Ist LTV in der Post-iOS 14-Welt noch relevant?

Seit vielen Jahren sitzt der LTV (Lifetime Value) still und doch konsequent auf dem Thron der Metriken, die von Werbetreibenden im gesamten Ökosystem verwendet werden, um zu entscheiden, wie effektiv ihre Werbung ist und wie sie Budgets richtig zuweisen, um die Rendite zu maximieren und weiter zu wachsen. Doch dann passierte plötzlich das Undenkbare, als Apple beschloss, iOS 14 herauszubringen.

Jetzt sagen viele Branchenexperten, dass die LTV-Modellierung das gleiche Schicksal erleiden wird wie die Zuordnung auf Benutzerebene. Ein unvermeidlicher Tod, der aufgrund der Einschränkungen des SKAdNetwork-Frameworks technisch möglich ist. Das macht es extrem schwierig, den LTV zu messen. Es liefert Ihnen zwar keinen Zeitstempel des Zeitpunkts des Ereignisses.

Lassen Sie uns zusammenfassen, wie wir den LTV berechnen können und warum dies wichtig ist

LTV ist eine wichtige Kennzahl, die zeigt, wie viel Geld Sie mit einem Benutzer während seiner lebenslangen Interaktion mit Ihrer App oder Ihrem Dienst verdient haben, bevor er abwandert. Es ist an die Kundenakquisitionskosten (CAC) gebunden, die die Metrik berechnet, die berechnet, wie viel Sie bezahlen, um einen neuen zahlenden Kunden für einen Kanal oder eine Kampagne zu gewinnen, und wenn Ihr CAC höher ist als Ihr LTV, ist es unmöglich, einen Gewinn zu erzielen. und du verlierst eigentlich schon Geld.

Der LTV hilft Ihnen zu verstehen, wie viel ein neuer Kunde zu Ihrem Gesamtumsatz beitragen wird, was ihn zu einer Schlüsselkennzahl für jedes Unternehmen da draußen macht, da Sie ihn verwenden können, um zukünftige Vorhersagen über Ihr zukünftiges Wachstum zu treffen, und ihn dann verwenden, um Ihre Ziele und Entscheidungen festzulegen wo Sie Ihre Ressourcen konzentrieren und wie Sie wachsen und diese Ziele erreichen können.

Nun, da wir wissen, wie wichtig es ist, kommen wir zu einigen Berechnungen. Die traditionelle Methode zur Berechnung des LTV ist eigentlich ziemlich einfach, bei der Sie den Durchschnittswert eines Verkaufs mit der Anzahl der Wiederholungstransaktionen multiplizieren und durch Ihre Abwanderungsrate dividieren.

Hier ist ein Beispiel. Ein Kunde gibt 5 Jahre lang jedes Jahr 60 $ für sein Lieblings-App-Abonnement aus. Der LTV des Kunden wäre: ($60 x 5 Jahre) / seine Abwanderungsrate. Ziemlich einfach oder? Aber Marketingexperten teilten Kunden normalerweise in „Kohorten“ ein; Gruppen von Kunden, die ungefähr zur gleichen Zeit ihre ersten Einkäufe getätigt haben und ähnliche Merkmale aufweisen.

Die drei Hauptformen der LTV-Modellierung

In der Vergangenheit hat sich jeder Vermarkter auf drei primäre Formen der LTV-Modellierung verlassen, um die Leistung seiner Kanäle und Kampagnen zu bewerten.

1. Verhaltensgesteuertes Modell auf Benutzerebene: Verwendet Daten auf Benutzerebene und wird von allen Apps verwendet.
2. Bindungsmodell: Verwendung von Kohorten und verwendet von Apps mit hoher Bindung und weniger konsistentem Monetarisierungsverhalten.
3. D7-ROAS-Modell: Verwendet Vorhersagen auf Kohortenebene und wird von Apps mit konsistentem Monetarisierungsverhalten verwendet.

Mit den Änderungen von iOS14 wurde das verhaltensgesteuerte Modell auf Benutzerebene schwierig, das Bindungsmodell wurde mäßig einfach und das D7-ROAS-Modell wurde einfach.

Also, wie machen mobile Spiele Kohorten und berechnen ihren LTV?

Das SKAdNetwork wird mit 64 Bit geliefert, die Sie über Ihr MMP konfigurieren können, und diese Conversion-Werte können so konfiguriert werden, dass sie Werte für bestimmte Ereignisse widerspiegeln, oder einfach so konfiguriert werden, dass sie Umsatz-Buckets haben.

Gaming-Apps verwendeten ein Conversion-Wert-Schema basierend auf Umsatz-Buckets von Day0 (oder den ersten paar Tagen) und sie sehen sich an, wie diese Buckets von Day0 zu LTV aus ihrer Gesamtkohorte (ohne Zuordnung, aber für ähnliche Regionen) konvertiert werden, und wenden dieses Verhältnis an.

Beispiel: Ein US-iOS-Benutzer, der am Tag 0 0,50 bis 1,00 US-Dollar verdient hat, hat im Laufe seines Lebens 10 US-Dollar verdient. Sie wenden dieses Verhältnis (x10-20) an, damit die Einnahmen basierend auf dem SKAN-Bucket besser als nichts sind.

Bei dieser Methode gibt es jedoch viele Annahmen. Da die Varianz jedes Kanals begrenzt ist, könnte das vergangene Verhältnis Day0 in Zukunft größer sein als der tatsächliche LTV, SKAN-Daten waren unzuverlässig …

Das neue LTV-Modell

In der Vergangenheit haben Vermarkter ein Kohortenmodell erstellt, um die zukünftigen geschätzten Einnahmen aus einem Kanal oder einer Kampagne vorherzusagen, denn bevor Apple App Tracking Transparency (ATT) veröffentlichte, konnten Installationen aus einer Kampagne alle gruppiert und demselben prognostizierten LTV basierend auf einem niedrigeren zugewiesen werden - Trichterumsatzereignisse. Dieses LTV-Modell bot ein ausreichendes Maß an Genauigkeit für die Benutzerakquise und Budgetzuweisungszwecke.

Jetzt, nach iOS14, deaktivieren Benutzer das Anzeigen-Tracking. Dadurch konnten Werbetreibende nicht mehr nachvollziehen, welche Kampagnen oder Werbenetzwerke zu Installationen geführt haben, wodurch dieses Kohorten-LTV-Modell nutzlos wurde. Daher begannen Marketingteams, schnell neue Wege zu testen, um die langfristige Wirksamkeit ihrer Marketingkampagnen zu validieren. Fassen wir die wichtigsten zusammen.

D0 ROAS LTV-Modell

Mit dem D0-ROAS-LTV-Modell verwenden Vermarkter den Konversionswertbericht von SKAN, um die D0-Rendite zu schätzen. Anschließend schätzen sie damit den langfristigen Ertrag eines Kanals oder einer Kampagne ab. Dieses Modell hat jedoch mehrere Nachteile, z. B. dass der D0-ROAS ein ungenaues Maß zur Vorhersage des LTV ist oder dass Werbetreibende bei der 1-Tages-Ansicht der Performance-Kampagne hängen bleiben.

Das LTV-Modell auf Benutzerebene

Dieses Modell klingt völlig gegen das, was Apple mit dem ATT-Framework überhaupt durchsetzt. Vermarkter verfügen jedoch immer noch über First-Party-Daten, mit denen sie vorhersagen können, wie viel ein Benutzer wahrscheinlich ausgeben wird. Dieses Modell ist ein maschineller Lernalgorithmus, der Daten verwendet, wie z. B. die Analyseidentifikationen, die bei der Vorhersage des Benutzerverhaltens helfen, die Umsatzdaten aus In-App-Käufen oder Anzeigenmonetarisierung und das In-App-Engagement, um vorherzusagen, wie viel ein Benutzer in Zukunft ausgeben wird.

Mit anderen Worten, ein solches LTV-Modell auf Benutzerebene ermöglicht es Marketingfachleuten, die Herausforderungen zu bewältigen, die seit der Einführung des ATT-Frameworks aufgetreten sind. Dies bedeutet, dass Sie die Leistung der SKAN-Kampagnen auf die gleiche Weise messen können wie alle MMP-zugeordneten Kampagnen. Dieses Modell benötigt jedoch viel mehr Ressourcen, als Sie vielleicht denken, und diese Ressourcen sind möglicherweise nicht für alle Unternehmen verfügbar. Ein Startup oder ein mittelständisches Unternehmen findet möglicherweise keinen Wert darin, ein solches Modell zu investieren und aufzubauen, verglichen mit einem Unternehmen, das Millionen ausgibt, um seine Produkte und Dienstleistungen online zu bewerben.

Ist LTV noch relevant? Fazit

ATT hat die Art und Weise verändert, wie Ihr Unternehmen online wirbt. Und Apple ist nicht das einzige Unternehmen, das neue Rahmenbedingungen einführt, um eine datenschutzorientierte Werbewelt zu gestalten. Weitere Unternehmen werden folgen. Die beste Strategie, um sich dieser neuen Normalität zu nähern, besteht darin, sich anzupassen und flexibel zu sein. Ihr Marketingteam sollte einem Test- und Lernansatz folgen, um herauszufinden, was für Ihr Unternehmen funktioniert. Und wie man in dieser neuen Normalität trotzdem effizient ist.

Wenn Sie jedoch über die Ressourcen verfügen, können Sie versuchen, das LTV-Modell auf Benutzerebene oder das D0-ROAS-LTV-Modell zu erstellen. Sehen Sie dann, wie sich dies auf Ihre Marketingeffizienz auswirkt. Denken Sie auch daran, dass es viele weitere Strategien gibt, die für einige Unternehmen funktionieren, aber nicht für alle anderen, wie z. B. die Marketing-Mix-Modellierung „MMM“, die ein wirklich interessantes Thema für einen anderen Beitrag ist.