Ова е авторски текст на Петар Киреев, водечки експерт со повеќе од една деценија искуство во AdTech индустријата. Тој е ко-основач и Директор за производи во Reliz, европска компанија водена од производот, каде што го предводи развојот на решенија базирани на вештачка интелигенција.
Во 2024 година, дигиталниот маркетинг ориентиран кон перформанси е значајно попречен од губењето на кориснички сигнали, зајакнатите прописи за приватност и подолгите временски рамки за монетизација. Поради овие фактори, конвенционалниот пристап за оптимизација на ROAS, кој зависи од задоцнети податоци како што се купувања или претплати, се покажа како недоволно агилен и ефективен за одржување на конкурентска предност и раст.
Новите AdTech платформи се спротивставуваат на загубата на сигнали со предвидувачка аналитика: тие ги користат бихејвиоралните сигнали од раната фаза за да ја проценат долгорочната вредност и да постават понуди пред да се случи каква било монетизирана акција. Со претворање на сознанијата собрани во првите моменти на ангажман во напредна логика за кампањи, овие модели ја преместуваат оптимизацијата од анализа на минатото кон предвидување на иднината.
Оваа промена е веќе видлива кај платформите кои експериментираат со предвидувачки модели. Трендот е особено релевантен за производи со одложен приход (на пр., апликации базирани на претплата, игри или финтек), каде што вредноста може да се забележи дури неколку недели по аквизицијата.
Наместо да чекаат на конверзии, предвидувачкото моделирање на ROI (поврат на инвестиција) им овозможува на платформите да оптимизираат кон прогнозирани резултати, зголемувајќи ја ефикасноста и во наддавањето и во буџетирањето. Иако овој метод сè уште се тестира и усовршува, тој веќе го има дефинирано врвот на AdTech инфраструктурата во 2024 година.
Зошто се појави предвидувачкиот ROI?
Неколку структурни промени во AdTech екосистемот го направија предвидувачкото моделирање на ROI неопходен одговор, а не само експеримент.
Прво, временските рамки за атрибуција се скратија. По укинувањето на IDFA, платформите како Meta и Google Ads се потпираат на ограничени сигнали кои се во согласност со правилата за приватност. Многу конверзии сега се случуваат надвор од прозорецот каде што алгоритмите можат да учат од нив. Како резултат на тоа, кампањите оптимизирани за реални настани или ја потценуваат вредноста или прерано се исклучуваат.
Второ, регулативите кои ја ставаат приватноста на прво место — вклучувајќи ги GDPR, CCPA и бразилскиот LGPD — сериозно го ограничија пристапот до идентификатори меѓу апликации и историјата на однесување. Платформите повеќе не можат да се потпираат на податоци од трети страни за да го состават патувањето или вредноста на корисникот. Според извештајот на IAB, State of Data 2024, речиси 90% од огласувачите веќе ги преиспитуваат своите стратегии за персонализација и инвестиции во реклами, прилагодувајќи се на новата реалност каде податоците од трети страни стануваат сè поограничени и помалку ефективни.
Трето, циклусите на монетизација станаа подолги. Кај апликациите за претплата или финтек, вредноста се акумулира постепено. Но, перформанс медиумите сè уште плаќаат по клик или инсталација. Оваа неусогласеност помеѓу плаќањето и повратот создава проблем со паричниот тек, освен ако идната вредност не се предвиди рано.
Без предвидувачко моделирање, рекламните системи оптимизираат кон краткорочни показатели како инсталации или ангажман во рана фаза — кои сè повеќе не успеваат да корелираат со реалниот приход.
Предвидувачката аналитика ја менува логиката на оптимизација: од набљудувана конверзија кон очекувана вредност. Таа промена им овозможува на платформите да купуваат поквалитетни корисници порано и да растат со сигурност, дури и кога сигналите се делумни или одложени.
Како функционира предвидувачкиот ROI?
Предвидувачкото моделирање на ROI започнува со податоци од нултиот ден — сигнали достапни веднаш откако корисникот ќе има интеракција со реклама или производ. Тие вклучуваат:
- Извор на сообраќај и ID на кампања
- Уред и оперативен систем
- Геолокација
- Ангажман со првите екрани
- Време до првата акција
- Верзија на апликацијата или тест-функционалности (feature flags)
Овие влезни податоци се проследуваат во модел за машинско учење, трениран врз основа на историски податоци од сопствената корисничка база на огласувачот. Моделот ја проценува очекуваната вредност на секој корисник — често изразена како предвиден LTV (животна вредност) во период од 7, 30 или 90 дена.
Предвидената вредност потоа се препраќа до системот за наддавање — било да е тоа сопствен DSP или големите рекламни платформи. Наместо да ги пријавуваат само реалните конверзии, огласувачите сега испраќаат сигнали за прокси-приходи (на пр., „овој корисник вреди 42 долари врз основа на предвидувањето на моделот“).
Ова му овозможува на алгоритмот за наддавање да таргетира корисници со повисока вредност од самиот почеток — дури и пред да се случат реални купувања — и поефикасно да го распределува буџетот.
Некои платформи ги интегрираат овие предвидувања како постбекови во реално време. Други ги вметнуваат како презапишување на вредноста на конверзијата преку API-ја како Meta Conversion API или Google Ads Enhanced Conversions. Техничкиот метод варира, но основната идеја е конзистентна: оптимизација кон прогнозирана деловна вредност, а не само кон историски настани.
Зошто е тешко?
И покрај ветувачките резултати, предвидувачкото моделирање на ROI е технички напорно и оперативно ризично.
Главниот предизвик е точноста во услови на несигурност. Мала грешка во предвидувањето на LTV може да предизвика несразмерни загуби. Ако моделот ја прецени вредноста, системот за наддавање ќе потроши премногу на корисници кои нема да конвертираат. Ако ја потцени, кампањата ќе пропушти корисници со висока вредност и нема да ги испорача очекуваните резултати.
Овие модели се исто така многу чувствителни на податоците за тренирање. Ако историските групи се премногу тесни, неурамнотежени или со „шум“ — предвидувањата ќе бидат искривени. Многу огласувачи сè уште немаат доволно чисти податоци за да тренираат сигурни модели, особено за понови производи или пазари со ниска пенетрација.
Друга комплексност е интеграцијата. Предвидувачкиот ROI функционира само кога сигналите течат непречено низ аналитиката на производот, сегментацијата на корисници, платформите за наддавање и атрибуцијата на кампањите. Малку маркетинг тимови ја имаат инфраструктурата да го затворат тој круг речиси во реално време.
Конечно, тимовите за перформанс често се борат со транспарентноста на моделот. Предвидувачките системи може да вратат оценка или вредност, но не и да објаснат зошто. Ова го отежнува рачното решавање на проблеми или донесувањето одлуки за распределба на буџетот — особено во сектори со висок ризик како финансии или здравство.
Како резултат на тоа, раните усвојувачи треба да го третираат предвидувачкиот ROI не како функција, туку како инвестиција: во квалитет на податоци, управување со моделите и усогласување меѓу тимовите.
Кој го прави ова?
Кон средината на 2024 година, предвидувачкото моделирање на ROI сè уште е во зародиш. Усвојувањето е ограничено на неколку AdTech платформи водени од производот и напредни интерни тимови за раст кои истражуваат алтернативи на оптимизацијата по настанат настан.
Во Reliz, активно спроведуваме истражување и развој на предвидувачки процеси — користејќи сигнали од раната фаза на корисникот за да ја процениме долгорочната вредност и да ја напојуваме логиката за наддавање во реално време. Ова вклучува тренирање на прилагодени модели врз основа на податоци од прва страна, интегрирање на предвидувањата во донесувањето одлуки на ниво на кампања и валидација на резултатите наспроти реалните траектории на приходи.
Други независни играчи како Lemon.ai и Pecan.ai исто така инвестираат во оваа област, градејќи рамки за машинско учење кои даваат приоритет на пробабилистичката проценка на вредноста на корисникот наспроти детерминистичката атрибуција.
Во меѓувреме, платформите како Meta Ads и Google Ads воведоа технички можности за прифаќање на предвидените вредности на конверзија преку Conversions API и Enhanced Conversions, но одговорноста за моделирањето останува кај огласувачот или нивниот AdTech партнер.
Повеќето традиционални DSP-а и агенциски мрежи сè уште не се опремени да спроведуваат предвидувачки ROI процеси на големо. Пречките што веќе ги наведовме сè уште го ограничуваат усвојувањето, правејќи ја 2024 година година за поставување темели, а не година на пробив. Тимовите кои сега ќе инвестираат во подготвеност на податоците, управување со модели и интеграција во реално време ќе бидат првите кои ќе можат да растат штом тие пречки ќе се отстранат.
Стани премиум член и доби пристап до сите содржини, специјален попуст на над 2.200 производи во ИТ маркет, верификуван профил и можност за огласување на ИТ Огласник. Плус ќе го поддржиш медиумот кој го градиме цели 16 години!
Доколку веќе имаш премиум членство, најави се тука.
