Make this article seo compatible,Let there be subheadings for the article, be in french, create at least 700 words
Anton Ogay, chef de produit des campagnes pour applications Yandex Ads, a expliqué à Techinside comment fonctionne la modélisation basée sur les prévisions de LTV et de désabonnement pour les applications.
L’analyse statistique est utilisée depuis longtemps avec succès dans le monde des affaires. Cependant, avec le développement des technologies d’apprentissage automatique et des solutions basées sur les données, de nouvelles voies se sont ouvertes dans ce domaine.
Les modèles prédictifs modernes offrent aux entreprises la possibilité de prédire avec précision le comportement des utilisateurs et la probabilité de certaines actions et événements, ce qui en fait une technologie précieuse dans de nombreux domaines, y compris le marketing.
Il existe de nombreux domaines importants dans lesquels les modèles prédictifs sont utilisés. Il s’agit notamment du commerce de détail pour élargir la gamme de produits et des ventes incitatives, des services bancaires pour évaluer la solvabilité des clients et de la fabrication pour suivre les équipements. De plus, des modèles prédictifs sont utilisés en marketing pour déterminer l’impact des campagnes publicitaires sur les entreprises et les utilisateurs.
Comment les modèles prédictifs sont-ils utiles ?
Les modèles prédictifs peuvent vous aider dans le marketing et les domaines connexes. Regardons quelques exemples :
- Déterminer la probabilité d’un événement. Lorsque vous disposez de plus de données sur les différents facteurs qui peuvent influencer un événement, vous pouvez en prédire le résultat avec plus de précision.
- Prédisez comment un segment d’audience spécifique percevra votre campagne publicitaire.
- Déterminez le coût optimal pour les achats intégrés.
- Choisissez les meilleures options d’optimisation, KPI et budget pour votre campagne marketing.
- Trouvez les clients avec la LTV la plus élevée ou une autre mesure clé.
Examinons le dernier scénario plus en détail.
Qu’est-ce que le LTV et pourquoi est-ce important ?
La valeur à vie du client (LTV) est une mesure essentielle qui vous aide à comprendre le montant des revenus générés par l’utilisateur moyen de votre application. Cette mesure est essentielle lors du calcul de votre retour sur investissement dans l’acquisition, l’engagement et la fidélisation des utilisateurs.
Le secteur du marketing a commencé à accorder davantage d’attention au LTV en raison de la hausse des coûts d’attraction des clients. En fin de compte, le succès de leurs efforts dépend du LTV de la majorité des utilisateurs. Attirer un utilisateur coûte souvent plus cher que l’achat initial, c’est pourquoi les entreprises comparent le coût d’acquisition (CPA) au LTV. Plus le LTV est élevé, plus la promotion a de chances de produire des résultats.
Comprendre combien de revenus un utilisateur potentiel apportera non seulement lors de la première transaction, mais tout au long de la période d’activité, vous permettra de développer rapidement votre stratégie marketing et d’allouer judicieusement votre budget.
Comment le modèle de prédiction LTV aide-t-il les campagnes d’application d’acquisition d’utilisateurs ?
En fonction du comportement des utilisateurs lors de leur premier jour dans une application, un modèle d’apprentissage automatique peut prédire combien de temps ils passeront dans des applications similaires et combien de revenus les propriétaires d’applications généreront.
Ce modèle est formé avec des données anonymisées provenant d’applications et de revenus similaires ou de données de fidélisation des utilisateurs envoyées à la plateforme publicitaire. La plate-forme publicitaire ajuste également les enchères en temps réel et attire les utilisateurs avec la promesse d’une LTV plus élevée pour votre application. Vous pouvez consulter quelques exemples de l’ensemble de ce processus ci-dessous.
Alors, comment fonctionnent les algorithmes standard d’acquisition d’utilisateurs basés sur la prédiction d’installation d’applications ? Les annonces sont diffusées auprès des utilisateurs les plus susceptibles d’installer l’application. Par exemple:
Vous pouvez voir comment fonctionne l’algorithme d’acquisition d’utilisateurs basé sur la LTV : Le système prend en compte la LTV potentielle des utilisateurs et trouve l’audience de la plus haute qualité :
Comment l’algorithme d’estimation du LTV a-t-il été développé ?
D’un autre côté, les entreprises ne disposent pas toujours de suffisamment de données ou d’analystes pour calculer la LTV. Pour surmonter ce défi, nous avons automatisé ce processus et mis en œuvre divers modèles prédictifs dans Yandex Direct, la propre plateforme de Yandex pour les annonceurs. Cette innovation permet aux annonceurs faisant la promotion d’applications mobiles d’enregistrer davantage de conversions post-installation et de générer plus de revenus, en particulier dans les campagnes de paiement par installation.
AppMetrica, la plate-forme d’analyse mobile de Yandex Ads, dispose d’une unité de score qui estime la LTV pour les utilisateurs de l’application. Nous avons utilisé ce score pour entraîner nos modèles et inclus la probabilité d’activités ciblées après l’installation dans nos prédictions. Ce score sera le facteur clé pour sélectionner les annonces dans les stratégies automatisées.
La nouvelle approche augmente les revenus globaux en augmentant considérablement le nombre d’activités ciblées après les installations. L’effet sur les campagnes de paiement à l’installation est particulièrement frappant : alors que lors de la phase de test, nous avons observé une augmentation des bénéfices allant jusqu’à 12 % sur les utilisateurs acquis.
Que pensez-vous de ce problème ? Partagez vos avis dans les commentaires !