中文
登录
后可查看全部文档
AdSpark(增长参谋)/功能介绍/AdSpark(增长参谋):预估广告LTV产品功能介绍
AdSpark(增长参谋):预估广告LTV产品功能介绍
最近更新 2023-10-18 21:08:59

版本

上线时间

更新时间

更新内容

V 1.0

2022.6.29

2022.6.29

预估广告LTV_7上线,支持游戏、工具、网赚游戏等IAA行业

V 2.0

2022.11.11

2022.11.14

预估广告LTV_0/ROI_0上线,支持小时级预估全天回收支持全行业

1. 什么是LTV

用户的 LTV(生命周期价值)是从用户获取到流失所得到的全部收益总和。LTV 是大多数运营策略的最终衡量指标,也是一个用户的价值体现,被广泛应用于广告投放的决策行为中。

LTV 的定义为用户生命周期价值(Life Time Value),其值大小由两部分决定:① 生命周期,即 Lt 部分; ② 价值,即 V 部分;放到产品中,即单个用户在产品中存活的时间乘以用户在存活时间期间内单位时间所产生的收入,由于用户的存活行为是连续生成的,同时产生的收入行为也是伴随存活行为连续生成的,所以 LTV 是一个连续变化的积累值,用公式的表达就是:

LTV = 单用户存活 Days *ARPU(per Day)= 所有人在总存活期内总收入 / 所有人的人数

2. 为什么要做预估广告LTV

  • 决策效益:加入数据分析与算法模型作为决策辅助可以降低决策风险、提高决策效益。

在广告投放领域,如何进行高质量的投放以达到用户持续性增长的目标,是行业的普遍痛点。在投放及运营人员根据产品历史 LTV 数据以及行业经验,对产品未来的发展性价值进行评估继而调整投放权重与力度,或调整运营策略。随着市场规模扩大、用户群体复杂化,依赖行业经验的人为决策难度越来越大,对游戏及用户群体的价值进行准确评估的可行性也愈来愈低。因此,对于依赖数学算法的、可信的、拥有相对稳定准确性的 LTV 预估方法的开发研究,在广告行业得到越来越多的重视。

  • 提高效率:高效且合理地调整用于不同用户渠道的资源投放比例。

以游戏为例: LTV 的发展趋势与幅值为参考指标,对游戏进行评级,可以帮助游戏广告投放人员合理地调整不同游戏的资源投放比例;以用户群 LTV 的发展趋势与幅值为参考指标,对用户群的价值评估,可以帮助游戏广告投放人员合理地调整用于不同用户渠道的资源投放比例。

  • 风险预测:通过模型算法预测未来 LTV ,预测潜在收入风险,突破收入瓶颈期。

产品在发布初期表现良好,之后在某一时间用户开始大量流失,收益增长停滞,迅速进入瓶颈期。这样的发展趋势在初期也许稍显端倪,却容易被表面的良好数据掩盖(如,初期具有较高的留存率,但已出现异常的衰减情况)。再针对此情况商讨、研究、开发相应的运营策略,往往难以及时降低用户流失风险。而用算法模型预测未来 LTV ,可以为运营方提供用户在未来某时间段的累积LTV,降低潜在停滞风险,帮助及时调整运营策略。

3. 增长参谋预估广告LTV

3.1 广告预估LTV_7

3.1.1 五条数据曲线重点说明

曲线1:预估值

  • 曲线含义:模型算法预估,当前筛选条件下,激活新增用户通过算法模型产出LTV 7预估值
  • 曲线指标周期:T1~T14、T30、T45、T60、T90T1、T7:预估值T2~T6、T8~T14、T30、T45、T60、T90:拟合值
  • 展示条件:当日激活数≥100数据口径仅限于:穿山甲该应用预估效果处于稳定阶段:数据GAP < 20%

曲线2:真实值

  • 曲线含义:后验真实LTV,基于当前筛选条件,对应筛选项真实LTV数据
  • 支持粒度:应用、投放渠道、投放账户、广告组、广告计划
  • 曲线指标周期:T0
  • 展示条件:默认展示

曲线3:历史较高水平(T0)

  • 曲线含义:当前应用,在过去3个月的LTV表现的75分位数
  • 支持粒度:应用、投放渠道
  • 曲线指标周期:T0~T14、T30、T45、T60、T90(针对当前应用产出的历史数据,计算LTV对应中)位数、75分位数
  • 展示条件:当前筛选条件下,该应用接入参谋后,按激活日期统计历史上至少存在7天数据

曲线4:行业较高水平(T0)

  • 曲线含义:当前应用所在行业,在当前穿山甲大盘中行业LTV表现的75分位数
  • 支持粒度:应用、投放渠道
  • 曲线指标周期:T~T14、T30、T45、T60、T90(计算应用行业大盘,按照应用颗粒度排序,LTV对应75分位数)
  • 展示条件:默认展示

曲线5:行业较高水平(上周)

  • 曲线含义:当前应用所在行业,在过去7天穿山甲大盘中行业LTV表现的75分位数
  • 支持粒度:应用、投放渠道
  • 曲线指标周期:T~T14、T30、T45、T60、T90(计算应用行业大盘,按照应用颗粒度排序,LTV对应75分位数)
  • 展示条件:默认展示
3.1.2 预估LTV_7在哪里?
整体概览:核心指标分析(按应用)
  • 支持披露用户多个应用查看LTV 7 预估值
  • 多用于应用vs应用整体对比
核心指标分析
  • 支持计划粒度筛选:核心指标页面不批量展示计划,建议从天级/小时级报表复制头部计划ID进行查询
  • 趋势分析(按激活天数):针对回收效果核心指标进行趋势分析(按激活天数),可以快速了解核心指标变化趋势(「趋势分析」增加「行业&预估」对比)建议广告预估LTV_7配合行业LTV曲线使用
3.1.3 用一个案例解读:五条曲线如何参考结合使用
  • 数据解读:
    • 激活设备数:基于当前筛选条件下,激活日期对应的新增用户数
    • LTV-T0:为LTV当日真实值,同时给出当日LTV与行业较高水平的差距

案例中显示:较行业较高水平+147.20%,回到图像中表示:① 行业较高水平:0.13,这个值表示当前应用所在行业对应的所有应用当日真实LTV的75分位② 较行业较高水平+147.20%:表示该应用在所在行业中的变现LTV水平是高于行业75分位所在LTV的147.20%

    • LTV-T7预估值:预估值为模型算法通过新增激活用户信息预测而来,增长参谋大盘平均预估数据GAP稳定在10%左右,但由于数据量及产品原因会有一部分产品or维度数据GAP不稳定

平均误差±17.72%:在该筛选条件下,历史预估值和后验真实值的平均GAP在17%左右

  • 业曲线如何参考使用  :建议在使用预估数据时根据业务接受度参考,在此基础上,我们特意给出来两条行业LTV曲线辅助业务参考
    • 行业较高水平:产出的是当日行业内应用的LTV水平,以75分位线作为对比标准
    • 行业较高水平(上周):产出的是同比上周的行业内应用的LTV水平,同样也是以75分位线作为对比标准

我们在使用预估LTV的时候建议参考两条行业曲线,同时配合预估数据GAP可辅助判断是否可做对应的投放操作;比如GAP过高的时候,参考行业的趋势变化,可辅助判断预估数据的稳定性以及是否需要调整LTV预期

3.2 广告预估LTV_0/ROI_0

小时级-累计口径

小时级-分时段口径

4. 常见问题

问题1:预估LTV可以包含外部adn(通过api)回传的收入吗?

不可以,模型算法预估依赖设备颗粒度数据,以及对应的各做用户行为特征信息,Api回传部分不能保证穿山甲DAU大盘一定有该用户信息

问题2:预估LTV可以预估Gromore内的收入数据吗?

暂时不可以,聚合预估口径目前还在研发当中

问题3:预估LTV可以预估内购收入数据吗?

不支持,参谋仅支持通过模型算法预估纯广告LTV,不支持内购以及其他收入类型预估

问题4:预估LTV可以预估内购收入数据吗?

  1. 稳定性更高,可以过滤有更多大盘波动的信息
  1. 细粒度后验GAP更稳定,从单设备粒度预估后做聚合,过滤脏数据干扰,应用、账户、计划粒度后验GAP均维持在10%左右
  2. 时效性更高:不依赖应用大量经验数据累积,不仅适用于老产品,同样适用于新产品早投早知道,随小时级数据产出即可知道当日24h的ltv、roi

问题5:为什么我看不到预估数据?

检查1:应用管理->接入分析->归因数据拼接率 是否>80%

检查2:当前数据筛选维度,新增激活设备数是否>100

若前两个检查均满足条件,则是由于最近有数3天后验GAP>20%不予披露

>>> 加入参谋社群了解更多

进群/添加请备注穿山甲媒体/应用id


本篇目录
联系我们