LTV (Lifetime Value), или пожизненная ценность клиента, — это метрика, которая отвечает на вопрос, сколько денег приносит конкретный пользователь приложения.
Она рассчитывается по формуле:
LTV считается одной из ключевых метрик в маркетинге, так как именно она помогает оценить, окупаются ли затраты на привлечение, вовлечение и удержание пользователей.
Сегодня, когда стоимость привлечения аудитории растёт, маркетологи уделяют этой метрике всё больше внимания. Ведь от LTV пользователя во многом зависит, будет ли маркетинг окупаться. Зачастую привлечение пользователя обходится куда дороже его первой покупки: компании идут на это, потому что сравнивают стоимость привлечения (CAC) с LTV. Чем выше будет LTV, тем скорее окупится продвижение.
Поэтому понимание, какой доход пользователь может принести за всё время активности, а не только за первую транзакцию, позволяет оперативно корректировать маркетинговую стратегию и распределять бюджет на наиболее эффективные каналы.
Но у компаний не всегда есть достаточно данных, чтобы рассчитать LTV, или может не быть аналитиков, которые могут это сделать. Чтобы этот процесс стал доступным для всех и вы могли привлекать аудиторию, которая принесёт больший доход, мы добавили в наши оптимизационные модели компоненту, отвечающую за прогноз LTV пользователя в рекламируемом приложении. Теперь предиктивные модели в рекламе мобильных приложений в Директе используются по умолчанию.
Владельцы мобильных приложений стремятся привлекать пользователей, которые чаще совершают целевые действия после установки, в том числе покупки. Мы стараемся, чтобы инструменты для рекламы приложений в Директе максимально эффективно решали эту задачу, и постоянно совершенствуем их.
Внутри мобильного трекера, разработанного Яндексом, уже существует LTV score, который предсказывает LTV для пользователей приложений. Теперь мы используем его для обучения наших моделей, так что к предсказанию вероятности установки добавится вероятность целевых действий после неё. Именно этот скоринг будет основным для отбора объявлений на автостратегиях.
Новое решение увеличивает число целевых действий после установок и, как следствие, общий доход. Разница будет особенно ощутима в кампаниях с оплатой за установки: в тестовом периоде мы отметили увеличение прибыли от привлечённых пользователей до 12%
Всё больше клиентов оценивают метрики CAC, ARPU, ARPPU на длинных когортных дистанциях и переориентируются на оптимизацию LTV. При этом в большинстве рекламных каналов, работающих в России, подобные модели оптимизации пока недоступны.
Как агентство, чтобы решать эту задачу клиента, мы проводим оценку показателей вручную, что очень сильно удлиняет и замедляет процесс оптимизации кампаний и улучшения метрик. Возможность оптимизировать рекламу мобильных приложений с точки зрения LTV позволит эффективно работать с РСЯ и небрендовым поисковым трафиком.
Как работают предиктивные модели
Предиктивная модель LTV — это модель машинного обучения, которую мы используем для аналитики в AppMetrica и для обучения алгоритмов Директа.
Модель обучается на обезличенных данных о похожих приложениях и данных о выручке или удержании пользователей. В результате Директ в реальном времени корректирует ставки, чтобы привлекать пользователей с потенциально более высокой LTV именно в вашем приложении.
Как работают стандартные алгоритмы закупки, в основе которых вероятность установки
Реклама показывается тем, кто с большей вероятностью установит приложение:
Как работает новый алгоритм Рекламы мобильных приложений
Система учитывает потенциальный LTV пользователей и находит самую качественную аудиторию:
Мы постоянно развиваем наши технологии и расширяем возможности Рекламы мобильных приложений в Директе, чтобы продвижение приносило максимальный результат при оптимальном для вас бюджете. И внедрение предиктивной модели LTV во все кампании — один из важных шагов в этом направлении.
