettra de stimuler la rétention. Plus d’utilisateurs fidèles signifie un taux de désabonnement plus faible, ainsi que plus de feedbacks et de critiques positives.
5. Générez des achats récurrents. La LTV permet de mesurer les visites Web ou l’utilisation des applications par an ou au cours de la durée d’activité de vos utilisateurs. Vous pouvez ensuite utiliser ces données pour mettre en œuvre des stratégies qui augmentent la fidélisation.
6. Augmentez la rentabilité. Dans l’ensemble, une LTV plus élevée conduit à des profits plus importants. En gardant les utilisateurs plus longtemps et en construisant un modèle qui les encourage à dépenser plus, vous devriez voir les avantages apparaître sur votre résultat net.

La LTV pour les entreprises SaaS

La LTV est particulièrement pertinente pour les entreprises SaaS (software as a service), où le succès dépend de la construction de relations durables avec les clients. 

Dans un marché concurrentiel, vous devrez dépenser de l’argent pour convaincre les clients de choisir votre produit. Pour que votre entreprise soit rentable, vous avez besoin que ces clients restent avec vous et augmentent leurs dépenses, par exemple en passant à des fonctionnalités premium. 

Il est essentiel de comprendre non seulement combien de valeur les clients vous apportent au fil du temps, mais aussi les montants que vous avez dépensé pour les acquérir. De cette façon, vous pouvez identifier les stratégies d’acquisition les plus efficaces et les relations les plus lucratives sur lesquelles vous concentrer. Ci-dessous, nous vous aidons à trouver l’équilibre parfait.

LTV et CAC : le nombre magique

Votre ratio LTV:CAC vous permet de comparer la Lifetime value de vos clients avec votre coût d’acquisition client (CAC).  

Pour calculer votre CAC, divisez vos dépenses marketing totales par le nombre de clients que vous avez acquis. 

Votre ratio LTV:CAC est calculé en LTV / CAC. Cela peut être exprimé sous la forme d’un ratio, par exemple 4:1. 

Si votre résultat est inférieur à un, vous avez un problème: vos clients vous perdent effectivement de l’argent. D’une manière générale, un bon ratio LTV:CAC est d’au moins 3:1 (en d’autres termes, votre LTV est au moins 3x votre CAC). Trop bas, et vous pourriez avoir du mal à récupérer vos coûts d’acquisition sur la durée de vie du client. Un nombre très élevé, d’autre part, suggère que vous êtes excellent pour fidéliser les clients – mais pourrait manquer des occasions d’attirer davantage de profils pertinents. 

Rapports LTV vs rapports d’activité

Les rapports de données sont au cœur du marketing mobile. Sans eux, il est impossible de prendre des décisions fondées sur les données qui sont essentielles au succès de votre entreprise. 

Cela dit, et tout comme d’autres éléments du paysage mobile, les données sont multi-visages. En ce qui concerne la LTV, les rapports de données se présentent sous deux formes principales.

Données sur la Lifetime value par rapport aux données d’activité

Il existe deux méthodes principales pour analyser les données d’activités liées à vos utilisateurs : Les données d’activité se rapportent à toutes les actions effectuées par les utilisateurs après l’installation, telles que les achats in-app, les inscriptions, les passages de niveaux, etc. Les données d’installation, en revanche, ne sont considérées comme ni des données d’activité ni des données LTV.

• Données de Lifetime : ces données incluent les événements effectués tout au long de la « lifetime » des utilisateurs en post-installation au cours d’une plage de dates spécifique. Une bonne optimisation des campagnes dépend des données LTV, car elles permettent de suivre la qualité des utilisateurs provenant de différentes sources médias. 
• Les données d’activité incluent tous les événements effectuéstués par l’ensemble les utilisateurs actifs de l’application au cours d’une plage de dates spécifique, et dévoilent une ventilation précise des événements chronologiques. 

C’est une mesure commerciale solide qui permet de prendre le pouls des tendances – par exemple, le nombre de ventes d’applications qui ont eu lieu le Black Friday 2022 vs . Black Friday 2021. Mais les marketeurs examinent généralement les données LTV car ils peuvent isoler des cohortes spécifiques. 

L’analogie du train peut aider à expliquer la différence.

Sam est debout à côté d’une voie ferrée et regarde passer un train. Pendant un seul moment, Sam ne voit que les actions en cours effectuées par TOUS les passagers. Il s’agit des données d’activité.

Maintenant, prenez David, qui se tient à l’intérieur de l’un des wagons. David voit TOUTES les actions effectuées uniquement par les passagers qui sont montés dans le train avec lui, de leur arrivée (c’est-à-dire au moment de l’installation) jusqu’au départ (c’est-à-dire la désinstallation). Il ne peut voir aucune action effectuée par les passagers sur d’autres wagons, puisqu’ils sont montés à bord avant ou après lui. Qu’est-ce que les données LTV ?

La LTV à l’ère de la confidentialité

Bien que la confidentialité est une bénédiction pour les consommateurs et l’écosystème mobile, les changements apportés par iOS14 apportent leur lot de défis. 

Heureusement, SKAdNetwork 4.0 (SKAN 4.0), publié en octobre 2022, offre aux spécialistes marketing quelques améliorations par rapport à la version précédente. Auparavant, vous ne pouviez recevoir qu’un seul postback, qui était basée sur des signaux de données dès le début de l’entonnoir de vente. Il y avait peu ou pas de postback liés aux événements in-app, qui sont des indicateurs utiles pour mesurer la LTV. Ce manque de données s’est avéré un véritable défi pour la mesure des campagnes. 

Désormais, SKAN 4.0 offre aux annonceurs jusqu’à trois postbacks, chacun basé sur une fenêtre de données spécifique. Il existe également une fonctionnalité appelée LockWindow, qui vous permet d’obtenir des publications plus tôt.  

La technologie d’Apple garantissant l’anonymat du plus grand nombre signifie que les données issues des postbacks sont limitées: elles montrent la valeur de conversion de la campagne elle-même, mais ne peuvent pas être liées à des utilisateurs spécifiques. Mais vous pouvez surmonter ces limites en utilisant des outils de modélisation prédictive. Ci-dessous, nous examinons comment ceux-ci peuvent vous aider à optimiser vos campagnes efficacement et en toute sécurité. 

Prédire l’avenir avec la pLTV

Il est toujours utile de voir combien de valeur vos clients ont apporté dans le passé – mais ne serait-il pas plus puissant encore de savoir comment ils se comporteront à l’avenir? Avec la Lifetime value prédite (pLTV), vous pouvez faire exactement cela, sans avoir besoin d’une boule de cristal. 

La pLTV est une forme de modélisation qui utilise le machine learning et l’intelligence artificielle (IA) pour prédire les actions futures en fonction des données passées. Il permet de segmenter vos clients en fonction de la façon dont ils ont interagi avec votre entreprise, afin que vous puissiez voir rapidement quelles campagnes, canaux et stratégies sont les plus rentables, et où concentrer vos efforts à l’avenir. 

Un avantage très net de cette approche est qu’elle permet de rester du bon côté des directives de confidentialité renforcées : vous avez seulement besoin de savoir ce que font les clients, pas qui ils sont.

Comment pouvez-vous améliorer la LTV?

Il existe de nombreuses stratégies différentes qui peuvent vous aider à augmenter votre LTV. Nous en avons rassemblé 13 ci-dessous…:

1. CX – l’expérience client est primordiale

Votre application, votre site Web, votre service client et d’autres points de contact font tous partie d’une unique votre expérience client. Si vos clients bénéficient à chaque fois d’une expérience digitale fluide et peu stressante, ils sont beaucoup plus susceptibles de revenir, de faire connaître votre marque, d’améliorer votre classement dans l’App Store et de stimuler votre croissance organique.

2. Améliorez votre onboarding

Certains consommateurs achètent un produit ou un service, mais n’ont aucune idée de ce qu’ils doivent faire ensuite. Les marques qui réussissent tracent le parcours de leurs clients, qui commence par investir dans un onboardingfluide et interactif . 

Cela permet de s’assurer que les utilisateurs reviennent fréquemment et utilisent votre application efficacement, ce qui améliore la probabilité de futures mises à niveau ou de dépenses plus élevées dans l’application.

3. Connectez LTV à vos données d’attribution mobile 

Cette approche commune vous permettra d’identifier les meilleurs canaux, sources médiatiques, campagnes et créations sur lesquels vous concentrer.

4. Offrez un meilleur rapport qualité-prix

En vous concentrant sur la valeur et en offrant aux clients quelque chose qu’ils ne peuvent pas obtenir ailleurs, vous êtes beaucoup plus susceptible d’augmenter votre LTV – et même vos prix – tout en minimisant le taux de désabonnement. Assurez-vous simplement de tenir compte des prix de vos concurrents avant de déterminer le vôtre. 

5. Investissez dans des programmes de fidélisation de la clientèle ou de récompenses

Récompenser les achats fréquents ou l’abonnement durable de vos clients leur permettra de se sentir valorisés et engagés. Cherchez des moyens créatifs d’encourager vos clients à revenir, d’augmenter leur fréquence d’achat et de partager leurs activités à leurs contacts.

6. Offrir un service client exceptionnel

Un mauvais service client est un moyen rapide de voir votre LTV chuter et vos taux de désabonnement monter en flèche. S’efforcer de rendre chaque interaction agréable améliorer la fidélité de votre clientèle et vous aidera à augmenter votre LTV. 

N’oubliez pas non plus de partager les feedbacks de vos clients. En plus de compter sur le service client pour résoudre le problème, les marques doivent continuellement recueillir des commentaires pour pouvoir les relier à leurs produits et services et améliorer leur expérience client. 

7. Concevez une meilleure expérience

Existe-t-il quelque chose de plus frustrant qu’un site Web ou une application dans laquelle on ne trouve pas immédiatement le bouton dont on a besoin?  

Si votre site Web ou votre app est encombré, difficile à naviguer ou lent à charger, il est peu probable que les utilisateurs restent. Pensez aussi à conserver un design spécifique et conforme à la marque, pour une expérience utilisateur cohérente. Testez-le sur différents appareils et suivez les best practices en matière d’accessibilité – par exemple, évitez les longs défilements et assurez-vous que les liens et les appels à l’action se démarquent clairement. 

8. Assurez-vous que votre expérience d’achat est fluide

L’abandon de panier est un problème réel et douloureux pour la plupart des entreprises. Construire une expérience d’achat courte et simple vous aidera à attirer toutes les ventes possibles. Lorsque les achats sont abandonnés, envisagez un mail de suivi pour aiguiller votre client potentiel vers l’achat. 

9. Encouragez les upsells et les ventes croisées

Il est souvent plus facile (et moins cher) de réengager ou de vendre un client existant que d’en attirer un nouveau. Trouvez des moyens créatifs de mettre en valeur la valeur ajoutée de produits haut de gamme ou supplémentaires, en encourageant vos clients à dépenser plus.

10. Soyez présent sur les réseaux sociaux

L’un des meilleurs endroits pour attirer l’attention de vos clients est de les atteindre dans des endroits où ils passent déjà la plupart de leur temps. Qu’il s’agisse de TikTok, Instagram, LinkedIn, Snapchat, Twitter ou Facebook, les canaux de réseaux sociaux ont un impact à la fois sur la publicité et sur l’interaction avec vos clients.

11. Offrez un contenu pertinent et attrayant sur vos médias propriétaires

Vos médias propriétaires, qui comprennent site Web, articles de blog, eBooks, vidéos, podcasts et votre contenu de réseaux sociaux, peuvent aider à vous connecter avec des segments particuliers de votre audience, à leur présenter de nouveaux produits ou à encourager une utilisation optimisée.

12. Boostez la rétention avec les push

Utilisées correctement, les push peuvent être un excellent moyen de rappeler aux utilisateurs les avantages de votre application et de les encourager à y accéder plus souvent. Ces messages courts et cliquables sont envoyés par l’application directement à l’appareil de l’utilisateur.

Mais n’exagérez pas, vos efforts de rétention repousseraient alors les utilisateurs. Les push ne fonctionneront que si il sont pertinents, utiles et envoyés au bon moment : par exemple, alerter les utilisateurs d’une offre limitée ou leur rappeler de faire une activité quotidienne. Surtout, les utilisateurs doivent également avoir choisi de les recevoir. 

13. Tester, tester, tester

Améliorer votre LTV consiste à comprendre ce que veulent vos clients. Vous pouvez utiliser les tests A/B à chaque étape de votre parcours utilisateur pour découvrir ce qui génère le plus de conversions. En comparant la façon dont les utilisateurs réagissent à différents titres, CTA, mises en page, images, etc., vous serez en mesure d’optimiser les campagnes futures pour un revenu maximal.

Points clés à retenir

• La LTV est une mesure essentielle à la croissance de votre activité d’applications mobiles. Il aide à optimiser correctement les campagnes en identifiant exactement combien d’argent vous pouvez vous permettre de dépenser pour l’acquisition utilisateurs tout en restant rentable.
• Les mesures connexes incluent CLV (valeur vie client), pLTV (Lifetime value prévue) et ARPU (revenu moyen par utilisateur).
• La mesure de la LTV peut vous aider à être plus stratégique en matière de tarification, de publicité et de fidélisation des utilisateurs. Elle vous permet de prendre de meilleures décisions d’UA, d’améliorer les prévisions, de fidéliser vos clients, de générer des achats récurrents et d’augmenter la rentabilité.
• Pour assurer un équilibre rentable entre les coûts d’acquisition et la Lifetime value, visez un ratio LTV:CAC d’au moins 3:1. 
• En exploitant les algorithmes de machine learning, les marketeurs en digital sont en mesure de surmonter certaines des limitations de confidentialité posées par SKAdNetwork d’Apple, de mieux comprendre les tendances du comportement des utilisateurs et de les utiliser pour prédire la valeur des utilisateurs au fil du temps. 
• Améliorer la LTV passe par la prise en compte des feedbacks des clients, et la fourniture d’un service client exceptionnel. Vous devez également partager du contenu pertinent via vos canaux de média propriétaires, utiliser des push et continuer à tester pour optimiser votre conception. 

The post Lifetime value (LTV) appeared first on AppsFlyer.

Qu’est-ce que l’IDFA (Identifier for advertisers) ?

À l’instar des cookies de Google, l’IDFA d’Apple a été conçu à l’origine pour permettre aux annonceurs de mesurer les performances de leurs campagnes et les parcours des utilisateurs.

Contrairement aux cookies du navigateur, qui ont une durée de vie relativement courte, un IDFA reste en place jusqu’à ce que l’utilisateur décide de le réinitialiser ou de le désactiver manuellement, c’est-à-dire d’activer la fonction Limit Ad Tracking (LAT). 

Le LAT est une fonctionnalité de confidentialité sur les appareils Apple qui existe depuis 2016 et qui permet aux utilisateurs de choisir si les annonceurs peuvent ou non recevoir des données sur l’activité générée par leurs appareils.

Lorsqu’il est activé, le LAT met l’IDFA des utilisateurs à zéro, ce qui signifie qu’au lieu d’une chaîne de chiffres, les fournisseurs de mesures reçoivent une chaîne de zéros pour un numéro d’identification de dispositif donné.

Après la décision d’Apple, qui a bouleversé l’écosystème, de rendre iOS plus respectueux de la vie privée, l’App Tracking Transparency Framework, ou ATT, place l’option de la mesure basée sur l’identification de l’appareil entre les mains des utilisateurs, en leur offrant le choix de l’opt-in (au lieu de l’opt-out traditionnel). 

L’IDFA après iOS 14

L’évolution d’Apple vers la protection de la vie privée des utilisateurs a considérablement limité la capacité des annonceurs à s’appuyer sur l’IDFA pour mesurer les campagnes mobiles. 

Cela dit, il convient de mentionner que l’IDFA n’a pas disparu. En fait, selon les dernières statistiques, le taux d’opt-in de l’ATT est d’environ 46 %.

Apple propose sa propre solution d’attribution, SKAdNetwork (ou SKAN), qui permet aux annonceurs de mesurer les impressions publicitaires et les clics vers les installations d’applications sur iOS sans porter atteinte à la vie privée de l’utilisateur ou de l’appareil. Mais cette solution est loin d’être parfaite. 

Le fait de ne pas pouvoir mesurer les éléments suivants pose des problèmes majeurs aux annonceurs :

• Pas de LTV ou de véritable mesure de ROI – SKAdNetwork mesure principalement les installations, les valeurs de conversion et les données post-installation, mais de manière très limitée et restreinte dans le temps.
• Manque de granularité – Les données sont limitées au niveau des campagnes et seulement à 100 campagnes (au moins jusqu’à la sortie de SKAN 4.0).
• Délai de postback – SKAN 4.0 permettra aux annonceurs de recevoir jusqu’à 3 postbacks, chacun basé sur une fenêtre d’activité spécifique (0-2 jours, 3-7 jours et 8-35 jours). Bien qu’il s’agisse d’une amélioration par rapport à la version précédente, les délais de postback constituent encore un défi pour les annonceurs.
• Fraude publicitaire risque – Les données peuvent facilement être manipulées en cours de route.
• Manque de réengagement pour l’attribution – qui empêche les annonceurs de planifier, de mesurer et d’optimiser leurs activités de remarketing iOS.

Quel est l’impact de l’accès limité à l’IDFA sur les annonceurs et les éditeurs ?

Lorsque l’IDFA est disponible pour les annonceurs, il est très utile pour mesurer les campagnes.

Par exemple, lorsque les utilisateurs cliquent sur une bannière publicitaire, visionnent une vidéo ou installent une application, les réseaux publicitaires transmettent à leur IDFA les données correspondantes. Et bien que tous les réseaux publicitaires ne transmettent pas les IDFA aux annonceurs, mais leur permettent de cibler des ID spécifiques au sein de leurs propriétés, la plupart d’entre eux le font malgré tout. 

Les IDFA ont également été utilisés pour détecter les fraudes publicitaires. En surveillant leur flux d’actions publicitaires et les IDFA associés, les annonceurs ont pu obtenir des signaux importants qui ont mis en évidence des activités frauduleuses. Aujourd’hui, la majorité de la logique anti-fraude repose sur des seuils statistiques à grande échelle qui s’appuient rarement sur des identifiants d’appareils individuels.

En d’autres termes, le fait de ne pas pouvoir accéder aussi librement qu’auparavant aux IDFA a un impact sur la capacité des annonceurs à engager leur public, à créer des expériences personnalisées et à mesurer l’efficacité de leur campagne. 

Les annonceurs et les éditeurs sont notamment touchés par la « pénurie » de l’IDFA :

• Mesure – Étant donné que les annonceurs ont perdu leur visibilité sur des événements tels que les clics, les téléchargements, les inscriptions et les achats dans le cas d’utilisateurs non consentants, la capacité à suivre les conversions est devenue plus limitée. 
• Ciblage et remarketing – Bien que les annonceurs puissent toujours envoyer des notifications in-app sur leurs applications iOS, ils ont perdu la possibilité d’identifier les utilisateurs individuels, à moins que ces derniers n’aient activement choisi de le faire.
• Personnalisation – Sans accès à l’IDFA, les annonceurs perdent une partie de leur capacité à personnaliser, à effectuer des tests A/B efficaces et à optimiser en permanence leur message lorsqu’ils cherchent à attirer des publics spécifiques. 

SKAdNetwork – L’API d’Apple axée sur la protection de la vie privée

Introduit pour la première fois par Apple en 2018, le cadre SKAdNetwork est un type d’attribution d’installation directe. Il a été développé pour fournir aux annonceurs une attribution précise et respectueuse de la vie privée pour les campagnes iOS, sans révéler de données spécifiques à l’utilisateur ou à l’appareil.

SKAdNetwork enregistre deux types d’engagements :

• Vues – pour le cas où une annonce a été vue
• StoreKit renders – pour le cas où un StoreKit rendering a été généré ou non.

Puisque nous vivons dans un écosystème très dynamique qui ne cesse d’évoluer, nous allons explorer quelques-uns des changements clés apportés par iOS 15, SKAN 4.0, et la manière de tirer le meilleur parti de ces deux éléments en tant qu’annonceur. 

Mises à jour iOS 15

Configuration du point final de la valeur de conversion

Avant iOS 15, les postbacks du SKAN étaient envoyés uniquement aux réseaux publicitaires, puis transmis à l’annonceur ou à MMP pour le compte de l’annonceur. 

Cependant, à partir d’iOS 15, les annonceurs bénéficient d’un accès direct aux postbacks de SKAdNetwork et d’une propriété – bien méritée – de leurs données. 

En configurant leur MMP comme point d’extrémité, le MMP offre les éléments suivants :

• Offre aux annonceurs une flexibilité totale en matière de conception, de test, de gestion et d’optimisation de leur logique de valeur de conversion.
• Valide les postbacks par rapport à ceux qui avaient été signalés par le réseau publicitaire.
• Connecte le nom de la campagne du réseau publicitaire, le nom de l’ensemble de publicités et le nom de la publicité à la campagne rapportée par SKAdNetwork.
• Connecte les données de campagne pré-installées telles que les coûts, les clics et les impressions.
• Affiche les données dans le tableau de bord de SKAdNetwork ainsi que dans les API de SKAdNetwork.
• Prévient et bloque les fraudes du réseau SKAdNetwork.

SKAdNetwork

Lors de la conférence WWCD 2022, Apple a annoncé la ,mise en place de la prochaine version de SKAN, qui introduit des changements significatifs permettant aux annonceurs et aux réseaux publicitaires de mesurer davantage de choses tout en préservant la vie privée des utilisateurs.

Voici un récapitulatif des quatre mises à jour les plus importantes et de leur signification :

1. Trois postbacks au lieu d’un – Les annonceurs pourront recevoir jusqu’à trois postbacks (au lieu d’une seule dans la version précédente), chacune basée sur une fenêtre d’activité spécifique : 0-2 jours, 3-7 jours et 8-35 jours. Cela permettra aux annonceurs de comprendre comment les utilisateurs s’engagent dans leur application en temps supplémentaire. 
   Il est à noter que même si ces trois postbacks ne sont pas liées à une personne, les annonceurs pourront tout de même compter les événements uniques.

2. Anonymat de la « masse » – Crowd anonymityNouveau terme utilisé par Apple pour décrire la manière dont SKAN fournit des données d’attribution tout en préservant la vie privée. En bref : plus vous avez d’installations, plus vous avez de données.
   
3. Valeurs de conversion hiérarchiques – Dans la version actuelle de SKAdNetwork, les postbacks incluent une valeur de conversion uniquement dans les cas où le seuil de confidentialité d’Apple est atteint. Lorsque le Crowd anonymity est faible, Apple prend des précautions supplémentaires pour protéger la vie privée des utilisateurs en masquant la valeur de conversion et l’identifiant de l’application source.
   SKAN 4.0 introduit un nouvel ensemble de valeurs de conversion de « coarse-grained » (en plus des 64 valeurs de coarse-grained qui existent aujourd’hui), ce qui signifie que les valeurs de conversion sont désormais divisées en 3 types : faible, moyen ou élevé – chacun attribué par les annonceurs pour indiquer différents niveaux d’engagement de l’utilisateur. Cela permet aux annonceurs de recevoir certaines données d’attribution dans les cas où le seuil de confidentialité n’a pas été respecté.

4. Identifiant de source hiérarchique – À partir de SKAN 4.0, Apple renommera son champ d’identifiant de campagne en identifiant de source, et augmentera sa plage de 2 chiffres (représentant 100 options) à 4 chiffres (représentant donc 10 000 options). 

Les identificateurs de sources hiérarchiques respectent également le seuil de confidentialité d’Apple, ce qui signifie que plus le niveau d’anonymat de la foule est élevé, plus le niveau de granularité est important. 

Quel a été l’impact de l’IDFA en post-ATT sur Facebook et Google ?

Les répercussions de l’ATT d’Apple et le déclin de l’IDFA qui s’en est suivi continuent de poser des problèmes majeurs aux annonceurs et aux réseaux publicitaires. 

En comparant les parts de marché pré-ATT et post-ATT (H1 2020 et H1 2022 respectivement) à l’aide de la logique SSOT (Single Source of Truth) d’AppsFlyer, qui combine et déduit les données de SKAN et l’attribution d’AppsFlyer – nous pouvons voir que Meta a perdu une part significative de sa part de marché d’installation iOS. 

Google, quant à lui, a également perdu beaucoup de terrain. Et bien que les deux géants des réseaux aient subi un impact négatif, ATT a manifestement été beaucoup plus douloureux pour Meta, si l’on en croit les rapports sur les résultats de l’entreprise et les nombreux articles parus dans la presse. 

En 2020, le réseau social dominait iOS, mais aujourd’hui, l’entreprise est loin d’avoir atteint le niveau qu’elle avait avant les changements apportés par Apple à la protection de la vie privée, en termes de parts de marché. 

Avant l’entrée en vigueur de l’ATT, Meta avait une longueur d’avance sur la concurrence grâce à une optimisation inégalée basée sur les données des utilisateurs. iOS 14 a fait perdre cet avantage concurrentiel au géant des réseau sociaux. Avec SKAN qui égalise les règles du jeu à certains égards, Meta avait le plus à perdre.

Pour Google, cependant, iOS est secondaire par rapport à Android, surtout si on le compare à l’énorme activité web de l’entreprise. Contrairement à Meta dont les principaux actifs sont les applications (facebook, Instagram, Whatsapp, etc.), le principal actif de Google est la recherche – un environnement web mobile où le prompt ATT n’a pas d’importance. 

L’avenir d’un monde post-IDFA

Au fur et à mesure que l’écosystème évolue et que les solutions alternatives mûrissent, l’IDFA est destiné à devenir de moins en moins pertinent dans le domaine de la mesure mobile. 

Elle cédera la place à des solutions faisant appel à l’analyse de cohortes, aux data clean rooms, aumachine learning, à l’analyse prédictive et à des mesures « top-down » telles que l’incrémentalité et la modélisation de la combinaison de médias (MMM).

Pour tirer le meilleur parti de cette nouvelle réalité, les annonceurs doivent également se familiariser avec la mesure SKAN et apprendre à la faire fonctionner pour eux.

Comment les annonceurs peuvent-ils tirer le meilleur parti de SKAdNetwork dans un écosystème sans IDFA ?

Voici quelques étapes à suivre pour que votre entreprise soit prête pour SKAN :

• Agrégation des données – Veillez à collecter toutes les informations de SKAdNetwork auprès de chaque réseau publicitaire.
• Validation des données – Assurez-vous que tous les postbacks sont signées par Apple et qu’ils ne sont pas manipulées en cours de route. Travailler avec un MMP de confiance peut vous aider à résoudre facilement ce problème.
• Enrichissement des données – Associez les informations de SKAN à d’autres points de données, tels que les impressions, les clics, les coûts et le trafic organique, pour une analyse complète du ROI.
• Activation des données – Assurez-vous que les données du SKAdNetwork sont disponibles pour une utilisation pratique en utilisant les tableaux de bord et les API dédiés de votre MMP.
• Intégration transparente – Assurez-vous que votre solution MMP offre une intégration complète et étroite avec SKAN, ce qui ne nécessitera pratiquement aucun effort de votre part et vous permettra de vous préparer aux changements futurs du protocole SKAdNetwork.
• Événements de conversion – Veillez à mesurer les événements in-app côté serveur, dynamiques et flexibles .

Points clés à retenir

L’IDFA est un identifiant unique qu’Apple attribue à chaque appareil iOS, ce qui permet aux annonceurs de contrôler l’engagement des utilisateurs vis-à-vis de leurs publicités et de suivre leur activité après l’installation.

Compte tenu du cadre ATT d’Apple et de la limitation sévère de l’IDFA après iOS 14, ce qu’il faut retenir : 

Mesure – les annonceurs ont du mal à mesurer la LTV et le ROI dans SKAN, ils manquent de granularité et la capacité à suivre les conversions est devenue plus limitée. 

Ciblage et remarketing – les annonceurs ont perdu la possibilité d’identifier les utilisateurs à l’échelle individuelle, à moins qu’ils n’aient activement choisi de s’identifier, et sont incapables de planifier, de mesurer et d’optimiser leurs activités de remarketing iOS.

Fraude – les annonceurs sont confrontés à des niveaux croissants de fraudes publicitaires dans le réseau SKAdNetwork.

Personnalisation – Les annonceurs ont perdu une partie de leur capacité à personnaliser, à effectuer des tests A/B efficaces et à optimiser en permanence leurs messages créatifs. 

L’annonce par Apple de SKAN 4.0 a introduit des changements significatifs qui permettront aux annonceurs et aux réseaux publicitaires de mesurer plus de choses tout en préservant la vie privée des utilisateurs. Ces mises à jour aideront les annonceurs à mesurer davantage, malgré la perte de l’IDFA.

Au fur et à mesure que l’écosystème évolue et que les solutions alternatives mûrissent, l’IDFA est destiné à devenir de moins en moins pertinent dans le domaine de la mesure mobile. 

Elle cédera la place à des solutions faisant appel à l’analyse de cohortes, aux data clean rooms, au machine learning, à l’analyse prédictive et à la mesure descendante – donnant aux annonceurs les outils dont ils ont besoin pour planifier, mesurer et optimiser leurs campagnes, tout en préservant pleinement la vie privée de leurs utilisateurs.

The post IDFA (Identifier for advertisers) appeared first on AppsFlyer.

Un device ID est un identifiant anonyme composé d’une combinaison de chiffres et de lettres, et associé à un seul appareil mobile : smartphone, tablette ou appareil portable tel que montre intelligente.

Qu’est-ce qu’un device ID ?

L’identifiant est anonyme et ne contient pas d’informations personnelles identifiables (les PII, pour « personally identifiable information ») telles que le nom, l’adresse électronique, l’adresse ou le numéro de carte de crédit. Elles peuvent être récupérées par n’importe quelle application installée sur l’appareil, ce qui permet aux marketeurs et aux développeurs de mesurer les activités de leurs utilisateurs dans le cadre de campagnes, sans avoir accès aux informations personnelles.

Toutefois, ces derniers temps, on observe un changement radical en ce qui concerne la protection de la vie privée des consommateurs, avec une préférence pour les données agrégées plutôt que pour les données recueillies au niveau de l’utilisateur. Le changement le plus notable est l’introduction par Apple de l’AppTrackingTransparency (ATT) et l’obligation pour les propriétaires d’applications d’obtenir l’autorisation d’accéder à l’ID d’appareil de l’utilisateur (voir plus loin).

Différents types de device ID

Il existe deux types principaux de device ID mobiles. Apple utilise l’ID pour les annonceurs (IDFA, pour « ID for Advertisers ») et Android utilise l’ID pour les annonceurs de Google (le Google Advertiser ID ou « GAID ») . Ils fonctionnent essentiellement de la même manière et visent à relier les actions d’un utilisateur à une campagne publicitaire, à une installation et à des activités in-app. 

L’Apple IDFA se présente en majuscules. Il s’agit d’une combinaison de 8 chiffres, d’un tiret et de trois séries de 4 chiffres. Un exemple :

Le GAID se présente sous le même format, mais utilise des lettres minuscules, comme suit :

Il est important de noter qu’après la version 14.5 d’iOS, l’IDFA ne sera disponible pour les propriétaires d’applications et les marketeurs que si l’utilisateur y a consenti. Plus d’informations à ce sujet ici.

À quoi sert le device ID ?

Le device ID est utilisé principalement pour mesurer et reconstituer les chaînes d’engagement avant l’installation, l’installation elle-même, et les événements in-app ensuite. Il s’agit donc d’un outil important pour attribuer leurs activités de marketing et cartographier le parcours utilisateur. 

Établir une correspondance entre le device ID et les interactions de l’utilisateur est l’une des méthodes d’attribution les plus fiables et les plus précises, car il s’agit d’une méthode de mesure dite « déterministe ».  

L’attribution déterministe utilise un device ID pour identifier le même utilisateur à travers plusieurs canaux et interactions, mesurant ainsi son comportement et ses choix avec une précision de 100 %. 

L’identification de l’appareil permet donc, aussi, de personnaliser l’expérience utilisateur en lui proposant des publicités et des services plus adaptés. 

Il est en effet plus aisé de segmenter l’audience en regroupant les utilisateurs par type d’appareil, par habitudes d’utilisation, etc.

Enfin, les device ID aident les propriétaires d’applications à mieux comprendre le degré d’engagement des utilisateurs au sein de leur application en recueillant des données in-app. Des abandons – churn – une prise de distance, une loyauté accrue et génératrice de revenus ? Des indications précieuses pourront être analysées.

Comment cela fonctionne ?

Le device ID peut être récupéré par toute application installée, une fois qu’elle est lancée pour la première fois.

Après ce premier lancement, le device ID peut donc être utilisé à des fins d’attribution. 

Prenons l’exemple de l’attribution de l’installation d’une application. 

Un utilisateur clique sur une publicité pour une application. Leur clic les dirige vers le store d’applications de leur choix (Google Play ou Apple App Store), pour télécharger ladite application. 

Une fois installée et lancée pour la première fois, le mécanisme de l’application, connu sous le nom de « attribution Software Development Kit » ou « SDK », se déclenche. Il part ensuite à la recherche d’un clic ou d’un ID de « vue » correspondant, dans sa base de données. 

Si le SDK trouve une correspondance dans la fenêtre d’attribution, la publicité se voit alors attribuer le crédit de l’installation. 

Comment trouver le device ID sur votre appareil

Cela n’est pas difficile. 

Pour un Android, tapez“*#*#8255#*#*” sur le clavier. Dès que vous aurez tapé le dernier chiffre, le service GTalk s’affichera et vous pourrez voir le device ID.

Pour un appareil Apple, vous pouvez télécharger “My device IDFA by Appsflyer” depuis l’App store .

Questions relatives aux développements récents sur la confidentialité

Depuis la sortie d’iOS 14, Apple exige le consentement des utilisateurs pour que les applications puisse accéder à leur IDFA. Il s’agit du plus récent d’une longue série de changements visant à protéger la vie privée des consommateurs. 

Avant l’IDFA, Apple utilisait une fonction appelée Unique Device Identifier (UDID). Son fonctionnement est similaire à celui de l’IDFA, dans la mesure où il s’agit d’un identifiant pour un seul appareil. La différence réside dans le fait que l’UDID ne peut pas être réinitialisé, ce qui a été considéré comme problématique pour la protection de la vie privée, et a finalement été remplacé en 2012.  

En 2016, Apple a introduit le suivi limité des publicités(le Limited Ad Tracking, ou LAT), qui permet aux utilisateurs de refuser le “suivi”. Si un utilisateur a activé le LAT, son IDFA apparaît sous la forme d’une chaîne de zéros. 

Toutefois, ce n’est qu’en juin 2020 que les choses ont radicalement changé. Jusqu’à présent, l’IDFA restait la valeur par défaut et l’utilisateur devait faire la démarche active pour actionner le LAT, et garder sa confidentialité. 

Dans le cadre du nouveau AppTrackingTransparency (ATT) d’Apple, les choses s’inversent : le propriétaire de l’application doit d’abord et au préalable obtenir l’autorisation de l’utilisateur pour accéder à son IDFA, faute de quoi il n’y a pas accès. 

L’avenir des mesures avec (ou sans) les devices ID

L’avenir de la mesure doit donc être envisagé dans le contexte d’une protection accrue de la vie privée. L’un des principaux changements est le passage de données au niveau de l’utilisateur vers des données agrégées. Les propriétaires d’applications ne peuvent plus s’appuyer sur des informations détaillées utilisateur par utilisateur. Au lieu de cela, les données sont regroupées, ce qui contourne la mesure au niveau de l’individu et permet plutôt de repérer des tendances.  

Ceci dit, n’oubliez pas que pour les utilisateurs d’iOS ayant choisi le ATT, il n’y aura aucun changement dans la manière dont l’ID de l’appareil est utilisé. 

Mais pour ceux qui n’y consentent pas, ce qui devrait être la majorité, il existe un certain nombre de méthodes alternatives permettant d’attribuer les activités de marketing.

Le SKAdNetwork 

LeSKAdNetwork est le mécanisme d’attribution « déterministe» ou « probabiliste » d’Apple qui regroupe les données d’attribution pour les applications iOS Il s’agit d’un cadre qui prend en compte la confidentialité et recense les installations et les performances des campagnes, sans compromettre l’identité des utilisateurs pour autant. 

Le SKAdNetwork présente plusieurs limites, notamment celle de fournir des données limitées qui ne captent que des signaux très précoces dans le parcours du consommateur. Ces limitations rendent difficiles l’attribution, le remarketing et l’optimisation. Des organisations tierces telles que le Mobile Measurement Partners (MMP) proposent des solutions qui intègrent les données SK et offrent des informations pertinentes. Il existe également d’autres solutions qui peuvent aider à résoudre ce soucis de limitation. 

Le Machine learning et l’analyse prédictive

Les algorithmes de machine learning peuvent aider à comprendre les tendances de comportement des utilisateurs, afin de prédire leur valeur au fil du temps au regard des campagnes. 

L’attribution probabiliste agrégée joue également un rôle clé à l’ère de la protection de la vie privée, en combinant différentes méthodes probabilistes qui exposent les informations à un niveau agrégé uniquement. En effet, couplé au machine learning dans le cadre de la modélisation probabiliste, les données agrégées peuvent fournir les mêmes niveaux de précision qu’auparavant, tout en respectant des critères stricts de confidentialité. 

Dans iOS 14.5, les données sont très limitées. Il est donc essentiel de pouvoir prédire le succès d’une campagne dès le début et de l’optimiser en conséquence. 

L’incrémentalité

Les tests d’incrémentalité, grâce à leur mécanisme de contrôle et de test, fournissent aux marketeurs des données qui informent de la valeur réelle générée par les efforts marketing. Ces test permettent notamment de déterminer la part de l’activité qui résulte d’une campagne, et celle qui aurait été réalisée de manière organique. 

La mesure de l’incrémentalité est un autre outil important, car elle contribue à renforcer la confiance dans le succès d’une campagne en procurant une dimension d’analyse supplémentaire. 

Le parcours « web-to-app »

Ce parcours, ou « flow » permet à un utilisateur de passer d’une page Web à une application correspondante. De plus en plus, le web mobile est considéré comme un premier point de contact crucial, car c’est par ce biais que les consommateurs découvrent une marque et ses offres. 

Dans le contexte d’iOS 14.5, la bascule entre le web et l’application est désormais un outil marketing essentiel qui aide à « relier les points » sans avoir recours à l’IDFA. Comment ? Puisque le parcours utilisateur se compose de réseaux publicitaires et/ou de médias propriétaires, il n’est pas nécessaire de collecter l’IDFA à des fins d’attribution. Les first-party data peuvent être exploitées afin d’optimiser l’expérience. 

Points clés à retenir

Alors que les devices ID ont joué un rôle relativement central dans l’écosystème mobile en ce qui concerne la mesure et l’optimisation, l’essor des mises à jour centrées sur le respect de la vie privée a légèrement diminué leur importance pour les marketeurs d’applications.  

1. Les devices ID ont été l’un des moyens les plus précis et les plus fiables de faire relier un utilisateur à une action et, en tant que tels, ont constitué une méthode de mesure clé pour l’attribution. 
2. Il existe deux types de devices ID : le GAID pour Android et l’IDFA pour Apple.
3. Les devices ID aident à cartographier le parcours utilisateur et à comprendre ses préférences. 
4. Les identifiants permettent une segmentation granulaire de l’audience, ce qui peut aider à optimiser et à améliorer leurs campagnes.
5. En vertu du nouveau cadre ATT, les propriétaires d’applications devront demander l’autorisation d’accès à l’IDFA d’un utilisateur sur les appareils iOS. 
6. Sans identification de l’appareil, l’attribution dans les applications iOS se fera via SKAdNetwork, ce qui représente un défi pour les marketeurs en raison des données limitées. Toutefois, des solutions complémentaires qui incluent le Machine learning, l’incrémentalité et les flow dit « Web-to-app » contribueront à combler les lacunes. 

The post Device ID (ID de l’appareil) appeared first on AppsFlyer.

L’essor du marketing dit « mobile-first » est sans précédent.  

Les appareils mobiles sont utilisés pour un ensemble de tâches toujours plus large. Une tendance qui n’a fait que s’accélérer depuis la COVID-19.

La mesure et l’utilisation intelligente des données sont devenues essentielles. L’attribution mobile se trouve désormais au cœur des stratégies marketing.

Or, il convient de noter que l’évolution des règles de confidentialité, en particulier avec le prochain AppTrackingTransparency (ATT) d’Apple, devrait compliquer la mesure des données. Deux méthodes d’attribution, distinctes en partie, vont coexister sur Android et iOS.

Pour vous aider à faire la part des choses, ce guide présente les bases de l’attribution mobile et détaille la manière dont les normes de confidentialité vont modifier les pratiques de mesure.

Au programme :

• Les modèles d’attribution mobile, les fenêtres et les méthodologies.  
• Des conseils concernant les analyses marketing en post-installation, et notamment : cohortes et l rétention, LTV, ROAS, etc.
• Les menaces de fraudes : fraudes liée à l’installation, à la post-attribution et fraudes in-app.
• Une vue d’ensemble du SkadNetwork et du passage à l’attribution agrégée.

The post L’attribution mobile à l’ère de la confidentialité : le guide complet pour vos premiers pas appeared first on AppsFlyer.