Кейсы
6 марта 2024

Как Предикты LTV в AppMetrica помогли Яндекс Играм привлечь самую ценную аудиторию


Рассказываем, как привлечь в приложение пользователей, которые будут проводить в нём больше времени.


Специалисты Крипты разработали предиктивную модель для анализа пользователей из мобильных приложений на инфраструктуре AppMetrica — платформы для аналитики и маркетинга. С помощью модели Яндекс Игры смогли получать больше заинтересованных пользователей, которые проводили в приложениях больше времени и способствовали росту дохода. На примере Игр рассказываем, как модель помогает приложениям увеличивать LTV.

Предиктивная модель LTV — это модель машинного обучения, которая по поведению пользователя в приложении в первый день предсказывает, сколько времени он будет проводить в похожих приложениях и как повлияет на рост потенциального дохода в будущем. При обучении модель ориентируется на доход, который получает приложение в течение первых 28 дней.

Модель обучается на большом объёме обезличенных исторических данных о действиях в приложениях и признаках пользователя, таких как тип устройства, операционная система или регион.

Яндекс Игры сравнили собственное событие для оптимизации рекламы с моделью от Крипты

Приложение оптимизировало рекламу на событие из AppMetrica, которое срабатывало, если пользователь проводил в игре больше 10 минут. В то же время разработчики Крипты создавали предиктивную модель анализа на инфраструктуре AppMetrica. Она прогнозировала, какой может быть LTV пользователя. Модель оценивает всех новых пользователей и отправляет события в AppMetrica для тех, кто попал в топ-5%, топ-20% или топ-50%. Затем на эти события можно оптимизировать рекламу.

Разработчики Крипты предложили Яндекс Играм сравнить, какой подход окажется эффективнее.

Крипта — технология, которая анализирует обезличенные данные о поведении пользователей в сервисах Яндекса и его партнёров. Она даёт рекламодателям возможность показывать предложения только тем, кому они больше всего подходят.

Крипта не получает личной информации о людях и никуда не может её передать. Данные каждого пользователя зашифрованы в идентификаторы, по которым можно определить, что ему потенциально было бы интересно.

Больше о Крипте читайте в Справке.

AppMetrica — платформа для аналитики и маркетинга приложений. С помощью сервиса можно настроить продуктовый или рекламный анализ, прогноз монетизации и многое другое.

Аналитика будет точной, потому что AppMetrica фиксирует около 190 млрд событий в сутки более чем в 60 тыс. приложений, которые подключились к сервису. В основе технологий — забота о безопасности данных пользователей, поэтому AppMetrica регулярно проходит сертификации на соответствие мировым стандартам.

Чтобы построить предиктивную модель LTV, разработчики из Крипты сделали следующее:

  • Собрали исторические данные об установках приложений и активности пользователей в первый день после установки
  • Рассчитали доход от просмотров рекламы соответствующей категорией пользователей в течение 28 дней после установки
  • Обучили модель, которая по активности в первый день оценивает доход, который приложение получит с просмотров рекламы каждым пользователем за следующие 28 дней

Применяли модель так:

  • Каждый день отслеживали новые установки и активность пользователей в приложении в первый день
  • На основе активности предсказывали, сколько денег принесёт приложению просмотр рекламы теми или иными пользователями в следующие 28 дней
  • Формировали топ-5%, топ-20% и топ-50% групп пользователей, которые будут больше всего заинтересованы в данном приложении и, соответственно, максимально подходят с точки зрения LTV по предсказанию модели, и отправляли обезличенные данные в AppMetrica

Важно

Компании, которые используют предиктивные модели Крипты на инфраструктуре AppMetrica, не получают доступа к данным пользователей из приложений конкурентов. Сервису доступен только скоринг собственной аудитории. Для построения алгоритма используется обезличенная информация о пользователях.

Проверяли, можно ли оптимизировать рекламу так, чтобы привлекать более вовлечённую аудиторию

Запустили A/B-тест, в котором сравнивали:

  • Оптимизацию на основе события «Пользователь поиграл не менее 10 минут»
  • Оптимизацию на основе события по модели Крипты для топ-20% платёжеспособных пользователей

Кампании были идентичны по настройкам и бюджетам — они различались только оптимизированным событием.

Первые десять дней кампании обучались и набирали массив данных, а после специалисты Крипты в течение недели собирали данные установок, по которым считали статистику.



Предиктивная модель привлекла пользователей, которые проводили больше времени в приложении и способствовали росту дохода

Результаты A/B-теста оценивали с точки зрения того, сколько денег зарабатывало приложение за первые несколько дней использования приложения определённой категорией пользователей. В таблице отражены изменения в метриках экспериментальной стратегии относительно дефолтной за четыре периода. По статистике видно, что метрики стабилизируются уже на седьмой день.

Сделали выводы, как более точное прогнозирование повлияло на прибыль Яндекс Игр:

  1. Оптимизация по предиктивной модели позволила привлечь активную играющую аудиторию, при этом стоимость привлечения не изменилась.

  2. Просмотры рекламы теми пользователями, которых привлекли с помощью модели, принесли больший доход за первую неделю после установки, чем просмотры теми, кого привлекли при помощи прежнего подхода за аналогичный период. В последующие две недели эта тенденция сохранилась.

  3. Время пользования приложением выросло в среднем на 10,5% — это значит, что предиктивная модель привлекает более заинтересованную и лояльную аудиторию.

Предиктивная модель LTV будет полезна любым приложениям, в которых предусмотрена монетизация. Это могут быть игры, ecommerce, фитнес-приложения с оплатой за подписку. Использовать предиктивную модель может любое приложение, у которого подключена AppMetrica. Чтобы увеличить точность предсказаний, рекомендуем настроить передачу данных о Revenue, так как в них содержится сильный сигнал о доходности от использования приложения теми или иными пользователями. Кроме того, для обучения модели используются только те приложения, которые передают Revenue, и поэтому модель учитывает их особенности наилучшим образом.

Чтобы использовать предсказание как цель для оптимизации, можно взять уже запущенную кампанию и поменять событие, которое используется сейчас, на наше LTV-событие. Мы ожидаем, что оптимизация на наше предсказание будет приводить более вовлечённую аудиторию, что, в свою очередь, увеличит доход.

ВЛАДИСЛАВ ТИТОВ
Руководитель группы машинного обучения Крипты

Как начать работать с Предиктами LTV и оттока

Оставьте заявку — специалист AppMetrica расскажет о возможностях инструмента и поделится доступом к бесплатной пробной версии.