在 iOS 14.5+ 时代掌握预测生命周期价值

在后 IDFA 时代，对用户的终生价值 (LTV) 做出准确预测并找到更多的大手笔，通常会让营销人员觉得他们需要一个水晶球。

现实情况是，对于依赖应用内购买来获取收入的应用，iOS 14.5+ 让数据驱动的决策变得更加困难。 由于确定性数据供不应求，应用营销人员需要找到新的解决方案来计算预测 LTV（或 pLTV）以确保盈利。

就实际收入而言，后 IDFA 世界实际上并没有影响用户在应用内的消费量。 实际上， 应用内支出实际上同比增长近 20% 从 2020 年到 2021 年。

2022 年任何好的 iOS 策略都始于获得用户同意

然而，对于选择退出的用户而言，确定性归因的可用性有限，这可能会使应用发布商更难准确了解每个广告系列产生了多少收入。 如果没有对用户获取的最佳渠道的清晰了解，营销人员可能难以准确确定他们最大的消费者来自哪里——以及如何找到更多像他们一样的用户。

幸运的是，营销团队可以采取一些出色的战略方法来充分利用可用数据。 2022 年任何好的 iOS 策略都始于关注用户的同意。 通过最大化选择加入的用户数量，您可以维护确定性数据的基线以用于建模或预测目的。 通过识别要优化的关键信号，您可以让 Apple 的 SKAdNetwork 系统为您服务。

用于应用内购买的 SKAdNetwork

SKAdNetwork (SKAN) 是 Apple 于 2018 年推出的，但应用很少。 SKAN 背后的理念是，它提供了一种用户级别的数据不可用的活动测量。 现在在 iOS 14 中，Apple 已经使 SKAN 框架（具有一些扩展功能）成为在用户选择通过 AppTrackingTransparency (ATT) 限制开发人员访问 IDFA 的情况下访问广告性能数据的唯一方法。

对于许多游戏而言，让用户入职并解释 IAP 的价值可能需要超过 24 小时

对于通过应用内购买 (IAP) 获利的应用，用户行为的短暂窗口（仅 24 小时）可能是个问题。 对于许多游戏而言，让用户入职并解释 IAP 的价值可能需要超过 24 小时。 如果用户愿意为额外的生命付费，那么在他们达到更具挑战性的水平之前，这种冲动可能不会发生。 如果您只有 24 小时的安装后视图，则很难跟踪。

实际上，至少就目前而言，大多数应用程序的数据粒度将受到限制。 根据您需要的精度级别，您可以通过两种主要方式使用 SKAdNetwork 跟踪 IAP 行为。

基于事件的应用内购买测量

第一种是使用基于事件的方法（也称为位掩码）。 SKAN 为 6 位下游指标提供空间，一个介于 0 和 63 之间的数字（或 000000 和 111111 之间的二进制数），具有初始 24 小时计时器。 在此模型中，营销人员将六个位中的每一个都分配给一个事件，而相应的位设置为 0 还是 1 会告诉您该事件是否发生。

营销人员将面临选择计算 LTV 所需的最少安装后信息量的挑战，最好是在 24-48 小时内。 优化信号将具有更少的数据点和延迟，迫使优化策略发生巨大变化，依赖于更具上下文的方法。

如果您想跟踪六个或更少的 IAP 事件，那么可以使用这种技术，其中一个位只是与每个事件相关联，您可以跟踪这些转化。 如果您计划针对关键里程碑进行优化，例如“完整教程”、“完成一级”或“购买”，那么位掩蔽方法是完美的。 但是，如果您想更详细地了解值的范围或尺度，您可以创建“购买”桶或其他一些指标。

基于桶的方法来衡量应用内购买

基于桶的转化价值系统允许您定义跟踪用户在前 24 小时内花费的价值。 对于游戏、电子商务、配送或旅游预订行业，平均订单价值 (AOV) 是衡量用户在应用内花费的金额的常用 KPI。 如果您要针对 AOV 进行优化，最好使用包含不同总购买值的存储桶。

在基于存储桶的方法中，您可以设置介于 1 美元到 5 美元、6 美元到 10 美元等之间的范围，并在与这些存储桶中的每一个相对应的转换值回发中返回一个值。

预测 LTV 建模使用用户在使用应用程序的第一天的行为来预测中期收入。 当用于更广泛的桶或类别时，这种预测建模效果更好。 您希望创建可能成功的广泛定义，并根据用户的行为将用户过滤到这些定义中。 利用用户的初始行为，可以使用桶进行广泛的笔划——比如将用户划分为“鲸鱼”或“非鲸鱼”。

通过查找异常值的第一天支出，您可以估计您的团队在不同渠道中发现鲸鱼的情况。 如果您在第一天创建将用户分类为不同类别的存储桶，然后查看这些类别在网络中的分布情况，您就会开始了解您的最高价值用户往往来自哪里。

例如，如果您创建 1-10 美元、11-20 美元、21-30 美元的存储桶，您可以相当确信第一组和第三组中的用户具有非常不同的行为。 发送大量用户并在价值桶上游消费的渠道是一个发出强烈信号的渠道，即它能够接触到高价值用户。 在边缘，很难区分如何阅读信息（在第一天花费 11 美元的用户真的比花费 10 美元的用户更有价值吗？），但总的来说，您可以看到更广泛的趋势。

也可以使用一些基本的逻辑规则将基于值的信号与事件标志结合起来。 例如，您可以为花费超过 10 美元并购买一捆每日突袭通行证的用户设置一个值。 例如，电子商务应用程序可能会发现，购买要求他们持续退货的消耗品的用户表现出比购买化妆品的用户更具粘性的心态。

人工智能如何帮助改进预测

制定适用于您的应用程序的策略需要进行一些迭代，并且随着 SKAdNetwork 作为一项技术的成熟，最佳实践示例将发生变化和进步。 但最重要的是要了解您希望在应用中鼓励哪些行为——以及高价值用户可能采取的行动。

要关注的最重要的事情是了解您希望在您的应用中鼓励哪些行为 – 以及高价值用户可能会采取哪些行动

人工智能或机器学习可以分析有助于预测用户未来行为的趋势层。 人工智能使用从相似用户那里学习的历史数据和模式，根据第 1 天提供的数据预测该用户在第 30 天的价值。通过使用输入机器学习算法的大型数据集，人工智能可以推断和关联为未选择加入的用户描绘长期结果。

通过识别这些关键点，并找到最大化接触点的方法，您可以创建一个良好的基础来预测未来的 LTV。 底线是确定性数据仍然是做出基于数据的决策的黄金标准。 但是，通过正确的 SKAdNetwork 理念，您可以确保从选择退出的用户那里获得最佳信息。

更多 GamesIndustry.biz 学院销售游戏指南

我们的网络游戏赚钱指南涵盖了发布过程的各个方面，无论您是即将开始新项目的年轻游戏开发者还是行业资深人士：