在某次行業(yè)小組討論，當(dāng)談及iOS隱私政策更新后，SKAdNetwork 帶來(lái)的挑戰(zhàn)時(shí)，一位知名營(yíng)銷人員說(shuō)了一句經(jīng)典的評(píng)論：“歡迎回到2010年”。

仔細(xì)想來(lái)，些許有些令人心驚。在過(guò)去的10年里，移動(dòng)營(yíng)銷逐漸成長(zhǎng)為一個(gè)圍繞IDFA，復(fù)雜且規(guī)模巨大的行業(yè)。廣告技術(shù)公司利用這個(gè)獨(dú)特的設(shè)備ID建立個(gè)人用戶檔案、預(yù)測(cè)用戶的未來(lái)行為，讓廣告campaign具有極高的針對(duì)性。

Vungle帶您了解為了保證移動(dòng)營(yíng)銷人員正常運(yùn)營(yíng)廣告，亟待解決的問(wèn)題，以及自動(dòng)化技術(shù)如何幫助我們應(yīng)對(duì)后IDFA時(shí)代的挑戰(zhàn)。

[[417501]]

背景

Apple的ATT（AppTrackingTransparency）框架完全改變了iOS平臺(tái)上UA買(mǎi)量的衡量、報(bào)告和優(yōu)化方式。現(xiàn)在，UA買(mǎi)量團(tuán)隊(duì)必須轉(zhuǎn)變?yōu)闋I(yíng)銷團(tuán)隊(duì)。此前大廣告平臺(tái)擁有的精準(zhǔn)定位用戶的能力將不再有跡可循，允許廣告追蹤的用戶越來(lái)越少，UA買(mǎi)量團(tuán)隊(duì)不得不接受這樣一個(gè)事實(shí)：他們獲得的報(bào)告不再精確。

這自然會(huì)導(dǎo)致移動(dòng)營(yíng)銷人員考慮更大的cohort同期群數(shù)據(jù)，并像線下?tīng)I(yíng)銷人員那樣，學(xué)會(huì)接受“無(wú)法像以往一樣獲取精準(zhǔn)數(shù)據(jù)”這一事實(shí)。與此同時(shí)，那些擁抱變化的人將在移動(dòng)領(lǐng)域的下一個(gè)階段獲勝。

在具體深入細(xì)節(jié)之前，要記住一點(diǎn)：營(yíng)銷團(tuán)隊(duì)是以技術(shù)為驅(qū)動(dòng)的自動(dòng)化系統(tǒng)決勝的重要因素。如今，自動(dòng)化成為了失業(yè)原因的替罪羊。但自動(dòng)化僅僅是替代了以前人工完成的繁冗、無(wú)趣的那部分工作。

以Facebook和Google為例，早在2015年之前，這兩家公司的大部分UA買(mǎi)量就已經(jīng)實(shí)現(xiàn)了自動(dòng)化。其算法最終解決了橫亙?cè)跔I(yíng)銷人員面前的挑戰(zhàn)：在正確的時(shí)間把正確的信息傳遞到正確的人面前。但是，這兩家公司卻沒(méi)有提供諸如構(gòu)建和測(cè)試廣告創(chuàng)意素材、自動(dòng)化廣告campaign制作、跨廣告campaign預(yù)算分配等解決方案。人類獨(dú)有的戰(zhàn)略思維、情境解讀能力和創(chuàng)造力，自動(dòng)化的機(jī)器永遠(yuǎn)都無(wú)法獲得。

我們將為您提供六種不同的自動(dòng)化方法，來(lái)幫助移動(dòng)營(yíng)銷人員解決當(dāng)下UA買(mǎi)量的難題。

1、設(shè)置最佳廣告轉(zhuǎn)化價(jià)值，助力廣告聯(lián)盟優(yōu)化

手動(dòng)方法

可以使用“啟發(fā)法”（heuristic approach），判斷可能對(duì)LTV有預(yù)測(cè)作用的早期應(yīng)用內(nèi)事件來(lái)決定最佳的廣告轉(zhuǎn)化價(jià)值。對(duì)于手游來(lái)說(shuō)，這些事件可能指的是用戶的初期購(gòu)買(mǎi)。對(duì)基于訂閱服務(wù)的app來(lái)說(shuō)，也可能指的是那些參與免費(fèi)試用的用戶。但如果沒(méi)有頂尖的數(shù)據(jù)科學(xué)團(tuán)隊(duì)作支撐，大部分公司對(duì)很難通過(guò)這樣的方法進(jìn)行準(zhǔn)確判斷。

某個(gè)特定app的最佳廣告轉(zhuǎn)化價(jià)值受到以下因素的約束：

l 必須符合Apple的要求（該值必須為6-bit）

l 為了收集廣告campaign在漏斗下端的效果反饋，廣告平臺(tái)要求在“合理的時(shí)間“內(nèi)收到廣告轉(zhuǎn)化價(jià)值數(shù)據(jù)。從目前來(lái)看，“合理的時(shí)間”指的是“24小時(shí)”。

在計(jì)算最佳廣告轉(zhuǎn)化價(jià)值時(shí)，實(shí)現(xiàn)如下兩個(gè)目標(biāo)至關(guān)重要：

l 前24小時(shí)內(nèi)的應(yīng)用內(nèi)事件要與廣告平臺(tái)的LTV相關(guān)

l 用于概率歸因的最佳事件，要能夠重建廣告campaign的ROAS報(bào)告

大多數(shù)移動(dòng)營(yíng)銷人員目前只關(guān)注第一個(gè)目標(biāo)，也就是能夠利用 SKAdNetwork 基于LTV繼續(xù)優(yōu)化其廣告campaign。但這種方法有其局限性。由于許多廣告平臺(tái)將廣告轉(zhuǎn)化時(shí)間范圍設(shè)置為24小時(shí)，一旦廣告主向廣告平臺(tái)發(fā)送了廣告轉(zhuǎn)化價(jià)值，他們就無(wú)法了解特定用戶的更多信息。對(duì)于廣告主來(lái)說(shuō)，這意味著：

l 廣告campaign優(yōu)化僅針對(duì)用戶的D0 ROAS或其它的D0 KPI

l 無(wú)法根據(jù)不斷更新的cohort同期群數(shù)據(jù)持續(xù)優(yōu)化廣告campaign ROAS，即無(wú)法理解廣告campaign實(shí)際和預(yù)測(cè)的ROAS（pROAS）是如何不斷發(fā)展成熟的。

自動(dòng)方法

為了優(yōu)化廣告轉(zhuǎn)化價(jià)值設(shè)置，使用算法可以：

l 將廣告轉(zhuǎn)化價(jià)值映射為L(zhǎng)TV（例如將D0 KPI數(shù)據(jù)映射至D365 LTV）

l 計(jì)算用來(lái)概率歸因的最佳廣告轉(zhuǎn)化價(jià)值“聚類”。

算法可以通過(guò)預(yù)測(cè)D0應(yīng)用內(nèi)事件(完成購(gòu)買(mǎi)、學(xué)完教程、思考次數(shù)等)的重要性來(lái)預(yù)測(cè)app的長(zhǎng)期 LTV 目標(biāo)(例如 D180/D365 LTV)。一個(gè)聚類算法隨后可以計(jì)算出最優(yōu)的概率歸因。

2、設(shè)置最佳廣告轉(zhuǎn)化價(jià)值，助力廣告聯(lián)盟優(yōu)化

手動(dòng)方法

SKAdNetwork下，營(yíng)銷人員無(wú)法獲得完整報(bào)告，僅能獲取D0廣告campaign和渠道的效果數(shù)據(jù)。UA買(mǎi)量團(tuán)隊(duì)也無(wú)從得知廣告campaign的長(zhǎng)期(例如 D180/D365）回報(bào)。

以下是大多數(shù)公司預(yù)測(cè)長(zhǎng)期LTV會(huì)用到的數(shù)據(jù)集。今天，大多數(shù)分析團(tuán)隊(duì)使用 D7 ROAS 模型將其 LTV 預(yù)測(cè)限制在cohort同期群層級(jí)。這種方法不需要復(fù)雜的算法，在表格里就可以計(jì)算。但目前預(yù)測(cè)LTV的關(guān)鍵信息（即campaign ID，campaign名稱，流量源名稱等）缺失，基于cohort同期群的LTV模型實(shí)際已經(jīng)失效。

用戶層級(jí)LTV的預(yù)測(cè)和應(yīng)用內(nèi)用戶層級(jí)數(shù)據(jù)

自動(dòng)方法

由算法驅(qū)動(dòng)的系統(tǒng)不需要流量源或廣告campaign ID來(lái)預(yù)測(cè) LTV。“獲得收入的事件”和“應(yīng)用內(nèi)用戶互動(dòng)數(shù)據(jù)”這兩部分對(duì)于算法預(yù)測(cè) LTV必不可少，且后者對(duì)于預(yù)測(cè)轉(zhuǎn)化率尤其重要。

該算法不需要流量源或campaign ID就可以預(yù)測(cè)用戶級(jí)別的 LTV，還可以利用應(yīng)用內(nèi)匿名用戶 ID 進(jìn)行用戶層級(jí) LTV 預(yù)測(cè)，并根據(jù)最新的用戶行為信息（應(yīng)用內(nèi)收入和互動(dòng)數(shù)據(jù)）持續(xù)更新長(zhǎng)期LTV預(yù)測(cè)。這些 LTV 預(yù)測(cè)可以進(jìn)一步用來(lái)預(yù)測(cè)未來(lái)campaign回報(bào)。

3、進(jìn)行長(zhǎng)期廣告campaign ROAS報(bào)告，優(yōu)化廣告campaign

手動(dòng)方法

如果僅使用SKAdNetwork進(jìn)行廣告campaign歸因和優(yōu)化，營(yíng)銷人員僅能使用D0 KPI數(shù)據(jù)進(jìn)行廣告campaign效果衡量，并將這個(gè)短期指標(biāo)用于優(yōu)化。并且因?yàn)?D0 ROAS與LTV并非100%相關(guān)，甚至都算不上接近，這意味著與長(zhǎng)期目標(biāo)相比，廣告campaign預(yù)算分配將不那么盡如人意。

自動(dòng)方法

算法統(tǒng)計(jì)模型可以自動(dòng)計(jì)算出app安裝屬于哪個(gè)廣告campaign這一概率分布數(shù)值，但依然無(wú)法預(yù)測(cè)廣告campaign將帶來(lái)多少收入?，F(xiàn)在，通過(guò)概率歸因，我們可以得知某個(gè)特定的廣告campaign將帶來(lái)多少實(shí)際收入，再加上應(yīng)用內(nèi)用戶層級(jí)的數(shù)據(jù)，我們可以得知用戶基礎(chǔ)行為，這兩部分?jǐn)?shù)據(jù)集可以用來(lái)預(yù)測(cè)廣告campaign產(chǎn)生的收入。數(shù)學(xué)計(jì)算很簡(jiǎn)單，但上百萬(wàn)次的app安裝數(shù)據(jù)使得概率分布和用戶層級(jí)LTV預(yù)測(cè)變得極其復(fù)雜，這種工作量是遠(yuǎn)非人工手動(dòng)可以做到的。

只需一個(gè)簡(jiǎn)單的數(shù)學(xué)公式，就可以自動(dòng)分配每個(gè)廣告campaign和自然安裝渠道對(duì)收入的貢獻(xiàn)。下圖為一個(gè)數(shù)學(xué)模型示例。在該模型下，將用戶層級(jí)的 LTV 預(yù)測(cè)與廣告campaign歸屬概率相乘，即得出每個(gè)廣告campaign帶來(lái)的安裝對(duì)廣告campaign預(yù)測(cè)的收入有何貢獻(xiàn)。該模型將所有概率大于0%的安裝帶來(lái)的收入預(yù)測(cè)相加，就能得出廣告campaign預(yù)測(cè)的收入。通過(guò)計(jì)算廣告Campaign 1在廣告平臺(tái)上的花費(fèi)（即圖中的100美元），我們就能得出廣告campaign的pROAS。

再另外用一個(gè)算法輸出所有SKAdNetwork廣告campaign層級(jí)和渠道層級(jí)的pROAS，用于手動(dòng)進(jìn)行廣告campaign優(yōu)化，也可以用作自動(dòng)出價(jià)和預(yù)算優(yōu)化系統(tǒng)的輸入數(shù)據(jù)。

4、充分理解Apple的隱私新規(guī)，實(shí)現(xiàn)廣告campaign效果最大化

手動(dòng)方法

Apple的隱私新規(guī)限制了SKAdNetwork API能共享多少信息，當(dāng)數(shù)量低于某個(gè)特定但未知閾值時(shí)，廣告轉(zhuǎn)化價(jià)值和流量源app ID 報(bào)告將受到限制。

對(duì)UA買(mǎi)量團(tuán)隊(duì)來(lái)說(shuō)，要解決這個(gè)問(wèn)題十分困難。當(dāng)存在數(shù)據(jù)可能缺失的情況時(shí)，該如何解讀一個(gè)廣告campaign或渠道的效果？是應(yīng)該只使用追蹤的數(shù)據(jù)，還是應(yīng)該猜測(cè)到底哪部分?jǐn)?shù)據(jù)缺失？除了使用能夠追蹤的廣告轉(zhuǎn)化價(jià)值外，UA買(mǎi)量經(jīng)理無(wú)法合理利用這部分?jǐn)?shù)據(jù)。

自動(dòng)方法

對(duì)于自動(dòng)出價(jià)和UA買(mǎi)量平臺(tái)來(lái)說(shuō)，這是一個(gè)典型的多臂老虎機(jī)探索利用問(wèn)題(multi-armed bandit)，可以編碼成算法。一個(gè)自動(dòng)化的平臺(tái)可以對(duì)廣告 campaign的pROAS 進(jìn)行建模，并計(jì)算出一個(gè)特定的廣告campaign還應(yīng)追加多少預(yù)算來(lái)突破Apple設(shè)定的閾值。

只要某個(gè)特定的流量源app ID報(bào)告了廣告轉(zhuǎn)化價(jià)值，基于該廣告轉(zhuǎn)化價(jià)值、廣告campaign和由概率歸因得出的地理先驗(yàn)概率，算法就可以在其預(yù)測(cè)回報(bào)的基礎(chǔ)上利用這個(gè)特定的流量源app ID。通過(guò)對(duì)未知廣告轉(zhuǎn)化價(jià)值中的不確定性進(jìn)行建模，并相應(yīng)地更新歸因概率，概率歸因就能解釋是哪部分廣告轉(zhuǎn)化價(jià)值缺失了。

5、進(jìn)行有效跨渠道預(yù)算分配，獲得最優(yōu)廣告支出組合管理

手動(dòng)方法

一直以來(lái)，UA買(mǎi)量管理人員和財(cái)務(wù)團(tuán)隊(duì)跨渠道分配預(yù)算的方法都不夠科學(xué)。基于第三方 MMP和cohort同期群 LTV 模型的用戶層級(jí)歸因，他們可以相對(duì)簡(jiǎn)單地對(duì)廣告平臺(tái)的 ROAS進(jìn)行粗略估計(jì)，并大致估計(jì)出應(yīng)分配給高效渠道多少預(yù)算。

對(duì)于那些不允許通過(guò)IDFA對(duì)其進(jìn)行追蹤的用戶來(lái)說(shuō)，用戶層級(jí)的歸因?qū)⒊蔀檫^(guò)去式，渠道層級(jí)的月度預(yù)算評(píng)估就會(huì)更具挑戰(zhàn)性。要想手動(dòng)分配渠道預(yù)算，最有可能的方法是根據(jù)廣告平臺(tái)層級(jí)追蹤到的廣告轉(zhuǎn)化價(jià)值總數(shù)，根據(jù)總預(yù)算按比例分配支出。但這就意味著每月預(yù)算分配是根據(jù)D0數(shù)據(jù)進(jìn)行的，這是一種完全基于短期數(shù)據(jù)進(jìn)行預(yù)算分配的方法。

自動(dòng)方法

自動(dòng)化的系統(tǒng)可以利用長(zhǎng)期廣告campaign ROAS 概率歸因報(bào)告來(lái)決定如何最佳分配每月支出，利用廣告平臺(tái)歷史支出數(shù)據(jù)和前幾個(gè)月的收入預(yù)計(jì)來(lái)實(shí)現(xiàn)廣告平臺(tái)組合的長(zhǎng)期目標(biāo)。算法模型可以決定在收入出現(xiàn)回收遞減之前，廣告主應(yīng)該在一個(gè)高效的廣告平臺(tái)上分配多少?gòu)V告支出。

6、用 SKAdNetwork 衡量自然安裝增量

手動(dòng)方法

營(yíng)銷人員沒(méi)有可行的方法能夠了解用戶來(lái)自于自然安裝的流量源app，但衡量自然安裝效果至關(guān)重要，因?yàn)椋?/p>

1. 不同于通過(guò)付費(fèi)渠道獲取的用戶，產(chǎn)品團(tuán)隊(duì)還需要了解產(chǎn)品在自然安裝的用戶之間效果。

2. 增量，即付費(fèi)UA買(mǎi)量渠道對(duì)自然安裝和其他渠道的影響，對(duì)于在不同渠道之間進(jìn)行預(yù)算分配至關(guān)重要。了解跨渠道競(jìng)食效應(yīng)是確保我們理解渠道媒介的最佳組合，并為廣告主帶來(lái)價(jià)值最大化的關(guān)鍵。

自動(dòng)方法

SKAdNetwork僅對(duì)付費(fèi)廣告進(jìn)行報(bào)告，自然安裝無(wú)法獲得任何報(bào)告。因此，營(yíng)銷人員必須使用算法將廣告campaign帶來(lái)的付費(fèi)安裝進(jìn)行概率歸因，以幫助營(yíng)銷人員了解哪些安裝是自然產(chǎn)生的。因?yàn)樗麄円呀?jīng)安裝了該app，但是卻不包括在SKAdNetwork數(shù)據(jù)中。只有獲得了完整的應(yīng)用內(nèi)用戶層級(jí)數(shù)據(jù)和 SKAdNetwork 數(shù)據(jù)后，營(yíng)銷人員才能理解哪部分用戶是真正的自然安裝用戶，哪些是付費(fèi)渠道獲取的用戶。

廣告campaign制作，創(chuàng)造受眾，廣告創(chuàng)意素材測(cè)試和應(yīng)用

上文概述了自動(dòng)化如何改進(jìn) iOS 手動(dòng)工作的6種方法。然而，在當(dāng)今的 UA 買(mǎi)量角色和職責(zé)中，以下3個(gè)關(guān)鍵任務(wù)，由人工而非機(jī)器可能會(huì)做得更好。

1.廣告campaign制作：由于 SKAdNetwork廣告campaign上限為100個(gè)，極大地限制了廣告能觸達(dá)的目標(biāo)受眾和目標(biāo)地區(qū)，因此，廣告campaign的設(shè)置就成為了關(guān)鍵。但我們目前仍不清楚最好的廣告campaign應(yīng)如何設(shè)置，在任何形式的自動(dòng)化實(shí)際應(yīng)用之前都需要實(shí)驗(yàn)。

2.創(chuàng)造受眾：幾家大的廣告平臺(tái)構(gòu)建了一套算法，利用其龐大的數(shù)據(jù)集為廣告主的app尋找受眾?，F(xiàn)在，由于廣告平臺(tái)將無(wú)法建立一套內(nèi)部“相似”工具，將廣告更好地投放給目標(biāo)用戶，創(chuàng)造受眾的任務(wù)回落至營(yíng)銷人員手中。至于廣告平臺(tái)未來(lái)將提供什么工具來(lái)針對(duì)這些受眾，我們還不得而知，因此今后可能需要尋找和培養(yǎng)高價(jià)值受眾。

3.廣告創(chuàng)意素材測(cè)試和應(yīng)用：UA 買(mǎi)量最艱難的挑戰(zhàn)之一在于測(cè)試和應(yīng)用最佳廣告創(chuàng)意素材。幾家大的廣告平臺(tái)決定以自動(dòng)化的方式向用戶提供創(chuàng)意素材，因此我們需要解決的問(wèn)題是如何給廣告主提供最佳的創(chuàng)意素材組合。在SKAdNetwork下，單個(gè)廣告創(chuàng)意素材效果與下游指標(biāo)（即安裝、收益事件）無(wú)法進(jìn)行匹配。很少有大型廣告平臺(tái)分享他們將如何在ATT框架下進(jìn)行廣告創(chuàng)意素材優(yōu)化并獲得報(bào)告。

人類獨(dú)有的戰(zhàn)略思維、情境解讀能力和創(chuàng)造力，自動(dòng)化的機(jī)器永遠(yuǎn)都無(wú)法獲得。不難理解，當(dāng)大多數(shù)移動(dòng)營(yíng)銷人員看到自己依然還在使用ATT框架推出之前的工具，會(huì)感覺(jué)像倒退回了2010年。但 Apple 隱私新規(guī)帶來(lái)的大多數(shù)技術(shù)挑戰(zhàn)已經(jīng)得到解決。

關(guān)于Vungle

作為一家值得信賴的全球化移動(dòng)互聯(lián)網(wǎng)廣告平臺(tái)，Vungle專注于為開(kāi)發(fā)者提供優(yōu)質(zhì)的流量變現(xiàn)，以及幫助廣告主獲取活躍度極高的高質(zhì)量用戶。同時(shí)，Vungle也致力于改變用戶獲取應(yīng)用內(nèi)廣告體驗(yàn)的方式。開(kāi)發(fā)者借助Vungle獨(dú)特新穎的廣告形式，實(shí)現(xiàn)在應(yīng)用內(nèi)流量變現(xiàn)的最大化。廣告主通過(guò)Vungle的平臺(tái)在全球范圍展示其廣告來(lái)獲取用戶和提升高價(jià)值用戶的留存。

Vungle一直以數(shù)據(jù)為導(dǎo)向并基于用戶體驗(yàn)，不斷創(chuàng)造新穎廣告格式、廣告素材等產(chǎn)品。目前為止，Vungle廣告創(chuàng)意已覆蓋超過(guò)10億臺(tái)移動(dòng)設(shè)備，幫助廣告主和流量主提高互動(dòng)和回報(bào)。Vungle總部位于美國(guó)舊金山，并在全球范圍包括北京、倫敦、柏林、東京、首爾、新加坡、洛杉磯、紐約及赫爾辛基設(shè)有分公司。