一文详解用户获客经理必须了解的预测营销分析

在这几年移动营销行业各种挑战催化之下，负责用户增长的获客经理所负责的工作内容已经变得愈加重要。

获客经理持续追求真正有效的广告优化，从而获取高质量用户，运用各种 BI 技术解决方案，或与第三方技术平台合作，希望能够获取精确的用户成本数据，由此与用户生命周期价值（LTV）进行对比分析，力图降低投资回报率（ROI）的不确定性。 

然而，在大部分情况下，当可帮助决策的数据维度不足或无法获取时，获客经理只能依靠自己对于广告效果的经验和直觉进行决策。

 

如何有效优化获客广告？

应用开发者希望吸引更多用户使用 App，主要通过两种途径，一种是用户自然搜索发现 App，另一种是在多样化营销渠道投放广告来吸引用户。与 Tapjoy、Unity、IronSource 等聚合平台合作，或者与 Facebook、Google、Twitter 等广告巨头合作，是广告主 App 最常见的获客买量策略。广告主会根据国家地区、展示广告应用类型、多样化的受众特征等分类标准，设定不同的目标投放群组，再进行针对性的广告投放。

例如一个广告主应用，可以通过传统的广告平台在 Tinder 上投放广告，去触达其身在英国的用户，也可以通过 Facebook 投放广告，去触达其 20-34 岁之间对游戏感兴趣的女性用户。

获客经理需针对每一个用户群组，设定广告投放参数，比如预算，每日广告曝光上限，及最关键的广告出价，即为获取一位新用户愿意支付的价格（每用户出价，简称PPU）。

当一位用户激活并打开应用之后，获客经理对这位用户的转化路径全程进行观察并分析。用来衡量用户价值的关键表现指标如下：

• 变现：通过广告浏览、应用内购、订阅、积分墙等方式为应用带来收入。 
• 互动 ：代表应用参与度、能够助长移动经济的用户活动。
• 留存：用户使用 App 的频繁程度，也叫用户黏度。

获客经理的目标是，一位用户带来的收入要超过获取这位用户的成本。实现这一目标的难点在于精准衡量用户的生命周期价值，而用户的生命周期时长为三周到 12 个月不等，和应用的业务形态也有很大的关系。

如果能够先了解用户生命周期价值，在这个数据基础上决定每用户出价，这是一个极端理想的情况。而行业现实是，广告主需要先付费获客，由此给运营管理广告投放带来了带来了极大的不确定性。

如何实现 LTV 最大化？

广告主为 BI 系统投入大量资源、成立专门团队，运用数据科学，尝试识别用户路径中的各个节点，形成一个大致的用户生命周期价值。BI 技术解决方案越先进，获客经理就越容易得出精准 LTV。

这样的数据分析过程一般需要 7-14 天，积累了充分的数据规模之后才能形成一个早期的 LTV 数值。要得出精准、有效的数据，需要保证广告投放期间没有其他外部因素的干扰。 

只有当具备了有效的数据洞察，获客经理才能够逐个优化广告系列，对广告出价、广告创意或目标人群进行有针对性的调整。

广告主等待的时间越久，这一数据结果就会越准确。但是，在等待数据逐渐精准化的过程中，营销人员有可能仍然在投放不太成功的广告，浪费成本、导致广告主无法将预算投放到成功潜力更大的广告活动上。

什么是预测分析技术？

对于有些应用开发者来说，有一个用来预测 LTV 的线性模型就足够了，但是，更复杂更先进的预测模型，可能会为大多数移动应用的广告投放带来意想不到的质变。

在用户激活 App 后的一到两天内，衡量早期的用户行为，根据这些数据信号，预测该用户中长期的生命周期价值，这是行业期盼已久的解决方案。

这一解决方案的主要挑战在于，早期数据与长期预测之间的联系并不很直观，这需要在用户首次登入App之后的几天内，对用户的转化行为及模式进行衡量，并使用先进的工具分析数据，才能得出预测结果。

在移动营销领域之外，预测分析主要用于分析历史数据及模式去预测未来的走向，广泛应用于股票期权以及公共卫生领域。

将这项技术沿用至移动营销领域，实际操作起来并不容易。即使在数据平台已成为主流商业模式的当下，将预测分析技术应用于 LTV 预测仍然需要投入大量研发资源，有海量规模的数据作为基础。

想要进一步了解 PredictSK？参加我们的线上讨论会

这其中采用了包括深度学习、自定义智能标签、动态特征机器学习等技术。服务器要支持多种数据模型，所投入的维护运营开支也极为高昂。

虽然大多数获客经理都能够理解预测分析，但只有极少数正在享受这项技术带来的便利。大部分营销团队不具备自行创建维护这套机制的条件，因此只能凭借比较有限的数据分析模型，以及营销人员的主观判断。

什么是理想的预测营销分析解决方案？

创建并训练能够深度学习的预测分析模型，提供营销人员决策所需的 LTV 数据，需要大量的用户行为数据作为这套数据建模的基础。

虽然预测分析模型只用于广告主 App 预测自家 App 的长期 LTV，这套数据模型的训练和优化，将基于上百甚至上千款应用数据，才能最大程度提升预测的精准度。

业内极少有平台能够实现基于如此庞大的数据量级，加上变现与成本等数据维度，横跨所有营销渠道与媒体渠道，衡量所有应用的广告活动。

如果某位广告主与五家广告平台合作，每家平台都有自己广阔的流量池，但并没有访问其他平台流量的权限。每家平台只能看到自己的广告系列和媒体表现。因此，媒体渠道的数据必然会带有一定的偏向性。

为什么建议广告主采用预测分析模型？

在可见的未来，归因衡量势必经历重大变化。当我们来到隐私至上的新归因时代，我们需要采取新的衡量视角：可供衡量的时间框架将会变短，用户层级数据默认无法获取等等。这些都是营销人员需要适应的新现实。

预测分析模型就能够有效解决上述痛点。

1111AppsFlyer 作为一家独立公正、不偏不倚的归因平台，基于海量归因数据提供精准、有效的数据洞察。着眼于广阔的行业视角，AppsFlyer 已经为此投入了业内无出其右的技术、人才与资源，加上独立公正的价值主张，AppsFlyer 可以真正做到在最短的时间框架内，为广告主提供最精确的预测分析数据洞察。