Vai trò của User Acquisition Manager (UA Manager: tăng trưởng người dùng) đã phát triển mạnh mẽ trong những năm qua với các nhiệm vụ ngày càng thách thức.


Các UA Manager thường gặp khó khăn trong việc tìm ra những phương pháp hiệu quả để tối ưu hóa các chiến dịch và thu hút được người dùng chất lượng cao. Nhiều giải pháp BI (Business Intelligence) và công nghệ của bên thứ ba thường được sử dụng để thử nghiệm và xác định chi phí để có được người dùng, đối chiếu với LTV (Lifetime Value) của người dùng và xử lý tình trạng không chắc chắn về ROI của người dùng.


Tuy nhiên, UA Manager có khả năng cảm nhận rõ ràng tiềm năng của chiến dịch chính là người ra quyết định thực sự, vì dữ liệu hỗ trợ việc đưa ra quyết định thường sẽ không được đầy đủ.


Tối ưu hóa chuyển đổi người dùng thực sự hoạt động như thế nào?


Các nhà phát triển mobile đương nhiên đều muốn thu hút nhiều người dùng hơn vào ứng dụng của họ. Điều này có thể đạt được một cách tự nhiên hoặc thông qua nhiều kênh và hoạt động quảng cáo.



Thu hút người dùng trả phí chủ yếu được thực hiện bằng cách sử dụng các mạng quảng cáo (Tapjoy, Unity, ironSource,...) hoặc các nền tảng publisher lớn (Facebook, Google, Twitter,...). Các chiến dịch quảng cáo bao gồm các nhóm thuần tập người dùng khác nhau, có thể được phân đoạn theo nhiều nhân khẩu học, vị trí địa lý, ứng dụng của nhà xuất bản, hành vi trong ứng dụng,…


Ví dụ: một nhà quảng cáo có thể cố gắng tiếp cận người dùng ở Vương quốc Anh trên Tinder (khi làm việc với các mạng quảng cáo truyền thống) hoặc một nhóm phụ nữ trong độ tuổi 20-34 thích chơi game trên Facebook.


Đối với từng nhóm thuần tập được nhắm mục tiêu này, UA Manager cần xác định các thuộc tính chiến dịch bao gồm: ngân sách, giới hạn số lần hiển thị hàng ngày và quan trọng nhất là giá thầu (số tiền mà UA Manager sẵn sàng trả cho mỗi người dùng, còn gọi là PPU).


Sau khi người dùng cài đặt và tương tác với một ứng dụng, UA Manager sẽ giám sát và đo lường hành trình người dùng của họ.


Trong suốt vòng đời của người dùng, họ sẽ tạo ra giá trị thông qua các loại KPI khác nhau:

  • Monetization (Doanh thu): Doanh thu từ mua hàng trong ứng dụng, lượt xem quảng cáo, lượt đăng ký, danh sách các ưu đãi,…
  • Engagement (Tương tác) - Hoạt động của người dùng thể hiện sự tham gia và đóng góp của ứng dụng vào nền kinh tế ứng dụng
  • Retention (Tỷ lệ giữ chân) - Mức độ sử dụng ứng dụng, tần suất và mức độ gắn bó của người dùng


Vai trò của UA Manager là đảm bảo rằng giá trị tạo ra từ mỗi người dùng phải vượt qua chi phí để có được họ. Thách thức chính là đo lường chính xác các sự kiện trong thời gian tồn tại của người dùng - quá trình có thể mất từ ​​3 tuần đến 12 tháng, tùy thuộc vào ứng dụng.


Trong một thế giới hoàn hảo, việc xác định chi phí của người dùng sẽ chỉ được xác nhận khi LTV được xác định rõ ràng. Tuy nhiên, các nhà quảng cáo đều được yêu cầu trả trước, gây ra tình trạng không chắc chắn đáng kể cho việc quản lý chiến dịch.


“Cuộc rượt đuổi” LTV


Các nhà quảng cáo thường đầu tư các nguồn lực đáng kể vào hệ thống BI, các nhóm chuyên dụng, đồng thời sử dụng khoa học dữ liệu để thử và xác định các điểm khác nhau trong hành trình của người dùng mà chỉ có thể gợi ý về LTV của người dùng. Thiết lập BI càng nâng cao, UA Manager càng có nhiều khả năng tìm thấy các điểm proxy gần hơn.


Việc phân tích như vậy cần khoảng 7-14 ngày tích lũy đủ dữ liệu để tạo ra insight ban đầu về LTV của người dùng. Để giúp cho insight này trở nên đáng tin cậy và rõ ràng hơn, họ hoàn toàn không thể thực hiện thay đổi nào đối với chiến dịch trong thời gian này. Chỉ khi nhận được thông tin chi tiết đáng tin cậy, UA Manager mới có thể tối ưu hóa từng chiến dịch bằng cách thay đổi giá thầu, quảng cáo hoặc nhắm mục tiêu.



Sự đánh đổi cho giai đoạn tìm hiểu này chính là độ chính xác của insight nhưng ngược lại, họ phải tốn rất nhiều thời gian. Theo đó, khi càng trông đợi độ chính xác cao hơn, thì tổn thất tiền bạc cũng ngày càng lớn hơn đối với các chiến dịch không thành công. Do vậy, ngân sách sẽ bị thâm hụt do các chiến dịch không thành công hoặc không tận dụng được các chiến dịch có khả năng thành công.


Phân tích dự đoán (Predictive Analytics) là gì?


Đối với một số nhà phát triển ứng dụng, mô hình tuyến tính để ước tính LTV có thể đã đủ. Tuy nhiên, đối với hầu hết các nhà phát triển ứng dụng, một phương pháp dự đoán phức tạp hơn là yếu tố rất cần thiết và có thể là yếu tố thay đổi cuộc chơi.


Nhà phát triển nào có thể tìm ra một phương pháp đo lường hoạt động ứng dụng của người dùng trong 1 hoặc 2 ngày đầu tiên và sau đó, tương quan chính xác với LTV dài hạn, người đó chính là “nhà vô địch”.



Tuy nhiên, quá trình này lại yêu cầu nhiều hành động và mẫu được đo lường trong vài giờ và ngày đầu tiên của hành trình của người dùng trong ứng dụng và một loạt các công cụ phức tạp để phân tích và thúc đẩy các dự đoán. Lĩnh vực nghiên cứu này được gọi là phân tích dự đoán (predictive analytics).


Ngoài lĩnh vực marketing, khoa học phân tích dự đoán còn được sử dụng để giúp phân tích dữ liệu lịch sử và các mẫu để dự đoán rất nhiều vấn đề khác, chẳng hạn như sự thay đổi của thị trường chứng khoán đến các mối nguy tiềm ẩn đối với sức khỏe.


Đưa khoa học vào thế giới marketing nghe có vẻ đơn giản, nhưng không dễ thực hiện. Ngày nay, mặc dù các nền tảng dữ liệu đa dạng đã phát triển rất mạnh mẽ và phổ biến, nhưng việc thực hiện phân tích dự đoán cho LTV của người dùng vẫn đòi hỏi nguồn lực đáng kể và quyền truy cập vào nhiều nguồn dữ liệu và quy mô khác nhau.


Một số phương pháp cần thiết bao gồm: deep learning, định nghĩa smart label và dynamic feature engineering. Chi phí máy chủ cần thiết để chạy các loại mô hình này thường thể rất cao.


Mặc dù nhiều nhà quản lý UA có thể nhận thức được lợi ích của việc sử dụng phân tích dự đoán, nhưng đặc quyền này chỉ giới hạn cho một số ít người may mắn. Đại đa số các app marketer đều không có đủ nguồn lực để thực hiện một hoạt động phức tạp như vậy, khiến họ phải dựa vào các mô hình tính toán hạn chế.


Xây dựng mô hình Predictive Marketing


Để xây dựng và đào tạo các mô hình dự đoán deep learning phức tạp có thể cung cấp các dự đoán LTV mong muốn này, cần có quyền truy cập vào cơ sở dữ liệu hành vi người dùng tổng thể. Ngay cả khi mô hình dự đoán chỉ áp dụng dữ liệu ẩn của từng ứng dụng để tạo dự đoán cục bộ, thì quá trình đào tạo và tối ưu hóa mô hình cũng cần phải dựa trên dữ liệu từ hàng trăm, hàng nghìn ứng dụng để đạt được độ chính xác tối đa.


Rất ít công ty có đủ đặc quyền để tận hưởng cái nhìn toàn cảnh về các thuộc tính chuyển đổi của người dùng, bao gồm các kênh kiếm tiền và chi phí, cũng như quyền truy cập vào tất cả các chiến dịch ứng dụng trên tất cả các nguồn và kênh quảng cáo.


Ví dụ: Nếu một nhà quảng cáo nhất định đang làm việc với 5 mạng quảng cáo khác nhau, mỗi mạng có thể có quyền truy cập vào lượng dữ liệu đáng kể, nhưng sẽ không có quyền truy cập độc quyền vào tất cả các chiến dịch UA. Do đó, dữ liệu của họ sẽ bị giới hạn trong các chiến dịch và phương tiện truyền thông riêng biệt. Các nguồn phương tiện này, về bản chất, không thể thiếu đi tính khách quan.


Lời kết


Hệ thống đo lường phân bổ đang trải qua một số thay đổi lớn. Khi bước vào một thực tế mới, tập trung vào quyền riêng tư, chúng ta phải áp dụng một tiêu chuẩn đo lường mới - một tiêu chuẩn yêu cầu khung thời gian đo lường ngắn hơn và áp dụng điểm số tiềm năng của người dùng ẩn danh để đưa ra quyết định. Và predictive marketing (Tiếp thị dự đoán) có thể làm được điều đó.

Nguồn: AppsFlyer