在某次行業小組討論，當談及iOS隱私政策更新后，SKAdNetwork 帶來的挑戰時，一位知名營銷人員說了一句經典的評論：“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，復雜且規模巨大的行業。廣告技術公司利用這個獨特的設備ID建立個人用戶檔案、預測用戶的未來行為，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，以及自動化技術如何幫助我們應對后IDFA時代的挑戰。

[[417501]]

背景

Apple的ATT（AppTrackingTransparency）框架完全改變了iOS平臺上UA買量的衡量、報告和優化方式。現在，UA買量團隊必須轉變為營銷團隊。此前大廣告平臺擁有的精準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。

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

在具體深入細節之前，要記住一點：營銷團隊是以技術為驅動的自動化系統決勝的重要因素。如今，自動化成為了失業原因的替罪羊。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買量就已經實現了自動化。其算法最終解決了橫亙在營銷人員面前的挑戰：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建和測試廣告創意素材、自動化廣告campaign制作、跨廣告campaign預算分配等解決方案。人類獨有的戰略思維、情境解讀能力和創造力，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下UA買量的難題。

1、設置最佳廣告轉化價值，助力廣告聯盟優化

手動方法

可以使用“啟發法”（heuristic approach），判斷可能對LTV有預測作用的早期應用內事件來決定最佳的廣告轉化價值。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據科學團隊作支撐，大部分公司對很難通過這樣的方法進行準確判斷。

某個特定app的最佳廣告轉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“內收到廣告轉化價值數據。從目前來看，“合理的時間”指的是“24小時”。

在計算最佳廣告轉化價值時，實現如下兩個目標至關重要：

l 前24小時內的應用內事件要與廣告平臺的LTV相關

l 用于概率歸因的最佳事件，要能夠重建廣告campaign的ROAS報告

大多數移動營銷人員目前只關注第一個目標，也就是能夠利用 SKAdNetwork 基于LTV繼續優化其廣告campaign。但這種方法有其局限性。由于許多廣告平臺將廣告轉化時間范圍設置為24小時，一旦廣告主向廣告平臺發送了廣告轉化價值，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優化僅針對用戶的D0 ROAS或其它的D0 KPI

l 無法根據不斷更新的cohort同期群數據持續優化廣告campaign ROAS，即無法理解廣告campaign實際和預測的ROAS（pROAS）是如何不斷發展成熟的。

自動方法

為了優化廣告轉化價值設置，使用算法可以：

l 將廣告轉化價值映射為LTV（例如將D0 KPI數據映射至D365 LTV）

l 計算用來概率歸因的最佳廣告轉化價值“聚類”。

算法可以通過預測D0應用內事件(完成購買、學完教程、思考次數等)的重要性來預測app的長期 LTV 目標(例如 D180/D365 LTV)。一個聚類算法隨后可以計算出最優的概率歸因。

2、設置最佳廣告轉化價值，助力廣告聯盟優化

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和渠道的效果數據。UA買量團隊也無從得知廣告campaign的長期(例如 D180/D365）回報。

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

用戶層級LTV的預測和應用內用戶層級數據

自動方法

由算法驅動的系統不需要流量源或廣告campaign ID來預測 LTV。“獲得收入的事件”和“應用內用戶互動數據”這兩部分對于算法預測 LTV必不可少，且后者對于預測轉化率尤其重要。

該算法不需要流量源或campaign ID就可以預測用戶級別的 LTV，還可以利用應用內匿名用戶 ID 進行用戶層級 LTV 預測，并根據最新的用戶行為信息（應用內收入和互動數據）持續更新長期LTV預測。這些 LTV 預測可以進一步用來預測未來campaign回報。

3、進行長期廣告campaign ROAS報告，優化廣告campaign

手動方法

如果僅使用SKAdNetwork進行廣告campaign歸因和優化，營銷人員僅能使用D0 KPI數據進行廣告campaign效果衡量，并將這個短期指標用于優化。并且因為 D0 ROAS與LTV并非100%相關，甚至都算不上接近，這意味著與長期目標相比，廣告campaign預算分配將不那么盡如人意。

自動方法

算法統計模型可以自動計算出app安裝屬于哪個廣告campaign這一概率分布數值，但依然無法預測廣告campaign將帶來多少收入。現在，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，再加上應用內用戶層級的數據，我們可以得知用戶基礎行為，這兩部分數據集可以用來預測廣告campaign產生的收入。數學計算很簡單，但上百萬次的app安裝數據使得概率分布和用戶層級LTV預測變得極其復雜，這種工作量是遠非人工手動可以做到的。

只需一個簡單的數學公式，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。下圖為一個數學模型示例。在該模型下，將用戶層級的 LTV 預測與廣告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測相加，就能得出廣告campaign預測的收入。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優化，也可以用作自動出價和預算優化系統的輸入數據。

4、充分理解Apple的隱私新規，實現廣告campaign效果最大化

手動方法

Apple的隱私新規限制了SKAdNetwork API能共享多少信息，當數量低于某個特定但未知閾值時，廣告轉化價值和流量源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。當存在數據可能缺失的情況時，該如何解讀一個廣告campaign或渠道的效果？是應該只使用追蹤的數據，還是應該猜測到底哪部分數據缺失？除了使用能夠追蹤的廣告轉化價值外，UA買量經理無法合理利用這部分數據。

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還應追加多少預算來突破Apple設定的閾值。

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

5、進行有效跨渠道預算分配，獲得最優廣告支出組合管理

手動方法

一直以來，UA買量管理人員和財務團隊跨渠道分配預算的方法都不夠科學。基于第三方 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，并大致估計出應分配給高效渠道多少預算。

對于那些不允許通過IDFA對其進行追蹤的用戶來說，用戶層級的歸因將成為過去式，渠道層級的月度預算評估就會更具挑戰性。要想手動分配渠道預算，最有可能的方法是根據廣告平臺層級追蹤到的廣告轉化價值總數，根據總預算按比例分配支出。但這就意味著每月預算分配是根據D0數據進行的，這是一種完全基于短期數據進行預算分配的方法。

自動方法

自動化的系統可以利用長期廣告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據和前幾個月的收入預計來實現廣告平臺組合的長期目標。算法模型可以決定在收入出現回收遞減之前，廣告主應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重要，因為：

1. 不同于通過付費渠道獲取的用戶，產品團隊還需要了解產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算分配至關重要。了解跨渠道競食效應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生的。因為他們已經安裝了該app，但是卻不包括在SKAdNetwork數據中。只有獲得了完整的應用內用戶層級數據和 SKAdNetwork 數據后，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，創造受眾，廣告創意素材測試和應用

上文概述了自動化如何改進 iOS 手動工作的6種方法。然而，在當今的 UA 買量角色和職責中，以下3個關鍵任務，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受眾和目標地區，因此，廣告campaign的設置就成為了關鍵。但我們目前仍不清楚最好的廣告campaign應如何設置，在任何形式的自動化實際應用之前都需要實驗。

2.創造受眾：幾家大的廣告平臺構建了一套算法，利用其龐大的數據集為廣告主的app尋找受眾。現在，由于廣告平臺將無法建立一套內部“相似”工具，將廣告更好地投放給目標用戶，創造受眾的任務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高價值受眾。

3.廣告創意素材測試和應用：UA 買量最艱難的挑戰之一在于測試和應用最佳廣告創意素材。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意素材組合。在SKAdNetwork下，單個廣告創意素材效果與下游指標（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框架下進行廣告創意素材優化并獲得報告。

人類獨有的戰略思維、情境解讀能力和創造力，自動化的機器永遠都無法獲得。不難理解，當大多數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 隱私新規帶來的大多數技術挑戰已經得到解決。

關于Vungle

作為一家值得信賴的全球化移動互聯網廣告平臺，Vungle專注于為開發者提供優質的流量變現，以及幫助廣告主獲取活躍度極高的高質量用戶。同時，Vungle也致力于改變用戶獲取應用內廣告體驗的方式。開發者借助Vungle獨特新穎的廣告形式，實現在應用內流量變現的最大化。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一直以數據為導向并基于用戶體驗，不斷創造新穎廣告格式、廣告素材等產品。目前為止，Vungle廣告創意已覆蓋超過10億臺移動設備，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、紐約及赫爾辛基設有分公司。