厂商稿件

行业首创!LTV 指标优化重磅上线,一步到位达成获客终极目标

文/ 反弹底射 2022-11-23 20:32:11

经过一年的产品整合和品牌统一,Liftoff于近日宣布与Vungle合并后的公司将以统一的、全新的Liftoff品牌形象继续赋能行业。除了新品牌形象外,Liftoff还亮相了全新的产品矩阵,为用户提供协调统一的营销和产品服务。随后,Liftoff带来了品牌焕新后的首个产品更新:业界首个机器学习解决方案LTV优化。

众所周知,手游营销市场正在经历风云变幻。对隐私问题日益增长的担忧、经济波动,以及广告科技公司的迅速兼并,都意味着“不惜一切代价求增长”的战略不再适用。移动应用开发者和营销人员开始使用新的第一关键指标——用户生命周期价值(LTV),为自己业务的未来保驾护航。

LTV 是指用户在其作为用户的整个生命周期内所能带来的收益。在许多情况下,这里的“生命周期”会被定义为固定的时间段,可以是 180天、365 天或更长。

但大多数广告商都使用 7 日回收(D7 ROAS)等指标来达成自己的 LTV 目标。所带来的问题是短期指标经常忽略长期购买者,且无法准确预测 LTV。那我们为何还在使用这些指标呢?

Liftoff 刚刚在公测中引入了一个新功能,可以让您告别各种指标,直接迎接 LTV 优化!LTV  优化是业界首个的机器学习解决方案,可以使用您的预测 LTV(pLTV)分值来为您的业务定位最佳用户。

走向 LTV 优化:漫长的过程

多年来,直接优化 LTV 一直是个难题。直到 2015 年,优化安装(CPI)模式都还是应用内广告的首选。在大多数应用的售价都还是 0.99 美元时,CPI 优化能有效帮助应用盈利,同时实现和用户群快速增长。此后,应用开始从“收费安装”转向“免费增值”模式,即安装免费,然后进行应用内购买(IAP)的模式。一夜之间,CPI 优化就不再是帮助应用开发者创收的有效策略了。毕竟,如果用户下载了应用,但再也没打开过应用,那有什么用呢?如果安装免费,那获取这个用户就毫无意义,且花费高昂。

为了解决上述问题,事件优化(CPA)被运用于定位那些最有可能下载应用,且会在应用中完成期望操作的用户。这种模式能让应用开发者和广告商获取那些最有可能完成“注册”、“订阅”或“购买”等行动的用户。但也随之带来了一个主要挑战:将收益优化限制在了单一的收益活动上。或者说,CPA 模型定位的是那些最有可能完成一个特定购买事件的用户,而非完成最大或多个不同收益事件以产生最多收益的用户。

基于此,广告合作伙伴提出了 ROAS 模型,该模型先后通过 IAP 和 IAA 收入,针对最有可能产生最高收入的用户进行优化。虽然 ROAS 模型在创收方面明显优于 CPA 模型,但却只考虑安装后的前 7 天(或 30 天)的转化率。这对大多数应用来说都是个问题。

首先,在安装应用后前 7 天内完成转化的用户不一定会在剩余的 LTV 期限内持续创收。例如,有些用户会在 7 天内进行购买,然后对应用不满意,就再也不购买了。D7 ROAS 模型会定位这些进行一次购买的用户,并会忽略可能在第 6、8、10 天或者之后完成转化的用户。

这就引出了第二个担忧:ROAS 模型和其他短期指标并不像LTV那样将长期转化率和留存率考虑在内,从而导致错失机会和指标偏离。

有这么多明显问题,为什么业内没有一开始就采取 LTV 优化呢?

理想与现实:优化 LTV 不容易

长久以来,广告网络和需求方平台(DSP)无法直接针对 LTV 进行优化,主要原因有两个:独特的 LTV 计算方式,以及需要大量资源的 pLTV 分值。

独特的 LTV 计算方式 - 与 CPI、CPA、ROAS 的不同之处是 LTV 并没有固定的计算方法。LTV 取决于应用的独特受众、LTV 期限以及其他因素。没有一个标准模型,许多广告合作伙伴就没有可扩展的 LTV 解决方案。

需要大量资源的 pLTV 分值 - 此外,LTV 建模非常复杂,需要大量资源。为了针对 LTV 进行优化,许多行业领先的应用会给数据分析团队砸重金,数据分析团队会为用户分配pLTV分值,这些分值与内部模型相结合,用以预测未来 ROAS (pROAS)。然后,数据分析团队从预测出来的目标反推工作,并尝试将短期指标(CPI、CPA或D7 ROAS)与最成功的 LTV 用户相匹配。这项工作非常复杂,需要投入大量时间和资源,而许多应用开发者根本无法负担。小型开发者通常将LTV建模外包给第三方公司,或者可能根本没有 pLTV 分值相关的数据。

缺少 LTV 机器学习模型和用户层级的 pLTV 分值意味着广告网络和 DSP 只能为 LTV 优化提供短期指标。

选择 Liftoff: LTV 优化为何能脱颖而出?

比起使用各种指标,LTV 优化直接将 Liftoff 的机器学习模型与您的 LTV 目标相匹配,助力业务取得长线成功。

我们如何能做到这一点呢?LTV 优化先是导入用户级别的 pLTV 分值。这些分值会调整我们的机器学习模型,以定位针对您应用的最佳用户。一旦模型发现并向新用户进行了广告展示,不同于 MMP 回传,Liftoff 会针对该用户使用新生成的 pLTV 分值,以进一步完善、改进我们的机器学习模型。因此,LTV 优化能够获取那些被证实会在应用内转化的用户。

在最初的测试中,早期使用的广告商看到了 D7 ROAS 和 pROAS 的显著提升。LTV 优化可助力移动广告商:

通过直接的 LTV 优化产生最大收益,无需其他指标。

通过为其独特受众量身打造的机器学习模型来获取最佳用户。

针对符合其业务需求的 LTV 期限进行优化,不只限于短期。

LTV 优化现开放公测,若想了解更多信息,请关注Liftoff官方公众号(ID:gh_8ae9b06f8cdd),联系客户经理或咨询我们的商务人员。

关于Liftoff

Liftoff 是移动行业领先的一站式增长加速平台,通过广告投放和流量变现相关解决方案,帮助移动应用广告主、发行商、游戏开发者和需求方平台实现业务规模化增长。Liftoff 依托 Accelerate (DSP)、Direct (直客)、Influence(达人营销)、Monetize(广告变现)、Intelligence (GameRefinery数据分析) 和 Vungle Exchange 在内的一系列解决方案,服务于来自全球 74 个国家和地区超过 6,600 家移动企业,涵盖游戏、社交、金融、电商、娱乐等垂直领域。Liftoff 发起的“ 移动先锋” (Mobile Heroes) 计划致力于推动移动营销行业发展,汇集了超过 3,000 名应用营销人、变现领域专家以及游戏开发者,已成为业界知名的全球社区。Liftoff 连续六年上榜 Inc.5000 “全美发展最快私营企业”榜单,并多次荣获 Stevie® 美国商业大奖,荣膺最快增长科技企业。Liftoff 成立于 2012 年,总部位于美国加州红木城,业务遍及全球。

Alex Matveev
2022-06-06 16:27:13
不合规
审核中
@苏某某: 她在音乐方面的喜好,以及对天文的兴趣,也源于这部动画的影响。一直很喜欢爵士乐的她突然开始想
乐方面的喜好,以及对天文的兴趣,也源于这部动画的影响。一直很喜欢爵士乐的她突然开始想,没有系统了解过此类音乐的她怎么会喜欢上 呢?后来听完《美少女战士》原声带后才发现,“原来我在那么小的时候
评论全部加载完了~