Методика оценки эффективности рекламы сервиса
В данной статье я расскажу о том, как правильно оценивать эффективность рекламных кампаний для платных сервисов. Под сервисом я буду понимать то, что предполагает регулярные платежи от клиентов в течении длительного времени. Эти платежи могут быть обязательными (оплата по подписке) или добровольными (Free2Play игры), в нашем случае это не имеет большого значения.
Знания, которыми я поделюсь в этой статье, получены опытным путем и, можно сказать, выстраданы. Вероятно, если бы я знал все это ранее, было бы сэкономлено много времени, денег и нервов.
В качестве примера возьмем условную социальную игру на Facebook. Допустим, мы запустили 5 рекламных кампаний с разными настройками и промо-материалами, которые стартовали в разное время. Результат, который мы увидим в отчете рекламного аккаунта на Facebook, когда открутим все кампании, будет выглядеть примерно так (на условное 20.01):
table1
Что мы можем сказать об эффективности кампаний? Ровным счетом ничего!
Самый очевидный, но ошибочный, подход – сравнить CPI (Cost Per Install) кампании со средним доходом с пользователя за его игровую жизнь, т.е. с его LTV (lifetime value) во всей игре (про LTV напишу отдельно ниже, пока же допустим, что мы его знаем) Так делать нельзя, так как кампании могут в разы отличаться друг от друга в эффективности.
Вы заметите, что у нас есть данные по доходу с каждой кампании. Но что с ними делать? А проблемы в следующем:
Во-первых, кампании запущены в разные периоды. Игроки из более ранних кампаний имели больше времени потратить деньги и увеличить соответствующую выручку.
Во-вторых, сами кампании могут быть растянуты во-времени. Пользователи, которые установили игру в первые дни имели больше времени расстаться со своими кровными, чем те, кто увидел рекламу в последний момент.
Можно было бы конечно подождать 2-3 месяца, когда все эти игроки наиграются и уйдут, и сравнить выручку с затратами. Но это не дело: оценивать эффективность нужно сразу, чтобы отключать неэффективные кампании и подключать новые.
Итак, мы приходим к выводу, что нужны какие-то оценочные метрики, по которым можно было бы сравнивать разные кампании. При этом не имеет значения, когда они были запущены и как долго они длились.
Расчет LTV по историческим данным
Начнем с того, что нам нужно построить график LTV для нашего продукта. Не просто узнать значение LTV, а именно построить график.
Для этого сначала нам нужно выгрузить логи всех инсталлов нашей игры (за исключением тех, что были относительно недавно, то есть чей срок меньше lifetime игроков). Здесь нам важны только два поля: id игрока и момент инсталла (user_id и install_ts). Затем выгружаем все платежи из игры, где важны уже три поля: id игрока, размер платежа, и момент платежа (user_id, money и payment_ts).
Далее мы делаем inner_join этих двух таблиц по полю user_id. В итоге получим таблицу такого вида:
table2
То есть каждому платежу мы поставили в соответствие момент инсталла соответствующего игрока. Если мы посчитаем разницу значений payment_ts и install_ts в днях, то узнаем, на какой день после инсталла был совершен соответствующий платеж:
table3
Теперь сгруппируем по значению delta все платежи и посчитаем сумму значений money для каждой группы. Получим выручку всей игры, сгруппированную по “дням после инсталла”, на которые были совершены платежи в игре. Теперь, если каждое полученное значение поделить на кол-во уникальных user_id из таблицы инсталлов, посчитать сумму накопленным итогом для всех дней и построить график, получим примерно вот такой результат:
table4
Из данного графика мы можем сделать несколько выводов:
асимптота графика есть LTV нашей игры. В примере выше это около 1,5 долларов.
график приближается к асимптоте примерно через 90 дней. Это можно считать сроком жизни (lifetime) игрока, за который имеет смысл считать сам LTV.
на пятый день после инсталла игрок в среднем тратит 0,4 доллара, то есть 26% денег, которые он потратит за все время игровой жизни.
Последний пункт является ключевым. Это значит что уже через 5 дней после старта кампании, при достаточном кол-ве инсталлов, можно оценить прогнозный LTV (eLTV) данной кампании и сравнить с CPI. Если eLTV > CPI, кампанию считаем успешной и продолжаем ее до тех пор, пока для каждой новой “порции” трафика из рассматриваемой кампании это неравенство соблюдается.
Поскольку сервис постоянно изменяется, периодически этот коэффициент (26% в примере) тоже нужно пересчитывать.
Помимо метрики eLTV имеет смысл считать 1-day retention (можно и для других дней), то есть долю вернувшихся на день N после установки. Эта метрика не так важна как eLTV , но если она в разы ниже средней по игре, можно смело отключать кампанию, не дожидаясь пока можно будет оценить eLTV.
Я рассмотрел подход к оценке эффективности рекламных кампаний на примере условной free2play игры. Но его можно применять и и для любых других сервисов: SaaS-платформы, хостинг-услуги, аналитические сервисы. При этом горизонт планирования будет значительно более долгим, а LTV и CPI – на порядок выше.