在某次行業(yè)小組討論，當(dāng)談及iOS隱私政策更新后，SKAdNetwork 帶來的挑戰(zhàn)時，一位知名營銷人員說了一句經(jīng)典的評論：“歡迎回到2010年”。

仔細想來，些許有些令人心驚。在過去的10年里，移動營銷逐漸成長為一個圍繞IDFA，復(fù)雜且規(guī)模巨大的行業(yè)。廣告技術(shù)公司利用這個獨特的設(shè)備ID建立個人用戶檔案、預(yù)測用戶的未來行為，讓廣告campaign具有極高的針對性。

Vungle帶您了解為了保證移動營銷人員正常運營廣告，亟待解決的問題，以及自動化技術(shù)如何幫助我們應(yīng)對后IDFA時代的挑戰(zhàn)。

[[417501]]

背景

Apple的ATT（AppTrackingTransparency）框架完全改變了iOS平臺上UA買量的衡量、報告和優(yōu)化方式?，F(xiàn)在，UA買量團隊必須轉(zhuǎn)變?yōu)闋I銷團隊。此前大廣告平臺擁有的精準(zhǔn)定位用戶的能力將不再有跡可循，允許廣告追蹤的用戶越來越少，UA買量團隊不得不接受這樣一個事實：他們獲得的報告不再精確。

這自然會導(dǎo)致移動營銷人員考慮更大的cohort同期群數(shù)據(jù)，并像線下營銷人員那樣，學(xué)會接受“無法像以往一樣獲取精準(zhǔn)數(shù)據(jù)”這一事實。與此同時，那些擁抱變化的人將在移動領(lǐng)域的下一個階段獲勝。

在具體深入細節(jié)之前，要記住一點：營銷團隊是以技術(shù)為驅(qū)動的自動化系統(tǒng)決勝的重要因素。如今，自動化成為了失業(yè)原因的替罪羊。但自動化僅僅是替代了以前人工完成的繁冗、無趣的那部分工作。

以Facebook和Google為例，早在2015年之前，這兩家公司的大部分UA買量就已經(jīng)實現(xiàn)了自動化。其算法最終解決了橫亙在營銷人員面前的挑戰(zhàn)：在正確的時間把正確的信息傳遞到正確的人面前。但是，這兩家公司卻沒有提供諸如構(gòu)建和測試廣告創(chuàng)意素材、自動化廣告campaign制作、跨廣告campaign預(yù)算分配等解決方案。人類獨有的戰(zhàn)略思維、情境解讀能力和創(chuàng)造力，自動化的機器永遠都無法獲得。

我們將為您提供六種不同的自動化方法，來幫助移動營銷人員解決當(dāng)下UA買量的難題。

1、設(shè)置最佳廣告轉(zhuǎn)化價值，助力廣告聯(lián)盟優(yōu)化

手動方法

可以使用“啟發(fā)法”（heuristic approach），判斷可能對LTV有預(yù)測作用的早期應(yīng)用內(nèi)事件來決定最佳的廣告轉(zhuǎn)化價值。對于手游來說，這些事件可能指的是用戶的初期購買。對基于訂閱服務(wù)的app來說，也可能指的是那些參與免費試用的用戶。但如果沒有頂尖的數(shù)據(jù)科學(xué)團隊作支撐，大部分公司對很難通過這樣的方法進行準(zhǔn)確判斷。

某個特定app的最佳廣告轉(zhuǎn)化價值受到以下因素的約束：

l 必須符合Apple的要求（該值必須為6-bit）

l 為了收集廣告campaign在漏斗下端的效果反饋，廣告平臺要求在“合理的時間“內(nèi)收到廣告轉(zhuǎn)化價值數(shù)據(jù)。從目前來看，“合理的時間”指的是“24小時”。

在計算最佳廣告轉(zhuǎn)化價值時，實現(xiàn)如下兩個目標(biāo)至關(guān)重要：

l 前24小時內(nèi)的應(yīng)用內(nèi)事件要與廣告平臺的LTV相關(guān)

l 用于概率歸因的最佳事件，要能夠重建廣告campaign的ROAS報告

大多數(shù)移動營銷人員目前只關(guān)注第一個目標(biāo)，也就是能夠利用 SKAdNetwork 基于LTV繼續(xù)優(yōu)化其廣告campaign。但這種方法有其局限性。由于許多廣告平臺將廣告轉(zhuǎn)化時間范圍設(shè)置為24小時，一旦廣告主向廣告平臺發(fā)送了廣告轉(zhuǎn)化價值，他們就無法了解特定用戶的更多信息。對于廣告主來說，這意味著：

l 廣告campaign優(yōu)化僅針對用戶的D0 ROAS或其它的D0 KPI

l 無法根據(jù)不斷更新的cohort同期群數(shù)據(jù)持續(xù)優(yōu)化廣告campaign ROAS，即無法理解廣告campaign實際和預(yù)測的ROAS（pROAS）是如何不斷發(fā)展成熟的。

自動方法

為了優(yōu)化廣告轉(zhuǎn)化價值設(shè)置，使用算法可以：

l 將廣告轉(zhuǎn)化價值映射為LTV（例如將D0 KPI數(shù)據(jù)映射至D365 LTV）

l 計算用來概率歸因的最佳廣告轉(zhuǎn)化價值“聚類”。

算法可以通過預(yù)測D0應(yīng)用內(nèi)事件(完成購買、學(xué)完教程、思考次數(shù)等)的重要性來預(yù)測app的長期 LTV 目標(biāo)(例如 D180/D365 LTV)。一個聚類算法隨后可以計算出最優(yōu)的概率歸因。

2、設(shè)置最佳廣告轉(zhuǎn)化價值，助力廣告聯(lián)盟優(yōu)化

手動方法

SKAdNetwork下，營銷人員無法獲得完整報告，僅能獲取D0廣告campaign和渠道的效果數(shù)據(jù)。UA買量團隊也無從得知廣告campaign的長期(例如 D180/D365）回報。

以下是大多數(shù)公司預(yù)測長期LTV會用到的數(shù)據(jù)集。今天，大多數(shù)分析團隊使用 D7 ROAS 模型將其 LTV 預(yù)測限制在cohort同期群層級。這種方法不需要復(fù)雜的算法，在表格里就可以計算。但目前預(yù)測LTV的關(guān)鍵信息（即campaign ID，campaign名稱，流量源名稱等）缺失，基于cohort同期群的LTV模型實際已經(jīng)失效。

用戶層級LTV的預(yù)測和應(yīng)用內(nèi)用戶層級數(shù)據(jù)

自動方法

由算法驅(qū)動的系統(tǒng)不需要流量源或廣告campaign ID來預(yù)測 LTV。“獲得收入的事件”和“應(yīng)用內(nèi)用戶互動數(shù)據(jù)”這兩部分對于算法預(yù)測 LTV必不可少，且后者對于預(yù)測轉(zhuǎn)化率尤其重要。

該算法不需要流量源或campaign ID就可以預(yù)測用戶級別的 LTV，還可以利用應(yīng)用內(nèi)匿名用戶 ID 進行用戶層級 LTV 預(yù)測，并根據(jù)最新的用戶行為信息（應(yīng)用內(nèi)收入和互動數(shù)據(jù)）持續(xù)更新長期LTV預(yù)測。這些 LTV 預(yù)測可以進一步用來預(yù)測未來campaign回報。

3、進行長期廣告campaign ROAS報告，優(yōu)化廣告campaign

手動方法

如果僅使用SKAdNetwork進行廣告campaign歸因和優(yōu)化，營銷人員僅能使用D0 KPI數(shù)據(jù)進行廣告campaign效果衡量，并將這個短期指標(biāo)用于優(yōu)化。并且因為 D0 ROAS與LTV并非100%相關(guān)，甚至都算不上接近，這意味著與長期目標(biāo)相比，廣告campaign預(yù)算分配將不那么盡如人意。

自動方法

算法統(tǒng)計模型可以自動計算出app安裝屬于哪個廣告campaign這一概率分布數(shù)值，但依然無法預(yù)測廣告campaign將帶來多少收入?，F(xiàn)在，通過概率歸因，我們可以得知某個特定的廣告campaign將帶來多少實際收入，再加上應(yīng)用內(nèi)用戶層級的數(shù)據(jù)，我們可以得知用戶基礎(chǔ)行為，這兩部分數(shù)據(jù)集可以用來預(yù)測廣告campaign產(chǎn)生的收入。數(shù)學(xué)計算很簡單，但上百萬次的app安裝數(shù)據(jù)使得概率分布和用戶層級LTV預(yù)測變得極其復(fù)雜，這種工作量是遠非人工手動可以做到的。

只需一個簡單的數(shù)學(xué)公式，就可以自動分配每個廣告campaign和自然安裝渠道對收入的貢獻。下圖為一個數(shù)學(xué)模型示例。在該模型下，將用戶層級的 LTV 預(yù)測與廣告campaign歸屬概率相乘，即得出每個廣告campaign帶來的安裝對廣告campaign預(yù)測的收入有何貢獻。該模型將所有概率大于0%的安裝帶來的收入預(yù)測相加，就能得出廣告campaign預(yù)測的收入。通過計算廣告Campaign 1在廣告平臺上的花費（即圖中的100美元），我們就能得出廣告campaign的pROAS。

再另外用一個算法輸出所有SKAdNetwork廣告campaign層級和渠道層級的pROAS，用于手動進行廣告campaign優(yōu)化，也可以用作自動出價和預(yù)算優(yōu)化系統(tǒng)的輸入數(shù)據(jù)。

4、充分理解Apple的隱私新規(guī)，實現(xiàn)廣告campaign效果最大化

手動方法

Apple的隱私新規(guī)限制了SKAdNetwork API能共享多少信息，當(dāng)數(shù)量低于某個特定但未知閾值時，廣告轉(zhuǎn)化價值和流量源app ID 報告將受到限制。

對UA買量團隊來說，要解決這個問題十分困難。當(dāng)存在數(shù)據(jù)可能缺失的情況時，該如何解讀一個廣告campaign或渠道的效果？是應(yīng)該只使用追蹤的數(shù)據(jù)，還是應(yīng)該猜測到底哪部分數(shù)據(jù)缺失？除了使用能夠追蹤的廣告轉(zhuǎn)化價值外，UA買量經(jīng)理無法合理利用這部分數(shù)據(jù)。

自動方法

對于自動出價和UA買量平臺來說，這是一個典型的多臂老虎機探索利用問題(multi-armed bandit)，可以編碼成算法。一個自動化的平臺可以對廣告 campaign的pROAS 進行建模，并計算出一個特定的廣告campaign還應(yīng)追加多少預(yù)算來突破Apple設(shè)定的閾值。

只要某個特定的流量源app ID報告了廣告轉(zhuǎn)化價值，基于該廣告轉(zhuǎn)化價值、廣告campaign和由概率歸因得出的地理先驗概率，算法就可以在其預(yù)測回報的基礎(chǔ)上利用這個特定的流量源app ID。通過對未知廣告轉(zhuǎn)化價值中的不確定性進行建模，并相應(yīng)地更新歸因概率，概率歸因就能解釋是哪部分廣告轉(zhuǎn)化價值缺失了。

5、進行有效跨渠道預(yù)算分配，獲得最優(yōu)廣告支出組合管理

手動方法

一直以來，UA買量管理人員和財務(wù)團隊跨渠道分配預(yù)算的方法都不夠科學(xué)?；诘谌?MMP和cohort同期群 LTV 模型的用戶層級歸因，他們可以相對簡單地對廣告平臺的 ROAS進行粗略估計，并大致估計出應(yīng)分配給高效渠道多少預(yù)算。

對于那些不允許通過IDFA對其進行追蹤的用戶來說，用戶層級的歸因?qū)⒊蔀檫^去式，渠道層級的月度預(yù)算評估就會更具挑戰(zhàn)性。要想手動分配渠道預(yù)算，最有可能的方法是根據(jù)廣告平臺層級追蹤到的廣告轉(zhuǎn)化價值總數(shù)，根據(jù)總預(yù)算按比例分配支出。但這就意味著每月預(yù)算分配是根據(jù)D0數(shù)據(jù)進行的，這是一種完全基于短期數(shù)據(jù)進行預(yù)算分配的方法。

自動方法

自動化的系統(tǒng)可以利用長期廣告campaign ROAS 概率歸因報告來決定如何最佳分配每月支出，利用廣告平臺歷史支出數(shù)據(jù)和前幾個月的收入預(yù)計來實現(xiàn)廣告平臺組合的長期目標(biāo)。算法模型可以決定在收入出現(xiàn)回收遞減之前，廣告主應(yīng)該在一個高效的廣告平臺上分配多少廣告支出。

6、用 SKAdNetwork 衡量自然安裝增量

手動方法

營銷人員沒有可行的方法能夠了解用戶來自于自然安裝的流量源app，但衡量自然安裝效果至關(guān)重要，因為：

1. 不同于通過付費渠道獲取的用戶，產(chǎn)品團隊還需要了解產(chǎn)品在自然安裝的用戶之間效果。

2. 增量，即付費UA買量渠道對自然安裝和其他渠道的影響，對于在不同渠道之間進行預(yù)算分配至關(guān)重要。了解跨渠道競食效應(yīng)是確保我們理解渠道媒介的最佳組合，并為廣告主帶來價值最大化的關(guān)鍵。

自動方法

SKAdNetwork僅對付費廣告進行報告，自然安裝無法獲得任何報告。因此，營銷人員必須使用算法將廣告campaign帶來的付費安裝進行概率歸因，以幫助營銷人員了解哪些安裝是自然產(chǎn)生的。因為他們已經(jīng)安裝了該app，但是卻不包括在SKAdNetwork數(shù)據(jù)中。只有獲得了完整的應(yīng)用內(nèi)用戶層級數(shù)據(jù)和 SKAdNetwork 數(shù)據(jù)后，營銷人員才能理解哪部分用戶是真正的自然安裝用戶，哪些是付費渠道獲取的用戶。

廣告campaign制作，創(chuàng)造受眾，廣告創(chuàng)意素材測試和應(yīng)用

上文概述了自動化如何改進 iOS 手動工作的6種方法。然而，在當(dāng)今的 UA 買量角色和職責(zé)中，以下3個關(guān)鍵任務(wù)，由人工而非機器可能會做得更好。

1.廣告campaign制作：由于 SKAdNetwork廣告campaign上限為100個，極大地限制了廣告能觸達的目標(biāo)受眾和目標(biāo)地區(qū)，因此，廣告campaign的設(shè)置就成為了關(guān)鍵。但我們目前仍不清楚最好的廣告campaign應(yīng)如何設(shè)置，在任何形式的自動化實際應(yīng)用之前都需要實驗。

2.創(chuàng)造受眾：幾家大的廣告平臺構(gòu)建了一套算法，利用其龐大的數(shù)據(jù)集為廣告主的app尋找受眾?，F(xiàn)在，由于廣告平臺將無法建立一套內(nèi)部“相似”工具，將廣告更好地投放給目標(biāo)用戶，創(chuàng)造受眾的任務(wù)回落至營銷人員手中。至于廣告平臺未來將提供什么工具來針對這些受眾，我們還不得而知，因此今后可能需要尋找和培養(yǎng)高價值受眾。

3.廣告創(chuàng)意素材測試和應(yīng)用：UA 買量最艱難的挑戰(zhàn)之一在于測試和應(yīng)用最佳廣告創(chuàng)意素材。幾家大的廣告平臺決定以自動化的方式向用戶提供創(chuàng)意素材，因此我們需要解決的問題是如何給廣告主提供最佳的創(chuàng)意素材組合。在SKAdNetwork下，單個廣告創(chuàng)意素材效果與下游指標(biāo)（即安裝、收益事件）無法進行匹配。很少有大型廣告平臺分享他們將如何在ATT框架下進行廣告創(chuàng)意素材優(yōu)化并獲得報告。

人類獨有的戰(zhàn)略思維、情境解讀能力和創(chuàng)造力，自動化的機器永遠都無法獲得。不難理解，當(dāng)大多數(shù)移動營銷人員看到自己依然還在使用ATT框架推出之前的工具，會感覺像倒退回了2010年。但 Apple 隱私新規(guī)帶來的大多數(shù)技術(shù)挑戰(zhàn)已經(jīng)得到解決。

關(guān)于Vungle

作為一家值得信賴的全球化移動互聯(lián)網(wǎng)廣告平臺，Vungle專注于為開發(fā)者提供優(yōu)質(zhì)的流量變現(xiàn)，以及幫助廣告主獲取活躍度極高的高質(zhì)量用戶。同時，Vungle也致力于改變用戶獲取應(yīng)用內(nèi)廣告體驗的方式。開發(fā)者借助Vungle獨特新穎的廣告形式，實現(xiàn)在應(yīng)用內(nèi)流量變現(xiàn)的最大化。廣告主通過Vungle的平臺在全球范圍展示其廣告來獲取用戶和提升高價值用戶的留存。

Vungle一直以數(shù)據(jù)為導(dǎo)向并基于用戶體驗，不斷創(chuàng)造新穎廣告格式、廣告素材等產(chǎn)品。目前為止，Vungle廣告創(chuàng)意已覆蓋超過10億臺移動設(shè)備，幫助廣告主和流量主提高互動和回報。Vungle總部位于美國舊金山，并在全球范圍包括北京、倫敦、柏林、東京、首爾、新加坡、洛杉磯、紐約及赫爾辛基設(shè)有分公司。