• Tran Le

Cách triển khai chiến dịch User Acquisition cho các game monetize ad-based

Trong một thế giới nơi ad monetization ngày càng chiếm tỷ trọng lớn hơn trong việc tạo ra doanh thu cho ứng dụng, việc tính toán mô hình ROAS nếu chỉ dựa trên dữ liệu IAP (In App Purchase - mua hàng bên trong ứng dụng) sẽ không chính xác và không đủ để xác định tính hiệu quả của chi tiêu cho marketing. Việc truy cập và đo lường doanh thu quảng cáo ở cấp độ người dùng là một thách thức to lớn đối với toàn ngành, điều này đã ngăn cản developers thúc đẩy tăng trưởng người dùng đạt hiệu quả tối đa - đặc biệt nếu họ là những nhà phát triển kiếm tiền chủ yếu bằng quảng cáo (chẳng hạn như hyper casual games). Bài viết này sẽ cho thấy cách các nhà phát triển kiếm tiền từ trò chơi của họ bằng quảng cáo có thể khởi chạy các chiến dịch User Acquisition dựa trên dữ liệu doanh thu quảng cáo cấp người dùng. Hãy bắt đầu với những trò chơi dựa 100% vào quảng cáo.

cach-trien-khai-chien-dich-user-acquisition-cho-cac-game-monetized-ad-based
Cách triển khai chiến dịch User Acquisition cho các game monetize ad-based

Đo lường ARPU cho 100% ad-based games


Năm vừa qua chúng ta đã chứng kiến ​​sự gia tăng ad-based games 100%, cũng như games tạo ra phần lớn doanh thu thông qua phân phát quảng cáo. Một số casual games cũng nằm trong nhóm này, với hyper casual games là một ví dụ điển hình của chiến lược monetization này.


Những thách thức


Nếu không có dữ liệu cấp người dùng và phân tích về doanh thu quảng cáo, 100% các nhà phát triển ad-based không thể xác định người dùng chất lượng cao của họ (được gọi là 'ad whales’). Điều này ngăn họ tìm hiểu kênh marketing, campaign hoặc creative nào đã thúc đẩy lượt cài đặt quảng cáo đó. Các nhà phát triển gặp phải hai thách thức chính:


Công thức chưa hoàn chỉnh


Để đo lường ARPU (Average Revenue Per User - doanh thu trung bình trên mỗi người dùng) mà không có dữ liệu doanh thu cấp người dùng, một số nhà phát triển tính trung bình quảng cáo ARPDAU (Average Revenue Per Daily Active User - doanh thu trung bình trên mỗi người dùng hàng ngày) và Retention Rate của họ. Vấn đề là người dùng khác nhau và không phải tất cả đều có cùng thói quen xem quảng cáo.


Hầu hết các nhóm UA sẽ chạy một công thức rất đơn giản trên tất cả các kênh mua hàng của họ để xác định CPI:


CPI = LTV trung bình * (1- tỷ suất lợi nhuận kỳ vọng)


Một số nhóm có thể thực hiện thêm một bước và thêm hệ số K của họ (đánh giá xem liệu lượt organic install có được thực hiện bằng lượt paid install hay không) dựa vào công thức:


CPI = LTV trung bình * (1- tỷ suất lợi nhuận mong muốn) * Hệ số K


Mục tiêu chiến dịch không chính xác


Ngoài ra, các nhóm UA không có dữ liệu doanh thu cấp người dùng, không thể tối ưu hóa ROAS, họ cần phải sử dụng đến các KPI khác, chẳng hạn như Retention Rate hoặc CPI. Nhưng tỷ lệ giữ chân không phải là một chỉ báo tuyệt vời về lợi nhuận, vì việc đạt được RR3 không cho các nhà phát triển biết họ đã kiếm được bao nhiêu doanh thu hoặc thậm chí liệu RR3 user có đang tạo ra bất kỳ doanh thu quảng cáo nào hay không. Một phân khúc người dùng có thể có Retention Rate cao, nhưng điều đó không có nghĩa là phân khúc đó tạo ra nhiều doanh thu hơn.

muc-tieu-chien-dich-khong-chinh-xac
Mục tiêu chiến dịch không chính xác

Điều này cũng xảy ra với các chiến dịch hướng đến mục tiêu eCPI. Nếu không có dữ liệu cấp người dùng, các nhà phát triển chỉ có thể chạy các chiến dịch có một CPI cho tất cả các nguồn của họ. Mặc dù CPI có thể thấp hơn LTV của họ, nhưng mỗi nguồn lại khác nhau. Các nhà phát triển có thể đã đánh giá cao những nguồn có hiệu suất thấp và đặt giá thấp hơn những nguồn có hiệu suất cao.


Giải pháp


Bằng cách tận dụng dữ liệu về doanh thu quảng cáo ở cấp người dùng, các ad-based game giờ đây có thể chạy các chiến dịch mở rộng người dùng hiệu quả nơi tối ưu hóa ROAS chính xác. Ví dụ: việc xác định mục tiêu ROAS D3 của họ rất đơn giản đối với 100% nhà phát triển ad-based. Hãy cùng suy nghĩ về đường cong LTV doanh thu quảng cáo điển hình của hyper casual game.


Nhìn vào hyper casual game với LTV là 0,4$. Giả sử hyper casual game với LTV 0,4$ có hệ số K là 1,2, nghĩa là nhà quảng cáo 'kiếm được' thêm một organic user cho mỗi 5 paid user. Sử dụng công thức trên, điều này đặt hệ số LTV + K ở mức 0,48$.

Để đạt được mức lợi nhuận 30%, ban đầu nhà quảng cáo sẽ trả CPI gần 0,335$. Nhìn vào đường cong LTV, chúng ta có thể thấy rằng vào Ngày 3, ứng dụng này có ARPU là 0,2$. Có nghĩa là KPI ROAS của Ngày 3 phải là 60% để đạt được mức lợi nhuận 30% mong muốn.


Mục tiêu ROAS của Ngày 3 = ARPU Ngày 3 / (LTV * Hệ số K * (1- biên lợi nhuận mong muốn))


Đo lường ARPU cho trò chơi với IAP và quảng cáo


Tất nhiên, không phải tất cả các trò chơi đều dựa hoàn toàn vào quảng cáo. Hầu hết các nhà phát triển sử dụng kết hợp IAP và quảng cáo để kiếm tiền từ trò chơi của họ, tích hợp nhiều định dạng quảng cáo khác nhau vào các hoạt động chính trong game.


Thách thức


Hầu hết các nhà phát triển kiếm được doanh thu từ cả IAP và quảng cáo, bất kể sự phân tách là gì, đều gặp phải những thách thức sau đây khi quản lý các chiến dịch mở rộng người dùng:


Bỏ qua hoàn toàn doanh thu quảng cáo


Một số nhà phát triển chạy các chiến dịch UA với mục tiêu ROAS chỉ dựa trên IAP, hoàn toàn bỏ qua doanh thu quảng cáo. Trong những trường hợp như vậy, con số ROAS mà họ hướng đến cuối cùng vẫn chưa hoàn thiện, để lại một khoảng trống đáng kể trong việc hiểu được tác động của doanh thu quảng cáo và cách tối ưu hóa lượng doanh thu đó. Trong trường hợp này, marketers thường vô tình đánh giá thấp một số nguồn cụ thể trong các chiến dịch UA, từ đó bỏ lỡ cơ hội tăng trưởng về quy mô và doanh thu đáng kể.


Bỏ qua hành vi trả phí của người dùng


Để giảm thiểu điểm mù này, một số nhà phát triển chạy các chiến dịch UA với mục tiêu ROAS dựa trên dữ liệu IAP, nhưng sau đó thêm vùng đệm để tính đến doanh thu quảng cáo. Ví dụ: đối với một trò chơi có tỷ lệ chia sẻ doanh thu tổng thể là 90/10 giữa IAP và doanh thu quảng cáo, nhà phát triển sẽ tăng mục tiêu ROAS của IAP lên 10%.


Tuy nhiên, việc thêm vùng đệm dựa trên dữ liệu doanh thu quảng cáo tổng hợp vẫn không giúp làm rõ nhũng người dùng mang đến doanh thu quảng cáo chất lượng cao và cách có được họ. Như chúng tôi đã nói trước đó, các loại người dùng khác nhau có thói quen chi tiêu khác nhau. Ví dụ: người dùng ở Hoa Kỳ thường có xu hướng mua hàng trong ứng dụng nhiều hơn người dùng ở Brazil, vì vậy những người dùng này nên được đối xử khác.


Ngoài user ở các vị trí khác nhau, organic user và paid user cũng có hành vi khác nhau khi nói đến doanh thu quảng cáo và IAP. Với IAP, chất lượng organic user thường cao hơn, nhưng khi nói đến doanh thu quảng cáo thì ngược lại. Paid user tạo ra doanh thu quảng cáo cao hơn, cũng có lý khi bạn cho rằng những người dùng này đã cài đặt trò chơi thông qua quảng cáo có khả năng làm điều tương tự đối với các trò chơi khác. Điều này có nghĩa là các developers - những người đã thêm bộ đệm cố định - không thể tối ưu hóa và xác định nguồn cho các loại người dùng khác nhau - dù cho họ đến từ đâu, là organic hay paid,...


Giải pháp


Với dữ liệu doanh thu quảng cáo cấp người dùng, nhà phát triển có thể chạy các chiến dịch ROAS với các mục tiêu kết hợp mua hàng trong ứng dụng và dữ liệu doanh thu quảng cáo.


Tính toán mục tiêu ROAS kết hợp


Các nhà phát triển có thể thực hiện theo các bước sau để tính toán đường cong LTV kết hợp bao gồm cả IAP và dữ liệu doanh thu quảng cáo cấp người dùng, cho phép họ đặt mục tiêu ROAS kết hợp.

  1. Tính toán các đường cong LTV riêng biệt cho IAP và doanh thu quảng cáo cấp người dùng.

  2. Xác định mục tiêu margin dựa trên hành vi của các đường cong để tối đa hóa lợi nhuận.

  3. Xác định mục tiêu ROAS hàng ngày bằng cách chia ARPU (IAP + doanh thu quảng cáo) của mỗi ngày cho tổng LTV để xác định mục tiêu ROAS ngày 7 kết hợp của bạn.

tinh-toan-muc-tieu-ROAS-ket-hop
Tính toán mục tiêu ROAS kết hợp

Nâng cấp Tối ưu hóa Giá thầu (Bid Optimization)


Ngày nay, khi các nhà phát triển chỉ chạy các chiến dịch ROAS dựa trên IAP, họ đang giả định một cách hiệu quả rằng ba người dùng khác nhau đều tạo ra 1$ sau 7 ngày sẽ có cùng một LTV. Nhưng việc chạy chiến dịch ROAS kết hợp dựa trên IAP và doanh thu quảng cáo mang lại những thách thức mới trong việc tối ưu hóa. Trong trường hợp này, ba người dùng khác nhau, mỗi người tạo ra 1$ sau 7 ngày có thể có LTV hoàn toàn khác nhau. Người dùng A có thể đã tạo ra 1$ từ IAP, Người dùng B 1$ bằng cách xem quảng cáo và Người dùng C có thể đã tạo ra 0,5$ từ mỗi cách kể trên.


Dự đoán rằng ba người dùng này sẽ có cùng một LTV là một sai lầm. Hành vi của đường cong doanh thu quảng cáo hoàn toàn khác với hành vi của đường cong IAP, phần lớn phụ thuộc vào loại trò chơi. Ví dụ: IAP trong các game nặng có đường cong LTV doanh thu quảng cáo của người dùng dốc hơn nhiều trong vài ngày và tuần sau cài đặt đầu tiên, trong khi đường cong IAP LTV mạnh hơn trên các nhóm cohort dài hơn (khi áp dụng cohort analysis).


Biểu đồ này đại diện cho đường cong LTV của một casual game lớn với sự hiện diện mạnh mẽ trên biểu đồ, nơi chúng tôi tìm thấy sự phân chia gần như thậm chí 50-50 giữa IAP/LTV quảng cáo. Thật dễ dàng để thấy hai đường cong hoạt động khác nhau như thế nào. Một lời giải thích cho hành vi của những đường cong này là người dùng mua hàng trong một ứng dụng có xu hướng phát triển lòng trung thành mạnh mẽ đối với trò chơi đó, chắc chắn sẽ chơi lâu hơn nhiều so với người dùng không trả tiền và tiếp tục trả tiền ngay cả khi họ già hơn độ tuổi trung bình.

nang-cap-toi-uu-hoa-gia-thau
Nâng cấp Tối ưu hóa Giá thầu

IAP tạo ra LTV cao hơn nhiều so với quảng cáo và từ góc độ cấp cao, có vẻ như điều này đúng với mọi lứa tuổi người dùng khác nhau. Nhưng khi phóng to để xem lại RR7, chúng tôi thấy rằng sự phân chia chỉ là 60/40 nghiêng về IAP. Điều này có nghĩa là, bằng cách tối ưu hóa thông qua việc sử dụng số liệu RR7, bạn sẽ mắc phải lỗi lớn về tối ưu hóa nếu không chia nhỏ hai đường cong khác nhau.


Trên thực tế, doanh thu quảng cáo cao đến mức nhóm cohort trong ngắn hạn tại Match 3, người dùng đạt 27% tổng LTV quảng cáo của họ vào Ngày thứ 7, trong khi chỉ tạo ra 12% IAP LTV của họ trong khung thời gian đó.


Điều này đúng với hầu hết các trò chơi mà chúng tôi đã phân tích trên tất cả các thể loại.


Giải pháp ở đây là thêm một lớp tối ưu hóa mới, xử lý đường cong IAP và đường cong doanh thu quảng cáo cấp người dùng theo cách khác nhau. Thông thường, đây là một quá trình thủ công cực kỳ khó khăn và tốn thời gian. Nhưng một trình tối ưu hóa ROAS tự động tận dụng dữ liệu doanh thu quảng cáo có thể tự động và liên tục cập nhật các đường cong khác nhau để tính toán giá thầu hoàn hảo cho từng người dùng.


Kết luận


Bất kỳ nhà phát triển nào kiếm tiền bằng quảng cáo đều có thể tối ưu hóa việc chuyển đổi người dùng của họ với dữ liệu LTV hoàn chỉnh, có tính đến doanh thu quảng cáo cấp người dùng và doanh thu IAP. Ngay cả những nhà phát triển gần như đầu tư toàn bộ vào việc kiếm tiền từ IAP cũng có thể hưởng lợi từ doanh thu quảng cáo cấp người dùng.


Với các vị trí đặt quảng cáo phù hợp, những nhà phát triển này có thể tạo ra 10-20% doanh thu gia tăng từ quảng cáo. Thách thức là tìm nguồn cung ứng và kết hợp dữ liệu mới này theo cách hiệu quả và chính xác nhất. Đây là lý do tại sao các nhà phát triển nhanh chóng áp dụng dữ liệu doanh thu quảng cáo cấp người dùng trong chiến lược mở rộng người dùng của họ sẽ là những người giành được thị phần đáng kể trong năm nay.


Xin Chân Thành Cảm Ơn,

AppROI Marketing Team,


Về AppROI AppROI Marketing là Growth Marketing Agency, có thế mạnh về Digital Performance Marketing với năng lực triển khai và tối ưu hiệu quả marketing trên nền tảng công nghệ mang lại khách hàng thực sự, giúp khách hàng đo lường giá trị lâu dài sau khi mua sản phẩm hoặc dịch vụ. Hiện tại, AppROI đang đồng hành cùng các đối tác lớn như Google, TikTok, Facebook, Cốc Cốc, AppsFlyer, Adjust, CleverTap, Insider.... E-mail: info@approi.co Hotline: 0789.99.66.88