在某次行业小组讨论，当谈及iOS隐私政策更新后，SKAdNetwork 带来的挑战时，一位知名营销人员说了一句经典的评论：“欢迎回到2010年”。
仔细想来，些许有些令人心惊。在过去的10年里，移动营销逐渐成长为一个围绕IDFA，复杂且规模巨大的行业。广告技术公司利用这个独特的设备ID建立个人用户档案、预测用户的未来行为，让广告campaign具有极高的针对性。
Vungle带您了解为了保证移动营销人员正常运营广告，亟待解决的问题，以及自动化技术如何帮助我们应对后IDFA时代的挑战。
背景
Apple的ATT（AppTrackingTransparency）框架完全改变了iOS平台上UA买量的衡量、报告和优化方式。现在，UA买量团队必须转变为营销团队。此前大广告平台拥有的精准定位用户的能力将不再有迹可循，允许广告追踪的用户越来越少，UA买量团队不得不接受这样一个事实：他们获得的报告不再精确。
这自然会导致移动营销人员考虑更大的cohort同期群数据，并像线下营销人员那样，学会接受“无法像以往一样获取精准数据”这一事实。与此同时，那些拥抱变化的人将在移动领域的下一个阶段获胜。
在具体深入细节之前，要记住一点：营销团队是以技术为驱动的自动化系统决胜的重要因素。如今，自动化成为了失业原因的替罪羊。但自动化仅仅是替代了以前人工完成的繁冗、无趣的那部分工作。
以Facebook和Google为例，早在2015年之前，这两家公司的大部分UA买量就已经实现了自动化。其算法最终解决了横亘在营销人员面前的挑战：在正确的时间把正确的信息传递到正确的人面前。但是，这两家公司却没有提供诸如构建和测试广告创意素材、自动化广告campaign制作、跨广告campaign预算分配等解决方案。人类独有的战略思维、情境解读能力和创造力，自动化的机器永远都无法获得。
我们将为您提供六种不同的自动化方法，来帮助移动营销人员解决当下UA买量的难题。
1、设置最佳广告转化价值，助力广告联盟优化
手动方法
可以使用“启发法”（heuristic approach），判断可能对LTV有预测作用的早期应用内事件来决定最佳的广告转化价值。对于手游来说，这些事件可能指的是用户的初期购买。对基于订阅服务的app来说，也可能指的是那些参与免费试用的用户。但如果没有顶尖的数据科学团队作支撑，大部分公司对很难通过这样的方法进行准确判断。
某个特定app的最佳广告转化价值受到以下因素的约束：
l 必须符合Apple的要求（该值必须为6-bit）
l 为了收集广告campaign在漏斗下端的效果反馈，广告平台要求在“合理的时间“内收到广告转化价值数据。从目前来看，“合理的时间”指的是“24小时”。
在计算最佳广告转化价值时，实现如下两个目标至关重要：
l 前24小时内的应用内事件要与广告平台的LTV相关
l 用于概率归因的最佳事件，要能够重建广告campaign的ROAS报告
大多数移动营销人员目前只关注第一个目标，也就是能够利用 SKAdNetwork 基于LTV继续优化其广告campaign。但这种方法有其局限性。由于许多广告平台将广告转化时间范围设置为24小时，一旦广告主向广告平台发送了广告转化价值，他们就无法了解特定用户的更多信息。对于广告主来说，这意味着：
l 广告campaign优化仅针对用户的D0 ROAS或其它的D0 KPI
l 无法根据不断更新的cohort同期群数据持续优化广告campaign ROAS，即无法理解广告campaign实际和预测的ROAS（pROAS）是如何不断发展成熟的。
自动方法
为了优化广告转化价值设置，使用算法可以：
l 将广告转化价值映射为LTV（例如将D0 KPI数据映射至D365 LTV）
l 计算用来概率归因的最佳广告转化价值“聚类”。
算法可以通过预测D0应用内事件(完成购买、学完教程、思考次数等)的重要性来预测app的长期 LTV 目标(例如 D180/D365 LTV)。一个聚类算法随后可以计算出最优的概率归因。
2、设置最佳广告转化价值，助力广告联盟优化
手动方法
SKAdNetwork下，营销人员无法获得完整报告，仅能获取D0广告campaign和渠道的效果数据。UA买量团队也无从得知广告campaign的长期(例如 D180/D365）回报。
以下是大多数公司预测长期LTV会用到的数据集。今天，大多数分析团队使用 D7 ROAS 模型将其 LTV 预测限制在cohort同期群层级。这种方法不需要复杂的算法，在表格里就可以计算。但目前预测LTV的关键信息（即campaign ID，campaign名称，流量源名称等）缺失，基于cohort同期群的LTV模型实际已经失效。
用户层级LTV的预测和应用内用户层级数据
自动方法
由算法驱动的系统不需要流量源或广告campaign ID来预测 LTV。“获得收入的事件”和“应用内用户互动数据”这两部分对于算法预测 LTV必不可少，且后者对于预测转化率尤其重要。
该算法不需要流量源或campaign ID就可以预测用户级别的 LTV，还可以利用应用内匿名用户 ID 进行用户层级 LTV 预测，并根据最新的用户行为信息（应用内收入和互动数据）持续更新长期LTV预测。这些 LTV 预测可以进一步用来预测未来campaign回报。
3、进行长期广告campaign ROAS报告，优化广告campaign
手动方法
如果仅使用SKAdNetwork进行广告campaign归因和优化，营销人员仅能使用D0 KPI数据进行广告campaign效果衡量，并将这个短期指标用于优化。并且因为 D0 ROAS与LTV并非100%相关，甚至都算不上接近，这意味着与长期目标相比，广告campaign预算分配将不那么尽如人意。
自动方法
算法统计模型可以自动计算出app安装属于哪个广告campaign这一概率分布数值，但依然无法预测广告campaign将带来多少收入。现在，通过概率归因，我们可以得知某个特定的广告campaign将带来多少实际收入，再加上应用内用户层级的数据，我们可以得知用户基础行为，这两部分数据集可以用来预测广告campaign产生的收入。数学计算很简单，但上百万次的app安装数据使得概率分布和用户层级LTV预测变得极其复杂，这种工作量是远非人工手动可以做到的。
只需一个简单的数学公式，就可以自动分配每个广告campaign和自然安装渠道对收入的贡献。下图为一个数学模型示例。在该模型下，将用户层级的 LTV 预测与广告campaign归属概率相乘，即得出每个广告campaign带来的安装对广告campaign预测的收入有何贡献。该模型将所有概率大于0%的安装带来的收入预测相加，就能得出广告campaign预测的收入。通过计算广告Campaign 1在广告平台上的花费（即图中的100美元），我们就能得出广告campaign的pROAS。
再另外用一个算法输出所有SKAdNetwork广告campaign层级和渠道层级的pROAS，用于手动进行广告campaign优化，也可以用作自动出价和预算优化系统的输入数据。
4、充分理解Apple的隐私新规，实现广告campaign效果最大化
手动方法
Apple的隐私新规限制了SKAdNetwork API能共享多少信息，当数量低于某个特定但未知阈值时，广告转化价值和流量源app ID 报告将受到限制。
对UA买量团队来说，要解决这个问题十分困难。当存在数据可能缺失的情况时，该如何解读一个广告campaign或渠道的效果？是应该只使用追踪的数据，还是应该猜测到底哪部分数据缺失？除了使用能够追踪的广告转化价值外，UA买量经理无法合理利用这部分数据。
自动方法
对于自动出价和UA买量平台来说，这是一个典型的多臂老虎机探索利用问题(multi-armed bandit)，可以编码成算法。一个自动化的平台可以对广告 campaign的pROAS 进行建模，并计算出一个特定的广告campaign还应追加多少预算来突破Apple设定的阈值。
只要某个特定的流量源app ID报告了广告转化价值，基于该广告转化价值、广告campaign和由概率归因得出的地理先验概率，算法就可以在其预测回报的基础上利用这个特定的流量源app ID。通过对未知广告转化价值中的不确定性进行建模，并相应地更新归因概率，概率归因就能解释是哪部分广告转化价值缺失了。
5、进行有效跨渠道预算分配，获得最优广告支出组合管理
手动方法
一直以来，UA买量管理人员和财务团队跨渠道分配预算的方法都不够科学。基于第三方 MMP和cohort同期群 LTV 模型的用户层级归因，他们可以相对简单地对广告平台的 ROAS进行粗略估计，并大致估计出应分配给高效渠道多少预算。
对于那些不允许通过IDFA对其进行追踪的用户来说，用户层级的归因将成为过去式，渠道层级的月度预算评估就会更具挑战性。要想手动分配渠道预算，最有可能的方法是根据广告平台层级追踪到的广告转化价值总数，根据总预算按比例分配支出。但这就意味着每月预算分配是根据D0数据进行的，这是一种完全基于短期数据进行预算分配的方法。
自动方法
自动化的系统可以利用长期广告campaign ROAS 概率归因报告来决定如何最佳分配每月支出，利用广告平台历史支出数据和前几个月的收入预计来实现广告平台组合的长期目标。算法模型可以决定在收入出现回收递减之前，广告主应该在一个高效的广告平台上分配多少广告支出。
6、用 SKAdNetwork 衡量自然安装增量
手动方法
营销人员没有可行的方法能够了解用户来自于自然安装的流量源app，但衡量自然安装效果至关重要，因为：
1. 不同于通过付费渠道获取的用户，产品团队还需要了解产品在自然安装的用户之间效果。
2. 增量，即付费UA买量渠道对自然安装和其他渠道的影响，对于在不同渠道之间进行预算分配至关重要。了解跨渠道竞食效应是确保我们理解渠道媒介的最佳组合，并为广告主带来价值最大化的关键。
自动方法
SKAdNetwork仅对付费广告进行报告，自然安装无法获得任何报告。因此，营销人员必须使用算法将广告campaign带来的付费安装进行概率归因，以帮助营销人员了解哪些安装是自然产生的。因为他们已经安装了该app，但是却不包括在SKAdNetwork数据中。只有获得了完整的应用内用户层级数据和 SKAdNetwork 数据后，营销人员才能理解哪部分用户是真正的自然安装用户，哪些是付费渠道获取的用户。
广告campaign制作，创造受众，广告创意素材测试和应用
上文概述了自动化如何改进 iOS 手动工作的6种方法。然而，在当今的 UA 买量角色和职责中，以下3个关键任务，由人工而非机器可能会做得更好。
1.广告campaign制作：由于 SKAdNetwork广告campaign上限为100个，极大地限制了广告能触达的目标受众和目标地区，因此，广告campaign的设置就成为了关键。但我们目前仍不清楚最好的广告campaign应如何设置，在任何形式的自动化实际应用之前都需要实验。
2.创造受众：几家大的广告平台构建了一套算法，利用其庞大的数据集为广告主的app寻找受众。现在，由于广告平台将无法建立一套内部“相似”工具，将广告更好地投放给目标用户，创造受众的任务回落至营销人员手中。至于广告平台未来将提供什么工具来针对这些受众，我们还不得而知，因此今后可能需要寻找和培养高价值受众。
3.广告创意素材测试和应用：UA 买量最艰难的挑战之一在于测试和应用最佳广告创意素材。几家大的广告平台决定以自动化的方式向用户提供创意素材，因此我们需要解决的问题是如何给广告主提供最佳的创意素材组合。在SKAdNetwork下，单个广告创意素材效果与下游指标（即安装、收益事件）无法进行匹配。很少有大型广告平台分享他们将如何在ATT框架下进行广告创意素材优化并获得报告。
人类独有的战略思维、情境解读能力和创造力，自动化的机器永远都无法获得。不难理解，当大多数移动营销人员看到自己依然还在使用ATT框架推出之前的工具，会感觉像倒退回了2010年。但 Apple 隐私新规带来的大多数技术挑战已经得到解决。
关于Vungle
作为一家值得信赖的全球化移动互联网广告平台，Vungle专注于为开发者提供优质的流量变现，以及帮助广告主获取活跃度极高的高质量用户。同时，Vungle也致力于改变用户获取应用内广告体验的方式。开发者借助Vungle独特新颖的广告形式，实现在应用内流量变现的最大化。广告主通过Vungle的平台在全球范围展示其广告来获取用户和提升高价值用户的留存。
Vungle一直以数据为导向并基于用户体验，不断创造新颖广告格式、广告素材等产品。目前为止，Vungle广告创意已覆盖超过10亿台移动设备，帮助广告主和流量主提高互动和回报。Vungle总部位于美国旧金山，并在全球范围包括北京、伦敦、柏林、东京、首尔、新加坡、洛杉矶、纽约及赫尔辛基设有分公司。
