İstatistiğe dayalı tahliller iş dünyasında uzun müddettir muvaffakiyetle kullanılıyor. Lakin, makine tahsili teknolojilerinin ve bilgiye dayalı tahlillerin gelişimiyle birlikte bu alanda yeni yollar açıldı. Çağdaş kestirime dayalı modeller, işletmelere kullanıcı davranışını ve belli aksiyon ve olayların mümkünlüğünü gerçek bir biçimde öngörme imkanı sunar, bu da onları pazarlama dahil birçok alanda bedelli bir teknoloji haline getirir.
Tahmine dayalı modellerin kullanıldığı öne çıkan birçok alan bulunuyor. Bunlar ortasında eser yelpazesini artırmak ve ek satış yapmak için perakende, müşteri ödeme gücünü kıymetlendirmek için bankacılık ve ekipmanları takip etmek için imalat bölümleri yer alıyor. Ayrıyeten, iddiaya dayalı modeller, pazarlamada reklam kampanyalarının işletmelere ve kullanıcılara tesirini belirlemek için kullanılıyor.
Tahmine dayalı modeller nasıl takviye oluyor?
Pazarlama ve ilgili alanlarda kestirime dayalı modeller size dayanak olabilir. Gelin, birkaç örneğe bakalım:
- Bir olayın mümkünlüğünü belirleyin. Bir olayı etkileyebilecek çeşitli etkenlere dair daha fazla bilgiye sahip olduğunuzda, sonucu daha hakikat halde varsayım edebilirsiniz.
- Spesifik bir gaye kitle segmentinin reklam kampanyanızı nasıl algılayacağını kestirim edin.
- Uygulama içi alımlar için en uygun maliyeti belirleyin.
- Pazarlama kampanyanız için en uygun optimizasyon seçeneklerini, KPI’ları ve bütçeyi seçin.
- En yüksek LTV’ye sahip müşterileri yahut diğer bir temel metrik bulun.
Son senaryoya daha ayrıntılı bakalım.
LTV nedir ve neden değerlidir?
Müşteri ömür uzunluğu kıymeti (LTV), uygulamanızın ortalama kullanıcısının ne kadar gelir elde ettiğini anlamanıza yardımcı olan kritik bir metriktir. Bu metrik, kullanıcı edinme, kullanıcı etkileşimi ve kullanıcıyı elde tutmaya yaptığınız yatırımın getirisini hesaplarken kritiktir.
Pazarlama kesimi, yükselen müşteri çekme maliyetleri nedeniyle LTV’ye daha fazla kıymet vermeye başladı. Sonuç olarak, gösterdikleri eforun başarısı kullanıcıların büyük kısmının LTV’sine bağlıdır. Bir kullanıcıyı çekmek çoklukla birinci satın alımdan daha maliyetlidir, bu nedenle şirketler edinme maliyetini (CPA) LTV ile karşılaştırır. LTV ne kadar yüksek olursa, promosyonun sonuç verme mümkünlüğü da o kadar artar.
Potansiyel bir kullanıcının yalnızca birinci süreçte değil, tüm aktivite periyodu boyunca ne kadar gelir getireceğini anlamak, pazarlama stratejinizi süratli bir biçimde geliştirmenize ve bütçenizi makul ayırmanıza imkan sağlar.
LTV kestirim modeli, kullanıcı edinme hedefli uygulama kampanyalarına nasıl yardımcı olur?
Bir makine öğrenme modeli, kullanıcıların bir uygulamada geçirdikleri birinci günde nasıl davrandıklarını temel alarak emsal uygulamalarda ne kadar vakit harcayacaklarını ve uygulama sahiplerinin ne kadar gelir elde edeceklerini varsayım edebilir.
Bu model, emsal uygulamalardan anonimleştirilmiş datalarla ve reklam platformuna gönderilen gelirler yahut kullanıcı elde tutma datalarıyla eğitilir. Reklam platformu da teklifleri gerçek vakitli olarak düzenler ve uygulamanız için daha yüksek bir LTV vaadiyle kullanıcıları çeker. Tüm bu süreçle ilgili birtakım örnekleri aşağıda inceleyebilirsiniz.
Peki uygulama yükleme varsayımına dayalı standart kullanıcı edinme algoritmaları nasıl çalışır? Reklamlar, uygulama yükleme mümkünlüğü en yüksek olan kullanıcılara gösterilir. Örneğin:
LTV odaklı kullanıcı edinme algoritmasının nasıl çalıştığını görebilirsiniz: Sistem, kullanıcıların potansiyel LTV’sini dikkate alır ve en kaliteli gaye kitleyi bulur:
LTV iddiası algoritması nasıl geliştirildi?
Öte yandan, işletmeler her vakit LTV hesaplamak için kâfi dataya sahip olmayabilir yahut analistleri olmayabilir. Bu zorluğu aşmak için bu süreci otomatikleştirdik ve Yandex’in reklam verenler için kendi platformu olan Yandex Direct’te çeşitli varsayıma dayalı modeller uyguladık. Bu inovasyon, taşınabilir uygulamaları tanıtan reklam verenlerin, bilhassa yükleme başına ödeme kampanyalarında, daha fazla yükleme sonrası dönüşümler görmelerini ve daha fazla gelir elde etmelerini sağlıyor.
Yandex Ads’in taşınabilir analitik platformu AppMetrica’da, uygulama kullanıcıları için LTV kestirim eden bir skor ünitesi bulunuyor. Biz, bu skoru modellerimizi eğitmek için kullandık ve yükleme sonrası hedeflenen aktivitelerin mümkünlüğünü varsayımlarımıza dahil ettik. Bu skor, otomatize edilmiş stratejilerde reklamları seçmek için temel faktör olacak.
Yeni yaklaşım, yüklemelerden sonra hedeflenen aktivitelerin sayısını değerli ölçüde artırarak genel geliri artırıyor. Yükleme başına ödeme kampanyalarındaki tesir bilhassa dikkat alımlı: test kademesinde iken elde edilen kullanıcılardan %12’ye kadar bir kar artışı gözlemledik.
Siz bu bahis hakkında ne düşünüyorsunuz? Görüşlerinizi yorumlarda paylaşın!
