行業首創！LTV 指標最佳化重磅上線，一步到位達成獲客終極目標

經過一年的產品整合和品牌統一，Liftoff於近日宣佈與Vungle合併後的公司將以統一的、全新的Liftoff品牌形象繼續賦能行業。除了新品牌形象外，Liftoff還亮相了全新的產品矩陣，為使用者提供協調統一的營銷和產品服務。隨後，Liftoff帶來了品牌煥新後的首個產品更新：業界首個機器學習解決方案LTV最佳化。


眾所周知，手遊營銷市場正在經歷風雲變幻。對隱私問題日益增長的擔憂、經濟波動，以及廣告科技公司的迅速兼併，都意味著“不惜一切代價求增長”的戰略不再適用。移動應用開發者和營銷人員開始使用新的第一關鍵指標——使用者生命週期價值（LTV），為自己業務的未來保駕護航。

LTV 是指使用者在其作為使用者的整個生命週期內所能帶來的收益。在許多情況下，這裡的“生命週期”會被定義為固定的時間段，可以是 180天、365 天或更長。

但大多數廣告商都使用 7 日回收（D7 ROAS）等指標來達成自己的 LTV 目標。所帶來的問題是短期指標經常忽略長期購買者，且無法準確預測 LTV。那我們為何還在使用這些指標呢？

Liftoff 剛剛在公測中引入了一個新功能，可以讓您告別各種指標，直接迎接 LTV 最佳化！LTV  最佳化是業界首個的機器學習解決方案，可以使用您的預測 LTV（pLTV）分值來為您的業務定位最佳使用者。

走向 LTV 最佳化：漫長的過程

多年來，直接最佳化 LTV 一直是個難題。直到 2015 年，最佳化安裝（CPI）模式都還是應用內廣告的首選。在大多數應用的售價都還是 0.99 美元時，CPI 最佳化能有效幫助應用盈利，同時實現和使用者群快速增長。此後，應用開始從“收費安裝”轉向“免費增值”模式，即安裝免費，然後進行應用內購買（IAP）的模式。一夜之間，CPI 最佳化就不再是幫助應用開發者創收的有效策略了。畢竟，如果使用者下載了應用，但再也沒開啟過應用，那有什麼用呢？如果安裝免費，那獲取這個使用者就毫無意義，且花費高昂。

為了解決上述問題，事件最佳化（CPA）被運用於定位那些最有可能下載應用，且會在應用中完成期望操作的使用者。這種模式能讓應用開發者和廣告商獲取那些最有可能完成“註冊”、“訂閱”或“購買”等行動的使用者。但也隨之帶來了一個主要挑戰：將收益最佳化限制在了單一的收益活動上。或者說，CPA 模型定位的是那些最有可能完成一個特定購買事件的使用者，而非完成最大或多個不同收益事件以產生最多收益的使用者。

基於此，廣告合作伙伴提出了 ROAS 模型，該模型先後透過 IAP 和 IAA 收入，針對最有可能產生最高收入的使用者進行最佳化。雖然 ROAS 模型在創收方面明顯優於 CPA 模型，但卻只考慮安裝後的前 7 天（或 30 天）的轉化率。這對大多數應用來說都是個問題。

首先，在安裝應用後前 7 天內完成轉化的使用者不一定會在剩餘的 LTV 期限內持續創收。例如，有些使用者會在 7 天內進行購買，然後對應用不滿意，就再也不購買了。D7 ROAS 模型會定位這些進行一次購買的使用者，並會忽略可能在第 6、8、10 天或者之後完成轉化的使用者。

這就引出了第二個擔憂：ROAS 模型和其他短期指標並不像LTV那樣將長期轉化率和留存率考慮在內，從而導致錯失機會和指標偏離。

有這麼多明顯問題，為什麼業內沒有一開始就採取 LTV 最佳化呢？

理想與現實：最佳化 LTV 不容易

長久以來，廣告網路和需求方平臺（DSP）無法直接針對 LTV 進行最佳化，主要原因有兩個：獨特的 LTV 計算方式，以及需要大量資源的 pLTV 分值。

獨特的 LTV 計算方式 - 與 CPI、CPA、ROAS 的不同之處是 LTV 並沒有固定的計算方法。LTV 取決於應用的獨特受眾、LTV 期限以及其他因素。沒有一個標準模型，許多廣告合作伙伴就沒有可擴充套件的 LTV 解決方案。

需要大量資源的 pLTV 分值 - 此外，LTV 建模非常複雜，需要大量資源。為了針對 LTV 進行最佳化，許多行業領先的應用會給資料分析團隊砸重金，資料分析團隊會為使用者分配pLTV分值，這些分值與內部模型相結合，用以預測未來 ROAS （pROAS）。然後，資料分析團隊從預測出來的目標反推工作，並嘗試將短期指標（CPI、CPA或D7 ROAS）與最成功的 LTV 使用者相匹配。這項工作非常複雜，需要投入大量時間和資源，而許多應用開發者根本無法負擔。小型開發者通常將LTV建模外包給第三方公司，或者可能根本沒有 pLTV 分值相關的資料。

缺少 LTV 機器學習模型和使用者層級的 pLTV 分值意味著廣告網路和 DSP 只能為 LTV 最佳化提供短期指標。

選擇 Liftoff: LTV 最佳化為何能脫穎而出？

比起使用各種指標，LTV 最佳化直接將 Liftoff 的機器學習模型與您的 LTV 目標相匹配，助力業務取得長線成功。

我們如何能做到這一點呢？LTV 最佳化先是匯入使用者級別的 pLTV 分值。這些分值會調整我們的機器學習模型，以定位針對您應用的最佳使用者。一旦模型發現並向新使用者進行了廣告展示，不同於 MMP 回傳，Liftoff 會針對該使用者使用新生成的 pLTV 分值，以進一步完善、改進我們的機器學習模型。因此，LTV 最佳化能夠獲取那些被證實會在應用內轉化的使用者。

在最初的測試中，早期使用的廣告商看到了 D7 ROAS 和 pROAS 的顯著提升。LTV 最佳化可助力移動廣告商：

透過直接的 LTV 最佳化產生最大收益，無需其他指標。

透過為其獨特受眾量身打造的機器學習模型來獲取最佳使用者。

針對符合其業務需求的 LTV 期限進行最佳化，不只限於短期。

LTV 最佳化現開放公測，若想了解更多資訊，請關注Liftoff官方公眾號（ID：gh_8ae9b06f8cdd)，聯絡客戶經理或諮詢我們的商務人員。

關於Liftoff

Liftoff 是移動行業領先的一站式增長加速平臺，透過廣告投放和流量變現相關解決方案，幫助移動應用廣告主、發行商、遊戲開發者和需求方平臺實現業務規模化增長。Liftoff 依託 Accelerate (DSP)、Direct (直客）、Influence（達人營銷）、Monetize（廣告變現）、Intelligence (GameRefinery資料分析) 和 Vungle Exchange 在內的一系列解決方案，服務於來自全球 74 個國家和地區超過 6,600 家移動企業，涵蓋遊戲、社交、金融、電商、娛樂等垂直領域。Liftoff 發起的“ 移動先鋒” (Mobile Heroes) 計劃致力於推動移動營銷行業發展，彙集了超過 3,000 名應用營銷人、變現領域專家以及遊戲開發者，已成為業界知名的全球社群。Liftoff 連續六年上榜 Inc.5000 “全美髮展最快私營企業”榜單，並多次榮獲 Stevie® 美國商業大獎，榮膺最快增長科技企業。Liftoff 成立於 2012 年，總部位於美國加州紅木城，業務遍及全球。