[Бета-версия] Начало работы с Predict

beta_feature.png

Краткий обзор. Посмотрите, подходит ли вам решение Predict, и узнайте, как начать работу с ним.

Подходит ли вам Predict?

Predict, решение AppsFlyer для прогностической аналитики для iOS и SKAdNetwork, оптимизирует управление кампаниями по привлечению пользователей с помощью сложного механизма машинного обучения.

Что необходимо для того, чтобы машинное обучение подошло для ваших приложений? Данные, данные и еще раз данные. Итак, первый шаг — определить, могут ли ваши приложения предоставить данные того объема и качества, которые сделают точное прогнозирование возможным.

Также следует учесть несколько дополнительных факторов и убедиться, что вы сможете в полной мере воспользоваться возможностями Predict.

 Примечание

Решение для прогностической аналитики для Android ожидается в ближайшее время. Мы сообщим, как только оно будет доступно!

Требования к данным

Чтобы делать точные прогнозы, Predict необходимо:

  • Исторические данные достаточной продолжительности (в среднем 3 месяца).
  • Достаточный объем данных (не менее 15 внутренних событий приложения в день на одного пользователя). Подробнее о том, как Predict использует внутренние события для разработки прогнозов LTV на уровне пользователя, см. в статье Введение в Predict: как это работает?
  • Достаточная база пользователей (не менее 10 000 активных пользователей в день и 2000 неорганических установок в день).

Если ваше приложение генерирует (или может генерировать) такой объем данных, Predict вам подойдет.

Дополнительные факторы

Predict обеспечивает максимальную ценность для приложений со следующими характеристиками:

  • Приложение в любой отрасли, в котором большая часть LTV вновь привлеченного пользователя реализуется не менее чем через 48 часа после установки (например, приложения, включающие покупки в приложении, бронирования или последующие подписки).
  • Приложения, позволяющие сообщать данные о доходах в AppsFlyer включая данные о доходах от рекламы.
    • Predict использует эти данные в своих прогнозах pRevenue (общий доход), pARPU (прогнозируемый средний доход на пользователя) и pROAS (прогнозируемая рентабельность расходов на рекламу).
  • Приложения, интегрированные с решением AppsFlyer для измерения затрат Xpend.
    • Данные о затратах используются при определении eCPI (эффективной стоимости установки) и при прогнозировании pROAS.

Как начать интеграцию?

Механизм Predict на основе искусственного интеллекта (AI) строит уникальную модель прогнозирования для каждого приложения, основываясь на его исторических данных. Это означает, что (в настоящее время) процесс интеграции занимает много времени и позволяет только небольшому количеству клиентов начать работу в течение какого-либо цикла.

В настоящее время команда поддержки рассматривает заявки на участие в бета-версии Predict. Свяжитесь со своим менеджером или торговым представителем AppsFlyer, если вы хотите участвовать. После того, как ваши приложения будут приняты в бета-версию, вот шаги для участия:

  1. Задайте дополнительные события в приложении.
  2. Определите и опишите события, связанные с доходами от рекламы.
  3. Укажите даты измерения удержания.
  4. После этого начнется машинное обучение!

Задайте дополнительные события в приложении.

Чем больше количество внутренних событий приложения, определенных для каждого приложения, и чем лучше эти события отражают логику LTV приложения, тем более надежными будут прогнозируемые KPI. Количество событий, которые вы можете измерять, не ограничено. Даже наоборот: чем больше, тем лучше!

Какие типы внутренних событий нужно определить?

При определении событий в приложении необходимо учитывать следующие факторы:

  • Сроки: особое значение имеют события, происходящие в течение первых 48 часов активности нового привлеченного пользователя. Но это не все! Для максимальной точности и постоянного совершенствования уникальной логики прогнозирования для каждого приложения, Predict необходимо как можно больше измерений внутренних событий на протяжении всего пути пользователя.
  • Качество: качество события определяется тем, насколько точно оно отражает путь пользователя и расчет LTV для каждого отдельного приложения.

Итак, первый шаг — создать список как можно большего количества качественных внутренних событий. Чтобы оптимизировать процесс внедрения, воспользуйтесь генератором внутренних событий. Этот инструмент содержит все типичные внутренние события приложения для каждой отрасли и позволяет изменять их в соответствии с потребностями бизнеса. Когда файл будет готов, предоставьте его разработчику.

 Важно!

Как можно быстрее настройте новые внутренние события для отчетности в AppsFlyer, поскольку Predict требуется от 4 до 6 недель исторических данных, чтобы использовать их в своих прогнозах.

Нужно ли добавлять новые внутренние события приложения в SDK?

О внутренних событиях можно сообщать в AppsFlyer либо через SDK AppsFlyer, либо через межсерверную интеграцию (S2S). Даже если в настоящее время вы сообщаете в AppsFlyer об установках и внутренних событиях приложения через SDK, вы можете настроить сообщение о дополнительных внутренних событиях через S2S. Это может быть полезно, если вы хотите избежать обновления SDK и выпуска новой версии вашего приложения.

Определите и опишите события, связанные с доходами от рекламы.

Чтобы эффективно прогнозировать доходы от рекламы, механизм Predict AI должен уметь определять, какие внутренние события приложения связаны с доходами от рекламы. Мы будем сотрудничать с вами при завершении этого процесса:

  1. Команда Predict создаст электронную таблицу всех внутренних событий, определенных для вашего приложения.
  2. Мы попросим вас определить, какие события относятся к доходам от рекламы, и определить для них тип дохода от рекламы (например, баннер, рекламная вставка, просмотр рекламы, видео с бонусом и т. д.).

Укажите даты измерения удержания.

В дополнение к pRevenue и другим прогнозам по доходам, Predict может предсказать процент вновь привлеченных пользователей, которые будут использовать ваше приложение через {x} дней после установки.

Во время процесса интеграции вы сможете указать 3 даты (количество дней после установки), для которых мы спрогнозируем удержание клиентов.

  • Доступные даты измерения удержания: дни 1, 3, 7, 14, 21, 28 и 30
  • Примечание. Измерение прогнозируемого удержания ограничено 3 датами из-за ограничения значения конверсии 6 битами в SKAdNetwork.

После этого начнется машинное обучение!

Чтобы предоставить точные прогнозы LTV для ваших кампаний, механизм Predict AI должен проанализировать исторические данные приложения, используя определения и факторы, указанные на предыдущих этапах владельцем приложения и AppsFlyer. Основная цель этого процесса обучения — выявить корреляцию между ранними сигналами вовлеченности пользователей и LTV в день 30.

Для завершения этого интенсивного процесса машинного обучения требуется около 7 дней, после чего вы увидите данные на дэшборде Predict.

После интеграции

После завершения процесса интеграции вы можете сопоставить прогнозируемые KPI как постбэки о внутренних событиях соответствующим партнерам на странице Интегрированные партнеры на дэшборде AppsFlyer. Эти KPI затем передаются в виде событий партнерам, которые могут использовать эту информацию для оптимизации ваших кампаний.

  • Вы можете сопоставить все KPI, только некоторые или не сопоставлять их в зависимости от вашей рекламной стратегии и бизнес-целей. Сопоставление не требуется для работы логики или прогнозов Predict.
  • События, которые каждый партнер предоставляет для сопоставления, различаются, а некоторые партнеры поддерживают сопоставление с событиями, определенными пользователем. Проверьте, что у ваших партнеров логика оптимизации поддерживает события, которые вы сопоставляете, так, как вы задумали.

 Пример

Допустим, у вас есть два приложения (Приложение A и Приложение B), и вы хотите оптимизировать свои кампании для каждого приложения по-разному. Решение о том, какие KPI сопоставлять, зависит от того, на какие типы пользователей вы хотите нацелиться: 

  • Для Приложения A вы хотите нацелить свои кампании на пользователей, которые с наибольшей вероятностью потратят деньги в приложении. Поэтому для этого приложения можно сопоставить событие SDK af_predict_revenue с событием mobile_purchase партнера. Это позволит вашему партнеру оптимизировать ваши кампании для тех пользователей, которые, скорее всего, будут тратить много денег.
  • Для Приложения B вас больше интересуют пользователи, которые будут продолжать использовать приложение в долгосрочной перспективе. Поэтому для этого приложения можно сопоставить событие SDK af_predict_retention_d30 (% пользователей, которые, по прогнозам, будут использовать ваше приложение через 30 дней после установки) с событием session партнера. Это позволит вашему партнеру оптимизировать кампании и нацелить их на тех пользователей, которые, скорее всего, будут долго пользоваться приложением.

Чтобы сопоставить прогнозируемые KPI / события:

  1. На обзорном дэшборде AppsFlyer перейдите в раздел Настройки > Интегрированные партнеры.
  2. Выберите нужного интегрированного партнера.
  3. На вкладке Интеграция в разделе Постбэки по внутренним событиям сопоставьте выбранные события SDK (начинающиеся с af_predict_) с идентификаторами выбранных событий партнера.

    predict_event_mapping.png

 Примечания.

  • Следует сопоставить события удержания SDK только для выбранных вами 3 дат измерения удержания (например, af_predict_retention_d3, af_predict_retention_d7, af_predict_retention_d21 и т. д.).
  • Следующие события SDK являются устаревшими (более не поддерживаются) и не должны сопоставляться:
    • af_predict_retention_7+
    • все события, начинающиеся с af_predict_engagement_
    • все события, начинающиеся с af_predict_benefit_
    • все события, начинающиеся с af_predict_monetezation_