顺应时代变迁，提升广告表现

顺应时代变迁提升广告表现 2目录： 301 归因分析的不确定性：适应新常态政策的施行给了用户 更多选项来限制如何与企业分享自己的数据。用户开始选择拒绝接收应用中的广告。平台正在去除数据中的身份识别信息， 并且将数据汇总后 才与企业分享。盈利能力高于一切，每一分钱都必须 花得值。采用全方位成效衡量的时代已经到来以前，游戏公司依赖归因分析来绘制用户体验历程，确定推动成效的因素。归因分析曾是他们衡量数字广告 成效时的首选方法，原因很简单，因为它的效果好。在新的数字环境下，单靠归因分析已经不足以满足需求。由于信号缺失，单独使用任何一种成效衡量方法都 无法全面衡量营销活动的成效。这倒逼着数字广告行业采用新的成效衡量方案，即一种同时涵盖成效衡量 3 个维度的综合方案：归因分析、实验和建模。归因分析实验建模三个系统互为补充，协同发挥作用，共同作为成效衡量的数据来源。那么现在，归因分析为何不足以满足需求了呢？ 4诸如归因分析等成效衡量方法通常依赖于设备层级的数据来绘制用户体验历程，确定推动成效的因素。随着 行业的发展，用户获得更多掌控权，不管是在获取用户信息方面，还是在如何捕获安装后转化和较长时间窗内的转化方面，归因解决方案可以收集的数据往往都变少了。虽然一些广告网络仍然在利用其他用户标识符，但这些机制终究都会过时，无法满足未来的行业需求，而且 可能会带来隐私风险。随着越来越多的人选择拒绝应用追踪其数据，可能会出现这样的情况：移动端归因报告中 显示的单次操作费用 (CPA) 会提高，广告花费回报 (ROAS) 将降低。如今，生态系统已然改变，要想获得成功， 适应新常态势在必行。更难以归因广告直接带来的业务成效个人层级数据（几乎）完全不可用数据来源：AppsFlyer，“The state of gaming app marketing—2022 edition”，2022 年 4 月。“实行 ATT 提示后数据获取 受限，导致 iOS 平台的游戏应用总安装量下降 6%， 收入下降 35%。” 成效衡量应尊重用户的隐私选择，同时专注于营销带来的真实价值。更有效的营销决策注重隐私保护增效优化 502 全方位成效衡量的关键要素2.1 增效衡量： 什么是增效衡量？为什么它很重要？增效衡量旨在衡量广告创造的价值。所谓增效，是指根据成效衡量方法的评估，某项独立营销活动对业务成效产生的因果效应。增效衡量是准确衡量成效的基础，可以帮助广告主了解真实的广告花费回报。之后，广告主可以利用这一重要信息来设置预算和做出营销决策，提高预算的使用效率。下图就是一个例子。蓝色区域表示广告直接带来的转化量，即真实的广告花费回报。绿色区域表示没有看过 广告但仍然发生转化的人群。粉色重叠区域表示看过广告且发生转化，但即使未看过广告也会发生转化的人群。看过广告，但即使未看过也会转化的人群因看过广告而转化的人群未看过广告但转化的人群在这个例子中，广告主若面向粉色区域内的消费者投放广告，就相当于将营销预算打了水漂， 因为正如上文所述，不管有没有看过广告，这部分消费者都会发生转化。这一信息非常重要， 掌握了它将有助于广告主避免为了推动那些不需要说服的消费者发生转化，而无谓地浪费 营销预算。 62.2 增效衡量与最后点击归因有何不同与最后点击归因相比，增效衡量可以让您更确切地 了解广告对消费者行为的推动作用。下面的例子比较了再营销广告（策略 A）与用户获取广告（策略 B）的最后点击成效。再营销广告由于 购买量更高，将被视为优胜策略。然而，在通过实验衡量增效时，相同广告 呈现出来的结果却截然不同。如果我们将广告带来的购买量与无论是否投放广告都会产生的购买量分开，优胜策略将是用户获取广告。 从这个例子中也可以看出，营销者可以利用 增效衡量来相应地调整预算分配或制定营销 策略，避免在再营销广告上浪费预算。策略 A：再营销策略 A：再营销策略 B：用户获取策略 B：用户获取使用归因分析时为 优胜策略使用归因分析时为 优胜策略带来的购买量增量更高带来的购买量增量更高完全由广告带来的 转化量增量成效增量成效基准成效基准成效应用内购买量应用内购买量 72.3 实现增量提升个人层级数据（或移动设备标识符）变少后，对目前广告主广泛使用的一套成效衡量方法造成了不利影响。 广告主有必要了解这些方法受影响的程度。不同成效衡量方法的受影响程度相差非常大。具体而言，数据汇总程度较高、更依赖于建模的方法受到的影响较小，比如计量经济学和基于区域的实验，相反，诸如移动端归因等数据较细化的方法或者其他任何利用移动设备或用户标识符的方法受到的影响则更大。广告主应尽可能专注于衡量广告给重要业务指标带来的增量影响，这将有效提高盈利能力和推动业务增长。 将增效衡量作为一盏“指路明灯”，在其指引下了解营销带来的真正业务价值。受到的影响较小受到的影响较大营销组合模型/计量经济学移动端归因销量或转化提升测试划区域测试（如划区域提升 实验）需要使用更多标识符的自定义分析数字和跨媒体品牌提升调研根据第一方用户行为数据 构建的 pLTV* 模型根据细化归因数据构建的 pLTV 模型根据汇总归因数据构建的 pLTV 模型* 预估终生价值通过了解移动设备标识符停用所造成的影响，广告主可以相应地评估、 调整和重新制定自己的成效衡量策略。 8 帮助您了解 Facebook、Instagram 和 Audience Network 广告在推动转化量提升方面的效果。它还能 让您深入了解广告对实际业务价值的因果影响。 用于在地理区域层面上衡量成效提升的一款端到端 Facebook 解决方案。借助它，广告主可以将以往 表现类似的不同市场设置为测试市场和对照市场，并比较二者的成效提升量，以此衡量营销活动的成效。 以安全多方计算 (MPC) 为基础。它能够在保护个人数据隐私的前提下，帮助营销者衡量广告成效。转化提升测试划区域提升实验隐私保密提升调研转化提升测试可选择的实验包括但不限于：划区域提升实验隐私保密提升调研实验是推动增长的重要因素在了解真相后，您可以做出更明智的业务决策，实施更有效的策略， 最终推动更大幅度的增长112022 年 Meta 营销峰会2.4 实验： 衡量业务成效的必要手段随着用户数据收集变得越来越困难，如今，实验已经成为衡量营销成效的必要手段。 实验可以通过对比看过广告的人群与没看过广告的人群（对照组）之间的广告成效差异，计算广告带来的成效提升量。您可以在 实验中设置测试组和对照组，衡量独立营销活动带来的成效增量，然后根据这一信息，确定这些广告的真实 广告花费回报。开展至少 15 次实验 可推动广告成效 提升 30%数据来源：2022 年 Meta 营销峰会 9可供评估的多种业务指标推荐度高推荐度低游戏广告主已经习惯关注主要通过归因分析衡量的指标。虽然这些指标能够清晰表明成效，但它们未能捕获 营销投资的真实影响。现在，随着广告主开始采用其他成效衡量方法，诸如广告花费回报和收入等成熟指标的增量版本已经触手可及。真实业务成效已验证的间接指标未验证的间接指标收入增量、游戏下载量增量、广告花费回报增量、用户终生价值品牌类营销：社交媒体上的讨论热度效果类营销：所有广告的总点击量品牌类营销：品牌指标提升效果 （广告回想度、品牌喜爱度、品牌 偏好度、购买意向等）效果类营销：点击特定广告后 1 天内的转化量最好的做法是使用最契合业务目标的指标。您真正关注和想要提升的成效是什么？成功的实验需要考虑到很多因素，包括实验设计、业务问题和营销预算。因此，并非所有情况都适合使用实验方法。如果无法开展实验，还有其他方法可以帮助您尽可能地向实验靠近。 可供选择的多种实验方法非增效模型• 规则式 MTA*• 规则式归因 (MMP)*• 计数• A/B 测试（不采用相同的基准）• 未校正的 MMM*• 通过实验校正的 MMM*• 转化提升测试 (Android)• 划区域提升实验• 品牌提升测试• A/B 测试（采用相同的基准）实验未校正的观察法增效模型通过实验校正的观察法 增效模型增效衡量的有效程度（低）增效衡量的有效程度（高）*MTA：多点归因*MMM：营销组合模型*MMP：移动应用成效衡量合作伙伴 102.5 营销组合模型： 注重隐私保护且能灵活适应变化的成效衡量方法营销组合模型 (MMM) 是一套由数据驱动的统计分析系统，能够对营销活动和非营销活动带来的销量增量效果和投资回报 (ROI) 进行量化分析。它可确保不会将同一次转化归因于不同工具的多个渠道，换言之，只有唯一的“正确答案”。营销组合模型在手游行业中的采用正在回暖，究其原因，它具有如下优势： 无需个人或日志层级的数据，所有分析均采用汇总数据。能够跨所有渠道衡量营销活动的增量效果。灵活性强，适用于所有行业的广告主，可视具体情况和指标量身打造。可扩展性和可用性都非常高，在开放、透明和大众化方面仍在不断改善。实用性强，可用于制定适应未来环境的营销策略。采用创新技术，灵敏度更高，获得成效分析的速度更快。可通过校正来提高准确性，并且可与其他成效衡量方法结合使用。 11传统 MMM传统归因 分析数据偏移 政策变化 无法充分了解 用户体验历程自动化和可转移大大缩短数据准备时间，更快生成结果经过校正模型选择失误减少， 模型的准确性和实用性 大大提高高效识别有用策略建模数据更加精细，加之机器学习技术的使用， 更容易发现可优化投资回报的策略当代 MMM传统 MMM 以（线上和线下）汇总数据为基础，最常用于一次性策略输出。这是其在构建模型和得出结果方面所需的时间长度决定的。而归因分析通常分析个人/日志层级的数据，而且基本上仅限线上数据。它会使用支持自动机器学习的功能选择，有时候会经过校正。它通常用于修正策略制定/营销选择的方向。高级机器学习可提高自动化程度，最大限度减少分析员的分析偏差。结果输出更快、更精确并且可经过校正。123当代的营销组合模型：当下营销者如何使用 MMM 如今，归因分析和 MMM 正在逐渐融合，这可以为营销者提供更大的价值。当代营销组合模型结合了传统 MMM、归因分析和高级机器学习的各方优势，能高效识别出有用策略、持续运行、得出更精细的数据、经基准真相实验校正，并且可凭借自动化技术将分析人员引入的偏差降至最低。因为这些原因，它非常适合专注于 数字营销的广告主。 当代 MMM 的关键要素 1203 采用全方位成效衡量： 归因分析、实验和建模如何协同发挥作用• 因果衡量的黄金标准，需设置 测试组和对照组• 可用工具包括转化提升测试、 隐私保密提升调研、划区域提升实验等• 增效衡量仍应是决策过程的关键实验• 游戏广告成效衡量的新选择 • 有望有效解决日益严峻的问题• 非个人层级数据/数据总是经过汇总• 通过建模得出的基准成效衡量 增量成效建模• 对广告主来说仍有价值• 允许近乎实时地了解广告成效• 可快速提供指导（这是其他 工具无法做到的）• 非增效衡量归因分析每种成效衡量方法都有各自的独特优势准确性（增效衡量方法）精细度实时抵御生态系统的变化跨渠道衡量归因分析实验建模低优势中等优势高优势 13实际应用情况实验采用“黄金标准”方法 验证观察发现归因分析按行业标准方法快速 得出易于理解的结果， 用于做出日常决策建模（包括 MMM）利用建模进行高级 KPI 预测归因分析、实验和建模，所有这三种方法都有自己的用武之地。关键在于明确每种方法适用于哪些情形以及它们可以如何互为补充。探索设备层级确定性移动端归因分析的替代方案，力求获得更全面的分析。归因分析可为确定测试重点和定义受众队列提供参考：您可以提出假设，然后通过实验进行验证。 归因分析的结果可用于定义受众队列，供通过建模预测未来的 KPI（如 pLTV 和 pROAS）时使用。1实验归因分析建模（包括 MMM）归因分析的结果可用于提出假设，供随后用基准真相法进行验证归因分析的结果可用于定义受众 队列，供通过建模预测未来的 KPI（如 pROAS 和 pLTV）时使用实验可用于验证归因分析的结果，还可用于校正模型，确保与基准真相一致。