AppLovin：Beresnev Games通過用戶級廣告數據提高收益和ROAS

近期，AppLovin與Adjust聯合舉辦了一場線上研討會?；顒由希珺eresnev Games市場總監(jiān)Sergey Tsondinov作為嘉賓，與AppLovin總經理Daniel Tchernahovsky和參會者一同分享了旗下兩款游戲《Flippy Knife》和《Gallery Coloring Book》是如何利用用戶級數據提升收益的精彩案例。

Beresnev Games挑戰(zhàn)

尋求不同用戶群體與廣告投放之間的平衡點

我們不想在《Gallery Coloring Book》中推送廣告，因為插屏廣告會嚴重影響用戶留存。對我們而言，留住付費用戶比投放廣告更為重要。而《Flippy Knife》的情況就恰恰相反，90-99%的收益都來自廣告投放。

用戶級數據為精準營銷指明方向

在用戶級廣告收益投入使用前，廣告收益是聚合在網絡級層面的。這意味著開發(fā)者無法洞悉究竟是哪些用戶產生了最多的價值。它假設所有用戶帶來的廣告收入相等，基本上把用戶歸為一類。

如果不從用戶級廣告數據分析，開發(fā)者就無從得知用戶與游戲的交互度以及他們帶來了多少收益。換而言之，缺乏這些數據支撐，開發(fā)者在制定廣告策略時就猶如在迷霧中前行。

Sergey團隊利用用戶級數據提升表現

Beresnev Games通過MAX優(yōu)化用戶獲取策略，并結合Adjust中整合的MAX用戶級數據，更清晰的梳理出產生最大收益的渠道資源。

這意味著Sergey團隊能夠制定合適的策略，并提升用戶交互，用戶LTV（終身價值）和ROAS（廣告支出回報率）?！暗靡嬗趯γ看纹毓獾挠脩艏墢V告收益的認知，開發(fā)者能夠做到ROAS的真正優(yōu)化，徹底改變了游戲規(guī)則。”

精準衡量投資回報非常有效，這可以幫助開發(fā)者更好的使用預算。舉例而言，通過了解哪些廣告活動能夠帶來高價值用戶，開發(fā)者就可以重新規(guī)劃預算的分配。然后，利用這些數據計算出每個用戶的收益，并準確構建LTV模式。

如何使用Adjust后臺測量用戶級數據

Adjust的后臺功能非常重要。如果一個團隊沒有數據工程師或分析師進行數據分析，上傳數據至服務器，修復報告及計算各項指標，這些功能無疑解決了他們的難題。

用戶可通過Adjust后臺，連接至MAX的AppLovin賬號。Sergey認為這個激活流程簡單、快捷。設定好以后，便可看到以下三個關鍵的KPI:

·廣告收益

·廣告曝光

·千次展示收益

他解釋道:“這些KPI使我們團隊更加深入的了解真正的LTV并識別潛在的機會。”

LTV為何重要?

用戶終身價值對于理解ROI而言非常重要。這個指標會告訴你用戶在未來為您的應用帶來收益的總和。

A/B測試及用戶級廣告收入

開發(fā)者可在以下方面使用廣告的A/B測試，例如:

·提升競標人的價值

·應用內競價與傳統、混合或瀑布流廣告的對比

·新網絡布局或新網絡的增值

·廣告頻率

·確定最低出價，以平衡用戶體驗和收益決策或IAP與廣告平衡

A/B測試由實時分析驅動，并為每個用戶帶來持續(xù)的收入增長。通過A/B測試，Sergey能夠理解一則新廣告的價值以及它對用戶群體的影響。“例如，我們發(fā)現激勵視頻對用戶留存不會產生負面影響?！?/span>

如何通過用戶層面的廣告數據對未來的廣告活動進行改進

·根據用戶級廣告收益細分用戶，尋找同類受眾

·了解用戶對應用內廣告的反應，并分析其對用戶流失的影響

·同期群分析廣告收益

避免走彎路

開發(fā)者需審慎對待整體的廣告策略，以確保業(yè)務的發(fā)展和提升用戶留存。通過A/B測試獲得最大表現，盡量少走彎路。隨后，采取可行方案提升和有效的分配預算和時間。

“現在，我們可以通過每個投放廣告的投資回報率，輕松地算出未來的廣告支出。”

Sergey團隊對于如何有效分配預算充滿信心，這樣他們就可以投入更多的時間和精力來用于新游戲的研發(fā)和改進。

關于AppLovin

AppLovin是全球移動娛樂的領軍者，旗下工作室創(chuàng)作了膾炙人口的移動游戲，并通過其技術將游戲呈現給全球玩家。自2012年以來，該公司的平臺一直在推動移動游戲的爆炸式增長，從而打造了更豐富的生態(tài)系統，每天有數百萬人接觸到更多新游戲。AppLovin的總部位于美國加州的帕羅奧多，并在全球設有多個辦公室。