사용자 확보의 미래: 알고리즘을 사용한 자동화

폴 보웬은 UA를 이해합니다. Algolift 의 CRO로서 , 그와 그의 팀은 LTV를 활용하여 Facebook, Google 및 Apple에서 사용자 획득을 . 이것은 Paul의 게스트 게시물입니다.

성과 마케팅의 성공 지표는 지난 10 년 동안 극적으로 변화했습니다. CPI 및 CPC 와 같은 상류층 메트릭에 중점을 둔 것은 다운 포넬, 단기, D7 ROA 또는 무료 평가판 당 비용을 평가하는 것으로 발전했습니다. 7 일 수익에 대한 사업 계획을 세우는 회사 팀은 거의 없으므로 조기 반환 메트릭으로 인해 마케팅 팀이 비용 센터처럼 보입니다.

대신, 마케팅 담당자가 장기 수익이 북극성 지표라는 점을 이해하면 어떤 일이 발생합니다. 기업은 퍼포먼스 마케팅을 비용 중심으로 인식하여 사용자 확보(UA)가 기업의 미래 성과에 대한 투자라는 이해로 재구성합니다.

AlgoLift는 Facebook, Google, Apple Search에서 사용자 확보를 자동화합니다. 어떻게? ROAS를 극대화하는 설치 구매를 위한 포트폴리오 이론과 함께 30일에서 2년까지의 범위에서 사용자 수준 예측 LTV를 활용합니다. AlgoLift는 알고리즘 시장 모델을 사용하여 UA 캠페인의 미래 예측 성과를 이해하고 수동으로 운영되는 시스템으로는 달성할 수 없는 UA를 자동화하기 위해 포트폴리오 접근 방식을 취할 수 있습니다.  

알고리즘을 사용하여 사용자 확보 자동화 시작하기

우선, UA 자동화의 핵심 과제는 가비지 인, 가비지 아웃 등 충실도가 높고 정확하며 깨끗한 데이터에 액세스하는 것입니다. 대부분의 회사는 기여, 거래, 인앱 참여 데이터를 다양한 데이터 웨어하우스에 저장합니다. 이는 상당한 통합 비용과 복잡성을 추가하고 잠재적으로 턴키 자동화 솔루션의 범위와 확장성을 제한합니다.  

이 문제를 해결하기 위해 Singular 고객이 비용 및 수익 데이터를 통합할 수 있는 강력한 솔루션을 제공합니다. AlgoLift는 API를 통해 사용자 및 집단 수준에서 이 데이터에 액세스하여 LTV 및 pROAS 모델을 구축할 수 있습니다. 이를 통해 우리는 UA 캠페인의 향후 성과를 이해할 수 있습니다. AlgoLift는 이 데이터를 활용하여 Facebook, Google 및 Apple Search의 캠페인 관리 API를 사용하여 장기적인 수익을 최적화하는 방식으로 UA를 자동화합니다.  

알고리즘을 사용하여 UA를 자동화할 때의 이점

컴퓨터는 결코 인간만큼 전략적, 창의적으로 생각하지 못할 수도 있습니다. 그럼에도 불구하고 오늘날의 기계는 고급 수학 문제를 해결하고 힘들고 반복적인 작업을 실행하는 데 더 뛰어납니다. 이를 고려하면 알고리즘을 사용한 자동화는 수많은 이점을 제공합니다.

ROAS 성과 향상

UA 자동화의 주요 성공 기준은 장기적인 ROAS 성과를 높이는 것입니다. 알고리즘을 사용하여 UA 캠페인 최적화를 자동화하는 데 드는 비용은 현재 인간의 성능을 초과해야 합니다.  

AlgoLift는 1억 달러가 넘는 UA 지출을 최적화함으로써 5개월 동안 예상 d365 ROAS를 최대 45% 포인트 늘릴 수 있다는 사실을 발견했습니다. 우리는 오랜 기간에 걸쳐 일일 증분 변경을 통해 이러한 개선 사항을 확인했습니다.

복잡한 수학 문제 해결

대부분의 퍼포먼스 마케팅 담당자는 캠페인에 대해 아래 사용자 확보 전략 중 하나를 시도합니다. 

S1은 강력한 예측 ROAS 모델을 사용하여 구현하기가 상대적으로 쉽지만 지출 확장에는 적합하지 않습니다. 

S2/S3는 지출 또는 ROAS를 최적화하기 위한 더 나은 전략이지만 캠페인 전반에 걸쳐 최상의 예산 할당을 이해하려면 매일 실행되는 복잡한 수학적 모델이 필요합니다.

작은 코호트를 해결하는 방법을 이해할 때 알고리즘도 가치가 있습니다. 캠페인 수준의 예측은 시끄 럽습니다. 추정치에서 상당한 불확실성을 도입하지 않고 최근의 최신 획득 그룹의 동작을 기반으로 미래 사용자의 LTV를 예측하는 것은 어려운 일입니다. 일반적으로 자동화 실습에 대한 모호성을 주조하는 대신보다 유용한 관점을 고려 하여이 문제를 해결할 수 있습니다.

인간 운영자는 이러한 불확실성에 직면하여 결정을 내리는 데 어려움을 겪을 수 있습니다. 그들은 세분화된 데이터를 전혀 사용하지 말아야 한다고 (잘못) 결론을 내릴 수도 있습니다. 그러나 알고리즘은 불확실성을 염두에 두고 작동하고 시간이 지남에 따라 일련의 올바른 방향 변경을 통해 성능에 바늘을 움직이도록 제작되었습니다.

반복적인 작업의 자동화

10개월 동안 15명의 고객에게 서비스를 제공하면서 AlgoLift는 Facebook, Google, Apple Search 전반에 걸쳐 약 50,000건의 자동 입찰 및 예산 조정을 수행했습니다. 클라이언트가 정의한 KPI(S2/S3)에 맞춰 캠페인을 최적화하기 위해 이러한 변경을 수행했습니다. 우리는 전체 캠페인 포트폴리오의 일부로서 상대적인 성과를 기반으로 캠페인의 예상 장기 수익을 사용하여 이를 구현했습니다.   

작업량 감소

캠페인을 매일 변경하는 작업에서 UA 팀을 해방하면 팀이 보다 전략적이고 창의적으로 생각할 수 있으며 궁극적으로 기계가 아직 완전히 자동화할 수 없는 보다 광범위한 작업에 집중할 수 있습니다.

• 캠페인 아이디어 및 제작
• 크리에이티브 및 광고 카피 생성 및 반복
• 새로운 국가 또는 마케팅 소스 탐색
• 이벤트 또는 제품 중심 마케팅 결정

사용자 확보의 미래

사용자 획득의 알고리즘 자동화는 수동 캠페인 분석 및 최적화에 수학적으로 건전하고 기술적인 발전을 가져옵니다. 올바르게 실행되면 UA 팀은 상당한 대역폭을 확보하여 힘들고 반복적이며 비효율적인 작업에서 창의적이고 전략적인 이니셔티브로 초점을 전환할 수 있습니다.   

가장 중요한 것은 명확하게 이해되고 잘 정의된 장기 목표에 따라 조직을 재편성한다는 것입니다. 이는 ROAS를 크게 개선하여 UA를 비용 중심에서 벗어나 비즈니스의 미래 수익성을 보장합니다.