Краткое руководство по появлению LTV

Опытные бизнес-лидеры все больше внимания уделяют пожизненной ценности (LTV) клиента, чтобы правильно развивать свой бизнес. Конечно, LTV — это общая сумма денег, которую пользователь потратит на продукт в течение своей жизни, и продукт считается прибыльным, когда LTV пользователя превышает затраты, которые потребовались для приобретения этого клиента, а оптимальные маркетинговые кампании — это те, которые максимизируют соотношение между LTV и стоимостью привлечения пользователя. Изменения продукта считаются улучшениями только в том случае, если они увеличивают LTV.

Тем не менее, поскольку LTV иногда бывает трудно измерить, аналитическая индустрия сместила свое внимание на отчетность по ключевым показателям эффективности, например, количеству загрузок, времени взаимодействия и удержанию в различные промежутки времени. Однако эти KPI часто плохо коррелируют с LTV и никогда не представлены в соответствующем статистическом контексте (например, статистическая значимость между двумя возможными результатами). Решения для A/B-тестирования были построены на основе этой ошибочной структуры. В результате компании, внедрившие A/B-тестирование, но не имевшие собственных специалистов по обработке и анализу данных, не смогли реализовать обещанный рост прибыльности.

По этим и другим причинам принятие решений на основе данных привело к неоднозначным результатам. При принятии решений на основе данных следует помнить о двух ключевых фактах:

  • Если все сделано правильно, это служит основным конкурентным преимуществом для любого цифрового продукта. Мало того, что эти продукты достигают прибыльности с гораздо более высокой скоростью, команды разработчиков извлекают бесценные знания, которые вливаются в благотворный цикл улучшений.
  • Когда это делается неправильно, это создает большую уверенность в отношении низших путей. Чтобы еще больше запутать ситуацию, продуктовые команды извлекают неверные уроки о том, как изменения в их продуктах и ​​маркетинговых усилиях влияют на прибыльность.

Заимствуя математический символ ››, используемый для обозначения «значительно больше», мы можем резюмировать эти факты следующим образом:

Команды, которые принимают решения на основе данных правильно ›› Команды, которые полагаются на свою интуицию › Команды, которые принимают решения на основе данных неправильно.

Возникает очевидный вопрос: как узнать, правильно ли вы принимаете решения, основанные на данных? Вот список критериев:

  1. Прогнозируемая LTV служит ключевым показателем, на основании которого принимаются решения. Что касается маркетинга, бюджеты распределяются на основе рентабельности инвестиций (с прогнозируемой LTV в качестве числителя). Что касается продукта, прогнозируемая LTV является единственным критерием оценки эффективности продукта, а все остальные KPI просто используются для понимания движущих сил тенденций LTV.
  2. При определении победителя между экспериментами недостаточно понимать влияние, но также быть уверенным в том, что одно влияние больше другого.
  3. Точность прогнозов LTV можно проверить. Вы должны знать, насколько точны прогнозы LTV в прошлом и сколько данных требуется, прежде чем они станут надежно точными.

Как только вышеуказанные критерии соблюдены, команды могут расширить преимущества принятия решений на основе данных, выполнив следующие шаги:

  1. Используйте LTV не только для маркетинговых расходов, но и для определения победителей A/B-тестирования продукта.
  2. Используйте метод проведения A/B-тестов, не требующий участия инженера, чтобы вы могли проводить масштабное тестирование.
  3. Автоматизируйте отчеты LTV по всем факторам, влияющим на принятие решений, например LTV по маркетинговым расходам, вариантам A/B-тестирования и версиям сборки.

Соответствие этим критериям исторически было дорогостоящим мероприятием. Лучшие издатели игр — лучший пример компаний, которые вложили средства и получили существенную прибыль. Их возможности анализа данных и, в частности, их способность эффективно ставить коррелированные KPI LTV в основу всех решений, эффективно вытесняют более мелких конкурентов с самых прибыльных позиций на рынке приложений. Фактически, такие компании, как Kixeye, теперь стремятся удвоить принятие решений на основе данных, инвестируя в прогнозы LTV на основе машинного обучения.

За последние 5 лет аналитика данных сыграла ключевую роль в работе любого цифрового продукта. Но теперь технология машинного обучения позволила предиктивной LTV занять достойное место в качестве сердцевины принятия решений даже для компаний, которые не могут позволить себе команду специалистов по данным, работающих на полную ставку. В то время как небольшим компаниям трудно совершить скачок, потому что они были обожжены предыдущими неудачными попытками использовать процесс принятия решений на основе данных, те, кто найдет способ преодолеть этот барьер, получат значительное конкурентное преимущество. В Hitsfu мы специализируемся на заполнении этого пробела, помогая компаниям, у которых нет миллионов для инвестирования в принятие решений на основе данных, использовать инструменты и процессы для правильного управления данными. Если вы серьезно относитесь к использованию этого конкурентного преимущества для своего приложения, мобильной игры или сайта электронной коммерции, давайте работать вместе, чтобы это произошло.