AppsFlyer干货分享｜如何预知未来？了解一下营销预测分析

通过有效的广告投放为移动应用带来高质量的用户是移动用户增长经理的核心目标之一。若能通过用户的早期行为，预测长期的用户周期价值（LTV），可以为广告投放优化提供宝贵的决策根据。本文将从广告投放优化的决策挑战出发，详细介绍什么是营销预测分析，以及广告主可以如何应用这一技术降低广告投放的不确定性并优化用户增长策略。

用户增长经理的决策挑战

在这几年移动营销行业各种挑战催化之下，负责用户增长的获客经理所负责的工作内容已经变得愈加重要。

获客经理持续追求真正有效的广告优化，从而获取高质量用户，运用各种BI技术解决方案，或与第三方技术平台合作，希望能够获取精确的用户成本数据，由此与用户生命周期价值（LTV）进行对比分析，力图降低投资回报率（ROI）的不确定性。

然而，在大部分情况下，当可帮助决策的数据维度不足或无法获取时，获客经理只能依靠自己对于广告效果的经验和直觉进行决策。

如何有效优化获客广告？

应用开发者吸引更多用户来使用App主要可以通过两种途径，一种是用户自然搜索发现App，另一种是在多样化的营销渠道投放广告来吸引用户。广告主会根据国家地区、展示广告应用类型、多样化的受众特征等分类标准，设定不同的目标投放群组，再进行针对性的广告投放。

例如：一个广告主应用，可以通过传统的广告平台在Tinder上投放广告，去触达其身在英国的用户，也可以通过Facebook投放广告，去触达其20-34岁之间对游戏感兴趣的女性用户。获客经理会针对每一个用户群组，设定广告投放参数，比如预算，每日广告曝光上限，及最关键的广告出价，即为获取一位新用户愿意支付的价格（每用户出价，简称PPU）。

当一位用户激活并打开应用之后，获客经理再对这位用户的转化路径全程进行观察并分析。用来衡量用户价值的关键指标主要有以下几个：

变现

通过广告浏览、应用内购、订阅、积分墙等方式为应用带来收入。

互动

互动代表应用参与度、能够助长移动经济的用户活动。

留存:

用户使用App的频繁程度，也叫用户黏度。

获客经理的目标是，一位用户带来的收入要超过获取这位用户的成本。实现这一目标的难点在于精准衡量用户的生命周期价值，而用户的生命周期时长为三周到12个月不等，和应用的业务形态也有很大的关系。

Predict KPI breakdown

如果能够先了解用户生命周期价值，在这个数据基础上决定每用户出价，这是一个极端理想的情况。而行业现实是，广告主需要先付费获客，由此给运营管理广告投放带来了极大的不确定性。

如何实现LTV最大化？

广告主为BI系统投入大量资源、成立专门团队，运用数据科学，尝试识别用户路径中的各个节点，得出一个大致的用户生命周期价值。BI技术解决方案越先进，获客经理就越容易得出精准LTV。

这样的数据分析过程一般需要7-14天，积累了充分的数据规模之后才能形成一个早期的LTV数值。需要注意的是：要想得出精准、有效的数据，需要保证广告投放期间没有其他外部因素的干扰。

只有当具备了有效的数据洞察，获客经理才能够逐个优化广告系列，对广告出价、广告创意或目标人群进行有针对性的调整。

广告主等待的时间越久，这一数据结果就会越准确。但是，在等待数据逐渐精准化的过程中，营销人员有可能仍然在投放不太成功的广告，浪费成本、导致广告主无法将预算投放到成功潜力更大的广告活动上。

什么是预测分析技术？

对于有些应用开发者来说，有一个用来预测LTV的线性模型就足够了，但是，更复杂更先进的预测模型，可能会为很多移动应用的广告投放带来意想不到的积极质变。

在用户激活App后的一到两天内，衡量早期的用户行为，根据这些数据信号，预测该用户中长期的生命周期价值，这是行业期盼已久的解决方案。

这一解决方案的主要挑战在于，早期数据与长期预测之间的联系并不很直观。这需要在用户首次登入App之后的几天内，对用户的转化行为及模式进行衡量，并使用先进的工具分析数据，才能得出预测结果。这一研究方法就叫做预测分析，广泛应用于金融与公共卫生领域。

将这项技术沿用至移动营销领域，实际操作起来并不容易。即使在数据平台已成为主流商业模式的当下，将预测分析技术应用于LTV预测仍然需要投入大量研发资源，有海量规模的数据作为基础。

这其中采用了包括深度学习、自定义智能标签、动态特征机器学习等技术。服务器要支持多种数据模型，所投入的维护运营开支也极为高昂。

虽然大多数获客经理都能够理解预测分析，但只有极少数正在享受这项技术带来的便利。大部分营销团队不具备自行创建维护这套机制的条件，因此只能凭借比较有限的数据分析模型，以及营销人员的主观判断。

什么是理想的营销预测分析解决方案？

创建并训练能够深度学习的预测分析模型，提供营销人员决策所需的LTV预测数据，需要大量的用户行为数据作为这套数据建模的基础。

虽然预测分析模型只用于广告主App预测自家App的长期LTV，这套数据模型的训练和优化却需要基于上百甚至上千款应用数据，才能最大程度提升预测的精准度。

业内极少有平台能够实现基于如此庞大的数据量级，加上变现与成本等数据维度，横跨所有营销渠道与媒体渠道，衡量所有应用的广告活动。

Predict dashboard

如果某位广告主与五家广告平台合作，每家平台都有自己广阔的流量池，但并没有访问其他平台流量的权限。每家平台只能看到自己的广告系列和媒体表现。因此，媒体渠道的数据必然会带有一定的偏向性。

为什么建议广告主采用营销预测分析模型？

我们已经来到隐私至上的新归因时代，归因衡量正在经历重大变化，营销人员需要采取全新的衡量视角：可供衡量的时间框架将会变短，用户层级数据默认无法获取等等。这些都是营销人员需要适应的新现实。

预测分析模型就能够有效解决上述痛点。

AppsFlyer作为一家独立公正、不偏不倚的归因平台，基于海量归因数据提供精准、有效的数据洞察。着眼于广阔的行业视角，AppsFlyer已经为此投入了业内无出其右的技术、人才与资源，加上独立公正的价值主张，AppsFlyer可以真正做到在最短的时间框架内，为广告主提供最精确的预测分析数据洞察。