В чем состоит важность предиктивной аналитики и как с ней можно работать, — в своей колонке на App2Top.ru рассказал Федор Локтионов, аналитик AppQuantum.

Федор Локтионов

1. Зачем нужна предиктивная аналитика

Предиктивная аналитика востребована сегодня в очень многих сферах. В том числе в прогнозировании выручки с мобильных игр и приложений. Об этом сегодня и пойдет речь. Но для начала давайте остановимся на том, когда она может пригодиться.

Допустим, вы создали мобильное приложение, которое монетизируется через платную подписку:

  • каждый новый пользователь получает бесплатный доступ к сервису на первые 7 дней;
  • после запуска приложения вы начинаете его продвигать, запускаете рекламную кампанию в Facebook;
  • реальные данные о покупках появятся только через 7 дней, когда у первых пользователей закончится бесплатный период, и часть из них оставит привязку банковской карточки к сервису.

Получается ситуация, когда деньги на трафик идут, люди приложением пользуются, но вы не знаете, окупятся ли маркетинговые траты.

В этот момент на помощь и приходит предиктивная аналитика. В некоторых случаях она уже на второй день может продемонстрировать, насколько эффективна UA-кампания, показав, сколько вы заработаете в рамках текущей кампании.

Благодаря этому, маркетологу легче принять решение, например, касающееся дальнейшей стратегии продвижения.

Или другой пример. Предположим, у вас фритуплейная мобильная игра:

  • она вышла год назад и у нее есть база активных пользователей, а также платящие игроки;
  • проект растет, объемы трат на маркетинг стремительно растут;
  • вместе с этим растут и риски, и издержки, которые необходимо сократить.

И вот здесь как раз необходимо снова обращаться к предиктивной аналитике. Без нее не получится ни оптимизировать стратегию привлечения, ни знать наперед, что делать с бюджетом, чтобы терять как можно меньше денег и времени.

Но, конечно, как инструмент она полезна не только маркетологам. У нас в AppQuantum, к примеру, предиктами обычно пользуются продюсеры проектов и медиабайеры:

  • продюсерам важно отслеживать эффективность заливки на отдельные страны, группы людей и источники;
  • байерам важно определять эффективность конкретных источников, а затем иметь возможность вовремя масштабировать кампанию.

2. О чем следует помнить, обращаясь к предиктивной аналитике

Из первой главы стало ясно, что предиктивная аналитика может показывать будущий заработок с текущей кампании. Но тут есть важный нюанс.

При использовании предиктивной аналитики для оценки будущей выручки прогнозируются не действия (то есть, были ли совершены покупки конкретными пользователями), а LTV среднестатистического пользователя, полученного в рамках конкретной кампании.

Конечно, в идеале любой мобильный маркетолог, разработчик или паблишер хотел бы знать, как конкретно будет себя вести каждый его пользователь. Будет ли платить и если да, то сколько. Однако с такой точностью предсказать поведение пользователей невозможно.

3. Построение предиктивной модели

Прогнозы возможно построить для любых приложений и игр. Вот только сложность расчетов сильно зависит от типа приложения.

Например, сложнее всего строить предикты для мидкорных и хардкорных мобильных игр. Гораздо проще прогнозировать выручку с гиперказуальных тайтлов.

В целом, работает следующее правило: чем выше в приложении процент рекламной монетизации, тем выше точность предиктов.

Также на точность сильно влияет возраст проекта. Чем игра старше и чем больше в ней пользователей, тем больше о ней данных — а значит и точнее будущий прогноз.

Но давайте подробно разберем, как же строится предиктивная модель.

I)

Самый первый этап построения предикта — это сбор данных. При помощи трекинга в приложениях мы получаем нужную информацию: из каких источников, стран и платформ наши пользователи. Также собираются данные в течение интервала жизни пользователя (24 часа) внутри приложения.

II)

Второй этап — это валидация и обработка данных, во время которой:

  • удаляются невалидированные платежи и определяется полная выручка от внутриигровых покупок пользователя;
  • отделяется часть пользователей со слишком большим объемом платежей. Данные таких людей могут подпортить качество предсказания;
  • определяется полная выручка от просмотров рекламы за каждый день жизни пользователя;
  • выбираются когорты, по которым будут строиться профили платежей на промежуток от 15 дней. Плюс определите минимальные размеры когорты, численности платящих пользователей в ней, общего количества просмотров рекламы.

Перед вторым этапом не забудьте предварительно настроить механизм валидации платежей.

III)

На третьем этапе рассчитывается предиктивная модель.

Чтобы это сделать, нужно умножить выручку от когорты на коэффициент, соответствующий платформе/стране/источнику/оптимизации трафика и дню жизни когорты.

Коэффициент вычисляется самостоятельно на основе трендов. Речь о графиках, которые отображают отношение LTV, накопленного к N-ному дню, к LTV некоего фиксированного дня (например, 90-го).

Тренды

Значения, соответствующие трендам, принято называть Payment Profile или профилями платежей.

Профили разбиваются по платформе, стране, источнику трафика и оптимизации заливки.

 

Например, возьмем профиль по абстрактной стране. Предположим, за первый месяц жизни когорта заработала $1500. Из профиля платежей для трафика из этой страны, допустим, мы узнали, что, к 30 дню пользователи монетизируются на 30% от монетизации за все время жизни

Следовательно, за все время эта когорта заработает $1500 * 100% / 30% = $5000.

А дальше прогнозируем LTV и вычисляем ROI.

Для справки: для первичного построения профиля платежей требуется по меньшей мере 1000 установок, не менее 75 платящих пользователей и возраст когорты от 7 дней использования приложения. Но, конечно, чем больше данных, тем лучше. Главное помним, что нам нужно построить профиль по каждой из разбивок.

IV)

И самое последнее, но не менее важное — это визуализация полученных данных, чтобы каждый продюсер и медиабайер мог оценить трафик и скорректировать закупку в реальном времени.

Мы, к примеру, для визуализации используем Tableau.

4.Предикты в User Acquisition

В User Acquisition работу с предиктами можно разделить на два больших блока.

1. Оценка текущего трафика

UA оценивает предиктивный LTV по закупленному трафику, то есть сколько потенциально эти пользователи принесут денег приложению.

Берем данные по любой рекламной кампании на уровне отдельного пользователя, сгруппированные в разбивке по платформе/источнику/кампании/стране. При помощи инструментов бизнес-аналитики (BI) находим подробную информацию об этой кампании.

Ориентируемся на ROI. Эта метрика дает понять, какой профит мы получаем с привлеченных пользователей, если он вообще есть. То есть, их LTV должен быть выше, чем CPA (Cost per Acquisition, не путать с Cost per Action).

При любом исходе можно провести анализ и сделать вывод о том, что делать дальше. Возможно, какой-то креатив зашел очень хорошо и можно продолжать работать с ним или наоборот. Может быть, выбрано не то GEO или оптимизация кампании.

2. Подготовка к дальнейшей закупке трафика

Глобальная задача проста: закупить трафик по цене инсталла дешевле, чем LTV.

Здесь алгоритм сложнее: с помощью настроек фильтров в предикте выбираем тип оптимизации кампании и GEO. Допустим, собираемся запускать рекламную кампанию с оптимизацией на покупки в США.

По расчету предикта видим, что кампания с такой оптимизацией и именно в этой стране даст LTV пользователя $10. Эту информацию берем на заметку, ставим соответствующий KPI. То есть, нужно выкупать до $10, чтобы кампания не ушла в минус. При этом пользователи приносят $10 только при таком-то определенном количестве покупок — соответственно, и эта информация закладывается в KPI.

Предикт работает в две стороны: он позволяет скрупулезно оценивать закупку трафика как отдельно по каждой кампании, так и комплексно. Когда пользователей закуплено на $700 тысяч — нет смысла анализировать частями каждую кампанию. Такую большую сумму сложно микроменеджить, а обращение к предиктам сэкономит ресурсы. В пару кликов можно оценить всю закупку разом.

***

Как и в любом другом направлении аналитики, в предиктивной есть свои сложности — качество данных и объем выборки. Бывает тяжело собрать качественные данные и вычленить самые релевантные из них для построения предикта. Но при этом предиктивная аналитика обеспечивает легкое масштабирование трафика и дает понимание, насколько эффективно мы его закупаем — сию же секунду, здесь и сейчас.

При помощи предиктов мы экономим деньги, время, нервы и сокращаем шансы ошибки. Поэтому если вы развиваете мобильную игру и все еще не пользуетесь предиктами — советуем крепко задуматься над тем, чтобы начать.

Читайте также:


Есть новость? Поделитесь с нами, напишите на press@app2top.ru

Тэги:

Комментарии