3 Min. Read

Предиктивный маркетинг в эпоху конфиденциальности пользователей

Michel Hayet Michel Hayet Jun 03, 2021

После долгого ожидания, задержек и множества сложностей, 26 апреля Apple официально приступили к введению ATT

Это важные новости, потому что мы официально вступили в новую эру онлайн-рекламы, ориентированной на конфиденциальность пользователей.

В связи с тем, что маркетологи теперь меньше рассчитывают на IDFA и с введением дополнительных ограничений на трекинг и таргетинг пользователей, Apple настойчиво подтолкнули онлайн-индустрию к следующему шагу.

Онлайн-пользователи за последние несколько лет стали более опытными и осведомленными. Средний пользователь приложения больше не желает отказываться от конфиденциальности только ради того, чтобы пользоваться приложением. 

Выход из зоны комфорта

В течение многих лет самым большим преимуществом интернет-рекламы по сравнению с традиционной рекламой было то, что она может использовать бесконечное количество измеряемых данных об эффективности для выявления желаемой целевой аудитории. Таргетированная реклама, ориентированная на конкретную группу людей означает, что у вас больше шансов получить более высокий LTV от каждого пользователя и потратить средства эффективно.

Но что, если бы вы могли увеличить потенциальную аудиторию и сразу же получить представление о ценности этих пользователей?

Предиктивная аналитика как раз для этого.

Предиктивная аналитика позволяет увеличить потенциальную аудиторию вашей кампании. Создавая различные кластеры поведенческих характеристик, ваша аудитория может быть классифицирована по их взаимодействию с вашей кампанией на самых ранних этапах. Это взаимодействие может указать на их будущий потенциал для вашего продукта.

Например, разработчики игрового приложения могут спрогнозировать потенциальную прибыль, которую они могут получить от своих пользователей в 30-дневный период. Это прогноз может основываться на времени, который пользователь потратил на тьюториал (интеракция), на количестве возвратов в приложение (удержание) или на количестве показов рекламы в каждой сессии (монетизация). 

Можно провести корреляцию между каждым из вышеперечисленных факторов или их сочетанием и схемой монетизации, задуманной разработчиком, что позволит оценить pLTV в самом начале кампании.

Это, конечно, требует, чтобы сложно устроенное машинное обучение сначала было обучено совершению подобной корреляции. Оно будет основано на вашем логике получения прибыли и будет применяться к значительному объему данных, чтоб обеспечить необходимое сопоставление между сигналами раннего вовлечения и конечной матрицей успеха.

Это означает, что рекламодателям больше не нужно знать, КТО является пользователем, а нужно знать, в какой кластер оценок pLTV (прогнозируемой пожизненной ценности) они вписываются. Эта оценка должна быть максимально точной, доступной в начале кампании и отражать требования рекламодателя к LTV, чтобы она считалась действительной и требующей принятия мер. 

Бэтмен: Начало – Warner Bros. Pictures

Такая информация позволяет быстрее и с полной уверенностью принимать решения по ускорению, приостановке или оптимизации кампаний.  

Благодаря в первую очередь анонимности это меняет взаимодействие между рекламодателями и пользователями. 

Мы не пытаемся изобрести велосипед

Ни для кого не секрет, что наука о предиктивной аналитике существует уже много лет. Она используется крупнейшими компаниями и отраслями в мире для совершенствования процессов, прогнозирования изменений спроса и предложения, прогнозирования глобальных изменений и использования исторических данных для подготовки к будущим событиям.

Представление этой сложной технологии в области маркетинга и ее применение для внедрения эволюции в отрасли имеет первостепенное значение. 

Наша команда AppsFlyer занимается разработкой решения для предиктивной аналитики с конца 2019 года. Это часть постоянных инновационных усилий компании и обязательства приносить существенную пользу нашей экосистеме, рекламодателям, партнерам и пользователям.

Разработка решения, позволяющего получать маркетинговые аналитические данные с использованием небольшого объема данных за очень короткий период времени, была логическим решением задолго до того, как Apple представили концепцию SKAdNetwork и ATT.

Ограничения SKAdNetwork были прекрасно дополнены решением, ориентированным на конфиденциальность пользователей: 24-часовой период выгрузки данных и одно значение поля конверсии.

Это все, что вам нужно для предиктивной аналитики.