AppQuantum：如何构建预测性分析

预测分析的重要性是什么，如何与之合作，——在他的专栏中 App2Top.ru， 费多尔·洛克季扬诺夫，来自 AppQuantum 的分析师，分享了他的看法。

费多尔·洛克季扬诺夫

1. 预测分析的必要性

预测分析 在许多领域都有很高的需求，包括移动游戏和应用程序的收入预测。今天，我们就来讨论这个话题。但首先，让我们明确一下它何时能派上用场。

假设您创建了一个通过付费订阅进行货币化的移动应用程序：

• 每个新用户在前 7 天内可以免费访问服务；
• 在应用程序发布后，您开始推广它，并在 Facebook 上启动广告活动；
• 实际的购买数据将在 7 天后出现，届时首批用户的免费试用期将结束，他们中的一部分将会将银行账户绑定到服务上。

结果是，您正在花费流量费用，用户在使用应用程序，但您不知道营销花费是否能收回。

在这种情况下，预测分析就能够派上用场了。在某些情况下，它甚至可以在第二天就展示用户获取（UA）活动的有效性，显示您在当前活动中可以赚到多少钱。

这样一来，市场营销人员就能更轻松地做出决策，例如关于后续推广策略的决定。

再举一个例子。假设您有一款免费下载的移动游戏：

• 它一年之前上线，并有一批活跃用户和付费玩家；
• 项目在增长，市场营销开支迅速增加；
• 与此同时，风险和成本也在增加，这些都需要减少。

此时，您再次需要借助预测分析。没有它，您无法优化获取用户的策略，也无法提前知道该如何处理预算，以减少资金和时间的损失。

当然，作为工具，它不仅对市场营销人员有用。在 AppQuantum，我们通常有项目制片人和媒体购买人员使用预测分析：

• 制片人需要跟踪在不同国家、用户群体和来源上的上传效果；
• 购买人员需要确定特定来源的有效性，并能够及时扩展活动。

2. 诉诸预测分析时应牢记的事项

从第一章中可以看出，预测分析可以展示当前活动的未来收益。但这里有一个重要的细节。

在运用预测分析评估未来收入时，预测并不是针对用户的具体购买行为，而是针对在特定活动中获得的平均用户生命周期价值（LTV）。

当然，理想情况下，任何移动市场营销人员、开发者或发行商都希望知道每个用户的具体行为。会否进行付款，如果会，金额是多少。然而，以如此的精度预测用户的行为几乎是不可能的。

3. 构建预测模型

预测可以为任何应用程序和游戏建立。但计算的复杂性在于应用程序的类型。

例如，对于中核和硬核移动游戏来说，建立预测最为复杂。相对而言，预测超休闲游戏的收入要简单得多。

总体来说，遵循以下原则：应用程序的广告货币化比例越高，预测的准确性就越高。

项目的年龄也会对准确性产生显著影响。游戏越老，用户越多，关于它的数据就越丰富——因此未来的预测也就越准确。

现在，让我们详细解析一下预测模型是如何构建的。

I)

构建预测的第一步是数据收集。通过应用追踪，我们获取所需的信息：我们的用户来自哪些来源、国家和平台。同时，在用户生命周期（24小时）内收集数据。

II)

第二步是验证和处理数据。在此阶段：

• 剔除无效的支付记录，并确定用户的总收入；
• 剔除支付额过大的用户。此类用户的数据可能会降低预测的质量；
• 确定用户生命周期内每日的广告观看收入；
• 选择将根据过去 15 天的支付资料构建的用户群体，并确定群体的最小规格，即支付用户的数量和广告观看的总次数。

在第二步之前，请确保预先设置支付验证机制。

III)

在第三步中，计算预测模型。

为此，需将群体的收入乘以一个系数，该系数对应于平台/国家/来源/流量优化和群体的生命周期天数。

这个系数根据趋势自行计算。主要是关于显示在第 N 天所累积的 LTV 与某个固定日期（例如，第 90 天）LTV 的比率的图表。

趋势

与趋势相关的数值通常称为支付概况（Payment Profile）。

支付概况按平台、国家、流量来源和上传优化进行划分。

例如，假设我们以某个抽象国家的支付概况为例。假设在生命周期的第一个月内，该用户群体的收益为 1500 美元。根据该国家流量的支付概况，假设我们得知到第 30 天，用户的货币化比例为生命周期内的 30%。

因此，该用户群体的总收益将是 1500 美元 * 100% / 30% = 5000 美元。

然后我们预测 LTV 并计算 投资回报率（ROI）。

提示：初步构建支付概况至少需要 1000 次安装，至少 75 名支付用户，且用户群体的生命周期必须至少为 7 天。但当然，数据越多，效果越好。请记住，我们需要对每个划分建立概况。

IV)

最后但同样重要的是——可视化所获得的数据，以便每个制片人和媒体购买人员能够实时评估流量并调整投放。

例如，我们使用 Tableau 进行可视化。

4. 用户获取中的预测分析

在用户获取中，预测分析的工作可以分为两个主要部分。

1. 评估当前流量

用户获取（UA）评估所购买流量的预测 LTV，即这些用户潜在能够为应用带来多少收入。

我们采用基于广告活动的数据，按用户层面进行，分组为平台/来源/活动/国家。借助商业分析工具（BI），我们找到有关此广告活动的详细信息。

着眼于 ROI。这一指标让我们明白，从所吸引的用户那里获得的利润——如果有的话——有多少。即，他们的 LTV 应该高于 CPA（用户获取成本，需与行动成本分开）。

无论结果如何，都可以进行分析，并得出下一步的结论。可能某个创意表现很好，可以继续使用，反之亦然。也许选择的 GEO 或活动优化不合适。

2. 为进一步的流量采购做准备

整体目标很简单：按安装价低于 LTV 的成本采购流量。

这里的算法更复杂：通过设置预测中的过滤器，选择活动的优化类型和 GEO。假设我们准备在美国进行以购物为优化目标的广告活动。

根据预测的计算，我们发现这种优化和确实在此国家的活动将为用户带来 10 美元的 LTV。我们记下这一信息，设定相应的绩效指标（KPI）。即，必须采购到 10 美元的流量，以确保活动不亏损。与此同时，用户只有在一定数量的购物活动下才能带来 10 美元的收入——因此这条信息也应该纳入 KPI 中。

预测分析的工作是双向的：它可以逐个广告活动地精确评估流量采购，也可以进行综合评估。当用户采购达到 70 万美元时，逐个分析每一个广告活动就没有意义。如此大的金额难以微观管理，而通过预测分析可以节省资源。只需几次点击就可一次性评估所有采购。

***

和任何其他分析领域一样，预测分析也有其挑战——数据质量和样本量。有时很难收集优质数据，并提取出最相关的数据来构建预测。然而，预测分析确保了流量的轻松扩展，并让我们了解当前的采购效率——就在此时此刻。

通过预测分析，我们节省了金钱、时间、精力，降低了错误的可能性。因此，如果您正在开发一款移动游戏，仍然没有开始使用预测分析——建议您认真考虑开始使用它。