[Beta] Introducción a Predict

beta_feature.png

De un vistazo: Determina si Predict es la solución adecuada para ti y aprende cómo unirte.

¿Predict es adecuado para ti?

Predict, la solución de análisis predictivo de AppsFlyer para iOS y SKAdNetwork, optimiza la gestión de campañas de adquisición de usuarios mediante el uso de su sofisticado motor de aprendizaje de máquina.

¿Qué se necesita para que el aprendizaje de máquina funcione en tus aplicaciones? Datos, datos y más datos. Por lo tanto, el primer paso es determinar si tus aplicaciones pueden proporcionar el volumen y la calidad de los datos que hacen posibles las predicciones precisas.

También debes tener en cuenta algunos factores adicionales para asegurarte de que podrás aprovechar al máximo las funciones de Predict.

 Nota

Nuestra solución de análisis predictivo para Android llegará pronto. ¡Enviaremos más información tan pronto como esté disponible!

Requisitos de datos

Para hacer predicciones precisas, Predict requiere:

  • Una longitud suficiente de datos históricos (un promedio de 3 meses)
  • Volumen de datos suficiente (al menos 15 eventos in-app al día por usuario). Para obtener más información sobre cómo Predict utiliza los eventos in-app para desarrollar sus predicciones de valor de vida útil (LTV) a nivel de usuario, consulta Introducción a Predict: ¿Cómo funciona?
  • Base de usuarios suficiente (al menos 10 000 usuarios activos diarios y 2000 instalaciones no orgánicas diarias)

Si tu aplicación genera (o puede generar) ese nivel de datos, puede que Predict sea adecuado para ti.

Factores adicionales

Predict proporciona el máximo valor a las aplicaciones con las siguientes características:

  • Una aplicación en cualquier vertical en la que la mayor parte del LTV de un usuario recién adquirido se realiza al menos 48 horas post-instalación (por ejemplo, aplicaciones que incorporan compras in-app, reservas o suscripciones posteriores)
  • Aplicaciones que permiten comunicar datos de ingresos a AppsFlyer, incluyendo datos de ingresos por publicidad
    • Predict utiliza estos datos en sus predicciones para pRevenue (ingresos totales), pARPU (Predicción de ingresos promedio por usuario) y pROAS (Predicción del retorno de la inversión en publicidad)
  • Aplicaciones integradas con la solución de medición de costos Xpend de AppsFlyer.
    • Los datos de costos se utilizan para determinar el eCPI (costo efectivo por instalación) y para predecir el pROAS.

Cómo comenzar

El motor Predict AI construye un modelo de predicción único para cada aplicación, basado en sus datos históricos propios. Esto significa que (actualmente) el proceso de onboarding lleva mucho tiempo y permite que solo un puñado de clientes comiencen durante un ciclo determinado.

Actualmente, el equipo está evaluando las solicitudes para participar en la versión beta de Predict. Ponte en contacto con tu CSM o representante de ventas de AppsFlyer si deseas que te incluyamos. Una vez que se acepten tus aplicaciones como parte de la versión beta, estos son los pasos para comenzar:

  1. Definir eventos in-app adicionales
  2. Identificar y describir los eventos de ingresos por publicidad
  3. Determinar las fechas de medición de la retención
  4. ¡Que empiece el aprendizaje de máquina!

Definir eventos in-app adicionales

Cuanto mayor sea el número de eventos in-app definidos por aplicación, y cuanto mejor reflejen estos eventos la lógica de LTV de esa aplicación, más confiables serán los KPI previstos. No hay límite para el número de eventos que puedes medir. De hecho, es todo lo opuesto: ¡cuantos más, mejor!

¿Qué tipos de eventos in-app se deben definir?

Estos son los factores que hay que tener en cuenta a la hora de definir los eventos in-app:

  • Calendario: Son especialmente importantes los eventos que tienen lugar en las primeras 48 horas de actividad de un usuario recién adquirido. Pero no te detengas ahí. Para una precisión máxima y una optimización continua de la lógica de predicción única de cada aplicación, Predict necesita la mayor cantidad posible de mediciones de eventos in-app a lo largo de toda la trayectoria del usuario.
  • Calidad: La calidad de un evento se determina por lo bien que refleja la trayectoria del usuario y el cálculo del LTV para cada aplicación individual.

Así pues, el primer paso es crear una lista con el mayor número posible de eventos in-app de calidad. Para agilizar el proceso de implementación, utiliza nuestro generador de eventos in-app. Esta herramienta incluye todos los eventos in-app típicos por vertical y te permite modificar los eventos según las necesidades de tu negocio. Una vez completado, comparte el archivo con tu desarrollador.

 ¡Importante!

Configura nuevos eventos in-app para reportar a AppsFlyer lo antes posible, ya que Predict requiere de 4 a 6 semanas de historial para poder utilizarlos como parte de sus predicciones.

¿Es necesario añadir nuevos eventos in-app al SDK?

Puedes reportar eventos in-app a AppsFlyer ya sea a través del SDK de AppsFlyer o a través de la integración de servidor a servidor (S2S). Incluso si actualmente reportas instalaciones y eventos in-app a AppsFlyer a través del SDK, puedes configurar eventos in-app adicionales para que se reporten a través de S2S. Esta puede ser una opción útil si deseas evitar la actualización del SDK y el lanzamiento de una nueva versión de tu aplicación.

Identificar y describir los eventos de ingresos por publicidad

Para predecir eficazmente los ingresos por publicidad, el motor de Predict AI debe ser capaz de identificar qué eventos in-app están relacionados con los ingresos por publicidad. Trabajaremos contigo para completar este proceso:

  1. El equipo de Predict creará una hoja de cálculo de cada evento in-app definido para tu aplicación.
  2. Te pediremos que identifiques cuáles son los eventos de ingresos por publicidad y definas el tipo de ingresos por publicidad con los que se relacionan (por ejemplo, banner publicitario, intersticial, visualización de anuncio, video recompensado, etc.).

Determinar las fechas de medición de la retención

Además de pRevenue y otras predicciones basadas en los ingresos, Predict es capaz de predecir el porcentaje de usuarios recién adquiridos que seguirán utilizando tu aplicación {x} número de días post-instalación.

Durante el proceso de onboarding podrás especificar 3 fechas (número de días post-instalación) para las que deseas que preveamos la retención.

  • Fechas de medición de la retención disponibles: días 1, 3, 7, 14, 21, 28 y 30.
  • Nota: La predicción de medición de la retención está limitada a 3 fechas como resultado de la limitación del valor de conversión de 6 bits de SKAdNetwork.

¡Que empiece el aprendizaje de máquina!

Para proporcionar predicciones de LTV precisas para tus campañas, el motor Predict AI debe revisar los datos históricos de la aplicación utilizando las definiciones y los factores definidos en los pasos anteriores por el propietario de la aplicación y AppsFlyer. El objetivo principal de este proceso de formación es identificar las correlaciones entre las señales de engagement de usuario temprano y el LTV en el día 30.

Este intenso proceso de aprendizaje de máquina inicial tarda aproximadamente 7 días en completarse, momento en el que empezarás a ver los datos en el panel de control de Predict.

Después del onboarding

Una vez completado el proceso de onboarding, puedes asignar los KPI previstos como postbacks de eventos in-app para los partners relevantes en la página Partners integrados en el panel de control de AppsFlyer. A continuación, estos KPI se comparten como eventos con los partners, que pueden utilizar esta información para empezar a optimizar tus campañas.

  • Puedes decidir asignar todos los KPI, algunos o ninguno en función de tu estrategia publicitaria y tus objetivos empresariales. No se requiere la asignación para habilitar la lógica o las predicciones de Predict.
  • Los eventos que cada partner pone a disposición para la asignación varían, y algunos partners admiten la asignación a eventos definidos de forma personalizada. Asegúrate de que la lógica de optimización de tus partners admita los eventos que estás asignando de la manera en que pretendas hacerlo.

 Ejemplo

Supongamos que tienes dos aplicaciones diferentes (aplicación A y aplicación B), y que quieres optimizar tus campañas de forma diferente para cada aplicación. La decisión de qué KPI asignar depende de los tipos de usuarios en los que desees centrarte: 

  • En el caso de la aplicación A, quieres dirigir tus campañas a los usuarios con más probabilidades de gastar dinero en la aplicación. Para esta aplicación, podrías asignar el evento del SDK af_predict_revenue al evento mobile_purchase del partner. Esto permite a tu partner optimizar tus campañas hacia aquellos usuarios que tienen más probabilidades de ser usuarios que pagan mucho.
  • Para la aplicación B, estás más interesado en los usuarios que seguirán usando tu app a largo plazo. Por lo tanto, para esta aplicación, podrías asignar el evento del SDK af_predict_retention_d30 (el % de los usuarios que se prevé que usará tu aplicación 30 días post-instalación) al evento de sesión del partner. Esto le permite a tu partner optimizar tus campañas para dirigirse a los usuarios que tienen más probabilidades de quedarse con la aplicación.

Para asignar KPI/eventos previstos:

  1. Desde el panel de control de AppsFlyer (General), ve a Configuración > Partners integrados.
  2. Selecciona el partner integrado correspondiente.
  3. En la pestaña Integración, en Postbacks de eventos in-app, asigna tus eventos SDK seleccionados (los que empiezan por af_predict_) a los identificadores de eventos de partners seleccionados.

    predict_event_mapping.png

 Notas

  • Solo debes asignar eventos de retención del SDK para las 3 fechas de medición de la retención seleccionadas (por ejemplo, af_predict_retention_d3,af_predict_retention_d7, af_predict_retention_d21, etc.)
  • Los siguientes eventos del SDK son eventos heredados (ya no son compatibles) y no se deben asignar:
    • af_predict_retention_7+
    • todos los eventos que comienzan con af_predict_engagement_
    • todos los eventos que comienzan con af_predict_benefit_
    • todos los eventos que comienzan con af_predict_monetezation_