[ベータ版] Predict管理画面

プレミアム機能

beta_feature.png

概要:Predict管理画面を使用して、キャンペーン経由で獲得したユーザーの予測LTVに関するインサイトを最も早い段階で取得しましょう。ユーザーの予測パフォーマンス指標 (KPI) と eCPI (インストールあたりの有効コスト) を確認および分析し、ユーザーコホート間で予測結果を比較できます。これらの分析情報に基づいて、キャンペーン入札単価の設定、および停止、宣伝、または最適化を行うキャンペーンを決定しましょう。

predict_dashboard.png

概要

Predict は予測分析を使用して、インストール後48時間以内にキャンペーンの成果に関する正確な LTV ベースの予測を提供します。Predict管理画面には、主に2つのコンポーネントが含まれています。

  • 新規ユーザーの予測 KPI の分布を示すインタラクティブなバブルチャート。各バブルは、指定した特性 (メディアソース、キャンペーン、地域、サイトID、広告セットなど) によってグループ化されたユーザーグループ (コホート) を表しています。
  • 各コホートの追加データ項目が組み込まれている並べ替え可能な結果表

特定のデータポイントをさらに調査することで、キャンペーンの質に関する早期のインサイトを抽出し、以下ような質問に答えることができます。

  • キャペーンは成功するでしょうか?
  • どのキャンペーンとメディアソースが最良のユーザーを獲得できていますか?
  • キャンペーンでは優れたユーザーを獲得できますか?それともキャンペーン予算を削減すべきでしょうか?

これらの分析情報に基づいて、キャンペーンの入札単価の設定を決定し、どのキャンペーンを継続、停止、拡大、または最適化すべきかを決定できます。

管理画面の確認

管理画面を開く方法:Lab > Predict を開きます。

管理画面のコンポーネント

Predictダッシュボードは、オーバービュー検証レポートの2つのタブで構成されています。

オーバービュー

以下のセクションでは、オーガニックの主な機能について説明します。

フィルタバーとアトリビューション方法の選択肢

predict_dashboard_filter_bar.png

フィルタとアトリビューション方法の選択肢を使用して、関連性の高いデータを表示できます。

注:選択した内容は、バブルチャート結果表の両方に適用されます。

フィルタ

説明

アプリ データが表示されるアプリ
日付

データが表示される日付。このフィルター内の日付選択セクションを使用して、表示される日付範囲を変更します。

注:

  • デフォルトでは、管理画面に以下のデータが表示されます:
    • 過去7日間(AFモデルのアトリビューションが選択されている場合)
    • 利用可能な過去7日間分(SKANまたはSSOTアトリビューションが選択されている場合)
  • 表示されるデータは、インストール日によって決まります。
    • (SKANまたはSSOTアトリビューションが選択されている場合、これは最大2日間変動する可能性がある推定日です)。
  • SKANデータはインストール日から3日後に利用可能になります。
  • AFモデルでの計測データは、インストール日から2日後に利用可能になります。
  • データは毎日更新されます。

アトリビューション方法の選択肢

以下に基づいて予測を表示するかどうかを選択してください。

  • SKANアトリビューションデータ(SKAN)
  • AppsFlyerアトリビューションモデル(AFモデル)
  • Single Source of Truth (SSOT)

インストールタイプ

以下に基づいて予測を表示するかどうかを選択してください。

  • インストールと再ダウンロード(すべてのインストールタイプ)
  • インストールのみ
  • 再ダウンロードのみ(App Storeによってレポートされたとおり)

注:このフィルタはSKANアトリビューションが選択されている場合にのみ該当します。

メディアソース

インストール成果が紐づくアドネットワーク

注意:代理店経由のトラフィックの場合、代理店の運用媒体の開示設定に関わらず、実際のメディアソースが表示されます。その結果、見慣れないメディアソースが表示されることがあります。

キャンペーン

アドネットワークによって設定されたキャンペーン名とID。

注:

  • AppsFlyer は、ポストバックのキャンペーン IDをアドネットワークによって割り当てられたものに変換します。
  • 特定のキャンペーン ID が複数のキャンペーンに関連付けられている場合、すべてのキャンペーン名が管理画面に表示されます。
  • アドネットワークは、ポストバックごとにキャンペーンIDと名前を提供します。API からアクセスできる集計レポートで、キャンペーンID別にデータを表示できます。

国・地域

地域または国(アドネットワークまたはデバイスのIPアドレスによって提供されるデータに基づく)

注:

  • 国フィルタはSSOTアトリビューションではサポートされていません。
  • SKAN アトリビューション方法の場合のみ:iOS 14.6以降、デバイスのIPアドレスはAppleのプロキシサーバーによってマスクされています。これは、Appleサーバーのジオロケーションがデバイス自体のジオロケーションとは対照的に反映されることを意味します。ただし、アドネットワークがポストバックを強化している場合は、位置情報を使用できます。

サイトID

アドネットワークによってレポートされたサイトID

追加フィルタ

バー上の predict_dashboard_plus_symbol.png アイコンをクリックして、以下のフィルタオプションを追加してください:

  • 広告セット
  • 代理店
  • 媒体(オーガニック/非オーガニック)AF モデルと SSOT アトリビューションのみ

バブルチャート

Predict管理画面のメインコンポーネントは、新規ユーザーの予測 KPI の分布を示すインタラクティブなバブルチャートです。多くの表示オプションが用意されており、最も重要なデータを強調表示することができます。これらのオプションについては、次の表で詳しく説明します。

予測バブルチャートの構成要素

        ポイント 説明

A.png

データ可視化ツールのオプション

predict_dashboard_KPI_dimension_view_options.png

データ可視化オプションを使用して、以下を選択してください。

  • 表示する予測KPI
  • データの内訳を表示したいディメンション
  • データをグループ化する特性

予測KPI

デフォルトでは、グラフには pARPU値に基づいてバブルが表示されます。
バブルチャートは、次のいずれかのKPIの表示を選択できます。

  • pARPU
  • pROAS
  • p-% リテンション D {x}, {y}, {z}
  • p-% 課金ユーザー

ディメンション

グラフの各行には、選択したディメンションで分割されたバブルが表示されます。

各行の左端にあるディメンションの説明にカーソルを合わせると、白いバブル (該当する場合は灰色のバブル) を含む、行のすべてのバブルのユーザーの合計数が表示されます。

例:

  • デフォルトのメディアソースが選択されている場合は、各行には、単一のメディアソースのバブルの分布が表示されます
  • 各メディアソース名にカーソルを合わせて、選択した期間にそのメディアソースの成果に紐づくユーザーの総数を確認してください。

利用可能なディメンション:

  • メディアソース(AF モデルまたは SSOT アトリビューションが選択されている場合、オーガニックアトリビューションの行を含みます)
  • 広告セット
  • 代理店
  • アプリID
  • キャンペーン
  • キャンペーンID
  • チャネル
  • (SKANとAFモデルアトリビューションで利用可能です)
  • サイトID
  • 媒体(AFモデルとSSOTアトリビューションで利用可能です)

特性

  • 各バブルは、全て同じ特性を共有するコホートを表しています。
  • 選択したすべての特性が各バブルに適用されます。したがって、選択範囲に追加する各特性では、通常、グラフに表示されるバブルの数が増え、各バブルが表すユーザーは少なくなります。
  • 選択したディメンション(上記参照)は、常に選択した特性の1つです。
  • 利用可能な特性:
    • メディアソース
    • 広告セット
    • 代理店
    • キャンペーン
    • キャンペーンID
    • チャネル
    • (SKANまたはAFモデルアトリビューションで利用可能です
    • サイトID
    • 媒体(AFモデルとSSOTアトリビューションで利用可能です)

  • 例:
    • デフォルトで選択されているメディアソースキャンペーンは、各バブルが同じメディアソースとキャンペーンに紐づくユーザーのグループであることを表しています。
    • 地域の特性を追加すると、各バブルは同じメディアソース、キャンペーン、地域に紐づくユーザーのグループを表すようになります。これらの特性をすべて共有するユーザーが少なくなるため、各バブルにはより少ないユーザーが含まれ、すべてのユーザーをカバーするためにより多くのバブルが必要となります。
B.png

並べ替えオプション

predict_dashboard_sort_options.png

並べ替えオプションを使用して、バブルチャートの行を (昇順/降順で) 以下のように表示します。

  • 行上のすべてのバブルのユーザーの合計数;または
  • 選択した KPI 行の平均
C.png

バブル

各バブルは、同じ特性を持つ新しく獲得したユーザーのグループ (「コホート」) を表します (上記 A.png 参照)

  • バブルにカーソルに合わせると、コホートに含まれているユーザー数、およびこれらのユーザーにおける選択したKPI値など、コホートの特性が表示されます。
  • バブルのサイズはコホート内のユーザーの合計数に対応し、バブルの色はこれらのユーザーの予測 KPI 値を表します。
  • バブルをクリックすると、選択したKPIのトレンドチャートや追加の予測KPI値やこれらのユーザー獲得の実際のコスト(eCPI)などを含むコホートに関する追加の詳細がサイドパネルに表示されます。
D.png 分布規模 分布内の予測 KPI 値のスケール
E.png 値フィルタ エンドポイントを動かして、バブルが表示される予測 KPI 値の範囲を絞り込みます。
F.png 行の平均 行上のすべてのバブルの平均予測 KPI 値。
G.png 説明

グラフのビジュアル要素の説明:

  • コホートサイズ:コホートの各バブルは、同じ特性を持つ新しく獲得したユーザーグループを表します (上記の A.png 参照)。バブルのサイズはコホートに含まれているユーザー数に比例します。
  • バブルの色:バブルの色は、コホート内のユーザーの予測KPI 値を表しています(予測KPIが高いほどバブルの色は濃くなります)。
    • コホート内のユーザーの 60%以上について予測がない場合、バブルの色は白くなります。
      • コホート内で最低でも1人のユーザーに対する予測値が存在する場合、通常の分布範囲内に白いバブルが表示されます。
      • コホート内のどのユーザーにも予測がない場合、このオプションをオンにしている場合は、グラフの予測なし列予測なしバブルとして表示されます (以下の I.pngJ.png を参照)。
    • 選択した KPI が pROAS で、コホートで使用可能なコストデータがない場合、このオプションをオンにしている場合、グラフの予測なし列に灰色のコストデータなしバブルが表示されます (以下の I.png J.pngを参照)。
H.png 最小コホートサイズ デフォルトでは、グラフには10人以上のユーザーを含むすべてのコホートが含まれます。このオプションを使用して、最小コホートサイズを10より大きいか小さくするかを選択してください。
I.png 予測なし列のセレクター

グラフの右端に、予測なしバブルとコストなしデータのバブルを表示する列を表示するかどうかを選択します。

  • デフォルトでこの列は表示されません。
J.png

予測なしのバブル

コストデータなしのバブル (pROASのみ)

予測無しバブルコスト無しバブルは、このオプションをオンにしている場合に、予測無し列に表示されます(上記 I.png 参照)。

  • 選択したKPIにてコホートに予測値がない場合、白い予測無しバブルが表示されます。
  • グレーのコストデータなしのバブルは、選択したKPI が pROAS で、このコホートで使用可能なコストデータがない場合に表示されます。

バブルの詳細

predict_bubble_details_panel.png

グラフ上のバブルをクリックすると、コホートに関する追加の詳細を含むサイドパネルが開きます。

  • コホートの詳細: 選択した特性に基づくバブルの完全な説明 (上記 A.png を参照)。
  • トレンドグラフ:グラフには各日にアプリをインストールしたユーザーのコホートユーザーの選択したKPIの予測値が表示されます。
    • これは何を意味しますか?このグラフでは、コホート全体を各日アプリをインストールしたユーザーのグループに分割し、これらの日付ベースの各グループの予測 KPI 値を表示します。
      • これにより、各日のユーザーの予測 KPI 値と、選択した期間にどのように変化したかを検討できるため、キャンペーンの変更点(さまざまなクリエイティブなど)の影響を分析するのに特に役立ちます。
      • 注意! グラフを、時間の経過に伴うコホート全体の予測 KPI 値の変化を示すものとして解釈しないようご注意ください。これは、それを表すことを意図したものではありません。
    • トレンドグラフの指標:
      • pARPU と pROAS は同じトレンドグラフに表示されます(グラフのタイトル「pRevenue トレンド」)。
      • 3つの全てのリテンション測定日の p-% リテンションは、同じトレンドグラフに表示されます(グラフのタイトル「p-% リテンショントレンド」)。
      • p-% 有料ユーザーは独自のトレンドグラフに表示されます(グラフのタイトル「p-%有料ユーザートレンド」)。
  • KPI: コホートの予測 KPI 値と eCPI。「KPI予測値とその計算方法」の詳細はこちらを参照してください。
  • ユーザー数: 以下のユーザーの割合を含むコホート内のユーザー総数:
    • 予測データがある
    • データが不十分なため予測なし
    • SKAN プライバシーのしきい値によるコンバージョン値を報告しないポストバックの結果としての予測なし (SKAN と SSOTアトリビューション方法にのみ適用されます)

結果表

グラフの下までスクロールして、各コホートのすべてのデータ項目を含む、カスタマイズ可能でダウンロード可能な結果表を表示します。

predictSK_v2_dashboard_results_table

        ポイント 説明

A.png

グループ化オプション
  • グループ化オプションを使用して、結果表のデータをグループ化するために使用する特性を指定します。データは、少なくとも1つの特性 (「主要特性」) でグループ化する必要があります。
  • グループ化オプションを使用すると、データをグループ化する特性を追加、削除、および並べ替えることができます。
  • 追加特性を選択するたびに、結果データをより深くドリルダウンすることができます。
  • デフォルトで、データは以下の特性でグループ化されています:
    • メディアソース
    • キャンペーン(各メディアソース内)
B.png

グラフの行
ドリルダウン有り

  • 主要特性の値は、グラフの行として表示されます。
  • ドリルダウンのアイコン predict_dashboard_drill_down_icon.png をクリックして、各行を展開し、選択した各行の追加特性を表示できます。
C.png

列のヘッダー

  • 表のヘッダーをクリックして、任意の列で表を並べ替えます。
  • 追加のデータ項目(バブルの詳細パネルのデータ項目以外) には、pRevenuep-% 大量購入ユーザー (Whales)、およびコホート内のユーザー獲得にかかる合計コストが含まれます。
D.png

predict_dashboard_total_users_icon.png

  • 結果表をCSVファイルとしてダウンロードできます (選択した日付範囲とアトリビューション方法) 。
  • グループ化オプション (上記 A.png 参照) で選択した各特性は、ダウンロードしたファイルの列として表示されます。

検証レポート

検証レポートタブを使用して、予測結果と実際のキャンペーン結果を比較します。

検証分析に基づいて、Predictがキャンペーン予測をどの程度正確に提供できるかを確認し、キャンペーンを継続、停止、加速、または最適化する必要があるかどうかを判断するのに役立ててください。

 

次のセクションでは、検証レポートタブの主なコンポーネントについて説明します。

モデル情報

モデル情報には、モデルが最後にトレーニングされた日時と、モデルがトレーニングされたユーザーのインストール日付範囲が表示されます。これは、最後にトレーニングされたバージョンの後に変更や新機能が追加されているかどうかを知るのに役立ちます。新しいユーザーの動作は、最後にトレーニングされたモデルのユーザーとは異なる場合があります。

メインの指標

KPI_Agg.jpg

ヘッドライン指標を使用して、ARPU、課金(購入)ユーザー、および予測結果と実際の結果の間のローリングリテンション情報の概要と比較を行います。

指標コンポーネントのレイアウト

        ポイント 説明

A.png

KPI名

KPI名

次の4つのKPIメトリックを使用できます:

  • 合計ユーザー
  • ARPUカバレッジ
  • 課金ユーザーカバレッジ  
  • ローリングリテンションD7カバレッジ
B.png

カバー率

実際の結果と予測結果のカバー率

計算式:予測 ÷ 実績

  • 100%:予測が実際の結果と一致したことを意味します
  • 100%未満:予測は実際の結果よりも低くなっています
  • 100%より高い:予測は実際の結果よりも高くなっています

例1

予測結果が$20.52で、実際の結果は$23.24の場合:
予測結果は実際の結果より $2.72 (12%) 低く、カバレッジは88%です。

 

例2

予測結果が$19.57で、実際の結果が$15.37の場合:
予測結果は実際の結果よりも$4.2 (27%) 高く、カバレッジは127%です。

C.png

バーグラフ

カバレッジを示すバー:紺色の横線は予測値を表し、縦の水色の線は実際の値を表します。

  • 縦の水色の線の左側、予測が実際の結果よりも低い
  • 縦の水色の線の右側、予測が実際の結果よりも高い
D.png

数字

予測結果と実際の結果:メトリックに応じて、パーセンテージまたは通貨として表示されます。

 

バブルチャート

バブルチャートには、予測されたKPIと実際のKPIの分布が表示されます。

        ポイント 説明

A.png

データ可視化ツールのオプション

予測KPIと実績KPIを選択し、グループ化するディメンションを選択します。

 

予測KPI

デフォルトでは、グラフには pARPU 値に基づいてバブルが表示されます。以下のKPIのバブルチャートを照会することができます。

  • ARPU
  • 課金ユーザー

ディメンション

デフォルトでは、グラフはメディアソース別にグループ化されます。
バブルチャートは、次のディメンションでグループ化できます:

  • メディアソース
  • キャンペーン
  • 国・地域
  •  
B.png

バブル

各バブルは、ユーザーのグループ ("コホート") を表します。

  • バブルにカーソルを合わせると、選択したディメンション、ユーザー数、およびこのユーザーグループに対して選択した KPI の値が表示されます。
  • バブルのサイズは、コホート内のユーザーの総数に対応します。
C.png X軸とY軸 予測されたKPI値 (Y 軸) と実際のKPI値 (X 軸) が表示されます。

結果表

Validation_chart.jpg

        ポイント 説明

A.png

グループ化オプション
  • グループ化オプションを使用して、結果テーブルのデータをグループ化します。
  • データは、次の方法でグループ化できます:
    • メディアソース
    • キャンペーン
    • 国・地域
B.png

グラフの行

  • 値はグラフの行として表示されます。
C.png

列のヘッダー

  • 表のヘッダーをクリックして、任意の列で表を並べ替えます。
  • 追加のデータ項目には、結果テーブルに表示される p収益、収益、および 収益 カバレッジが含まれます。
D.png

predict_dashboard_total_users_icon.png

  • 結果テーブルをCSVファイルとしてダウンロードできます。

備考

 

  • バブルチャートと結果テーブルには、ユーザー数が 100人を超えるコホートのデータのみが表示されます。
  • バブルチャートと結果テーブルは、 AFアトリビューションモデルを使用した場合のみ使用できます。

 

まとめ管理画面の例

次の例は、予測管理画面の機能の一部と、これらの機能を使用してデータを効率的に分析し、意味のあるアクションを実行する方法を示しています。

 

たとえば、あなたが英国でキャンペーンを実施する UA マネージャーで、先週開始したキャンペーンで獲得したユーザーの質について予測値を確認したいとします。キャンペーンのパフォーマンスを評価するために使用する主な KPI は ROAS です。

  • フィルタバーを使用して、過去7日間のインストールのデータを表示する日付範囲を設定し、英国のデータのみを表示するように地域フィルタを設定します。
  • 新しいキャンペーンに加えて、多くの進行中のキャンペーンがあります。現時点では、先週開始したキャンペーンのみに絞って確認したいため、キャンペーンフィルタを使用して対象のキャンペーンのみを選択します。
  • データ視覚化オプションを変更して、pROAS KPI を表示します。ここでは、他のオプションはデフォルト値のままとします (ディメンション = メディアソース ; 特性 = キャンペーンとメディアソース)。
    • つまり、各行はメディアソースを表し、行の各バブルは、同じメディアソースとキャンペーンに紐づくユーザーのコホートを表しています。
  • 適用したフィルタを使用しても、データの分析を困難にする小さなバブルが多数存在するため、最小コホートサイズを 50 に変更します。これにより、サイズが大きいコホートにのみに絞り込むことができます。
  • 分布表の左側にいくつかのバブルがあり、他のコホートと比較してpROASが低いことがわかります。
  • pROAS が 100% 未満のコホートのみに絞り込むことにしたので、値フィルタ の右側のエンドポイントを 100% にスライドさせます。
  • pROAS のKPIを低下させる特定のサイト ID があるかどうかを把握する必要があるため、データ視覚化オプションで選択した特性を変更します。「キャンペーン」の特性を削除して、代わりに「サイトID」を追加します。
    • この変更後も、各行は引き続きメディアソースを表しますが、各バブルは同じメディアソースとサイトIDに紐づくユーザーのコホートを表すようになりました。
  • 改訂された表示方法では、pROAS が低いのは数個のサイト ID にすぎないことが明確に示されています。これらのバブルをクリックすると、バブルの詳細パネル内のKPIはこれらのコホートは実際には適切な pARPU を出していることが分かります。低い pROAS は、主にこれらのユーザーを取得するためのコストが高い (eCPI) ことが原因です。
  • すべてのデータをさらに分析するには、結果表まで下にスクロールして、メディアソース > キャンペーン > サイトIDを表示するようにグループ化オプションを設定します。表をCSVファイルとしてダウンロードし、独自のピボット表とBI分析を適用できます。

この分析から得られた分析情報に基づいて、以下の1つ、または複数のアクションを実行して、新しいキャンペーンを最適化できます:

  • パフォーマンスの低いメディアソースでのキャンペーンの実行を停止するか、入札単価を下げます(入札単価が低い場合は、これらのメディアソースでキャンペーンを継続することが理にかなっているかもしれません)。
  • より生産的なメディアソースに予算を割り当てます。
  • パフォーマンスの低いメディアソースのキャンペーン構成を調整し(たとえば、パフォーマンスの高いサイトIDをターゲットにするなど)、ユーザーの品質と取得コストのバランスを取ります。