Apakah LTV Masih Relevan di Dunia Pasca iOS 14?

Selama bertahun-tahun, LTV (nilai seumur hidup) diam-diam namun secara konsisten duduk di atas takhta metrik yang digunakan oleh pengiklan di seluruh ekosistem untuk memutuskan seberapa efektif iklan mereka dan bagaimana mengalokasikan anggaran dengan benar untuk memaksimalkan pengembalian dan terus berkembang. Tapi kemudian tiba-tiba hal yang tidak terpikirkan terjadi ketika Apple memutuskan untuk meluncurkan iOS 14.

Sekarang banyak pakar industri mengatakan bahwa pemodelan LTV akan mengalami nasib yang sama dengan atribusi tingkat pengguna. Kematian yang tak terhindarkan, yang secara teknis dimungkinkan karena keterbatasan kerangka kerja SKAdNetwork. Itu membuatnya sangat menantang untuk mengukur LTV. Meskipun itu tidak memberi Anda stempel waktu waktu acara.

Mari kita rekap bagaimana kita dapat menghitung LTV dan mengapa itu penting

LTV adalah metrik penting yang menunjukkan berapa banyak uang yang Anda hasilkan dari pengguna selama interaksi seumur hidup mereka dengan aplikasi atau layanan Anda sebelum mereka berhenti. Ini terkait dengan Biaya Akuisisi Pelanggan (CAC) yang merupakan metrik yang menghitung berapa banyak yang Anda bayarkan untuk mendapatkan pelanggan baru yang membayar untuk saluran atau kampanye dan jika CAC Anda lebih tinggi dari LTV Anda, tidak mungkin menghasilkan keuntungan, dan Anda sebenarnya sudah kehilangan uang.

LTV membantu Anda memahami berapa banyak pelanggan baru akan menambah pendapatan Anda secara keseluruhan, yang menjadikannya metrik utama untuk setiap bisnis di luar sana karena Anda dapat menggunakannya untuk membuat prediksi masa depan pertumbuhan masa depan Anda kemudian menggunakannya untuk menetapkan tujuan dan keputusan Anda di mana untuk memfokuskan sumber daya Anda dan bagaimana tumbuh dan mencapai tujuan tersebut.

Sekarang setelah kita tahu betapa pentingnya hal itu, mari kita beralih ke beberapa perhitungan. Metode tradisional untuk menghitung LTV sebenarnya cukup sederhana, di mana Anda mengalikan nilai rata-rata penjualan × jumlah transaksi berulang dan membaginya dengan churn rate Anda.

Berikut ini contoh. Seorang pelanggan menghabiskan $60 setiap tahun untuk berlangganan aplikasi favorit mereka selama 5 tahun. LTV pelanggan adalah: ($60 X 5 tahun ) / tingkat churn mereka. Cukup sederhana bukan? Namun pakar pemasaran biasanya membagi pelanggan menjadi "kelompok"; kelompok pelanggan yang melakukan pembelian pertama mereka pada waktu yang sama yang memiliki karakteristik serupa.

Tiga bentuk utama pemodelan LTV

Secara historis, setiap pemasar mengandalkan tiga bentuk utama pemodelan LTV untuk menilai kinerja saluran dan kampanye mereka.

1. Model tingkat pengguna berdasarkan perilaku: Menggunakan data tingkat pengguna dan digunakan oleh semua aplikasi.
2. Model retensi: Menggunakan kohor dan digunakan oleh aplikasi dengan retensi tinggi dan perilaku monetisasi yang kurang konsisten.
3. Model ROAS D7: Menggunakan prediksi tingkat kelompok dan digunakan oleh aplikasi dengan perilaku monetisasi yang konsisten.

Dengan perubahan iOS14, model tingkat pengguna yang didorong oleh perilaku menjadi sulit, model retensi menjadi cukup mudah, dan Model ROAS D7 menjadi mudah.

Jadi, bagaimana game seluler melakukan kohort dan menghitung LTV mereka?

SKAdNetwork hadir dengan 64 bit yang dapat Anda konfigurasikan melalui MMP Anda, dan nilai konversi tersebut dapat dikonfigurasi untuk mencerminkan nilai untuk peristiwa tertentu atau hanya dikonfigurasi untuk memiliki keranjang pendapatan.

Aplikasi game menggunakan skema nilai konversi berdasarkan kumpulan pendapatan dari Hari0 (atau beberapa hari pertama) dan mereka melihat bagaimana kumpulan ini berkonversi dari Hari0 ke LTV dari keseluruhan kohor (tanpa atribusi, tetapi untuk geografi serupa) dan menerapkan rasio ini.

Misalnya, pengguna iOS AS yang menghasilkan $0,50 hingga $1,00 pada Hari0, akhirnya menghasilkan $10 selama masa hidupnya. Mereka menerapkan rasio ini (x10-20) sehingga pendapatan berdasarkan ember SKAN lebih baik daripada tidak sama sekali.

Tapi, ada banyak asumsi dengan metode ini. Seperti setiap varian saluran terbatas, rasio masa lalu Hari0 bisa lebih besar dari LTV aktual di masa depan, data SKAN tidak dapat diandalkan…

Model LTV baru

Di masa lalu, pemasar biasa membuat model kohort untuk memperkirakan perkiraan pendapatan di masa mendatang dari saluran atau kampanye karena sebelum Apple merilis pemasangan Transparansi Pelacakan Aplikasi (ATT) dari kampanye, semua dapat dikelompokkan dan ditetapkan dengan LTV yang diprediksi sama berdasarkan lebih rendah -acara pendapatan corong. Model LTV ini memberikan tingkat akurasi yang memadai untuk akuisisi pengguna dan tujuan alokasi anggaran.

Sekarang setelah iOS14, pengguna menyisih dari pelacakan iklan. Itu membuat pengiklan kehilangan kemampuan untuk memahami kampanye atau jaringan iklan mana yang mendorong penginstalan, sehingga model LTV kohort itu tidak berguna. Jadi, tim pemasaran mulai dengan cepat menguji cara baru untuk memvalidasi efektivitas jangka panjang dari kampanye pemasaran mereka. Mari kita rangkum yang paling penting.

Model LTV ROAS D0

Dengan model LTV ROAS D0, pemasar menggunakan laporan nilai konversi SKAN untuk memperkirakan pengembalian D0. Kemudian mereka menggunakan ini untuk memperkirakan pengembalian jangka panjang dari saluran atau kampanye. Namun, model ini memiliki beberapa kelemahan seperti ROAS D0 adalah ukuran yang tidak akurat untuk memprediksi LTV atau bahwa pemasar akan terjebak pada tampilan 1 hari dari kampanye kinerja.

Model LTV tingkat pengguna

Model ini terdengar sangat bertentangan dengan apa yang diterapkan Apple dengan kerangka kerja ATT sejak awal. Namun, pemasar masih memiliki data pihak pertama yang dapat mereka gunakan untuk memprediksi berapa banyak kemungkinan yang akan dibelanjakan pengguna. Model ini adalah algoritme pembelajaran mesin yang akan menggunakan data seperti identifikasi analitik yang membantu dalam memprediksi perilaku pengguna, data pendapatan dari IAP atau monetisasi iklan, dan interaksi dalam aplikasi untuk memprediksi berapa banyak yang akan dibelanjakan pengguna di masa mendatang.

Dengan kata lain, model LTV tingkat pengguna seperti itu memungkinkan pemasar untuk mengatasi tantangan yang muncul sejak peluncuran kerangka kerja ATT. Ini berarti dapat mengukur kinerja kampanye SKAN dengan cara yang sama seperti mengukur kampanye yang dikaitkan dengan MMP. Namun, model ini membutuhkan lebih banyak sumber daya daripada yang Anda kira, dan sumber daya tersebut mungkin tidak tersedia untuk semua bisnis. Startup atau bisnis menengah mungkin tidak menemukan nilai dalam berinvestasi dan membangun model seperti itu dibandingkan dengan bisnis yang menghabiskan jutaan untuk mengiklankan produk dan layanannya secara online.

Apakah LTV masih relevan? Kesimpulan

ATT mengubah cara bisnis Anda beriklan secara online. Dan Apple bukan satu-satunya perusahaan yang meluncurkan kerangka kerja baru untuk membentuk dunia periklanan yang mengutamakan privasi. Lebih banyak perusahaan akan mengikuti. Strategi terbaik untuk mendekati normal baru ini adalah dengan beradaptasi dan bersikap fleksibel. Tim pemasaran Anda harus mengikuti tes dan mempelajari pendekatan untuk menemukan apa yang berhasil untuk bisnis Anda. Dan bagaimana tetap efisien di era new normal ini.

Namun, jika Anda memiliki sumber daya, Anda dapat mencoba membuat model LTV tingkat pengguna atau model LTV ROAS D0. Kemudian lihat bagaimana hal ini akan mempengaruhi efisiensi pemasaran Anda. Juga, perlu diingat bahwa ada banyak lagi strategi yang bekerja untuk beberapa bisnis tetapi tidak untuk orang lain, seperti Marketing Mix Modeling “MMM” yang merupakan topik yang sangat menarik untuk posting lain.