作者:Katie Madding
自 4 月 Apple 推出 AppTrackingTransparency (ATT) 新规以来,移动生态系统中的各方都在采取措施,力求将变现策略及UA 推广受到的干扰降至最低。为了帮助营销人员在后 IDFA 时代中继续依靠数据做出明智的决策,整个行业都付出了极大的努力。
对于通过订阅进行变现的应用,有效地使用用户许可请求策略显得尤为重要。因为只有策略得当,广告主才能在用户生命周期的各个节点获得可靠而精确的数据。订阅类应用的用户旅程一般更长,与其他变现模式相比更加复杂,因此获得的数据越多,收益也就越高。
不过,即便用户拒绝授予数据跟踪许可,依靠强大的 SKAdNetwork 方案仍可以对用户生命周期价值 (LTV) 做出较好的判断。
如果用户同意与应用推广的渠道方分享 IDFA,且下载后在应用中同样授权分享,MMP 就能以 100% 的精确度进行匹配。这就是我们所说的 "精确归因"。
获取用户许可
如果用户的授权许可率较高,应用就能获得明显的竞争优势,一方面能访问真实且精确的用户数据,另一方面能根据授权用户的行为创建模型。
预授权弹窗能向用户阐释授予数据跟踪许可的好处。关于如何打造完美的预授权弹窗,我们已经提出了许多有效的建议,欢迎在这里查看。
对于 ATT 弹窗本身,营销人员正在厘清哪些做法真正有效。您可以浏览当前正在使用的ATT 弹窗图库,了解生态中不同应用是如何处理 ATT 弹窗问题的。
而对于订阅类应用,了解用户何时遇到支付问题,何时暂停、取消或继续订阅等关键信息对于应用优化十分关键。转化之旅曲折复杂,没有了 IDFA,要获得可靠的用户数据就更难了。
使用 SKAdNetwork
Apple 在 2018 年推出了 SKAdNetwork 框架。这是一种不同的推广活动监测方法,在该框架中,用户层级的数据不可用。随着 iOS 14 的推出,SKAdNetwork 框架得到了进一步发展和扩充。Apple 这样做的目的,是希望能减轻由于限制开发者的 IDFA 访问权限而造成的影响。
在 SKAdNetwork 中,广告主可以设置用来衡量下游指标的 6 比特值,大小为 0 - 63 之间的数字 (或二进制 000000 - 111111 之间),比特值带有一个初始为 24 小时的计时器。该 "转化值" 可以是能用二进制表示的任何值。每次转化值更新为应用内指定的全新 6 比特值,计时器就会延长 24 小时。
第一个计时器结束后,第二个上限为 24 小时的窗口就会开始计时。SKAdNetwork 会在这最多 24 小时的窗口内随机返回归因数据。这种随机计时的目的是模糊安装时间,避免事件触发被关联到用户个人。SKAdNetwork 系统分享的数据为聚合形式,不提供用户层级上的精细数据。
在 iOS 14 世界中,订阅类应用面对的困难更大。首先,延长 SKAdNetwork 的 24 小时计时窗口虽然可能有助于收集来自用户的信号,但该如何可靠地延长这个窗口是个棘手的问题。
我们或许能用比特值来延长转化窗口,达到延长计时器的目标 — 只需定时触发转化值更新 (例如从 000001 更新至 000011),让计时延长 24 小时即可。但这需要用户每天登录,转化值才会在应用于前台运行时触发。如果用户不再打开应用,那么转化值就不会更新,计时器不会延长,您也就无法在更长的时间范围内收集数据。
第二,在安装后的头 24 小时内很难获得足够的数据来预测用户的长期表现。由于 6 比特转化值的限制,可用触点数量有限,在这种情况下,您必须把握住那些最重要的触点。
信号与杂音
广告主可以通过两种方式使用 SKAdNetwork 提供的 6 比特值。第一种是 "位屏蔽 (bit masking)",将 6 个比特值分别指定给 6 个事件,通过查看比特值是 0 还是 1,了解对应事件是否发生。这是一种非常简洁的事件跟踪方法,如果使用得当,可以发挥非常大的效果。但这种方法只允许映射 6 个事件,且只能以二进制回答 "是" 或 "否" 的问题。
第二种方法是将范围映射到不同的转化值上,这样,您就能根据用户所处的范围将其划分到不同的群组.
LTV 预测模型会基于用户使用应用首日的行为预测中期收入。这种预测模型对规模更大的用户群体或类别效果更好。您应当为 "成功" 设立宽泛的定义,根据用户行为进行相应分类。使用宽泛的分类方法一般更容易获得成功,例如游戏类应用将用户划分为 "大 R" 和 "非大 R" 两类。然而要在相似的用户群中做出区分则非常困难。
订阅类应用或可将“试用开始“作为 SKAdNetwork 信号和优化指标,这不仅是因为这一事件更有可能在可见的窗口中发生,更是因为试用开始是初始窗口中涉及到用户强烈意愿的操作。
然而,仅仅依靠“试用开始”有可能误入歧途。在无法了解试用期间发生的事件时,后 IDFA 时代的数据分析会更加困难,因为用户开始免费试用并不意味着之后会为应用带来收入。
如何优化 "试用开始"指标
考虑到上文所述的原因,您或许可以考虑将 "试用开始" 作为额外的独立信号加以利用。举个例子:用户触发了 "试用开始"事件,获得了初始转化值,但在转化值窗口中又取消了试用,那么您就可以更新转化值。这样就能立刻排除大量可能不会付费的用户,从而划分出 "取消试用" 的用户群,此类用户的 LTV 可能较低。
换一个角度来说,您还可以跟踪注册免费试用并提供了支付信息的用户。此类用户已经表现出转化的意向,更有可能变为长期付费用户。
不过,每款应用都不一样,您要根据实际情况,找到合适的信号。例如,有时最好的信号或许是用户在完成初始设置当天的晚些时候进行了额外的会话,这说明他们已经与应用有了交互,做好了体验功能的准备。好的用户转化信号也可能是允许推送通知,这说明用户愿意接收提醒,返回应用。
好的 LTV 指标并不一定复杂。例如,对于 Facebook,一个关键信号是用户在 10 天内添加了 7 位好友,这说明此用户更有可能持续使用应用。初期能从用户那里了解到哪些信息?这些信息可以有怎样的用途?这些都是值得您考虑的。从第一天就开始将用户分类有助于预测用户的长期价值。
iOS 14 为营销人员带来了重重挑战,但只要策略得当,在竞争中取得领先地位,就能收获满满的机遇。订阅类应用尤其要找准可靠的早期 LTV 信号,不断迭代用户许可请求策略,才能取得最佳成果。
关于 Adjust
Adjust 是一个全球应用营销数据分析平台,始终秉承最高的隐私和效果标准。Adjust 的解决方案包含归因服务、数据监测、防作弊、网络安全及自动化产品。Adjust 的使命是让营销变得更简单、更智能、更安全,为使用其服务的 50,000 多个应用提供帮助。
