Tận dụng dự đoán lifetime value (LTV) để phát triển mobile app

Việc phân tích hành vi sau cài đặt app (post-install) và dự đoán giá trị vòng đời khách hàng (LTV) chính xác có thể giúp bạn cải thiện đáng kể hiệu suất chuyển đổi người dùng.

Bài viết sau đây sẽ giải thích dự đoán Lifetime Value (LTV) là gì, vai trò quan trọng của các sự kiện sau cài đặt trong việc tính toán LTV và cách mà một thương hiệu đã cải thiện 300% lợi tức chi tiêu quảng cáo (ROAS) của một ứng dụng học ngoại ngữ nhờ một phát hiện bất ngờ.

Sự phát triển của mobile app

Theo Sensor Tower, doanh thu từ các app dựa trên đăng ký đạt kỷ lục trong năm 2020, 13 tỉ USD. Tuy nhiên, mức tăng trưởng 34% hàng năm không có nghĩa là bạn có thể dễ dàng kiếm sống từ việc tính phí định kỳ trên các ứng dụng không phải game.

Trên thực tế, điều này diễn ra hoàn toàn ngược lại. Hầu hết các ứng dụng dựa trên lượt đăng ký đều phải đối mặt với những thách thức khó khăn trong kỷ nguyên hậu IDFA (mã định danh cho nhà quảng cáo). Trước đây, khả năng kiếm tiền dựa trên cơ sở người dùng iOS vốn tạo ra doanh thu gần gấp 4 lần so với Android, nhưng vào năm 2020 cho thấy xu hướng giảm. Đồng thời, chi phí tiếp cận người dùng non-game tăng lên tới 500%.

Không có gì ngạc nhiên khi các nhà xuất bản đang khám phá cách chống lại xu hướng tiêu cực này. Bên cạnh việc tối ưu hoá sáng tạo và mở rộng đối tượng thông qua việc sử dụng phương pháp tiếp cận sáng tạo dựa trên động lực, growth marketer có các đòn bẩy chính khác theo ý của họ: các sự kiện tối ưu hoá và dự đoán LTV.

Lifetime Value (LTV) là gì?

LTV là doanh thu dự kiến ​​mà khách hàng sẽ tạo ra trong suốt thời gian sử dụng hoặc trải nghiệm sản phẩm của họ. LTV giúp marketer dự báo sớm hiệu suất chiến dịch, đưa ra dự đoán dài hạn với dữ liệu hạn chế và tối ưu hoá chi tiêu marketing trong khi tối đa hoá doanh thu.

Có 3 cách tiếp cận cơ bản để dự đoán LTV là:

  • Dự đoán theo hướng hành vi và cấp độ người dùng: Phân tích hành vi hoặc thuộc tính của người dùng app để xác định các hành động hoặc kết hợp dự đoán giá trị của người dùng mới. Ví dụ: Người dùng A đã có 7 phiên dài vào ngày đầu tiên, với tổng số 28 phiên vào ngày 3. A cũng đã truy cập trang định giá và ở đó hơn 60 giây. Theo phân tích hồi quy và thuật toán dựa trên machine learning, xác suất A mua hàng trong tương lai là 65%. Sử dụng giá trị ARPPU là 100 USD, do đó LTV dự đoán của anh ấy là 65 USD.
  • Mô hình ARPDAU: Tính số ngày hoạt động từ một đường cong duy trì được mô hình hoá, bằng cách tính diện tích dưới đường cong. Sau đó, nhân số ngày hoạt động với doanh thu trung bình trên mỗi người dùng hoạt động hàng ngày (ARPDAU). Ví dụ: Tỷ lệ giữ chân ngày 1, ngày 3 và ngày 7 lần lượt là 50%, 35% và 25%. Sau khi khớp các điểm dữ liệu này vào một đường cong lợi suất và tính tích phân cho đến ngày 90, có thể thấy rằng số ngày hoạt động trung bình là 5. Biết rằng ARPDAU là 40 xu, LTV ngày 90 được dự đoán sẽ bằng 2 USD.
  • Điều khiển theo tỷ lệ: Tính toán hệ số (D90 LTV/D3 LTV) từ dữ liệu lịch sử, sau đó áp dụng hệ số này nhân với D3 LTV thực để có được dự đoán D90 LTV cho mỗi nhóm thuần tập. Ví dụ: Sau 3 ngày đầu tiên, ARPU cho nhóm Cohort của là 20 xu. Từ dữ liệu lịch sử, bạn có thể biết rằng D90/D3 = 3. Do đó, D90 LTV được dự đoán sẽ là 60 xu (20 xu ARPU x 3).

Tận dụng dự đoán LTV để theo dõi lượt đăng ký

Cùng phân tích một trường hợp thực tế minh hoạ cách tính LTV cho một ứng dụng học ngôn ngữ có tính phí người dùng hàng tháng (30 USD) và hàng năm (240 USD). Một mô hình như vậy có 2 thành phần chính:

  • LTV sau khi đăng ký là gì?
  • Hành vi nào dẫn đến đăng ký trước cam kết thực sự của người dùng?

Subscription Model Can Increase Lifetime Values - Practical Ecommerce

Dưới đây là quy trình từng bước về cách tính LTV:

  • Đầu tiên, hãy quyết định thời gian tính LTV. Thông thường, đó là 90 ngày, 180 ngày hoặc một năm. Bạn có thể chọn phân đoạn theo quốc gia, kênh hoặc nền tảng. Trong trường hợp này, có thể chia mô hình LTV thành loại đăng ký và quốc gia (trên thế giới và Hoa Kỳ).
  • Thứ hai, thu thập dữ liệu duy trì cho người đăng ký và ngoại suy cho các tháng khi dữ liệu không có sẵn. (Bạn có thể đạt được điều này bằng cách điều chỉnh một đường cong công suất và áp dụng một đường xu hướng cho dữ liệu hiện có).
  • Tính số tháng hoạt động từ dữ liệu tỷ lệ giữ chân bằng cách tổng hợp các số liệu tỷ lệ giữ chân hàng tháng: 100% (Tháng 0) + 45% (Tháng 1) + 36% (Tháng 2) +… +… = 330%. Làm tương tự cho các đăng ký hàng năm. Trong ví dụ này là 130%. Sau đó, tính toán mức phân chia trung bình giữa đăng ký hàng tháng và hàng năm (70% so với 23%).
  • Cuối cùng, bạn đã sẵn sàng tính LTV cho một người dùng ngẫu nhiên từ Hoa Kỳ: % phụ hàng tháng x Số tháng hoạt động đã đăng ký x giá phụ phí hàng tháng + % phụ hàng năm x Năm hoạt động x giá phụ hàng năm = 0,7 x 3,3 x 30 + 0,3 x 1,3 x 240 = 163 USD.

Để có thể nhanh chóng nhận ra được giá trị tiềm năng của những người dùng có được, bạn phải phân tích hành vi của họ trước khi họ đăng ký. Để có thể thực hiện phân tích hồi quy, bạn phải có sẵn dữ liệu cơ bản, chẳng hạn như: dữ liệu hành vi người dùng thô lịch sử được lưu trữ trong cơ sở dữ liệu BigQuery hoặc Mixpanel. Các sự kiện sau cài đặt được chọn, chẳng hạn như Nội dung đã sử dụng, Nội dung đã học, Huỷ bản dùng thử miễn phí và Đăng ký trả phí từ bản dùng thử miễn phí.

* Nguồn: AppROI Marketing Team