广告展示--->用户点击--->应用下载--->应用安装--->应用激活--->用户注册--->用户登陆-→用户付费
围绕转化链条不同环节,设计出不同的收费方式,常见的有:CPM:按展示付费;CPC:按点击付费;CPI:按安装付费;CPA:按行动付费。其中最重要一个是CPA,顾名思义就是按照完成一个指定的标准或者行为动作来进行收费的广告模式,这个动作行为可以是激活、注册、登陆、付费、或游戏内指定行为等等的数量进行计费。
不同的计费方式隐含着广告转化的责任:越靠转化链条的左边广告主的责任越大,越靠转化链条的右边广告平台的责任越大。因为靠右边的是属于按效果付费,没效果广告主也没损失。
看到这里,做为广告主的我们是不是很开心,选择按效果付费,开足马力广告随便投,等着收钱就好了。快醒醒吧,哪有这么好的事情。广告平台按CPM卖流量,稳赚不赔,没理由去承担广告的转化效果的风险成本,所以能让广告平台主动承担转化责任的真相是,他们想把流量卖给更合适的广告主,出价更高的广告主。不管是按点击付费(点击付费与安装付费都可以看成按行动付费),还是按行动付费,广告平台都会换算成CPM核算流量成本,低于成本价的广告计划,是不会亏本给你导量的,现在知道为什么广告计划没有流量了吧,这也倒逼广告主提高广告质量、广告预算,一起参于广告优化。
广告平台的目标是把流量卖更高价,广告主追求的是广告成本尽可能低。双方的合作解就是提高转化率,本质是让流量找到合适的广告主。
广告平台为了提高转化率,发展出了Look-alike推荐算法,其目的是基于目标人群,从海量的人群中找出和目标人群相似的其他人,实现人群包扩充。比如:广告主需要对100w人投放,但是从选取的基础定向中只有40w,就需要通过Look-alike的方式进行扩充,既要保证人群数量,又要确保人群的相似。如果只是简单的从公共池中选取60w,完成100w的匹配,很有可能出现无效用户,导致流量浪费。
广告主了为提高转化率需要制作更多吸引人的广告素材,更精确的告诉广告平台自己需要的目标用户。针对广告素材发展出两种模式,一种是低成本试错,广撒网,不断地尝试,淘汰无效素材,保留有效素材。另一种是提高素材品质,分析什么素材能吸引目标用户,这个的吸引目标用户不等于吸引用户,有些画风暴露的素材会有很高的点击转换率,但留存就很差。关于如何告诉广告平台精确的目标用户,最基本的人群定向配置,如性别,年龄,地区,行业等,还有CPA模式的转化回调,其中的“A”就是广告主需要的用户行为,代表目标用户,如付费行为,一旦广告渠道进来的用户产生了付费行为,立即回调告诉广告平台,广告平台就知道这个用户是目标用户,要的就是这个类型的用户,会通过Look-alike算法持续导量相似的用户。
由上可知CPA的这个“A”的行为选择,对广告效果的影响很大,核心的思路是“尽快”回调“精准”目标用户给广告平台。为什么要尽快,更快的反馈,可以让广告计划进入正反馈循环,不然有可能跑不起来。“精准”更好理解,不合适的用户即使注册了,后续流失率会很大。
然后根据APP应用的不同阶段,广告投放目标不同,不断的调整“A”。一般APP前期推广,追求的是拉新导量,也就是注册数,中期要的是活跃度,也就是DAU。后期要的营收,也就是用户付费。
前期拉新导量时,A选取“激活”、“注册”行为,比较简单,符合“尽快”、“精准”的要求,有时为了让广告平台尽快导量,会把“点击了但没转化的用户”,当成“激活”用户回调给广告平台,目的是让广告计划先能跑起来再说,跑起来后再回调真正的“激活”用户。
中期要的是活跃度,A如何选?用户活跃有次日活跃,三日活跃等,如果选“次日活跃”,时间就从渠道导量到第二天才能完成回调,不符合“尽快”的要求,广告效果会很差。
后期要的营收,A选“付费”行为不就行了?跟活跃同理,一般用户的付费行为不会在激活当天。也就是回调时间不符合“尽快”的要求,广告效果也会不太理想。
如何解决中后期的回调行为的选择呢?这时“相关行为”登场,经过统计分析找到“次日活跃”的用户,首日共有的“相关行为”,以这个“相关行为”做为A回调,表示“次日活跃”。以游戏为例,统计分析得到“次日活跃”的用户,95%首日的主城升级达到10极。以“主城升级达到10极”做为回调行为,能很好的实现高活跃用户的导量。
付费行为同理,有些APP的付费行为转换相对滞后,如一周后才开始付费,也需要找到付费行为前置的“相关行为”,发现了吗,“相关行为”解决的是“尽快”的回调要求。因为从平台角度,“付费”、“主城升级”都只是模型的正样本,都只是一个标签而以,没什么区别,但“尽快”的回调,使广告计划进入正反馈循环,从而提高广告效果,达到 广告平台、广告主双赢。
说了这么多,广告主优化的逻辑就两招,更多好的素材,合适的回调行为。
要实现“相关行为”的回调来优化广告,实现起来并不容易。首先广告系统需要功能支持能进行回调行为配置,其次需要一定的统计学或机器学习能力,能进行“相关行为”分析,最终最重要的一点,如何确认哪些应用内行为要打点,只有打点的行为,才能进行分析与配置。
一般来说选择活跃、付费相关的行为事件,如参加活动,花费金币等这类应用内行为事件。没有绝对的方法,但了解广告的优化逻辑是必要的,它能有效指导设计应用内打点的逻辑。
有了行为数据,如何确定“相关行为”,统计学的话就是
是否相关(需进行假设检验,观察相关性是否显著);
相关方向(正相关/负相关);
相关程度(大小);
用算法模型的话,特征矩阵就是各打点行为数据,目标向量就是目标行为数据,可以用决策树分类模型,它可以方便找到相关度最高的打点行为。
广告优化的核心是提高转化率,让流量找到合适的广告主。为了实现这个目标,广告平台发展出了Look-alike推荐算法,广告主需要制作更多吸引人的广告素材,精确告诉广告平台自己需要的目标用户,同时选择合适的回调行为来优化广告。
应用内打点的逻辑需要考虑广告的优化逻辑,选择活跃、付费相关的行为事件进行打点,并进行相关行为分析,找到相关度最高的打点行为来优化广告。最终实现广告平台、广告主双赢的效果。
扫码关注 了解更多