LTV ยังคงมีความเกี่ยวข้องในโลกหลัง iOS 14 หรือไม่?

เป็นเวลาหลายปีแล้วที่ LTV (มูลค่าตลอดอายุการใช้งาน) ได้นั่งบนบัลลังก์ของตัวชี้วัดที่ผู้โฆษณาทั่วทั้งระบบนิเวศใช้อย่างเงียบๆ เพื่อตัดสินใจว่าโฆษณาของตนมีประสิทธิภาพเพียงใดและจะจัดสรรงบประมาณอย่างไรอย่างเหมาะสมเพื่อเพิ่มผลตอบแทนสูงสุดและเติบโตต่อไป แต่แล้วจู่ๆ สิ่งที่คิดไม่ถึงก็เกิดขึ้นเมื่อ Apple ตัดสินใจเปิดตัว iOS 14

ขณะนี้ผู้เชี่ยวชาญในอุตสาหกรรมหลายคนกล่าวว่าการสร้างแบบจำลอง LTV จะมองเห็นชะตากรรมเดียวกันกับการระบุแหล่งที่มาระดับผู้ใช้ ความตายที่หลีกเลี่ยงไม่ได้ ซึ่งเป็นไปได้ในทางเทคนิคเนื่องจากข้อจำกัดของเฟรมเวิร์ก SKAdNetwork นั่นทำให้การวัด LTV เป็นเรื่องที่ท้าทายอย่างยิ่ง แม้ว่าจะไม่มีการประทับเวลาของเหตุการณ์ก็ตาม

มาสรุปกันว่าเราคำนวณ LTV ได้อย่างไร และเหตุใดจึงสำคัญ

LTV เป็นตัวชี้วัดสำคัญที่แสดงให้เห็นว่าคุณทำเงินได้เท่าไรจากผู้ใช้ตลอดช่วงชีวิตที่มีส่วนร่วมกับแอปหรือบริการของคุณก่อนที่จะเลิกใช้งาน เชื่อมโยงกับต้นทุนการได้มาซึ่งลูกค้า (CAC) ซึ่งเป็นตัวชี้วัดที่คำนวณจำนวนเงินที่คุณจ่ายเพื่อให้ได้ลูกค้าใหม่ที่ชำระเงินสำหรับช่องทางหรือแคมเปญ และหาก CAC ของคุณสูงกว่า LTV คุณจะไม่สามารถทำกำไรได้ และคุณกำลังสูญเสียเงินไปแล้วจริงๆ

LTV ช่วยให้คุณเข้าใจว่าลูกค้าใหม่จะเพิ่มรายได้โดยรวมของคุณมากน้อยเพียงใด ซึ่งทำให้เป็นตัวชี้วัดที่สำคัญสำหรับทุกธุรกิจที่มีอยู่ เพราะคุณสามารถใช้เพื่อคาดการณ์การเติบโตในอนาคตของคุณในอนาคต จากนั้นจึงใช้เพื่อกำหนดเป้าหมายและการตัดสินใจของคุณ ที่จะมุ่งเน้นทรัพยากรของคุณและวิธีการเติบโตและบรรลุเป้าหมายเหล่านั้น

เมื่อเรารู้ว่ามันสำคัญแค่ไหน มาดูการคำนวณกัน วิธีการคำนวณ LTV แบบดั้งเดิมนั้นค่อนข้างง่าย โดยที่คุณคูณมูลค่าเฉลี่ยของการขาย × จำนวนธุรกรรมที่เกิดซ้ำ แล้วหารด้วยอัตราการเลิกใช้งานของคุณ

นี่คือตัวอย่าง ลูกค้าใช้จ่าย $60 ทุกปีในการสมัครสมาชิกแอปที่พวกเขาชื่นชอบเป็นเวลา 5 ปี LTV ของลูกค้าจะเป็น: ($60 X 5 ปี ) / อัตราการเลิกใช้งาน สวยเรียบง่ายใช่มั้ย? แต่ผู้เชี่ยวชาญด้านการตลาดมักจะแยกลูกค้าออกเป็น "กลุ่ม"; กลุ่มลูกค้าที่ซื้อครั้งแรกในช่วงเวลาใกล้เคียงกันซึ่งมีลักษณะที่คล้ายคลึงกัน

สามรูปแบบหลักของการสร้างแบบจำลอง LTV

ในอดีต นักการตลาดทุกคนอาศัยรูปแบบหลักสามประการของการสร้างแบบจำลอง LTV เพื่อประเมินประสิทธิภาพของช่องและแคมเปญของตน

1. โมเดลระดับผู้ใช้ที่ขับเคลื่อนด้วยพฤติกรรม: การใช้ข้อมูลระดับผู้ใช้และใช้งานโดยแอปทั้งหมด
2. รูปแบบการรักษาผู้ใช้: การใช้กลุ่มประชากรตามรุ่นและใช้งานโดยแอปที่มีการรักษาผู้ใช้สูงและมีพฤติกรรมการสร้างรายได้ที่สม่ำเสมอน้อยกว่า
3. โมเดล D7 ROAS: ใช้การคาดการณ์ระดับกลุ่มประชากรตามรุ่นและใช้โดยแอปที่มีพฤติกรรมการสร้างรายได้อย่างสม่ำเสมอ

ด้วยการเปลี่ยนแปลงของ iOS14 โมเดลระดับผู้ใช้ที่ขับเคลื่อนด้วยพฤติกรรมจึงกลายเป็นเรื่องยาก โมเดลการเก็บข้อมูลก็กลายเป็นเรื่องง่ายในระดับปานกลาง และโมเดล D7 ROAS ก็กลายเป็นเรื่องง่าย

ดังนั้นเกมมือถือจะทำกลุ่มและคำนวณ LTV ของพวกเขาอย่างไร?

SKAdNetwork มาพร้อมกับ 64 บิตที่คุณสามารถกำหนดค่าผ่าน MMP ของคุณ และสามารถกำหนดค่ามูลค่าการแปลงเหล่านั้นให้สะท้อนถึงค่าสำหรับเหตุการณ์บางอย่างหรือเพียงแค่กำหนดค่าให้มีที่เก็บข้อมูลรายได้

แอปเกมใช้สคีมามูลค่า Conversion ตามกลุ่มรายได้ตั้งแต่วันที่ 0 (หรือช่วง 2-3 วันแรก) และดูว่าชุดข้อมูลเหล่านี้แปลงจากวันที่0 เป็น LTV จากกลุ่มประชากรตามรุ่นโดยรวมอย่างไร (ไม่มีการระบุแหล่งที่มา แต่สำหรับพื้นที่ใกล้เคียงกัน) และใช้อัตราส่วนนี้

ตัวอย่างเช่น ผู้ใช้ iOS ในสหรัฐฯ ซึ่งสร้างรายได้ $0.50 ถึง $1.00 ในวันที่ 0 จบลงด้วยการสร้างรายได้ $10 ตลอดชีวิตของเขา พวกเขาใช้อัตราส่วนนี้ (x10-20) เพื่อให้รายได้ตามถัง SKAN ดีกว่าไม่มีเลย

แต่มีสมมติฐานมากมายสำหรับวิธีนี้ เช่นความแปรปรวนของช่องสัญญาณแต่ละช่องมีจำกัด อัตราส่วนวันที่ 0 ที่ผ่านมาอาจมากกว่า LTV จริงในอนาคต ข้อมูล SKAN ไม่น่าเชื่อถือ...

LTV รุ่นใหม่

ในอดีต นักการตลาดเคยสร้างแบบจำลองกลุ่มประชากรตามรุ่นเพื่อคาดการณ์รายได้โดยประมาณในอนาคตจากช่องทางหรือแคมเปญ เนื่องจากก่อนที่ Apple จะปล่อยการติดตั้ง App Tracking Transparency (ATT) จากแคมเปญทั้งหมดสามารถจัดกลุ่มและกำหนด LTV ที่คาดการณ์ไว้เดียวกันโดยอิงตามค่าที่ต่ำกว่า เหตุการณ์รายได้ช่องทาง โมเดล LTV นี้มีระดับความถูกต้องเพียงพอสำหรับวัตถุประสงค์ในการได้มาซึ่งผู้ใช้และการจัดสรรงบประมาณ

หลังจาก iOS14 ผู้ใช้กำลังยกเลิกการติดตามโฆษณา ซึ่งทำให้ผู้ลงโฆษณาขาดความสามารถในการทำความเข้าใจว่าแคมเปญหรือเครือข่ายโฆษณาใดทำให้เกิดการติดตั้ง ส่งผลให้โมเดล LTV ของกลุ่มประชากรตามรุ่นนั้นไร้ประโยชน์ ดังนั้น ทีมการตลาดจึงเริ่มทดสอบวิธีใหม่ๆ อย่างรวดเร็วในการตรวจสอบประสิทธิภาพระยะยาวของแคมเปญการตลาดของพวกเขา มาสรุปสิ่งที่สำคัญที่สุดกัน

D0 ROAS LTV รุ่น

ด้วยโมเดล D0 ROAS LTV นักการตลาดใช้รายงานมูลค่า Conversion ของ SKAN เพื่อประเมินผลตอบแทน D0 จากนั้นจึงใช้ข้อมูลนี้เพื่อประเมินผลตอบแทนระยะยาวของช่องหรือแคมเปญ อย่างไรก็ตาม โมเดลนี้มีข้อเสียหลายประการ เช่น D0 ROAS เป็นการวัดที่ไม่ถูกต้องในการคาดการณ์ LTV หรือนักการตลาดจะติดอยู่ที่มุมมอง 1 วันของแคมเปญประสิทธิภาพ

รุ่น LTV ระดับผู้ใช้

โมเดลนี้ฟังดูขัดกับสิ่งที่ Apple บังคับใช้กับเฟรมเวิร์ก ATT โดยสิ้นเชิงตั้งแต่แรก อย่างไรก็ตาม นักการตลาดยังคงมีข้อมูลของบุคคลที่หนึ่งที่พวกเขาสามารถใช้เพื่อคาดการณ์ว่าผู้ใช้มีแนวโน้มที่จะใช้จ่ายเท่าใด โมเดลนี้เป็นอัลกอริธึมแมชชีนเลิร์นนิงที่จะใช้ข้อมูล เช่น การวิเคราะห์ระบุที่ช่วยคาดการณ์พฤติกรรมของผู้ใช้ ข้อมูลรายได้จาก IAP หรือการสร้างรายได้จากโฆษณา และการมีส่วนร่วมในแอปเพื่อคาดการณ์ว่าผู้ใช้จะใช้จ่ายเท่าใดในอนาคต

กล่าวอีกนัยหนึ่ง โมเดล LTV ระดับผู้ใช้ดังกล่าวช่วยให้นักการตลาดสามารถจัดการกับความท้าทายที่เกิดขึ้นตั้งแต่เปิดตัวเฟรมเวิร์ก ATT ซึ่งหมายความว่าสามารถวัดประสิทธิภาพของแคมเปญ SKAN ได้ในลักษณะเดียวกับการวัดแคมเปญที่มีการระบุแหล่งที่มาของ MMP อย่างไรก็ตาม โมเดลนี้ต้องการทรัพยากรมากกว่าที่คุณคิด และทรัพยากรเหล่านั้นอาจไม่พร้อมใช้งานสำหรับทุกธุรกิจ การเริ่มต้นหรือธุรกิจขนาดกลางอาจไม่พบคุณค่าในการลงทุนและสร้างแบบจำลองดังกล่าว เมื่อเทียบกับธุรกิจที่ใช้เงินหลายล้านเพื่อโฆษณาผลิตภัณฑ์และบริการของตนทางออนไลน์

LTV ยังเกี่ยวข้องหรือไม่ บทสรุป

ATT เปลี่ยนวิธีการโฆษณาธุรกิจของคุณทางออนไลน์ และ Apple ไม่ใช่บริษัทเดียวที่เปิดตัวเฟรมเวิร์กใหม่เพื่อสร้างโลกแห่งการโฆษณาที่เน้นความเป็นส่วนตัวเป็นหลัก บริษัทอื่นๆ จะตามมา กลยุทธ์ที่ดีที่สุดในการแก้ไขปัญหาความปกติใหม่นี้คือการปรับตัวและมีความยืดหยุ่น ทีมการตลาดของคุณควรทำตามการทดสอบและเรียนรู้วิธีค้นหาสิ่งที่เหมาะกับธุรกิจของคุณ และทำอย่างไรถึงจะยังคงมีประสิทธิภาพในภาวะปกติใหม่นี้

อย่างไรก็ตาม หากคุณมีทรัพยากร คุณสามารถลองสร้างโมเดล LTV ระดับผู้ใช้หรือโมเดล D0 ROAS LTV จากนั้นดูว่าสิ่งนี้จะส่งผลต่อประสิทธิภาพทางการตลาดของคุณอย่างไร นอกจากนี้ พึงระลึกไว้เสมอว่ายังมีกลยุทธ์อีกมากมายที่ใช้ได้ผลสำหรับธุรกิจบางประเภท แต่ไม่ใช่สำหรับธุรกิจอื่นๆ เช่น Marketing Mix Modeling “MMM” ซึ่งเป็นหัวข้อที่น่าสนใจมากสำหรับโพสต์อื่น