Предиктивная модель LTV — это модель машинного обучения, которая по поведению пользователя в приложении в первый день предсказывает, сколько времени он будет проводить в похожих приложениях и как повлияет на рост потенциального дохода в будущем. При обучении модель ориентируется на доход, который получает приложение в течение первых 28 дней.
Модель обучается на большом объёме обезличенных исторических данных о действиях в приложениях и признаках пользователя, таких как тип устройства, операционная система или регион.
Яндекс Игры сравнили собственное событие для оптимизации рекламы с моделью от Крипты
Приложение оптимизировало рекламу на событие из AppMetrica, которое срабатывало, если пользователь проводил в игре больше 10 минут. В то же время разработчики Крипты создавали предиктивную модель анализа на инфраструктуре AppMetrica. Она прогнозировала, какой может быть LTV пользователя. Модель оценивает всех новых пользователей и отправляет события в AppMetrica для тех, кто попал в топ-5%, топ-20% или топ-50%. Затем на эти события можно оптимизировать рекламу.
В начале декабря 2022 года разработчики Крипты предложили Яндекс Играм сравнить, какой подход окажется эффективнее.
Крипта — технология, которая анализирует обезличенные данные о поведении пользователей в сервисах Яндекса и его партнёров. Она даёт рекламодателям возможность показывать предложения только тем, кому они больше всего подходят.
Крипта не получает личной информации о людях и никуда не может её передать. Данные каждого пользователя зашифрованы в идентификаторы, по которым можно определить, что ему потенциально было бы интересно.
Больше о Крипте читайте в Справке.
AppMetrica — платформа для аналитики и маркетинга приложений. С помощью сервиса можно настроить продуктовый или рекламный анализ, прогноз монетизации и многое другое.
Аналитика будет точной, потому что AppMetrica фиксирует около 190 млрд событий в сутки более чем в 60 тыс. приложений, которые подключились к сервису. В основе технологий — забота о безопасности данных пользователей, поэтому AppMetrica регулярно проходит сертификации на соответствие мировым стандартам.
Больше об AppMetrica можно узнать на сайте.
Чтобы построить предиктивную модель LTV, разработчики из Крипты сделали следующее:
- Собрали исторические данные об установках приложений и активности пользователей в первый день после установки
- Рассчитали доход от просмотров рекламы соответствующей категорией пользователей в течение 28 дней после установки
- Обучили модель, которая по активности в первый день оценивает доход, который приложение получит с просмотров рекламы каждым пользователем за следующие 28 дней
Применяли модель так:
- Каждый день отслеживали новые установки и активность пользователей в приложении в первый день
- На основе активности предсказывали, сколько денег принесёт приложению просмотр рекламы теми или иными пользователями в следующие 28 дней
- Формировали топ-5%, топ-20% и топ-50% групп пользователей, которые будут больше всего заинтересованы в данном приложении и, соответственно, максимально подходят с точки зрения LTV по предсказанию модели, и отправляли обезличенные данные в AppMetrica
Проверяли, можно ли оптимизировать рекламу так, чтобы привлекать более вовлечённую аудиторию
Запустили A/B-тест, в котором сравнивали:
- Оптимизацию на основе события «Пользователь поиграл не менее 10 минут»
- Оптимизацию на основе события по модели Крипты для топ-20% платёжеспособных пользователей
Кампании были идентичны по настройкам и бюджетам — они различались только оптимизированным событием.
Первые десять дней кампании обучались и набирали массив данных, а после специалисты Крипты в течение недели собирали данные установок, по которым считали статистику.
Предиктивная модель привлекла пользователей, которые проводили больше времени в приложении и способствовали росту дохода
Предиктивная модель LTV будет полезна любым приложениям, в которых предусмотрена монетизация. Это могут быть игры, ecommerce, фитнес-приложения с оплатой за подписку. Использовать предиктивную модель может любое приложение, у которого подключена AppMetrica. Чтобы увеличить точность предсказаний, рекомендуем настроить передачу данных о Revenue, так как в них содержится сильный сигнал о доходности от использования приложения теми или иными пользователями. Кроме того, для обучения модели используются только те приложения, которые передают Revenue, и поэтому модель учитывает их особенности наилучшим образом.
Чтобы использовать предсказание как цель для оптимизации, можно взять уже запущенную кампанию и поменять событие, которое используется сейчас, на наше LTV-событие. Мы ожидаем, что оптимизация на наше предсказание будет приводить более вовлечённую аудиторию, что, в свою очередь, увеличит доход.