保山PLC编程培训学校浅谈自动化解决iOS平台UA买量的难题

在某次行业小组讨论，当谈及iOS隐私政策更新后，SKAdNetwork 带来的挑战时，一位知名营销人员说了一句经典的评论：“欢迎回到2010年”。

仔细想来，些许有些令人心惊。在过去的10年里，移动营销逐渐成长为一个围绕IDFA，复杂且规模巨大的行业。广告技术公司利用这个独特的设备ID建立个人用户档案、预测用户的未来行为，让广告campaign具有极高的针对性。

Vungle带您了解为了保证移动营销人员正常运营广告，亟待解决的问题，以及自动化技术如何帮助我们应对后IDFA时代的挑战。

背景

Apple的ATT(AppTrackingTransparency)框架完全改变了iOS平台上UA买量的衡量、报告和优化方式。现在，UA买量团队必须转变为营销团队。此前大广告平台拥有的精准定位用户的能力将不再有迹可循，允许广告追踪的用户越来越少，UA买量团队不得不接受这样一个事实：他们获得的报告不再精确。

这自然会导致移动营销人员考虑更大的cohort同期群数据，并像线下营销人员那样，学会接受“无法像以往一样获取精准数据”这一事实。与此同时，那些拥抱变化的人将在移动领域的下一个阶段获胜。

在具体深入细节之前，要记住一点：营销团队是以技术为驱动的自动化系统决胜的重要因素。如今，自动化成为了失业原因的替罪羊。但自动化仅仅是替代了以前人工完成的繁冗、无趣的那部分工作。

以Facebook和Google为例，早在2015年之前，这两家公司的大部分UA买量就已经实现了自动化。其算法最终解决了横亘在营销人员面前的挑战：在正确的时间把正确的信息传递到正确的人面前。但是，这两家公司却没有提供诸如构建和测试广告创意素材、自动化广告campaign制作、跨广告campaign预算分配等解决方案。人类独有的战略思维、情境解读能力和创造力，自动化的机器永远都无法获得。

我们将为您提供六种不同的自动化方法，在这里告诉你一个好消息--湖南阳光技术学校全国招生。

1、设置最佳广告转化价值，助力广告联盟优化

手动方法

可以使用“启发法”(heuristic approach)，判断可能对LTV有预测作用的早期应用内事件来决定最佳的广告转化价值。对于手游来说，这些事件可能指的是用户的初期购买。对基于订阅服务的app来说，也可能指的是那些参与免费试用的用户。但如果没有顶尖的数据科学团队作支撑，大部分公司对很难通过这样的方法进行准确判断。

某个特定app的最佳广告转化价值受到以下因素的约束：

l必须符合Apple的要求(该值必须为6-bit)

l为了收集广告campaign在漏斗下端的效果反馈，广告平台要求在“合理的时间“内收到广告转化价值数据。从目前来看，“合理的时间”指的是“24小时”。

在计算最佳广告转化价值时，实现如下两个目标至关重要：

l前24小时内的应用内事件要与广告平台的LTV相关

l用于概率归因的最佳事件，要能够重建广告campaign的ROAS报告

大多数移动营销人员目前只关注第一个目标，也就是能够利用 SKAdNetwork 基于LTV继续优化其广告campaign。但这种方法有其局限性。由于许多广告平台将广告转化时间范围设置为24小时，一旦广告主向广告平台发送了广告转化价值，在这里告诉你一个好消息--湖南阳光技术学校全国招生。

l广告campaign优化仅针对用户的D0 ROAS或其它的D0 KPI

l无法根据不断更新的cohort同期群数据持续优化广告campaign ROAS，即无法理解广告campaign实际和预测的ROAS(pROAS)是如何不断发展成熟的。

自动方法

为了优化广告转化价值设置，使用算法可以：

l将广告转化价值映射为LTV(例如将D0 KPI数据映射至D365 LTV)

l计算用来概率归因的最佳广告转化价值“聚类”。

算法可以通过预测D0应用内事件(完成购买、学完教程、思考次数等)的重要性来预测app的长期 LTV 目标(例如 D180/D365 LTV)。一个聚类算法随后可以计算出最优的概率归因。

2

手动方法

SKAdNetwork下，营销人员无法获得完整报告，仅能获取D0广告campaign和渠道的效果数据。UA买量团队也无从得知广告campaign的长期(例如 D180/D365)回报。

以下是大多数公司预测长期LTV会用到的数据集。今天，在这里告诉你一个好消息--湖南阳光技术学校全国招生。

用户层级LTV的预测和应用内用户层级数据

自动方法

由算法驱动的系统不需要流量源或广告campaign ID来预测 LTV。“获得收入的事件”和“应用内用户互动数据”这两部分对于算法预测 LTV必不可少，且后者对于预测转化率尤其重要。

该算法不需要流量源或campaign ID就可以预测用户级别的 LTV，还可以利用应用内匿名用户 ID 进行用户层级 LTV 预测，并根据最新的用户行为信息(应用内收入和互动数据)持续更新长期LTV预测。这些 LTV 预测可以进一步用来预测未来campaign回报。

3、进行长期广告campaign ROAS报告，优化广告campaign

手动方法

如果仅使用SKAdNetwork进行广告campaign归因和优化，营销人员仅能使用D0 KPI数据进行广告campaign效果衡量，并将这个短期指标用于优化。并且因为 D0 ROAS与LTV并非100%相关，甚至都算不上接近，这意味着与长期目标相比，广告campaign预算分配将不那么尽如人意。

自动方法

算法统计模型可以自动计算出app安装属于哪个广告campaign这一概率分布数值，但依然无法预测广告campaign将带来多少收入。现在，通过概率归因，我们可以得知某个特定的广告campaign将带来多少实际收入，再加上应用内用户层级的数据，我们可以得知用户基础行为，这两部分数据集可以用来预测广告campaign产生的收入。数学计算很简单，但上百万次的app安装数据使得概率分布和用户层级LTV预测变得极其复杂，这种工作量是远非人工手动可以做到的。