应用程序再营销:将移动投资回报率见解用于发展您的业务

如今,营销人员可以访问有关其用户和客户的大量数据。 应用程序再营销就是一个很好的例子。

在移动应用业务方面, 归因和分析 可以提供有关您业务的健康状况和活力以及用户的应用内行为的惊人视图。 我们可以利用移动应用程序再营销来利用这些信号并满足关键业务需求。

谷歌 应用程序再营销是……

一种与之前与您的网站或移动应用程序互动过的人建立联系的方式。 它允许您在这些受众浏览 Google 或其合作伙伴网站时,有策略地将您的广告展示在他们面前,从而帮助您提高品牌知名度或提醒这些受众进行购买。

我们创建这个项目的原因之一 Singular营销分析平台 是因为我们希望让营销人员能够利用他们所学到的知识,并立即将其运用到通过数据驱动的营销计划来建立他们的业务,从而真正提高收入和投资回报率。 做到这一点的最佳方法之一就是专注于提供反映该人的愿望和需求的一对一的用户体验。 此类数据驱动的营销计划利用通过归因和分析流程收集的信号来定义和完善我们与应用程序用户交谈的内容、时间和方式。

我们的受众细分产品使客户能够为定制的媒体和消息传递计划定义高绩效的受众群体。 例如,通过将完成一组常见操作的人员结合起来,我们可以向这些用户传递自定义消息。

也许理解这种方法的力量的最简单方法就是根据具体用例来思考……

应用程序再营销是移动营销人员工具包中的重要工具

 

应用再营销以激活新用户

越来越多的市场研究表明,安装后的最初几小时和几天是确定某人是否会成为常规用户或客户的关键时刻。 通过定义高性能 自定义受众 对于新安装的用户,我们可以开发和发送广告消息,旨在使定期使用移动应用程序成为一种习惯。

他们在早期返回应用程序的次数越多,就越有可能成为常规用户和客户。

赢回卸载者

人们出于各种原因卸载移动应用程序。 营销人员最感兴趣的是应用程序用户生命周期早期发生的卸载,因为它们可以提供有关如何改善用户关系的信号。 许多移动应用营销人员现在正在定义最近卸载者的受众,以便为旨在吸引人们重新安装应用程序的广告创建消息传递和媒体程序。

针对这些人的应用程序再营销工作可以让其中一些人回来。

将意图转化为购买

当个人在您的应用中搜索产品和服务时,您就可以很好地表明购买意图。 但我们业务的现实之一是,进行搜索的人数远多于在您的应用中实际进行购买的人数。

如果您能够传达的营销信息能够推动应用程序中交易人数的小幅增长,​​那么您就可以对您的收入和盈利能力产生深远的影响。 通过在自定义消息广告中或在应用程序的某个区域中展示最近搜索的项目,您可以提醒应用程序用户,您的应用程序是获取他们想要和需要的东西的好方法。 这是使用应用再营销如何帮助完成销售的一个很好的例子。

应用再营销:吸引购物车放弃者

购买意图的更好信号是某人将商品放入购物车。 对于大多数移动应用程序,90%、95%、99% 或更多的人会在购买前放弃购物车。

通过使用自定义受众和动态 延迟深度链接 通过应用程序再营销广告展示个人购物车中的商品,我们可以吸引更多用户返回应用程序进行购买。 对应用程序收入和盈利能力产生深远影响。

追加销售或交叉销售

最有可能在您的移动应用中进行购买的人是那些过去已经进行过购买的人。 您可以通过反映他们过去的购买情况和当前需求的集中消息传递,让更多的人再次进行交易。 此外,许多应用营销人员现在正在向另一个相关应用的用户交叉营销一个应用,作为推动高效用户获取的一种手段。

这又是应用再营销帮助完成销售的一个很好的例子。

更好的相似建模

许多品牌使用相似建模——针对与用户行为相似的潜在客户。 但是,如果您可以根据最佳客户和付款人的特征进行建模,结果会怎样呢? 如果您可以吸引更多像他们这样的人,您就可以提高 KPI。 通过分析您的最佳客户并创建这些人的受众群体,您可以与合作伙伴合作,吸引具有令人难以置信的收入潜力的用户并提高安装量。

我相信您已经看到行动(数据驱动营销的闭环)与单纯的知识相比如何提供深远的优势。 获取这些知识至关重要,但这实际上只是高效营销人员的开局策略。

 

使用归因数据计算移动广告 LTV

埃里克·本杰明·苏弗特 (Eric Benjamin Seufert) 是 移动开发备忘录,一个流行的移动广告贸易博客。 他还负责管理平台和出版工作 N3T工作,一家总部位于旧金山的移动游戏公司,并发布了 免费增值经济,一本关于免费增值商业模式的书。 你可以 在 Twitter 上关注埃里克.

注意:如果您正在寻找比下面 Eric 的方法更省力的广告货币化方法,请与您的Singular客户服务代表联系(并敬请关注其他公告)。

各种宏观市场力量已在 过去两年 为应用程序开发者创造从应用程序内广告中获得可观收入的商业机会。 新流派如 超休闲游戏 甚至传统游戏类型和非游戏类型也通过构建深度、复杂的内容,通过向用户提供富媒体视频和可玩广告来创建大型业务。 货币化循环 与某些应用内购买相比,这丰富了用户体验并产生了更少的可用性摩擦。

但不幸的是,虽然有才华的分析产品设计师能够通过解构玩家行为和优化广告投放来利用游戏内数据来增加广告收入,但用户获取经理在优化此类货币化的获取渠道时可使用的数据较少。 围绕应用内广告货币化构建获取渠道具有挑战性,因为创建应用内广告所需的许多投入 生命周期价值 应用内广告的模型不可用或被混淆。 事实证明,谷歌搜索“移动应用 LTV 模型”会在广泛的统计严格性中产生数百个结果,但搜索“移动应用广告 LTV 模型”几乎不会产生任何有用的结果。

为什么移动广告生命周期价值这么难计算?

其一,应用程序中的广告点击对收入的直接影响对于开发者来说是不可知的,并且很大程度上超出了他们的控制范围。 开发商获得 有效每千次展示费用 当他们付款时,他们会每月从广告网络合作伙伴那里获取数据,但由于有效每千次展示费用的导出方式,他们无法真正知道任何给定点击的价值(广告网络通常根据应用程序安装付费,而不是根据展示次数付费) ,因此 eCPM 是一个综合指标)。

其次,应用程序开发人员无法跟踪其应用程序内的广告点击次数,只能跟踪展示次数。 因此,虽然开发人员可能了解哪些用户在其应用程序中看到的广告最多,并且可以将这些数据汇总为每天的平均广告浏览量(可能按来源划分),但由于大多数广告收入是由用户点击后发生的后续安装驱动的对于广告而言,单独的广告观看次数并不能帮助理解广告生命周期价值。

第三,对于大多数开发者来说,借用 IAP 货币化的概念,有多个“商店”,广告观看(并希望点击)用户可以从中“购买”:应用程序开发者运行广告的每个网络,与开发者从中收集信息的单一 App Store 或 Google Play 商店。 因此,不仅整合广告收入数据变得更加繁重,而且还进一步搅乱了盈利水域,因为即使可以将各个网络的每千次展示费用推算为收入,也无法确定应用程序中的印象构成会是什么样子。未来在某个特定国家/地区(换句话说:仅仅因为 Network X 本月在美国投放了我 50% 的广告,我不知道下个月它是否会在美国投放我 50% 的广告) 。

为了深入研究包含多个未知、可变输入的问题,我经常从这样的角度出发:如果我知道一切,我将如何解决这个问题? 为了构建广告 LTV 模型,一个非常广泛的概念计算可能如下所示:

这意味着:对于通过渠道 A 获取、使用平台 B 且居住在地理位置 C 的给定用户,他们预期产生的终身广告收入是我们为该用户估计的每月广告浏览量的总和。配置文件(例如渠道 A、平台 B、地理位置 C)乘以向该配置文件的用户提供的广告展示次数的每月混合 CPM。

在这个等式中,使用Singular提供的用户归因数据以及内部行为数据,我们可以很容易地得出按获取渠道、平台和地理位置细分的终身广告视图:这或多或少是一个简单的维度化累积广告视图随时间变化的曲线,其导出方式与 累计IAP收入曲线.

但这个等式中的混合 CPM 部分非常混乱。 这是因为:

  • 广告网络不会按用户传达每千次展示费用,仅在地理层面上传达; [ 编者注: 有一些 重大变化 发生在这里; 我们将随时向您通报新的进展。 ]
  • 大多数开发人员在其中介组合中运行许多网络,并且这种组合每月都会发生变化;
  • 展示次数、点击次数和视频完成次数可以通过中介服务在用户级别进行计算,例如 塔普达克铁源,但截至目前,这些数据还没有附带收入数据。

请注意,在中期内,上述许多与数据可用性和透明度有关的问题将通过应用内标头竞价得到改善(有关该主题的详细阅读,请参阅 本文由 Tapdaq 的 Dom Bracher 撰写)。 与此同时,我们可以采取一些步骤来合理估计混合每千次展示费用,以了解我们的归因数据为我们提供的粒度级别,这对于获取用户的目的很有价值(阅读:提供可以出价的生命周期价值反对用户获取渠道)。

但在这一点显现之前,用户获取经理在可用于构建广告 LTV 估算的数据方面仍存在一些空白。 第一个明显的差距是印象池的网络组成:假设有一个多样化的中介池,则无法知道哪些网络将在下个月占据总体印象的百分比。 第二个是前瞻性地通过这些网络实现的每千次展示费用,因为这几乎完全取决于用户是否通过他们观看的广告安装应用程序。

解决这两个差距的唯一方法是依靠历史数据来暗示未来会是什么样子(其中 违反了价值投资的关键规则 但仍然有助于形成对未来的看法)。 在这种情况下,我们希望查看过去的每千次展示费用表现和过去的网络印象构成,以获取对未来任何特定月份的预期的指导。

使用 Python 估算移动广告 LTV

为了展示如何做到这一点,我们可以用 python 构建一个简单的脚本,从生成一些随机样本数据开始。 此数据考虑的是仅向美国、加拿大和英国的 Facebook、Unity 和 Vungle 用户投放广告的应用程序:

[代码] import pandas as pd import matplotlib import numpy as np from itertools import product import random geos = [ '美国', '加拿大', '英国' ] 平台 = [ 'iOS', 'Android' ] 网络 = [ 'Facebook ', 'Unity', 'Applovin' ] def create_historical_ad_network_data( geos, 网络 ): 历史 = pd.DataFrame(list(product(geos, 平台, 网络)), columns=[ 'geo', '平台', '网络' ]) for i in range( 1, 4 ): 历史[ 'cpm-' + str( i ) ] = np.random.randint ( 1, 10, size=len( 历史 ) ) 历史[ 'imp-' + str ( i ) ] = np.random.randint( 100, 1000, size=len( 历史 ) ) 历史[ 'imp-share-' + str( i ) ] = 历史[ 'imp-' + str( i ) ] /历史['imp-'+str(i)].sum()返回历史历史记录=create_historical_data(geos,networks)打印(历史记录)[/code]

运行此代码会生成一个 Pandas DataFrame,如下所示(您的数字会因随机生成而有所不同):

[代码/表] geo platform network cpm-1 imp-1 imp-share-1 cpm-2 imp-2 \ 0 US iOS Facebook 2 729 0.070374 9 549 1 US iOS Unity 7 914 0.088232 3 203 2 US iOS Applovin 7 826 0.079737 4 100 3 美国 Android Facebook 2 271 0.026161 2 128 4 美国 Android Unity 5 121 0.011681 9 240 5 美国 Android Applovin 6 922 0.089005 9 784 6 CA iOS Facebook 2 831 0.080220 9 889 7 CA iOS统一8 483 0.046626 5 876 8 CA iOS Applovin 7 236 0.022782 9 642 9 加利福尼亚州 Android Facebook 8 486 0.046916 4 523 10 加利福尼亚州 Android Unity 1 371 0.035814 5 639 11 加利福尼亚州 Android Applovin 8 588 0.056762 7 339 12 英国 iOS Facebook 2 850 0.08 2054 8 680 13 英国 iOS Unity 7 409 0.039483 3 310 14 英国 iOS Applovin 1 291 0.028092 5 471 15 英国 Android Facebook 7 370 0.035718 6 381 16 英国 Android Unity 3 707 0.068250 6 117 17 英国 Android Applovin 3 954 0.092094 3 581 imp-share-2 c pm-3 imp-3 imp -份额-3 0 0.064955 8 980 0.104433 1 0.024018 4 417 0.044437 2 0.011832 3 157 0.016731 3 0.015144 7 686 0.073103 4 0.028396 3 55 0 0.058610 5 0.092759 8 103 0.010976 6 0.105182 1 539 0.057438 7 0.103644 6 679 0.072357 8 0.075958 5 883 0.094096 9 0.061879 1 212 0.022592 10 0.075603 8 775 0.082587 11 0.040109 6 378 0.040281 12 0.080454 6 622 0.066283 13 0.036678 8 402 0.042839 14 0.055726 7 182 0.019395 15 0.045078 2 623 0.066390 16 0.013843 2 842 0.089727 17 0.068741 1 354 0.037724 [/代码]

此时需要考虑的一件事是,我们必须假设,在每个月的基础上,任何给定国家/地区的任何用户都将与同一平台上的任何其他用户接触到相同的网络组成(即,向 iOS 上的美国用户投放的 Applovin 广告的比例对于指定月份内某个应用程序的所有用户而言是相同的)。 这几乎肯定不是严格正确的,因为对于任何给定的印象,用户所使用的设备类型(例如 iPhone XS Max 与 iPhone 6)以及其他特定于用户的信息将影响哪个网络填充印象。 但总的来说,这种假设可能足够安全,可以在模型中使用。

另一件需要指出的事情是,保留率是在与源渠道相关的每月广告浏览量估计中捕获的。 构建广告 LTV 模型时常见的一个困惑是,漏斗的两侧都涉及广告网络:从中获取用户的网络以及用户通过应用中投放的广告获利的网络。 在构建我们的模型时,我们在 A 部分的每月广告浏览量组件中捕获了“用户质量”,其中包含保留率,其方式与基于 IAP 的传统 LTV 曲线相同。 因此,没有理由在等式的 B 部分中包含“用户质量”,因为它已经用于通知 A 部分。

鉴于此,近似 B 部分的下一步是获取每个网络的历史份额,在地理和平台级别进行聚合。 一旦我们有了这个,我们就可以在地理和平台级别生成混合 CPM 值,以乘以 A 部分中的公式(同样,由于我们假设所有用户都看到相同的广告网络混合,因此我们不必进一步按用户源网络聚合网络份额)。

在下面的代码中,跟踪三个月的展示次数在地理和平台级别计算为总数的份额。 然后,对每个网络过去三个月的 CPM 进行平均,并返回总和:

[代码] 历史[ 'trailing-3-month-imp' ] = 历史[ 'imp-1' ] + 历史[ 'imp-2' ] + 历史[ 'imp-3' ] 历史[ 'trailing-3-month -imp-share'] = 历史[ 'trailing-3-month-imp' ] / History.groupby( [ 'geo', 'platform' ] )[ 'trailing-3-month-imp' ].transform( sum )历史[ 'trailing-3-month-cpm' ] = 历史[ [ 'cpm-1', 'cpm-2', 'cpm-3' ] ].mean( axis=1 ) Blended_cpms = ( 历史[ [ 'trailing -3-month-imp-share', 'trailing-3-month-cpm' ] ].prod( axis=1 ) .groupby( [ 历史[ 'geo' ], 历史[ '平台' ] ] ).sum( ).reset_index( ) ) Blended_cpms.rename( columns = { Blended_cpms.columns[ len( Blended_cpms.columns ) - 1 ]: 'CPM' }, inplace = True ) print( Blended_cpms ) [/code]

运行这段代码应该输出一个看起来像这样的 DataFrame(同样,数字会不同):

[code] 地理平台 CPM 0 CA Android 5.406508 1 CA iOS 4.883667 2 英国 Android 4.590680 3 英国 iOS 5.265561 4 美国 Android 4.289083 5 美国 iOS 4.103224 [/code]

那么现在我们有什么? 我们有一个在地理和平台级别分解的混合 CPM 矩阵(例如 Unity Ads 为美国、iOS 用户提供的 CPM)——这是上面等式中的 B 部分。 该等式中的 A 部分(即我们期望与与其来源渠道、地理位置和平台相关的各种个人资料特征相匹配的用户在给定月份内的平均广告浏览次数)将取自内部归因数据与内部应用程序数据,但我们可以生成一些随机数据以匹配此函数的外观:

[代码] def create_historical_one_month_ad_views(geos,networks):ad_views = pd.DataFrame(list(product(geos,platforms,networks)),columns = ['geo','platform','source_channel'])ad_views ['ad_views' ] = np.random.randint( 50, 500, size=len( ad_views ) ) return ad_viewsmonth_1_ad_views = create_historical_one_month_ad_views(geos,networks) print(month_1_ad_views) [/code]

运行上面的代码片段应该输出如下内容:

[代码] geo platform source_channel ad_views 0 US iOS Facebook 73 1 US iOS Unity 463 2 US iOS Applovin 52 3 US Android Facebook 60 4 US Android Unity 442 5 US Android Applovin 349 6 CA iOS Facebook 279 7 CA iOS Unity 478 8 CA iOS Applovin 77 9 CA Android Facebook 479 10 CA Android Unity 120 11 CA Android Applovin 417 12 英国 iOS Facebook 243 13 英国 iOS Unity 306 14 英国 iOS Applovin 52 15 英国 Android Facebook 243 16 英国 Android Unity 106 17 英国 Android Applovin 195 [/code ]

现在,我们可以将用户群的效果数据(使用归因数据收集)与预计的 CPM 数据进行匹配,以使用以下代码估算给定月份的广告收入:

[代码]合并 = pd.merge(month_1_ad_views, Blended_cpms, on=[ 'geo', 'platform' ] ) 合并[ 'month_1_ARPU' ] = 合并[ 'CPM' ] * ( 合并[ 'ad_views' ] / 1000 ) print (合并)[/代码]

运行上面的代码片段应该输出如下内容:

[code] geo platform source_channel ad_views CPM Month_1_ARPU 0 美国 iOS Facebook 73 5.832458 0.425769 1 美国 iOS Unity 463 5.832458 2.700428 2 美国 iOS Applovin 52 5.832458 0.303288 3 美国 Android Facebook 60 5.327445 0.319 647 4 美国 Android Unity 442 5.327445 2.354731 5 美国 Android Applovin 349 5.327445 1.859278 6 CA iOS Facebook 279 6.547197 1.826668 7 CA iOS Unity 478 6.547197 3.129560 8 CA iOS Applovin 77 6.547197 0.504134 9 CA Android Facebook 479 4.108413 1.967930 10 CA Android Unity 120 4.108413 0.493010 11 加拿大 Android Applovin 417 4.108413 1.713208 12 英国 iOS Facebook 243 4.626163 1.124158 13 英国 iOS Unity 306 4.626163 1.415606 14 英国 iOS Applovin 52 4.626163 0.240560 15 英国 Android Facebook 243 5.584462 1.357024 16 英国 Android Unity 106 5.584462 0.591953 17 英国 Android Applovin 19 5 5.584462 1.088970 [/代码]

最后一列 - Month_1_ARPU - 是您期望用户在第一个月获得的广告收入金额,与他们的来源渠道、地理位置和平台相匹配。 换句话说,这是他们的 30 天 LTV。

把它们放在一起

希望这篇文章展示了这样一个事实:虽然它很混乱且有些令人费解,但确实存在一种使用归因和广告效果数据来估计广告 LTV 的合理方法。 进一步采用这种方法,人们可以将更多月份的广告观看效果数据组合在一起,以扩展广告 LTV 估计的限制(到第二个月、第三个月、第四个月等),然后使用历史 CPM 波动来获得更实际的估计未来任何给定点的每千次展示费用(例如,在圣诞节前夕,每千次展示费用激增时,使用历史混合平均值是没有意义的)。

在移动周期的这个阶段,通过丰富的广告赚钱的机会和可能性令人兴奋,但它们也伴随着新的挑战。 总的来说,随着移动广告生态系统的发展 算法驱动和程序化的活动管理,用户获取团队需要赋予自己分析创造力,以找到新颖的方法来扩展应用程序并实现盈利。

. . .

. . .

下一个: 立即免费获取完整的移动归因无废话指南。

UA 经理的 5 个挣扎

如果您从事过移动广告工作,您就会知道 用户获取(UA) 这绝非易事。 用户获取经理在日常工作中面临着许多挑战,我们认为让他们的生活更轻松是我们的工作。 请继续阅读,了解当今用户获取经理面临的 5 大难题,以及他们如何克服这些挑战。

1:连接碎片数据

平均而言,广告商在 20 个或更多网络上投放广告活动。 但每个网络在其报告中都使用独特的分类法和层次结构。 这通常意味着用户获取经理要花费数小时在电子表格中尝试标准化和汇总大量报告,以便进行并排分析。 这足以让你发疯。

 

输入Singular :我们的营销分析平台通过自动收集所有媒体源的数据并对其进行标准化,帮助您连接碎片数据并进行并行分析。 Singular甚至可以在数据差异偏离您的分析最佳状态之前自动检测它们。 我们将完成繁重的工作(也称为将数据转化为可行的见解),以便您可以获得好的东西,例如改善您的受众或创意策略。

2:细粒度地揭示投资回报率

想象一下,您正在运行一个成功的广告活动,但您不确定该活动的哪个元素真正为您带来了胜利。 您在某个特定国家/地区得分良好吗? 您的广告创意的一种变体是否优于其他版本? 您的出版商是其中一家赚得盆满钵满,还是另一家? 您需要深入挖掘数据并获得尽可能最精细的视图,以了解您在哪些方面做得很好,哪些方面做得不好。

我们知道投资回报率是您的底线。 这也是我们的。 我们努力的一个重点是有效地结合归因和营销数据,以揭示创意和关键字级别的投资回报率,以便营销人员可以抛开手工工作,专注于实现他们的目标。 当我们的客户清楚地了解他们的所有营销数据时,他们就可以轻松地深入到尽可能细化的级别,并获得他们获胜所需的宝贵见解。

3:打击欺诈并对您的数据充满信心

去年,欺诈者从广告生态系统中转移了超过 6.5B 美元。 随着他们的策略不断发展并绕过传统的预防方法,这个数字只会增加。 但不知何故,63% 的移动广告商并未在其归因系统中积极使用欺诈预防功能。 您如何确定自己没有被诈骗者利用?

需要进行大量明智的主动和被动工作才能保护您的资产免受欺诈者的侵害。

幸运的是, Singular的欺诈预防套件是当今市场上最复杂的产品。 我们将向您展示欺诈发生的地点和时间,主动拒绝欺诈性点击、安装和事件,并让您完全控制对欺诈活动采取行动的方式。 此外,我们打击欺诈的方法不断适应新的形式,因此您可以对自己的数据充满信心。

4:帮助财务协调营销支出

用户获取经理需要合理的营销预算。 但你如何确保你得到这个呢? 通过向财务部门证明您知道如何明智地使用预算并且可以为公司创造利润。 但是,如果您对数据的准确性和可靠性没有 100% 的信心,如何才能做到这一点呢?

在Singular ,我们为所提供数据的真实性和可验证性感到自豪。 这在一定程度上是由于我们专有 API 的使用,它充当了防止数据丢失的坚实防线。 其他提供商从跟踪链接获取营销数据,但这些链接不完善且容易损坏,导致另一端的 UA 团队永远无法收到他们正在寻找的支出数据。 当您使用Singular时,即使您的链接失败,我们的 API 也会再次检索数据。

5:指导您的设计团队了解资产的性能

杀手级创意对于成功的营销策略绝对至关重要,但适合某些受众的出色创意不一定适合其他受众。 如何确保为目标受众提供可以想象到的最具吸引力的创意? 您如何为设计师提供制作这些突破性广告所需的信息? 这可能是一个令人头晕的问题。

借助Singular的创意报告,用户获取团队可以详细了解他们在广告方面的正确做法。 通过我们先进的报告工具,营销人员可以衡量广告疲劳度、每个人群创意变化的有效性、创意微小变化(例如字体颜色)的性能差异等等。

所有这些挣扎对于 UA 团队来说都是巨大的痛苦,但其实并非如此。 有了合适的合作伙伴和工具,营销人员就可以减少这些问题带来的麻烦,并专注于他们真正关心的工作。 如果您对我们的解决方案感兴趣, 请求演示!

广告变现报告和真正的投资回报率变得简单

自 4 年前推出Singular以来,我们不懈努力,成为全球顶级移动品牌事实上的营销数据平台。 我们的客户使用Singular将其核心营销数据集统一为单一事实来源。 我们为帮助他们理清生态系统的复杂性并发现有助于发展业务的见解而感到自豪。

Singular致力于帮助营销人员在整个客户旅程中发现投资回报率。 许多营销人员只有应用内购买的单一收入来源,但许多其他营销人员还有另一种收入来源,称为“应用内购买”。 “广告收入” (类似于一家名为 Facebook 的小公司赚钱的方式😉)。 因此,投资回报率不应仅考虑“应用收入”,还必须考虑“广告收入”。

在Singular的首届年度增长营销峰会 UNIFY 上,我们的首席执行官 Gadi Elishav 宣布推出我们的 广告变现 报告。 该产品的添加与我们的愿景直接一致,即帮助营销人员发现其企业独特的客户旅程并了解该旅程中的每个接触点。

Singular的广告货币化报告从所有货币化合作伙伴处收集、汇总和标准化您的广告收入数据,并将其纳入单一报告视图中。 我们在新的广告盈利报告中采用了与Singular相同的方法和技术。 对于也使用Singular归因的客户 - 我们很快将提供对精细投资回报率的更深入见解,包括广告收入和应用内购买,在行业中通常称为真实投资回报率。 我们已经整合了最受欢迎的货币化合作伙伴,并不断增加新的合作伙伴。

 

对于用户获取和货币化团队来说,这将改变游戏规则:

  • 用户获取团队最终可以在投资回报率公式中考虑广告收入。
  • 通过查看真实的投资回报率数字,用户获取经理将能够对其活动和渠道的实际绩效做出更好的决策,并更有效、更智能地扩展营销工作。 一旦我们将广告收入纳入投资回报率计算中,您认为具有特定投资回报率的渠道和活动可能看起来完全不同。
  • 所有广告收入的集中快照可以提供更好的洞察力,并将应用广告收入缩小到展示位置级别。
  • 简化财务工作,并真正了解您的营销损益。

您对更高级别的广告货币化报告和分析更准确的投资回报率感兴趣吗? 让我们联系吧! 立即联系您的客户成功经理或 联系我们.

用户级投资回报率如何提高您的再营销回报

这是有关移动营销投资回报 (ROI) 的系列文章中的第一篇。 Singular移动投资回报率系列中的每篇文章都将深入探讨不同级别的移动投资回报率数据 — 从用户级别到国家/地区级别,再到 出版商级投资回报率 — 并展示移动营销人员如何使用投资回报率数据的不同方面来提高绩效。

如今,许多移动营销人员正在投资应用程序再营销,即创建高绩效用户群并为这些用户定制营销活动,以提高应用程序参与度和收入。 再营销越来越被视为移动投资回报率的重要来源。 对于使用归因工具集的客户来说,再营销在付费事件中所占的份额在过去两年中增加了 18 倍以上。

当出于再营销目的对用户进行细分时,跟踪您为每个用户支付的费用以及促使他们进入您的应用程序的接触点与跟踪用户在您的应用程序中花费了多少费用同样重要。 然而,营销人员在决定再营销的用户群体以及推动他们未来行动的支出时,往往只依赖于用户收入和安装后事件。

在这里,我们将展示为什么仅根据现有用户在应用中完成的收入或事件来定位他们实际上可能会损害您的再营销工作,以及如何利用用户级投资回报率数据来推动利润更高的再营销活动。

高收入用户受众的移动投资回报率

对于再营销,移动营销人员通常根据应用程序中记录的收入、事件和设备级信息创建用户细分。 一个细分可能包括完成注册的用户; 另一个可能包括浏览某种类型产品页面的用户。 这些细分用于定制再营销消息和媒体程序,包括推送通知、电子邮件和广告网络上的重定向。

用于再营销的最常见信息之一是收入 - 用户在您的应用中已花费或预计花费的总金额。 营销人员通常会对花费超过一定金额的用户进行细分,并将预算转移到对最“有价值”的用户进行再营销。

然而,如果不考虑获取和重新吸引用户的成本,实际上可能会产生负投资回报率。 营销人员必须考虑每个用户接触点的成本,否则他们可能会面临对成本高于收入的用户进行再营销的风险。

如下表所示,移动应用用户产生相对较高的收入并不意味着他们可以带来积极的移动营销投资回报率。

在此示例中,用户 1 在应用中花费更多,但吸引成本却是用户 1 的 6 倍。 根据这些数字,用户 2 实际上利润更高——这一事实不会被不跟踪用户级别成本的营销人员注意到。

我们与一位亚洲客户合作,见证了这样的成果。 当他们针对带来最多收入的用户优化移动应用营销计划时,他们实际上从盈利角度忽视了许多最佳客户。

在细分用户进行再营销时,移动营销人员应关注用户级别的移动投资回报率(用户收入除以用户成本),而不是用户收入。 当投资回报率大于 100% 时,在用户身上的支出就会产生增量利润。

通过这种方法,您可能会发现花费大量成本来获取的用户通常也需要花费大量成本来重新吸引。 将这些用户从再营销活动中删除,转而对那些最初花费较少但重新参与的成本较低的用户进行再营销,从而从长远来看利润更高。

成本优化的问题

请记住,反之亦然,获取成本较高的用户实际上可能成为最赚钱的移动应用用户。 考虑两个不同的移动应用用户,其成本和收入概述如下:

这是一种相当常见的移动营销情况。 例如,从投资回报率的角度来看,被低成本激励媒体吸引的移动应用程序用户的利润往往较低。 对此类人进行再营销可能会增加您的应用安装量,但产生的利润会减少。

如果您将再营销工作仅集中在获取成本较低的用户上,那么您可能会针对实际上会损害您的回报率的计划进行优化。 同样,考虑成本和收入将为您的业务带来更好的结果。

通过考虑通过移动广告和其他策略获取和重新吸引用户的成本,营销人员可以细分以最低成本带来最多收入的用户。 反过来,移动营销人员也不会陷入盲目地向应用程序用户进行再营销的困境,因为这些用户实际上花费了大量成本,而且重新吸引的利润也较低。 营销人员最好在他们的营销活动中记住这一重要的见解。

了解世界上最好的营销人员(包括 Lyft、Yelp、Zynga、沃尔玛和 Postmates)如何使用Singular揭示深入的投资回报率洞察以提高营销绩效,请访问: Singular.net。

下载Singular投资回报率指数以查看 全球首个按应用投资回报率划分的广告网络排名。

为什么营销投资回报率是用户获取中最重要但最不为人理解的指标

这可能是数字营销中功能最失调的指标。

营销投资回报率或营销投资回报率经常被谈论,但经常被错误表述、误解或完全不准确。

简而言之,营销投资回报率是衡量公司营销支出的投资回报率的一种方法。 它可用于评估公司整体营销组合或特定营销计划的回报。

营销投资回报率的计算似乎相对简单:收入除以营销成本。 然而,获得快速、精细且可靠的投资回报率数据绝不是一个简单的过程。

对于寻求详细报告水平以告知其优化的营销人员来说,投资回报率计算尤其具有挑战性。 例如,营销人员可能希望查看特定营销活动、发布商、关键字、地理位置或用户的投资回报率 - 营销人员希望获得的粒度越细,计算投资回报率就越困难。

但在我们深入研究计算投资回报率的挑战之前,让我们先探讨一下为什么营销人员认为投资回报率是一个如此重要的指标。

确保营销预算至关重要

营销是一项巨大的开支,领导者希望确切地知道他们从中得到了什么。 在谷歌最近委托进行的一项研究中,营销人员将投资回报率视为为其营销计划和媒体活动确保额外预算的最有价值的指标。

这项研究调查了 150 名美国公司的营销决策者,发现持续实现投资回报率目标可以让营销人员向更大的组织证明其举措的价值,并最终从高管那里获得资源来扩大他们的努力。

决定在哪里消费

营销人员经常在渠道或活动层面计算投资回报率,以确定哪些工作具有更高的回报,因此值得额外投资。 在尝试新的广告网络或营销渠道时,营销人员至关重要的第一步是设置分析,以便营销团队可以衡量投资回报率并确定网络或渠道是否正在推动绩效。

更智能的优化

在确定广告网络或渠道的有效性的过程中,营销人员会动态优化正在进行的营销活动,以最大限度地提高效果。 有效的优化需要更深入地挖掘支出和绩效数据,以实现更精细的报告级别。

例如,广告网络由众多网站和应用程序组成,这些网站和应用程序单独称为“发布商”,营销人员的广告在其中运行。 通过监控广告网络中特定发布商的投资回报率,营销人员可以确定哪些发布商带来最佳效果。 反过来,营销人员能够增加对表现出色的发布商的支出,并关闭或将表现不佳的发布商列入“黑名单”,以提高广告网络的整体投资回报率。

营销人员还可能寻求通过营销活动、创意、关键字、地理或用户级别或这些维度的任意组合的投资回报率分析来告知他们的优化。 例如,营销人员可能希望了解某个创意在针对特定用户群体的营销活动中在特定地理位置的表现。

投资回报率推动整合营销分析

这种精确分析需要一套特别先进的分析工具来收集、清理和组合来自多个来源的数据流,更不用说强大的数据库技术来处理大量数据的灵活查询。

投资回报率指标尤其需要结合多个来源的数据,即成本、收入和事件数据。 最准确、最精细的成本数据来自直接营销渠道整合,这通常需要持续维护。 与此同时,收入和事件数据通常从跟踪链接中提取,然后与成本数据结合以产生投资回报率和其他“全漏斗”指标,例如每次事件成本。

通过关注投资回报率,营销团队可以激励他们的团队构建营销分析系统,利用大量集成良好的工具来提供直观、灵活的报告。 Google 的研究表明,拥有依赖五种或更多营销分析工具的衡量堆栈的营销人员,其营销计划整体绩效改善的可能性要高出 39%。 与其他组织中不太成熟的同行相比,他们还能够减少营销费用并提高营销效率。

计算投资回报率的挑战

谷歌的研究表明,营销人员对自己可靠衡量投资回报率的能力没有信心。 虽然大多数人认为能够准确衡量电子邮件营销活动及其网站或应用程序流量等工作的绩效,但只有 13% 的营销人员对自己衡量营销投资回报率的能力充满信心,并且只有 14% 的营销人员非常有信心他们了解营销投资回报率。营销计划对业务收入的贡献。

营销人员给出的为什么他们很难揭示投资回报率的首要原因是他们的营销分析工具之间缺乏集成。

在这项研究中,只有 26% 的营销人员认为他们的营销分析工具集成得很好,而三分之一的营销人员认为他们的工具根本无法有效地协同工作。

下载Singular投资回报率指数以查看 全球首个按应用投资回报率划分的广告网络排名。

移动欺诈的数字

广告欺诈 是一个问题,但是这个问题到底有多大呢?

广告验证公司 Adloox 发现 2016 年,广告欺诈让营销人员损失了近 20% 的数字广告总支出,这意味着营销人员每 5 美元的广告支出中就有 1 美元因机器人、蜘蛛和其他非人类行为者查看或点击广告而被浪费。

尽管营销行业越来越重视广告欺诈预防,但研究人员预计,广告欺诈问题在 2017 年只会变得更加严重。代理集团 The&Partnership 估计,今年全球广告欺诈成本将从 12.5 美元增至近 164 亿美元。去年亿。

欺诈成本

到 2025 年,全球广告欺诈成本每年可能达到 500 亿美元 世界广告商联合会 (WFA) 今年早些时候曾说过——这是仅次于毒品贸易的有组织犯罪的第二大收入来源。

游戏是最有针对性的

在移动设备上,游戏是迄今为止最容易受到广告欺诈的,所有尝试欺诈流量中有 39% 针对游戏应用,其次是生活方式应用 (18%)、购物应用 (15%)、旅行应用 (15%) 和体育应用(14%)。 这是根据移动广告网络最近的一项研究得出的结论 ClicksMob,还发现 iOS 应用程序中的欺诈行为比 Android 应用程序更为普遍。 iOS 应用程序占欺诈企图的 61%,而 Android 应用程序的这一比例为 39%。

不断移动的目标

与大多数数据驱动的行业一样,组织和欺诈者之间存在着竞争。 这些组织不断迭代检测和预防策略,而欺诈者则创造出越来越复杂和狡猾的欺诈形式。 截至目前,这些数字似乎表明数字广告领域的欺诈者正在大获全胜。

新形式的欺诈不断被发现,其中最新、最普遍的是 广告堆叠, 点击注入、单击垃圾邮件和移动位置数据欺骗。 通常,当广告商发现新形式的欺诈行为并实施预防方法时(这不可避免地需要时间才能在广告商和广告网络中流行起来),损害已经造成。

例如,2015 年的一项调查发现,数千个移动应用程序秘密运行用户从未看到的广告。 广告欺诈追踪公司 法医鉴定 报告发现,超过 5,000 个移动应用程序在 Apple 和 Android 设备上显示看不见的广告,每年给移动应用程序广告商造成约 8.5 亿美元的损失,并通过恶意软件破坏用户数据的使用。

广告欺诈和广告拦截

除了广告欺诈带来的明显破坏性影响(即,它大大降低了应用程序营销投资回报率)之外,恶意软件和广告欺诈增长的一个必然影响是,它鼓励用户采用广告拦截。

广告拦截软件 Optimal 和富国银行最近的一项调查发现,超过 40% 的用户表示他们使用广告拦截程序来防范恶意软件和病毒。 与此同时,广告拦截的使用量呈上升趋势,2016 年猛增 30%。据统计,安装广告拦截软件的设备中有超过 60% 是移动设备 网页博览会,这可以帮助出版商收回因数字广告拦截而损失的收入。

仅这一趋势就应该成为行业的战斗口号,并协调广告网络和广告商的利益,以消除移动广告欺诈。 毕竟,如果广告欺诈率持续上升,增加用户的数据成本并促使更多用户安装广告拦截软件来防范此类成本,整个数字广告生态系统都将受到影响。

那么营销人员可以采取哪些措施来防范移动广告欺诈呢? 以下是识别和防止广告欺诈的 6 个技巧。

1. 反欺诈工具

一些归因和分析套件提供了帮助营销人员识别和防止欺诈的工具。 此类工具可能会使用 IP 地址、点击和安装模式检测以及活动监控等信号来查明推动可疑应用安装的活动、合作伙伴和购买模式。

2. 常识

精明的应用营销人员被广告网络承诺快速或以极低的成本实现大规模安装的日子已经一去不复返了。 如今,营销人员知道,听起来好得令人难以置信的交易可能会导致低质量的应用程序安装。

3. 将资源集中于规模更大、值得信赖的合作伙伴

大型或利基垂直媒体公司更有可能拥有检测和防止欺诈的规模和资源。 此外,社交网络等资产可以利用用户帐户信息来帮助确保安装来自合法人员。 在Singular ,我们看到 2016 年排名前十的媒体合作伙伴推动的安装量增长了 393%,而后十名媒体合作伙伴的安装量增长了 105%。同一时期的“输家”? 规模较小的玩家没有高质量的用户故事可讲。 虽然媒体公司的规模并不能保证应用程序安装量的强弱,但这是大品牌倾向于大媒体以保护其投资的一个例子。

4. 利用保留和卸载数据

通过比较不同媒体公司吸引的用户流量集合,品牌可以了解很多关于用户质量的信息。 低用户保留率或高卸载率越来越多地被视为可能存在欺诈活动的信号。

5. 关键绩效指标(KPI)多样化

智能激励安装活动促使用户安装应用程序并完成安装后事件,例如注册过程或教程完成。 发展 关键绩效指标 难以预测或激励不切实际的基准 - 例如您的流量特有的安装后事件,或安装后数天或数周发生的长期使用指标。 可以说,监控和防止欺诈的最佳 KPI 是投资回报率(ROI),即收入除以成本,因为欺诈者很难模拟销售,特别是因为大多数营销分析平台(包括Singular )都会通过 App Store 验证应用内购买。

6. 识别发布商级别的异常

有时广告网络可能不知道他们的发布商正在实施欺诈。 通过分解来源和活动级别的报告来检查发布商级别的关键指标,可以轻松发现导致异常高的应用程序安装数量或异常低质量的用户的发布商。

发布商投资回报率分析简介

想象一个您可以完美了解媒体源的世界。

您可以轻松公开每个广告网络库存的详细信息,并确定推动最佳效果的各个发布商。 您实际上可以看到您的钱花在哪里以及每个应用程序或网站为您提供的效果如何。 您不仅可以通过原始安装数量或收入来分析“性能”,还可以通过投资回报率衡量的这些用户的实际质量来分析“性能”。

优化决策是显而易见的,并且在某些情况下是自动化的。 您可以增加对表现出色的发布商的支出,并减少对表现不佳的发布商的支出,或者完全关闭它们。 您可以设置规则,以便当绩效指标高于或低于某个水平时,发布商级别的支出会实时做出反应。

有了正确的工具,营销人员将能够轻松衡量和优化发布商级别的投资回报率数据,以提高每个营销渠道的整体绩效。

出版商级投资回报率分析:巨大的飞跃

今天, Singular通过我们最新的测试版发布商投资回报率分析,在解锁这种透明度方面又迈出了一大步。 Singular客户现在将能够更深入地了解其媒体来源的支出和绩效数据,并按发布商揭示用户级业务价值 - 包括投资回报率、每次转化费用、 ARPU 值和 CVR 数据 - 以便快速识别和优化最有价值的流量。

从历史上看,公开发布商级别的投资回报率数据是一个艰巨且容易出错的过程。 在某些情况下,营销人员试图依赖从跟踪链接收集的发布商成本和活动数据,而这些数据通常不可用或不准确。 在其他情况下,营销人员被迫手动收集和合并来自他们的发布商数据。 广告网络平台 由于不断变化的出价和动态的成本结构,这些文件需要不断更新。

现在, Singular使该过程变得轻松且精确。 我们与广告网络的强大集成以及先进的数据丰富和组合技术为营销人员提供了发布商级别快速、灵活的效果数据的单一事实来源。

目前, Singular的 70 多个集成广告网络报告了发布商级别的成本和活动数据。 Singular收集、清理这些数据,并将其与从跟踪链接检索到的收入和事件相结合,以便在发布商级别公开 ROI 和其他全渠道指标。 支持Singular发布商投资回报率分析的广告合作伙伴包括 Google AdWords、AdColony、Chartboost、Vungle 和 70 多个其他合作伙伴。

此外, Singular将很快推出后备机制,以处理从跟踪链接流式传输的发布商 ID 无法与广告网络成本数据匹配的情况。 在这些情况下,当未找到匹配的发布商 ID 时, Singular将根据总渠道成本(由广告网络报告)和每个发布商的付费互动量(由跟踪链接报告)自动插入数据,以提供估算值您的发布商级投资回报率。 这可以最大限度地提高营销人员接收发布商级投资回报率数据的流量,从而提高此类数据的准确性。

在该功能的封闭测试中,多个Singular客户已经利用发布商级别的分析来更好地分析和优化其来源中的来源,从而大幅提高效率并提高其渠道的投资回报率。

得益于处理能力的巨大进步

大多数营销数据工程师都知道,处理发布商级数据所需的内存量是巨大的。 平均而言,我们发现,与收集活动级别的粒度相比,收集发布商级别的粒度会使行数增加 50-100 倍。

这意味着需要查询来处理更多的数据,这会极大地减慢数据库查询时间,给营销人员造成瓶颈,并阻止他们按照他们希望的速度和频率进行优化。

这正是Singular投入巨资构建新的数据管道和数据存储的原因,该管道和数据存储能够以亚秒级的性能对十亿行进行即席查询。 在此过程中,我们通过针对高级分析进行优化的水平可扩展架构,提高了客户的查询速度(在某些情况下提高了 150 倍)。

现在,在Singular中曾经需要 60 秒的发布商级查询只需 1-2 秒,而曾经需要 30 秒的查询现在只需不到一秒。 通过这些性能升级,我们现在能够使客户能够以闪电般的速度处理最精细的营销数据,包括发布商、关键字和创意级别的分析。

随着广告网络与广告商分享越来越多的数据,了解他们的营销资金花在哪里,我们很高兴能够帮助营销人员适应数据爆炸,并为他们提供所需的分析,使发布商优化比以往更容易。

深度应用分析:数据匹配如何为营销人员创造前所未有的价值

我在Singular的一个重要职责是帮助阐明我们独特的数据管理方法如何为客户创造巨大的增量价值 应用程序分析 和营销——营销人员无法从任何其他公司获得的价值。

对于那些不熟悉我们收集和处理 iOS 和 Android 数据以进行应用分析的方法的人,让我概述一下我们方法的四个组成部分:

  • 提取:我们如何从每个客户的众多合作伙伴和平台捕获所有相关营销数据,并将其引入我们统一应用程序分析平台各自的实例。
  • 充实:我们如何与客户合作,以​​确保即使他们的合作伙伴过去无法提供投资回报率和其他分析所需的粒度级别的数据,我们也可以使用独特的标记规则和业务流程来实现未来有可能。
  • 结合: Singular如何标准化分类法,并将 Android 和 iOS 营销有效性与跨合作伙伴和平台的用户体验应用程序数据相匹配,以提供任何粒度级别的投资回报率和其他业务洞察。
  • 加载:我们的专有流程将数据导入我们的分析数据库,并通过先进、灵活的报告和可定制的仪表板提供数据。 从而可以快速、轻松地分析可行的见解。

我已经向数十个企业应用程序开发人员和应用程序发布商营销团队讲述了这个由四部分组成的数据管理和丰富故事,并且讨论几乎总是相同的。 我们快速完成应用程序数据提取、丰富和加载组件; 这些是电报概念,无需太多解释即可在应用程序分析的背景下理解。 但结合起来呢? 这需要多花几分钟的时间。

为什么? 从根本上说,这是一个在行业中很少讨论的问题——需要正确组织、统一和细分移动应用程序数据,以便从中获得洞察力。

结合移动应用程序分析数据

品牌领导者必须与各种合作伙伴和平台合作,开展营销活动并发展 Android 和 iOS 应用业务。 由于与如此多的端点合作来吸引和吸引用户既昂贵又复杂,营销人员迫切需要更好的工具来简化管理、应用程序分析和报告。

移动应用营销人员必须有一种方法将所有这些来源的数据整合到一个平台中,以充分了解他们的业务和用户。 具体来说,他们必须:

  • 以任何粒度级别衡量所有媒体投资的应用营销投资回报率
  • 确定如何优化营销活动和其他计划,以便吸引和参与更多 iOS 和 Android 应用用户,并提供优化的数据驱动营销

构建隐喻的“管道”以将所有来源的数据路由到分析工具中是具有挑战性的。 但“管道”还不够。 您还需要确保流经这些管道的移动应用程序数据与其他来源的数据相结合。 以有意义的方式为营销人员提供他们所需的洞察力和粒度。

为了正确组合数据,您需要:

  • 在网络“端”(支出)和跟踪器“端”(成本/收入)收集相同的数据
  • 在上漏斗和下漏斗数据之间创建组织一致性

挑战在于没有两个来源以相同的方式组织和分类数据。 在营销人员可用的数百个网络中,没有一套标准的维度或命名约定。 这使得营销人员很难精确地确定真正的投资回报率,也很难并排比较绩效。

收集完整且一致的数据

媒体网络、推送通知平台和其他用于移动应用营销的工具集组织数据,以便可以在某种程度上详细地检查数据。 无论是应用程序、来源、发布商、操作系统 (OS)、营销活动、创意执行还是关键字级别。 然而,由于并非所有平台都提供所有数据维度,营销人员需要一个能够:

  • 与每个网络合作以提供这些数据。 我们每天都与网络合作,提供一致的粒度级别,以便我们能够提供营销人员所需的投资回报率,从而进行最有效的营销活动优化
  • 从各种基于文本的字段中提取数据并进行自定义以创建补充缺失数据的约定。 如果没有正确的命名约定,就不可能识别每个来源的活动的每个细节
  • 使用启发式规则来补全缺失的数据。 借助专有技术,我们可以识别各个基于文本的字段的每个部分,以自动补全源未默认提供的缺失数据。 例如,在许多情况下,网络不提供国家/地区级别的数据,但客户在确定市场扩张时了解各个国家/地区的表现非常重要。 我们可以通过其他方式提取这些信息来补全报告中缺失的信息
  • 使用自定义规则来识别特定于您的业务的数据维度。 没有两个企业是相同的。 每个应用程序都有自己的应用程序名称和术语来描述其业务的不同方面。 我们与客户合作确定这些特定的业务术语,以便在报告仪表板中准确反映这些数据

创建数据组织的一致性

从每个网络和数据提供商收集数据后,就需要对其进行标准化。 媒体合作伙伴和跟踪者用于报告成本、收入和其他信息的结构各不相同。 因此,匹配一致的约定可能是一个挑战。

通过了解每次集成提供的数据,并将其与Singular的标准化数据结构和分类法保持一致,我们确保能够将所有广告效果数据集(例如点击、安装、购买)与驱动它们的营销投资相匹配。

事实上,我们与 1,000 多个合作伙伴合作,整理并适应他们解析数据并将数据传递给我们的平台和客户的方式。

 

总结:这不仅仅是管道

许多公司正在研究构建移动数据“管道”的方法。 他们正在积极尝试构建基础设施,以从多个来源获取应用程序性能、营销结果和媒体投资信息,并将其综合到单个应用程序分析平台中。 在Singular ,我们多年来一直这样做,并且非常理解为什么公司经常谈论这可能是多么困难。

但即使其他分析解决方案最终达到可以模仿我们的移动应用程序数据接收基础设施的阶段,它们仍然无法与我们的工作相媲美。 这是因为我们对通过管道的内容和对基础设施本身的关注一样多。 通过确保所有不同的数据集都以适当的粒度进行组织、组合和连接到其他数据集,我们确保营销人员可以从其数据中获取所有见解。

了解世界上最好的营销人员(包括 Lyft、Yelp、Zynga、沃尔玛和 Postmates)如何使用Singular揭示深入的投资回报率洞察以提高营销绩效,请访问: Singular.net.

推出全球首个移动广告网络投资回报率排名Singular ROI Index

Singular投资回报率指数是对不同移动应用广告网络产生的应用投资回报率的首次此类分析。 虽然过去的研究使用用户保留率和每次安装收入等移动应用指标来衡量广告网络的性能,但它忽略了图片的一个主要部分:与推动此类参与相关的成本。 向移动应用广告商提供没有成本数据的收入或转化数据,类似于报告上市公司的收益或向股东支付的股息,而不考虑投资者购买股票的价格。 这就是我们创建Singular ROI 指数的原因,这是世界上第一个按应用程序 ROI 排名的广告网络。

主要发现

Facebook 在 Android 上超越 AdWords:虽然 AdWords 是 2016 年上半年 Android 移动应用中表现最好的广告网络,但下半年发生了变化。 Facebook 在 Android 上的应用程序投资回报率方面跃居榜首,将 AdWords 挤到了第二位。

Apple Search Ads 横空出世:Apple Search Ads 于 2016 年 10 月公开推出,并在很短的时间内脱颖而出,在下半年 iOS 移动应用投资回报率中排名第七,在 2016 年投资回报率排名第十。

iOS 广告带来的应用投资回报率比 Android 广告高 1.3 倍:虽然营销人员众所周知,iOS 用户在应用上的支出平均比 Android 用户多 4 倍,但没有任何研究考虑到获取这些用户所需的广告商投资金额在 iOS 与 Android 上。 Singular发现,通过 Android 广告获取移动设备用户的成本比 iOS 广告便宜约 1.65 倍。 然而,iOS 广告的投资回报率比 Android 广告高 1.3 倍,这意味着营销人员在 iOS 上花费每一美元来获取一名移动应用用户,他们预计可以获得比在 Android 上花费这一美元多 1.3 倍的收入。

冉冉升起的网络:NativeX、Motive、Mobvista、Fyber、YouAppi Singular的移动应用程序投资回报率分析揭示了众多为广告商带来投资回报率前 20 名的后起之秀,但尚未跻身收入最高的移动广告网络之列。 随着越来越多的广告商在这些广告网络上执行 iOS 和 Android 应用程序投资回报率积极的活动, Singular预测他们的移动广告预算份额将继续增长。

下载Singular投资回报率指数,查看全球首个按应用投资回报率划分的广告网络排名。