<code id="mcsmq"></code>
<rt id="mcsmq"></rt>
愛奇藝奇麟oCPX 升級，LTV優(yōu)化助力游戲客戶付費增長
隨著游戲行業(yè)的競爭不斷加劇，買量的成本節(jié)節(jié)攀升，產(chǎn)品的變現(xiàn)周期逐步拉長。為了應(yīng)對日趨激烈的競爭，游戲客戶的廣告投放考核重點逐步從用戶數(shù)量的增長轉(zhuǎn)移到營收利潤的提升。ROI是廣告投放效果考核的一個重要指標，用來對宏觀的投放效果進行評估。而具體到用戶粒度，游戲客戶大多選擇LTV（即用戶生命周期價值）對流量質(zhì)量進行判斷。通過LTV的高低可以直接反映用戶付費情況的好壞，推算后續(xù)產(chǎn)品的回本周期。LTV指標與付費率、次留率、首日ROI、獲客成本等都有緊密聯(lián)系，是流量質(zhì)量的直接體現(xiàn)，因此愛奇藝奇麟針對游戲行業(yè)上線了一系列功能來優(yōu)化投放產(chǎn)品的LTV。
功能一：智能分發(fā)，聚焦高LTV場景投放
游戲產(chǎn)品千差萬別，而不同廣告場景的背后對應(yīng)的是多樣的用戶，只有在與產(chǎn)品最匹配的場景上才能找到對應(yīng)優(yōu)質(zhì)用戶，獲取最好的投放效果。為此，愛奇藝奇麟上線了自適應(yīng)的智能分發(fā)功能，通過游戲客戶回傳的付費金額計算各個場景的LTV，并在投放中實時調(diào)整，強化匹配場景的投放，為游戲客戶匹配高價值的用戶群，提升整體投放的LTV。
例如某游戲客戶使用了自適應(yīng)的智能分發(fā)功能后，深層成本偏差顯著收斂，付費率提升了30%。自適應(yīng)的智能分發(fā)大幅提升了流量利用率，并且?guī)砹碎L期效果的提升，上線后全站游戲的7日LTV大幅提升了46.9%，極大加快了客戶的回本周期。
功能二：付費優(yōu)選，根據(jù)目標付費率選擇合適流量
基于歷史數(shù)據(jù)的統(tǒng)計表明，付費率與LTV是正相關(guān)關(guān)系。相對來說，付費率高的流量往往后續(xù)付費的意愿強烈，LTV也更高。對于投放中的游戲，找出付費率相對更高的流量對提升LTV至關(guān)重要。但不同游戲由于類型和題材的差別，在付費率上天然存在差異。愛奇藝奇麟上線了基于目標付費率的流量優(yōu)選功能，可以通過游戲客戶的淺層和深層出價，計算出期望的付費率，優(yōu)先獲取高于期望付費率的流量，減少低于目標付費率的流量，在提升付費率的同時可以帶來LTV的上漲。
付費率流量優(yōu)選功能重點關(guān)注游戲客戶的出價表達?；谀繕烁顿M率篩選符合游戲客戶預期的流量。功能上線后，大盤付費率提升40%，LTV提升30%。
功能三：模型升級，提升全鏈路勝出機會
重度游戲客戶的付費出價遠超其他行業(yè)的出價水平，但由于轉(zhuǎn)化率和點擊率偏低，在排序時容易被過濾。為此愛奇藝奇麟升級了召回和粗排模型，將重游廣告的深層出價和深層轉(zhuǎn)化率納入全鏈路排序，極大地提升了重游廣告在全鏈路排序的勝出機會，為重游行業(yè)客戶贏得了更多的曝光機會。
基于模型升級的對比實驗，實驗組付費類廣告的深層轉(zhuǎn)化數(shù)明顯提升，深層成本偏差收斂13個百分點，LTV提升77%。實驗組在召回階段的曝光機會額外增加了2個百分點。
功能四：大R觸達，有效探索付費優(yōu)質(zhì)用戶
游戲投放中新游的首發(fā)冷啟動是至關(guān)重要的環(huán)節(jié)，前期完整的數(shù)據(jù)積累可以幫助構(gòu)建更加準確的數(shù)據(jù)模型。有了冷啟動的積累，后續(xù)通過設(shè)定目標ROI投放可以持續(xù)穩(wěn)定帶來收益。然而投放初期，付費人群積累十分困難，游戲客戶往往為此需要投入大量成本進行試錯。為此，愛奇藝奇麟在游戲行業(yè)提供了大R人群觸達策略，通過人群畫像分析找出付費意愿最強的用戶，在新游戲首發(fā)階段優(yōu)先觸達高價值用戶，在潛在的大R人群上獲得大量曝光，輕松完成首批付費數(shù)據(jù)的積累。
策略上線后，大R人群觸達率提升了60%，在優(yōu)質(zhì)用戶上快速贏得大量曝光。某客戶在上新過程中達成首日ROI考核要求的同時保持高速消耗，當天完成冷啟動，實現(xiàn)首發(fā)階段的量質(zhì)齊升。
以上四個系列功能上線后，游戲的后端付費有了極大提升，更多的付費也意味著更快的消耗和曝光，從而帶來新的付費增長，最終形成正向循環(huán)。與此同時，付費用戶的質(zhì)量也有顯著提高，投放中頻頻爆R，后續(xù)付費源源不斷。這些優(yōu)化邏輯的背后是平臺在基于游戲的付費情況不斷調(diào)整適應(yīng)分發(fā)模型，為此需要游戲客戶配合，只有及時準確地回傳完整的付費行為和金額，才能更好地驅(qū)動算法模型尋找高價值用戶，帶來LTV和消耗的雙重提升，助力付費增長。
@
