LTV Post-iOS 14 Dünyasında Hala İlgili mi?

Uzun yıllar boyunca, LTV (ömür boyu değer), ekosistemin her yerinde reklamverenler tarafından reklamlarının ne kadar etkili olduğuna ve getirileri en üst düzeye çıkarmak ve büyümeye devam etmek için bütçelerin nasıl düzgün şekilde tahsis edileceğine karar vermek için kullanılan metriklerin tahtında sessizce ama tutarlı bir şekilde oturdu. Ama sonra Apple, iOS 14'ü piyasaya sürmeye karar verdiğinde aniden düşünülemez oldu.

Artık birçok endüstri uzmanı, LTV modellemesinin kullanıcı düzeyinde ilişkilendirme ile aynı kaderi göreceğini söylüyor. SKAdNetwork çerçevesinin sınırlamaları nedeniyle teknik olarak mümkün olan kaçınılmaz bir ölüm. Bu, LTV'yi ölçmeyi son derece zorlaştırıyor. Size etkinliğin zamanına ilişkin herhangi bir zaman damgası sağlamaz.

LTV'yi nasıl hesaplayabileceğimizi ve neden önemli olduğunu özetleyelim

LTV, bir kullanıcının uygulama veya hizmetinizle ömür boyu etkileşimde bulunmadan önce ne kadar para kazandığınızı gösteren önemli bir ölçümdür. Bir kanal veya kampanya için yeni bir ödeme yapan müşteri edinmek için ne kadar ödediğinizi hesaplayan metrik olan Müşteri Edinme Maliyeti'ne (CAC) bağlıdır ve CAC'niz LTV'nizden daha yüksekse, kar elde etmek imkansızdır, ve aslında zaten para kaybediyorsunuz.

LTV, yeni bir müşterinin toplam gelirinize ne kadar katkıda bulunacağını anlamanıza yardımcı olur, bu da onu oradaki her işletme için önemli bir metrik haline getirir, çünkü onu gelecekteki büyümenizle ilgili geleceğe yönelik tahminler yapmak için kullanabilir, ardından hedeflerinizi ve kararlarınızı belirlemek için kullanabilirsiniz. kaynaklarınızı nereye odaklayacağınızı ve bu hedeflere nasıl büyüyüp ulaşacağınızı.

Artık bunun ne kadar önemli olduğunu bildiğimize göre, bazı hesaplamalara geçelim. LTV'yi hesaplamanın geleneksel yöntemi aslında oldukça basittir, burada bir satışın ortalama değerini × tekrar eden işlem sayısını çarpar ve bunları kayıp oranınıza bölersiniz.

İşte bir örnek. Bir müşteri, en sevdiği uygulama aboneliğine 5 yıl boyunca her yıl 60 ABD doları harcıyor. Müşterinin LTV'si: (60$ X 5 yıl ) / kayıp oranı olacaktır. Oldukça basit değil mi? Ancak pazarlama uzmanları genellikle müşterileri "gruplara" böldü; İlk alışverişlerini yaklaşık aynı zamanlarda yapan ve benzer özellikleri paylaşan müşteri grupları.

LTV modellemenin üç ana biçimi

Tarihsel olarak, her pazarlamacı, kanallarının ve kampanyalarının performansını değerlendirmek için üç temel YBD modelleme biçimine güvenirdi.

1. Davranış odaklı kullanıcı düzeyinde model: Kullanıcı düzeyinde verileri kullanma ve tüm uygulamalar tarafından kullanılır.
2. Tutma modeli: Grup kullanma ve yüksek tutma oranına ve daha az tutarlı para kazanma davranışına sahip uygulamalar tarafından kullanılır.
3. D7 ROAS Modeli: Grup düzeyinde tahminleri kullanma ve tutarlı para kazanma davranışına sahip uygulamalar tarafından kullanılır.

iOS14 değişiklikleriyle, davranışa dayalı kullanıcı düzeyinde model zorlaştı, elde tutma modeli orta derecede kolaylaştı ve D7 ROAS Modeli kolaylaştı.

Peki mobil oyunlar nasıl grup yapıyor ve LTV'lerini hesaplıyor?

SKAdNetwork, MMP'niz aracılığıyla yapılandırabileceğiniz 64 bit ile birlikte gelir ve bu dönüşüm değerleri, belirli olayların değerlerini yansıtacak şekilde yapılandırılabilir veya basitçe gelir gruplarına sahip olacak şekilde yapılandırılabilir.

Oyun uygulamaları, 0. Gün'den (veya ilk birkaç gün) elde edilen gelir gruplarına dayalı dönüşüm değeri şemasını kullandı ve bu grupların, genel kohortlarından (ilişkilendirme olmadan, ancak benzer coğrafyalar için) 0. Gün'den YBD'ye nasıl dönüştüğünü inceliyor ve bu oranı uyguluyorlar.

Örneğin, 0. Günde 0,50 ila 1,00 ABD Doları arası kazanan bir ABD iOS kullanıcısı, yaşamı boyunca 10 ABD Doları kazandı. Bu oranı (x10-20) uygularlar, böylece SKAN kovasına dayalı gelir hiç yoktan iyidir.

Ancak, bu yöntemle birçok varsayım var. Her kanal varyansı sınırlı olduğundan, geçmiş Day0 oranı gelecekte gerçek LTV'den daha büyük olabilir, SKAN verileri güvenilmezdi…

Yeni LTV modeli

Geçmişte, pazarlamacılar bir kanaldan veya bir kampanyadan gelecek tahmini geliri tahmin etmek için bir grup modeli oluştururlardı çünkü Apple, bir kampanyadan Uygulama İzleme Şeffaflığı (ATT) yayınlamadan önce tüm yüklemeler gruplandırılabilir ve daha düşük değere dayalı olarak aynı tahmini YBD'ye atanabilirdi. - huni gelir olayları. Bu LTV modeli, kullanıcı edinme ve bütçe tahsisi amaçları için yeterli düzeyde doğruluk sağlamıştır.

Artık iOS14'ten sonra, kullanıcılar reklam izlemeyi devre dışı bırakıyor. Bu, reklamverenleri, hangi kampanyaların veya reklam ağlarının yüklemeleri artırdığını anlama yeteneğinden yoksun bırakarak, bu grup LTV modelini işe yaramaz hale getirdi. Bu nedenle pazarlama ekipleri, pazarlama kampanyalarının uzun vadeli etkinliğini doğrulamak için yeni yolları hızla test etmeye başladı. En önemlilerini özetleyelim.

D0 ROAS YBD Modeli

D0 ROAS LTV modeliyle pazarlamacılar, D0 getirisini tahmin etmek için SKAN'ın dönüşüm değeri raporunu kullanır. Ardından bunu bir kanalın veya kampanyanın uzun vadeli getirisini tahmin etmek için kullanırlar. Ancak bu modelin, D0 ROAS'ın YBD'yi tahmin etmek için yanlış bir ölçü olması veya pazarlamacıların performans kampanyasının 1 günlük görünümüne takılıp kalması gibi birkaç dezavantajı vardır.

Kullanıcı düzeyinde LTV modeli

Bu model, Apple'ın ilk etapta ATT çerçevesiyle uyguladığı şeye tamamen aykırı geliyor. Bununla birlikte, pazarlamacılar, bir kullanıcının muhtemelen ne kadar harcama yapabileceğini tahmin etmek için kullanabilecekleri birinci taraf verilerine hala sahiptir. Bu model, kullanıcının davranışını tahmin etmeye yardımcı olan analitik tanımlamaları, UİSA veya reklamdan para kazanmadan elde edilen gelir verileri ve bir kullanıcının gelecekte ne kadar harcayacağını tahmin etmek için uygulama içi etkileşim gibi verileri kullanacak bir makine öğrenimi algoritmasıdır.

Başka bir deyişle, böyle bir kullanıcı düzeyinde LTV modeli, pazarlamacıların ATT çerçevesinin kullanıma sunulmasından bu yana ortaya çıkan zorlukların üstesinden gelmesine olanak tanır. Bu, SKAN kampanyalarının performansını, MMP ile ilişkilendirilen herhangi bir kampanyayı ölçtüğü gibi ölçebilmek anlamına gelir. Ancak, bu model düşündüğünüzden çok daha fazla kaynağa ihtiyaç duyar ve bu kaynaklar tüm işletmeler için mevcut olmayabilir. Bir girişim veya orta ölçekli bir işletme, ürünlerini ve hizmetlerini çevrimiçi olarak tanıtmak için milyonlar harcayan bir işletmeyle karşılaştırıldığında, böyle bir modele yatırım yapmanın ve oluşturmanın değerini bulamayabilir.

LTV hâlâ alakalı mı? Çözüm

ATT, işletmenizin çevrimiçi reklam verme şeklini değiştirdi. Ve Apple, gizliliğe öncelik veren bir reklam dünyasını şekillendirmek için yeni çerçeveler sunan tek şirket değil. Daha fazla şirket takip edecek. Bu yeni normale yaklaşmanın en iyi stratejisi, uyum sağlamak ve esnek olmaktır. Pazarlama ekibiniz bir testi izlemeli ve işiniz için neyin işe yaradığını bulma yaklaşımını öğrenmelidir. Ve bu yeni normalde nasıl hala verimli olunacağını.

Ancak, kaynaklarınız varsa, kullanıcı düzeyinde LTV modelini veya D0 ROAS LTV modelini oluşturmayı deneyebilirsiniz. Ardından bunun pazarlama verimliliğinizi nasıl etkileyeceğini görün. Ayrıca, başka bir gönderi için gerçekten ilginç bir konu olan Pazarlama Karması Modelleme “MMM” gibi bazı işletmeler için işe yarayan, ancak herkes için geçerli olmayan daha birçok strateji olduğunu unutmayın.