Introdução

314,5 bilhões de dólares. Esse foi o valor previsto para o mercado mundial de anúncios in-app (IAA) em 2023 — com a expectativa de um crescimento anual de 10%. 

Qual é o motivo desse boom? Em um mundo dominado por downloads gratuitos, os IAAs se tornaram um fluxo de receita essencial para aplicativos mobile, particularmente dos gêneros de jogos, redes sociais e entretenimento. 

O que é publicidade in-app?

Mas, com tantos aplicativos disputando para conquistar cada centavo nesse espaço, como você pode ter uma vantagem competitiva? Exibir muitos anúncios pode ser uma estratégia atraente, mas a exposição excessiva pode causar mais dano do que trazer bons resultados. Por isso, é importante engajar os usuários e melhorar a experiência oferecida, exibindo o anúncio certo no momento certo. 

A boa notícia é que existe uma ampla variedade de formatos de anúncios disponíveis, a depender dos seus objetivos:  

• Anúncios em banner: excelentes para aumentar o reconhecimento da marca e testar criativos para a aquisição de usuários
• Anúncios em vídeo: ideais para storytelling e gerar engajamento

• Anúncios de rich media: semelhantes aos banners, mas com mais possibilidades de criativos e interação com os usuários 
• Anúncios nativos: bons para o engajamento e para gerar confiança, uma vez que combinam com o design da plataforma escolhida pelo usuário

Nesse guia, vamos falar sobre diferentes formatos de anúncios, explorar como a publicidade in-app funciona, falar sobre diferentes modelos de preços e explicar como você pode aproveitar essa fonte de receita. 

Capítulo 1

O ecossistema in-app – como funciona?

O ecossistema mobile possui diversos players, cada um com um papel específico.

Do lado da compra, temos: 

• Anunciantes: são as pessoas que criam aplicativos, agências ou marcas que compram espaço publicitário. 
• Ad exchanges: funcionam como uma bolsa de valores, permitindo que os anunciantes escolham as audiências desejadas e façam ofertas por elas.
• Demand-side platforms (DSP): permitem que os anunciantes acessem o inventário de várias ad exchanges.

No lado da venda, temos:  

• Publishers: aplicativos que vendem espaço publicitário.  
• Supply-side platforms (SSP): permitem que os publishers mostrem anúncios para a audiência selecionada.

Ad networks ficam no meio, atuando como intermediárias que vendem o espaço publicitário de um publisher (conhecido como inventário in-app) para diferentes anunciantes.

Além disso, temos também as parceiras de mensuração (MMPs), como a AppsFlyer: uma parte independente do ecossistema (ou seja, que não estão nem do lado da compra nem do lado da venda) e que ajuda os anunciantes a mensurar quais ad networks trazem os usuários mais valiosos. 

O processo

1. O aplicativo que deseja mostrar um anúncio faz um pedido para a ad network, que usa algoritmos avançados para identificar quais anunciantes pagam mais. 
2. Os anunciantes usam o ad exchange para fazer uma oferta pela audiência desejada. 
3. O anúncio é mostrado a essa audiência em tempo real. 
4. As ações do usuário são relatadas de volta para o anunciante: ele recebe um pagamento e pode otimizar futuras campanhas.  

Capítulo 2

Vantagens (e desafios) dos anúncios in-app

Uma pesquisa realizada em 2022 mostrou que os usuários mobile nos principais mercados mundiais passam de quatro a cinco horas por dia dentro de aplicativos – o que constitui uma enorme oportunidade para os anunciantes.

Mas será que essa estatística é boa demais para ser verdade? Vamos explorar os prós e contras da publicidade in-app (IAAs). Começando com os prós:

1. Impulsione sua receita

Considerando que mais de 90% dos aplicativos são de download gratuito, os proprietários usam anúncios e compras in-app (IAP) como fontes de lucro. 

IAPs podem ser bastante lucrativas quando um aplicativo implementa um modelo de assinatura. No entanto, alguns gêneros, como o de jogos, oferecem compras de baixo valor, enquanto a maior parte dos usuários preferem continuar usando um app gratuitamente, sem pagar por nada. Nesses casos, exibir anúncios entre níveis ou transições pode ser uma boa estratégia, gerando engajamento, impressões e receita sem afetar a experiência do usuário. 

2.  Aumente o engajamento dos usuários

Enquanto os anúncios mobile mais antigos eram bastante espalhafatosos, agora temos uma variedade de opções para engajar os usuários, que geram awareness e impulsionam a retenção. 

Para começar, você deve exibir o anúncio quando o usuário está prestando atenção, mas não durante uma ação crítica. Você pode usar uma segmentação precisa para garantir que os seus anúncios sejam realmente relevantes e até explorar técnicas de gamificação – por exemplo, oferecer recompensas (como moedas no jogo) depois que um usuário assiste um vídeo ou acessa o app por vários dias consecutivos.

3. Impulsione a receita de compras in-app

IAAs e IAPs são métricas que estão diretamente correlacionadas. E, se você conseguir fazer com que elas trabalhem juntas, você estará avançando em direção ao sucesso.

Sabemos que os usuários que se engajam com anúncios in-app têm mais chances de fazer uma compra. Além disso, pesquisas feitas no mercado de jogos mostram que um modelo híbrido de IAA e IAP leva a receitas e a um lifetime value maiores. 

4. Alcance seu público ideal

Pessoas que se dão ao trabalho de instalar um aplicativo já estão interessadas e engajadas com o que ele tem a oferecer. Por isso, alinhar seus anúncios com a demografia e os interesses dos usuários significa que você tem mais chances de conquistar resultados: a publicidade in-app tem o dobro do click-through rate dos anúncios mobile na web (0,54% vs. 0,23%). 

5. Melhore a experiência oferecida aos usuários

Você pode escolher quando exibir o anúncio e qual formato será usado. Os anúncios in-app são otimizados para o mobile, por isso, eles são exibidos com perfeição aos usuários — o que nem sempre acontece com os anúncios na web. 

6. Acompanhe a performance

Para publishers, e mais fácil acompanhar a performance da publicidade in-app do que a da publicidade em sites mobile, pois ela já faz parte das suas mídias. Isso significa que você pode agir rapidamente para otimizar suas campanhas.

Capítulo 3

Importância para os profissionais de marketing  

Agora que você já sabe como a publicidade in-app funciona, você pode estar se perguntando como pode comprovar a eficácia da sua campanha. 

Mensurar, testar e otimizar

Campanhas in-app bem-sucedidas exigem um delicado equilíbrio entre a ad network ideal, segmentação da audiência certa e precisão dos seus anúncios e mensagens. Se algum desses aspectos estiver fora de lugar, a campanha não atingirá seu potencial completo. 

No entanto, ao mensurar cada elemento separadamente, você consegue avaliar quais canais ou criativos trazem os usuários mais valiosos e quais devem ser abandonados ou otimizados. Ou seja, quando você identifica os problemas, você consegue trabalhar para corrigi-los.

O desafio da atribuição

Outro desafio é a atribuição da receita de anúncios, que mostra qual ad network é responsável por trazer um usuário. Por exemplo, uma campanha de aquisição de usuários (UA) traz um usuário que gerou US$2 em IAP, mas que também gerou US$1 com a visualização de anúncios. O valor acumulado é de US$3.

Lembre-se que, com o iOS 14, os desenvolvedores precisam usar a SKAdNetwork, o mecanismo de atribuição agregado da Apple, para mensurar suas campanhas para usuários que não permitem o rastreamento. A SKAdNetwork tem várias limitações que reduzem a quantidade e a qualidade dos dados de LTV e ROAS.  

Os dados no nível do usuário são mais avançados e ricos, contendo informações sobre o usuário como indivíduo. Por isso, é importante que você aproveite os dados que você consegue acessar para informar sua estratégia para aqueles que não permitem o rastreamento. Para mais informações sobre a atribuição na era da privacidade, veja esse guia. 

Capítulo 4

Modelos de preços

Você pode escolher entre diferentes modelos de preços, cada um com suas vantagens e desvantagens. Por isso, é importante escolher a estratégia de monetização certa para o seu app e sua campanha.   

Custo por mil (CPM)

O CPM é o preço que um anunciante paga a um publisher por cada 1.000 (mil) vezes que um anúncio é exibido. 

Vantagens: o preço é baixo em relação a outros modelos.

Desvantagens: não há qualquer garantia de que o anúncio gere cliques ou conversões.

Recomendado quando: seu objetivo é aumentar a visibilidade da sua marca.

Custo por clique (CPC)

Com o CPC, o anunciante paga apenas quando um anúncio recebe um clique. 

Vantagens: como anunciante, você sabe quando há um sinal real de interesse – nesse caso, um clique. 

Desvantagens: alguns cliques podem ser acidentais, o que significa que você pode acabar pagando sem receber nada em troca.

Recomendado quando: seu objetivo é direcionar o tráfego para o seu aplicativo com um orçamento específico.

Custo por ação (CPA)

Com o CPA, o anunciante paga quando um clique conduz a uma ação específica e predefinida em um aplicativo (como um cadastro ou uma compra). 

Vantagens: o CPA é uma opção de baixo risco, que oferece a performance pura de uma ação específica. 

Desvantagens: é um modelo difícil de escalar e, embora a performance seja importante, não se deve ignorar fatores adicionais como o reconhecimento da marca. 

Recomendado quando: você tem uma ação específica que deseja que o usuário faça, como uma compra ou um cadastro.

Custo por instalação (CPI) 

Com o CPI, o anunciante só paga quando a ação resulta em uma instalação. 

Vantagens: se você tiver um público específico e nichado, acabará pagando apenas pelos usuários que realmente querem usar o seu app.

Desvantagens: o CPI não informa se um usuário está engajado ou continua usando o seu app. Além disso, instalações de baixo custo atraem usuários de baixo valor e, potencialmente, instalações fraudulentas.

Recomendado quando: seu objetivo é aumentar o número de instalações ou promover e distribuir o seu app a um público mais amplo. 

Custo por visualização (CPV)

O CPV é utilizado para anúncios em vídeo. Nesse caso, o anunciante só paga quando um usuário vê o vídeo por um determinado período de tempo. 

Vantagens: é um modelo rentável, pois o pagamento só é feito quando alguém mostra interesse no seu vídeo.

Desvantagens: os custos variam de acordo com cada plataforma e, no geral, é mais caro focar em um público específico. Isso significa que usuários que não têm interesse no seu app podem deixar que os seus anúncios sejam reproduzidos e ignorem o seu conteúdo – fazendo com que você gaste o seu dinheiro para nada.  

Recomendado quando: você pretende gerar engajamento ou fazer vendas, indo além do reconhecimento da marca. 

Capítulo 5

Formatos de anúncios in-app

Há uma série de formatos de anúncios disponíveis, dependendo do que você pretende alcançar:

Banners

Os anúncios em banner são, provavelmente, os mais conhecidos dos usuários. Eles são exibidos no topo ou no fim da tela, junto com o conteúdo do aplicativo. Normalmente, incluem uma imagem, um texto e um botão de call-to-action.

Anúncios em vídeo

Os anúncios em vídeo são pequenos clipes que aparecem antes, durante ou depois de um outro vídeo (por exemplo: o anúncio antes de um vídeo começar no YouTube). Eles são altamente atraentes e têm bons clik-through rates.

Anúncios em vídeo com recompensa

Esse formato costuma ser mais usado por aplicativos de jogos. Quando um usuário vê um anúncio, ele recebe uma recompensa. Esse tipo de anúncio é bom para gerar engajamento, especialmente quando a recompensa aumenta se o usuário assiste esses vídeos em dias consecutivos.

Anúncios intersticiais 

Os anúncios intersticiais (também conhecidos como anúncios de tela cheia) normalmente aparecem durante uma transição no aplicativo, por exemplo, entre níveis de um jogo. Eles podem ser anúncios estáticos ou em vídeo.

Anúncios nativos

Os anúncios nativos aparecem no fluxo de conteúdos, por exemplo, no feed de uma rede social, ou como uma recomendação identificada como conteúdo patrocinado. Como eles se misturam com a aparência do aplicativo onde eles são exibidos, os usuários costumam considerá-los mais confiáveis.

Anúncios jogáveis

Os anúncios jogáveis oferecem a oportunidade de “testar antes de comprar”, onde os usuários podem jogar uma mini versão do jogo antes de instalar. Eles são divertidos e interativos, o que faz com que eles conquistem taxas de CPM mais altas para os apps de jogos.

Anúncios em offerwalls

Assim como os vídeos com recompensa, anúncios em offerwalls costumam ser uma página com uma lista de ofertas. O usuário pode escolher uma oferta, como vidas extras ou moedas no aplicativo. Esses anúncios têm taxas de engajamento mais altas, pois eles são ativados pelo usuário e ajudam a ampliar o tempo da sessão.

Capítulo 6

7 práticas recomendadas

No que diz respeito a IAAs, há uma série de dicas e truques que podem te ajudar a alcançar o sucesso.

Testes, testes e mais testes

Para entender qual combinação de fatores entrega os melhores resultados, é importante fazer inúmeros testes. 

Teste o formato de anúncio que funciona melhor para cada campanha. Teste diferentes modelos de preços e veja qual é o mais adequado para o seu aplicativo. E, por fim, teste diferentes ad networks e veja quais trazem os CPMs mais elevados.

Siga as diretrizes de privacidade

Com o avanço de preocupações com a privacidade e a evolução dos regulamentos, é fundamental se manter atualizado e garantir que o seu aplicativo funcione de acordo com os requisitos. 

Foque nos usuários certos 

Se IAAs forem um fluxo de receitas fundamental para o seu app, certifique-se de que os seus esforços de UA façam a segmentação de usuários com base na sua capacidade de rentabilização com anúncios. 

Invista em seus criativos

Com tantos concorrentes tentando capturar a atenção dos usuários, visuais atraentes e textos convincentes são cruciais para aumentar o awareness, o engajamento e o retorno. Assim, os testes A/B são uma ótima forma de refinar os seus criativos. 

Viewability 

De acordo com as diretrizes definidas pelo Media Rating Council e pelo Interactive Advertising Bureau, uma impressão de um anúncio display mobile só é considerada viewable se: 

• 50% ou mais dos pixels do anúncio estavam visíveis
• O requisito de pixels foi cumprido durante pelo menos um segundo contínuo, após ad-render. 

Sem esses dois requisitos, o seu anúncio não “conta”. Por isso, é fundamental que você faça testes e se certifique de que está cumprindo com esses limites.

Não faça publicidade excessiva

Com a segmentação certa da sua audiência, você pode dividir os usuários entre aqueles que instalaram ou compraram e aqueles que não o fizeram. Tente mostrar anúncios aos usuários que preferem não fazer compras ou pagamentos em vez daqueles que converteram. 

Depois que um usuário é convertido, certifique-se de mudar a sua mensagem para focar no reengajamento. 

Pense na UX

Lembre-se, o marketing não é sobre você – é sobre os seus clientes. Planeje cuidadosamente os seus anúncios e certifique-se de que eles de fato melhoram a experiência do usuário. Por exemplo, mostrar anúncios durante um vídeo não atrapalha a experiência, mas pode incomodar se um usuário estiver lendo um conteúdo. Da mesma forma, anúncios muito frequentes podem afastar os usuários da sua marca.

Principais conclusões

A publicidade in-app é um fluxo de receitas essencial para os anunciantes, especialmente em um mercado freemium. Para aproveitar as vantagens dos IAAs, lembre-se: 

1. Os anúncios in-app podem te ajudar a aumentar sua receita, gerar engajamento, aumentar as compras in-app e oferecer uma experiência positiva à sua audiência. Os desafios dessa estratégia incluem a competitividade do ecossistema e as dificuldades de mensuração, enquanto os fraudadores e os bloqueadores de anúncios podem prejudicar sua performance. 
2. No lado da compra, os aplicativos solicitam um anúncio através de uma ad network, que vende o espaço de anúncio para o anunciante que faz a maior oferta do lado da venda. Os anúncios relevantes são exibidos para o usuário em tempo real.
3. Os modelos de preços de IAA incluem CPM, CPC, CPA, CPI e CPV. Eles oferecem uma comparação do custo da sua campanha com o resultado desejado. Assim, o modelo ideal depende dos seus objetivos. 
4. Os formatos de anúncios in-app incluem banners, vídeos, vídeos recompensados, intersticiais, anúncios jogáveis e offerwalls. 
5. Teste diferentes formatos para descobrir quais geram um maior engajamento. Invista nos seus criativos, pense na experiência do usuário e não exagere na publicidade, pois isso pode afastar seus clientes. 
6. Esteja atento a atividades fraudulentas e opere dentro das diretrizes de privacidade e das normas de viewability.

Introdução

App Store Optimization, ou ASO, é o processo de otimização de um app ou jogo nas lojas de aplicativos (Apple App Store, Google Play Store, Microsoft Store) para maximizar sua visibilidade, melhorar taxas de conversão e impulsionar downloads orgânicos. 

Em essência, o ASO é o SEO (Search Engine Optimization) para aplicativos. Com a introdução da ATT, o ASO se tornou ainda mais importante – a aquisição de usuários está cada vez mais desafiadora, pois o IDFA está sendo lentamente desativado e a Apple avança cada vez mais em direção à segmentação contextual, sem falar no futuro lançamento do Sandbox do Google.

Nesse guia, vamos explicar como você pode dominar o ASO e aproveitar suas vantagens para o seu negócio.

Capítulo 1

O que é App Store Optimization?

App Store Optimization, ou ASO, é o processo de aprimoramento da visibilidade, alcance e taxas de conversão de apps e jogos nas lojas de aplicativos. Antes de falar sobre as diferentes estratégias que podem ser usadas para melhorar seus rankings, vamos entender como tudo isso começou.

Breve história do ASO

A App Store da Apple foi lançada em 2008, revolucionando a maneira como usamos nossos celulares. No mesmo ano, vimos o lançamento da Google Play Store para dispositivos Android. O que começou com apenas 500 aplicativos, tornou-se 3,5 milhões no Google Play e 2,2 milhões na App Store, respectivamente, em 2022. 

Não demorou muito para que esse marketplace se tornasse extremamente concorrido, trazendo dois grandes desafios: como os desenvolvedores poderiam fazer com que o seu app se destacasse? E como os usuários poderiam encontrar novos apps?

Aqui entra o ASO. Assim como a pesquisa do Google tinha seu próprio conjunto de regras de classificação para SEO, a App Store também tinha um algoritmo próprio. Ou seja, palavras-chave, quantidade de instalações, classificações e avaliações.

Thomas Petit divide a ascensão do ASO em duas fases: ASO 1.0 e ASO 2.0. 

ASO 1.0

A princípio, o ASO tinha as palavras-chave como principal foco. Ou seja, o recomendado era incluir palavras-chave no título do aplicativo e definir uma palavra-chave principal na hora de publicar um app. Com o aumento da concorrência, surgiram mais estratégias de black hat (ou seja, táticas que iam contra os termos de serviço e que tinham como objetivo hackear os rankings dos aplicativos).

ASO 2.0

O ASO se tornou um pouco mais complicado. Usar diversas palavras-chave sem sentido na descrição do seu app já não era mais o suficiente. Assim, o foco passou a ser a experiência oferecida aos usuários. 

Nessa fase, o algoritmo do ASO começou a considerar o comportamento de navegação e de tráfego de referral. Ou seja, taxas de conversão e o tempo gasto em uma página de aplicativo passaram a ditar a qualidade de um app.

Hoje, o ASO é um pouco mais complexo.

Por que você deve se importar com o ASO?

O ASO ajuda a aumentar o número de impressões e gera mais downloads orgânicos, se traduzindo em uma maior exposição de marca e aumento da receita.

Vamos supor que alguém está procurando por apps de treinos de academia e procura por “treino” na App Store. A diferença nos resultados obtidos quando o seu app é exibido na primeira página em comparação com a quinta página é gritante. 

Ou seja, melhorar os seus rankings permite que você tenha uma grande vantagem competitiva. Ocupar a primeira posição é como ter um restaurante bem no meio da rua mais movimentada da cidade: as pessoas sabem instantaneamente que o seu app é o app certo. 

Em contrapartida, a quinta página do resultado da pesquisa é como um beco escondido na sombra. Ninguém se atreve a se aventurar lá – e, quando isso acontece, normalmente as pessoas duvidam da qualidade do que você oferece.

ASO como estratégia de aquisição de usuários

Um bom ASO gera uma aquisição de usuários orgânica, que costumam ser mais engajados e fieis do que usuários pagos. Uma taxa de conversão mais elevada significa mais downloads e uma redução nos custos de aquisição de usuários em todos os seus canais de marketing. 

O ASO é essencial para manter a sua competitividade no mercado atual, especialmente se você não tiver os orçamentos necessários para competir com grandes conglomerados. 

ASO e SEO: são a mesma coisa?

Teoricamente, o App Store Optimization e Search Engine Optimization são muito parecidos. O SEO é a otimização de um site para melhorar as classificações em mecanismos de busca como o Google e o Bing, enquanto o ASO é a otimização de um app para melhorar seus rankings nas lojas de aplicativos. 

As principais diferenças entre esses dois modelos é a forma como eles são executados.

O foco do ASO é impulsionar downloads orgânicos, reduzir custos de aquisição e melhorar as chances de descoberta do seu app, enquanto o objetivo do SEO é impulsionar o tráfego orgânico e conversões de um site.

Capítulo 2

App Store do iOS vs. Google Play Store

Em todas as plataformas, o ASO consiste em tornar a página do seu app mais informativa, relevante e atraente. Dito isso, existem algumas diferenças importantes entre a App Store da Apple e a Google Play Store, especialmente em seu algoritmo e fatores de classificação. 

Embora os algoritmos exatos não estejam disponível publicamente, ambos dependem de quatro principais conceitos: qualidade, atualização, escala da marca e valor para o usuário. 

Listamos alguns dos fatores que contribuem para esses critérios:

Fatores de ranking da Apple App Store

• Nome do aplicativo
• Subtítulo do app
• URL do aplicativo
• Campo de palavras-chave
• Ciclo de atualização
• Downloads
• Engajamento
• Número de instalações
• Avaliações e classificações do app
• Atualizações do app
• Compras in-app

Fatores de ranking da Google Play Store

• Título do aplicativo
• Descrição curta
• Descrição longa
• Ciclo de atualização
• Número de instalações
• Avaliações e classificações do app
• Compras in-app

Receba notícias de marketing e insights de especialistas direto em seu e-mail

Capítulo 3

Como ser um especialista em ASO

Agora que você já sabe por que o ASO é fundamental para o seu sucesso, vamos falar de detalhes mais práticos. Nesse capítulo, vamos explicar como você deve fazer uma pesquisa de palavras-chave que será aplicada nas páginas dos seus apps para atrair mais visitantes e impulsionar mais downloads.  

Como realizar uma pesquisa de palavras-chave

Primeiro, vamos definir o que é uma palavra-chave. Uma palavra-chave é um termo que descreve o seu aplicativo:

1. Problema: quais são os problemas que o seu app soluciona?
2. Funcionalidade: qual é o principal atrativo do seu app?
3. Usuário: qual é a demografia e psicografia da sua base de usuários?
4. Localização: onde o seu app é usado e para qual ocasião?
5. Ação: qual é a ação que o seu app oferece? Reservar um hotel? Alugar um carro?

1 – Brainstorming de palavras-chave

Você pode ter milhares de ideias usando diferentes estratégias:

• Use ferramentas de pesquisa como AppRadar ou AppTweak
• Abra um dicionário de sinônimos e encontre o maior número possível de sinônimos para as suas principais palavras-chave
• Leia as avaliações dos seus usuários
• Analise as palavras-chave usadas por seus concorrentes
• Descreva o que torna o seu app único
• Identifique o seu nicho
• Use o preenchimento automático ou sugestões de palavras-chave de ferramentas de IA 

2 – Valide e refine as suas palavras-chave

Agora que você tem uma lista substancial, filtre os melhores termos identificando os seguintes pontos:

1. Relevância: até que ponto uma palavra-chave está diretamente relacionada com o seu app?
2. Dificuldade e concorrência: quantos aplicativos competem por uma mesma palavra-chave? Existe uma oportunidade de arbitragem no seu volume atual?
3. Volume de pesquisa: quantas pessoas pesquisam por essa palavra-chave?

Fatores dos rankings de ASO que você precisa saber 

Agora que você já domina a pesquisa de palavras-chave, vamos explicar como você pode aplicar esses resultados à página do seu app. Existem algumas estratégias para otimizar seu ranking:

Nome e título do aplicativo

Considerado como um dos fatores mais importantes para melhorar o seu ranking no ASO, o título de um app é o nome oficial exibido na sua página na App Store ou na Google Play Store. 

Em ambas as lojas, o limite é de 30 caracteres, o que significa que você precisa ser breve (normalmente, isso dá um máximo de quatro palavras). 

Como escolher um nome para o seu app

1. Pegue sua lista de palavras-chave e encontre uma forma de incorporá-las em seu título.
2. Escolha um nome original que não viole direitos autorais ou marcas registradas. 
3. Considere usar uma dessas combinações:
   1. Nome da marca + palavra-chave (Panera Bread, Google Fotos)
   2. Nome da marca: palavras-chave e frases (Canva: Design)
   3. Condensar palavras e frases (WeChat, Dropbox)
   4. Criar uma palavra completamente nova (Airbnb)

Para mais dicas, leia o nosso guia sobre como escrever um título de aplicativo eficaz.

1 – A legenda

Sua legenda pode ter até 30 caracteres e é o segundo maior fator de classificação no ASO. Pode ser uma tagline ou um call-to-action. Por uma questão de espaço, considere usar vírgulas para listar palavras-chave consecutivas. 

2 – Campo de palavras-chave

Publishers podem usar um máximo de 100 caracteres nesse campo. Você pode introduzir várias palavras-chave separadas por vírgulas. Não se esqueça de que as vírgulas contam para o limite de caracteres e evite adicionar espaços após a vírgula.

3 – Títulos de compras in-app (IAPs)

Com o menor peso no ranking, o nome das compras in-app fornecem um contexto adicional ao algoritmo. 

4 – Package name (Google Play)

Na Google Play Store, você pode publicar o seu app usando uma URL personalizada, também conhecida como package name. Você pode adicionar suas principais palavras-chave, mas lembre-se que a URL só pode ser publicada uma vez e, depois, não pode ser alterada.

5 – Não duplique palavras-chave no iOS

A Google Play Store recompensa aplicativos que utilizam a mesma palavra-chave no título, nas descrições e em outros locais. Use uma palavra-chave uma vez no título e na descrição curta, e cinco vezes na descrição longa. 

Por outro lado, o iOS considera uma palavra-chave somente uma vez. Por isso, recomendamos que você evite duplicar esses termos na App Store.

6 – Descrição curta

A descrição curta tem um máximo de 80 caracteres no Google Play e 45 caracteres na App Store. Nela, você deve dar uma visão geral do que o seu app oferece. O texto deve ser suficientemente atraente para que potenciais usuários queiram saber mais, clicando em “ver mais” para ler a descrição completa do app. 

7 – Descrição do aplicativo

O limite de caracteres para as lojas de aplicativos é de 4.000 caracteres. Ou seja, você tem bastante espaço para trabalhar na descrição do seu app. Use suas palavras-chave primárias, secundárias e terciárias para descrever:

• Suas funcionalidades mais atraentes
• O que torna o seu app único
• Por que um usuário vai adorar o seu produto
• Suas principais vantagens
• Qual problema o seu app soluciona

Inclua provas sociais como prêmios recebidos, compartilhe avaliações positivas e destaque a sua posição na sua vertical (por exemplo: o melhor app para acompanhar partidas de futebol!).

Capítulo 4

Dicas e táticas

O ASO é um processo longo, que exige testes constantes. Sempre há algo que pode ser melhorado. 

Por isso, trouxemos algumas dicas e táticas que podem te ajudar:

Sempre atualize o seu aplicativo

Ninguém quer usar um app desatualizado. As tendências de design estão sempre mudando e as lojas de aplicativos querem que você melhore o seu app com regularidade. 

Especialistas recomendam que você atualize seus metadados (nome, descrição, imagens, vídeos do app) a cada quatro semanas na App Store e a cada 6-8 semanas na Google Play Store. Dito isso, cada aplicativo é diferente. Por isso, recomendamos que você use essas informações como referência, antes de testar uma frequência que funcione melhor para o seu caso.

O hábito de atualizar regularmente o seu app é uma forma de se preparar para quaisquer atualizações da loja e alterações de algoritmos, permitindo que você se ajuste a novos concorrentes de uma forma mais ágil e garantindo que o seu app mantenha sua relevância.

O design visual impulsiona conversões

Não basta oferecer uma boa descrição do seu app. O design desempenha um papel importante no marketing na loja de aplicativos, e um bom design gera um maior engajamento, mais visualizações, cliques e conversões. 

Os visuais são compostos por três elementos principais: ícone, capturas de tela e pré-visualização ou vídeos promocionais do seu app:

1 – Ícone do aplicativo

Um ícone bem projetado é inconfundível e memorável. Por isso, use elementos textuais somente quando necessário. Escolha ícones gráficos em vez de fotografias, pois eles podem ser dimensionados de acordo com o contexto do local onde eles são exibidos. Por último, sempre faça testes.

Como referência, recomendamos que você veja as diretrizes da Apple para ícones de apps. 

2 – Capturas de tela

As capturas de tela são a melhor forma de causar uma excelente primeira impressão. Considerando o tanto de espaço que esse elemento ocupa, essa é uma ótima maneira de contar uma história e apresentar suas funcionalidades mais específicas. 

Na primeira captura de tela, certifique-se de mostrar o seu principal selling point.  

Temos algumas dicas:

1. A simplicidade é fundamental. O seu app deve ser a estrela do show – por isso, evite distrações desnecessárias.
2. Use o mínimo de texto possível.
3. Certifique-se de que as suas capturas de tela sigam um fluxo coerente para contar uma história.
4. Seja consistente com a sua escolha de cores, mantendo o esquema de cores da sua marca.

3 – Pré-visualização e vídeo promocional

A pré-visualização da App Store e o vídeo promocional do Google Play são uma forma de promover o seu app através de um anúncio em vídeo, permitindo que você ofereça uma visão geral de como o seu app funciona. 

Certifique-se de que o vídeo seja filmado dentro do seu app e de que você ofereça uma prévia honesta das funcionalidades do seu produto.

Pense nisso como um test drive, como uma oportunidade para seus potenciais usuários de terem uma prévia da experiência no seu aplicativo: 

• Capture a atenção dos usuários nos primeiros cinco segundos.
• Faça um vídeo curto e fique atento ao seu ritmo.
• Ofereça um som de boa qualidade.
• Inclua um CTA claro.
• Certifique-se de não usar músicas e imagens protegidas por direitos autorais.
• Considere que muitos usuários também assistem ao seu vídeo sem som. Use textos e gráficos para explicar sua principal mensagem.

Faça testes A/B

Vamos supor que você já completou a página do seu app e usou todos os recursos que mencionamos até agora para se destacar da sua concorrência. Fazer testes é fundamental para continuar melhorando os seus rankings e taxas de conversão:

1. Faça um levantamento da sua categoria. Observe atentamente seus concorrentes, fique de olho em suas posições nos rankings e em como eles divulgam seus apps.
2. Certifique-se de ter tráfego suficiente para testar sua performance. Um bom ponto de partida é receber pelo menos 400 visitantes no perfil do seu app.
3. Formule uma hipótese definindo um objetivo simples, claro e mensurável. Por exemplo, melhorar seu tráfego, suas taxas de conversão, o tempo entre um clique e uma instalação, taxas de engajamento e retenção.
4. Considere a possibilidade de testar em diferentes locais. Mas não aplique os resultados de um teste A/B da App Store em um teste da Google Play Store, pois cada plataforma oferece uma experiência e usuários com comportamentos ligeiramente diferentes, o que exige que sejam feitos testes distintos.
5. Crie uma variação a ser testada que inclua somente uma alteração significativa.
6. Faça testes durante uma ou duas semanas e analise os resultados. Certifique-se de usar dados significativos. 
7. Por fim, analise os resultados e faça as otimizações necessárias!

Sazonalidade

A sazonalidade provoca flutuações no comportamento dos usuários que não devem ser ignoradas. Por exemplo, no Ano Novo, observamos um salto nos downloads de apps de fitness (que se correlaciona com as novas adesões em academias). 

Por isso, é importante que você atualize o ícone, capturas de tela e promoções do seu app para representar diferentes feriados e festas comemorativas. A solução pode ser bastante simples, como colocar um gorro de Papai Noel no seu logo ou anunciar novos conteúdos temáticos em suas capturas de tela.

Também é importante considerar eventos específicos de cada categoria. Por exemplo, a próxima Copa do Mundo pode estar se aproximando ou talvez você queira anunciar a entrada de um filme de sucesso em seu app de streaming. 

Você pode apresentar todos esses elementos na página do seu produto. No entanto, lembre-se de não manter esses novos elementos por muito tempo, para evitar que o seu app pareça desatualizado.

Principais conclusões

• ASO é o processo de otimização de um app ou jogo nas lojas de aplicativos para maximizar sua visibilidade, melhorar taxas de conversão e impulsionar downloads orgânicos. 
• As 3 primeiras posições recebem cerca de metade de todos os download, enquanto todos os apps que passam da 10ª posição não recebem praticamente nenhuma instalação. 
• O ASO para a App Store e para a Google Play Store é bastante parecido. No entanto, ao contrário da Google Play Store, a App Store não dá peso extra às palavras-chave duplicadas. 
• O ASO é um processo contínuo que requer muitos testes. Certifique-se de trabalhar com uma quantidade significativa de dados antes de tirar quaisquer conclusões. E, como sempre, faça muitos testes!

Tendências de desinstalação: categoria, localização geográfica, tipo

Desinstalação teve melhora de 10% em 2023, mas continua elevada

As desinstalações são uma realidade na vida de qualquer app. Mas qual é o real tamanho desse problema? De acordo com nossos dados (veja a amostra de dados no final desse blog post), mais de 1 a cada 2 aplicativos instalados são desinstalados dentro de 30 dias após o download. 

A tolerância dos usuários com aplicativos que não atendem às suas expectativas é extremamente baixa, especialmente considerando as inúmeras alternativas disponíveis nas lojas de aplicativos. Embora as desinstalações continuem sendo um problema significativo, esse é o segundo ano em que observamos uma melhora (em 2023, houve uma melhora de 10% em relação ao ano anterior e, em 2022, de 8% em relação ao ano anterior). Essa é uma tendência positiva por si só.

Os profissionais de marketing, especialmente na vertical de jogos, realizaram campanhas agressivas de aquisição de usuários para aproveitar o aumento do tempo de tela, conforme os smartphones se enraizaram na sociedade moderna. Assim, se a atividade de instalação é alta e os usuários estão mais inclinados a experimentar novos aplicativos, as desinstalações também aumentam.

Apps de namoro e jogos sofrem mais, mas nenhuma vertical está imune

Os aplicativos de namoro sofrem com as maiores taxas de desinstalação, seguidos pelos aplicativos de jogos e de entretenimento. 

O fato de que quase 1 a cada 2 aplicativos de jogos são desinstalados dentro de 30 dias é o resultado da natureza exploratória dessa vertical, na qual os usuários estão constantemente experimentando novos apps. Se um jogo não gera uma primeira impressão memorável, ele geralmente é desinstalado em um piscar de olhos.

Quando o espaço de armazenamento é um problema, é muito mais provável que os usuários desinstalem um jogo, no lugar de excluir outros dados. Em contraste, o branding faz toda a diferença para apps de compras, delivery e apps relacionados a estilos de vida. As empresas dessa categoria costumam ser reconhecidas pelos usuários fora do aplicativo, o que fortalece ainda mais sua conexão. 

Por outro lado, a alta taxa de desinstalação de aplicativos de namoro após 30 dias de uso pode ser explicada por uma falta de paciência dos usuários ou pelo fato de que as pessoas estão começando a voltar aos seus velhos hábitos – ou seja, às interações cara a cara.

Diferença orgânica/não orgânica nos jogos é de apenas 14%

Os usuários orgânicos têm uma intenção maior do que os usuários não-orgânicos e, portanto, não surpreende que sua taxa de desinstalação seja bem menor – a média entre as verticais mostra uma diferença de 24%.

Há uma clara diferença entre aplicativos de namoro e outras categorias: as instalações não orgânicas resultam em uma taxa de desinstalação de 69% no dia 30. Isso pode ser explicado não apenas pela grande quantidade de aplicativos de namoro, mas também pela falta de paciência dos usuários com a experiência proposta.

Apesar dos aplicativos de jogos ficarem em 2º lugar, a disparidade entre as taxas de desinstalação orgânica e não orgânica no dia 30 é menor em comparação com a de outras verticais. Em jogos, essa diferença é de apenas 14%, enquanto em outros aplicativos, ela fica em torno de 25%.

Isso pode ser atribuído à natureza exploratória comumente associada aos jogos. Os usuários geralmente experimentam novos jogos diretamente na loja de aplicativos, resultando em uma diferença menor entre as taxas de desinstalação orgânica e não orgânica nessa categoria.

Desinstalação em países emergentes é 20% maior do que em países desenvolvidos

Quando olhamos para o mapa, vemos uma clara diferença entre os mercados emergentes e desenvolvidos. As desinstalações são particularmente prejudiciais para mercados emergentes, sendo que as taxas mais altas ocorrem no Nepal, Bangladesh e Paquistão.

No geral, a taxa de desinstalação entre países emergentes foi de 18% (Peru) a 30% (Paquistão) maior do que a média de desinstalação de 51% nos países desenvolvidos (EUA, Reino Unido, Japão, Coréia, França e Alemanha). No geral, a diferença média foi de 20%.

Dito isto, os países desenvolvidos também não são imunes às desinstalações. Essa diferença se explica principalmente por conta da predominância do iOS e pelo fato de que os usuários desses países usam dispositivos com alta capacidade de armazenamento.

Cuidado com o dia 1

Para identificar exatamente quando os usuários desistem de usar seu app e planejar a otimização de forma mais estratégica, os profissionais de marketing também devem estar cientes das suas taxas ao longo do tempo.

Os dados mostram que o primeiro dia é quando a maioria dos usuários desinstalam um app, provavelmente como resultado de expectativas não atendidas ou falsas promessas. 

Claramente, criar uma experiência de onboarding excepcional, usando deep linking e oferecendo tutoriais bem elaborados, é fundamental.

Embora todas as verticais apresentem uma tendência semelhante nos primeiros 30 dias, os aplicativos de finanças se destacam desde o início, com taxas 23% mais altas no dia 1 em comparação com a média de outras verticais.

Benchmarks de desinstalação: média, top 25% e top 10%

Taxas de desinstalação de jogos no Android, por país/categoria (agosto – novembro 2023) *

Baixe a tabela completa:

Taxas de desinstalação de outras verticais no Android, por país/categoria (agosto – novembro 2023) *

Baixe a tabela completa:

Principais conclusões

Mensure

É fundamental que os aplicativos mensurem suas taxas de desinstalação para entender todos os detalhes por trás delas. A implementação da atribuição de desinstalação é uma etapa rápida e fácil para minimizar esse desafio.

Primeiras impressões são tudo

Como a taxa de desinstalação é mais alta no primeiro dia de uso, é importante que você domine o processo de onboarding. Para reduzir as desinstalações no primeiro dia e na primeira semana, ofereça uma boa experiência de onboarding para gerar uma conexão duradoura com seus usuários.

Cumpra com suas promessas

Fazer muitas promessas na tentativa de obter um download é uma estratégia que pode gerar um efeito negativo, levando à frustração e danificando sua marca de forma irreparável.

Promova seu aplicativo antes do download

Use anúncios em vídeo, anúncios interativos (quando relevante) e tenha uma página da loja de aplicativos bem descritiva, incluindo vídeos e imagens. Quanto mais os usuários entenderem como o seu aplicativo funciona, menor é a probabilidade de desinstalação.

Mantenha seu aplicativo em primeiro plano

Para evitar desinstalações, incentive o engajamento contínuo desde o início. Use todos os canais disponíveis – push, e-mail, retargeting, redes sociais – para manter seu aplicativo sempre em primeiro plano. Ofereça a melhor experiência para os seus usuários: não exagere em sua interação, planeje cuidadosamente suas estratégias de reengajamento e certifique-se de usar o deep linking para oferecer uma jornada fácil e rápida.

Ouça o feedback dos usuários

Faça parte de todas as conversas sobre seu aplicativo nas redes sociais, lojas de aplicativos (por meio das avaliações) e comunidades. Responda aos comentários negativos entrando em contato pessoalmente com usuários insatisfeitos e resolvendo rapidamente seus problemas.

Proteja a privacidade e a segurança dos seus clientes

A mensuração de desinstalação permite que os profissionais de marketing apliquem medidas de privacidade, excluindo os usuários que desinstalaram o app da sua estratégia de segmentação.

Defina KPIs

Entenda a relação entre o comportamento dos usuários e a performance do app, mensurando eventos in-app e acompanhando seu progresso ao longo do funil. Identifique em que ponto um usuário ativo se torna inativo para que você possa incentivá-lo a continuar usando seu app, oferecendo uma promoção especial, desconto, etc. Se você observar uma queda após um determinado estágio do funil, provavelmente precisará fazer uma alteração no próprio app.

Crie um aplicativo fantástico

Embora isso soe como um conselho mais útil para gerentes de produto, e não para profissionais de marketing, a melhor maneira de reduzir a taxa de desinstalação é lançar um app realmente impressionante. Independentemente dos seus esforços de marketing, se o seu aplicativo não cumpre com todas as suas promessas, nada impedirá que um usuário clique em “desinstalar o app”.

Amostra de dados:

4 bilhões de instalações de aplicativos com atribuição de desinstalação, de janeiro de 2022 a dezembro de 2023 (dados inclusivos)

5.000 aplicativos que mensuram desinstalações e tiveram pelo menos 3.000 instalações não orgânicas por mês

* A taxa de desinstalação foi calculada dividindo o número de desinstalações dentro de 30 dias após o download de um aplicativo pelo total de instalações do mesmo app.            

Todos os resultados se baseiam em dados totalmente anônimos e agregados. Para garantir a validade estatística, seguimos rigorosos limites de volume e metodologias.

Conheça um novo mindset de marketing: mais rápido e alimentado por dados

Atualmente, os consumidores têm mais opções do que nunca. Com muita facilidade, eles navegam rapidamente para acessar o que querem, sempre que querem. Com a pandemia e uma demanda crescente por serviços e entretenimento digital, a concorrência no ecossistema de aplicativos se tornou mais acirrada do que nunca. 

Ficar um passo à frente das mudanças é a única maneira de permanecer competitivo. A modelagem preditiva nos permite fazer exatamente isso, ajudando os profissionais de marketing a entender os comportamentos e tendências do consumidor através da previsão de ações futuras e do planejamento de campanhas de acordo com decisões baseadas em dados. 

A ciência da análise preditiva existe há anos e é usada pelas maiores empresas do mundo para aperfeiçoar suas operações, antecipar alterações na oferta e demanda, prever mudanças globais e usar históricos de dados para se preparar melhor para eventos futuros. 

Mas afinal, o que é esse híbrido de ciência de dados e marketing? 

A modelagem preditiva é uma forma de análise que usa machine learning e IA para avaliar histórico de dados de campanhas, dados de comportamento dos usuários e dados transacionais adicionais para prever ações futuras. 

Usando a modelagem preditiva, os profissionais de marketing podem tomar decisões rápidas para otimizar campanhas, sem ter que esperar pelos resultados reais. Por exemplo, um algoritmo de machine learning pode descobrir que os usuários que concluíram o nível 10 de um jogo nas primeiras 24 horas tinham 80% mais chances de fazer uma compra no aplicativo na primeira semana. 

Sabendo disso, os profissionais de marketing podem fazer uma otimização quando o evento é concluído dentro 24 horas, bem antes da primeira semana. Se a campanha não tivesse uma boa performance, o investimento contínuo seria um total desperdício de orçamento. Mas se ela gerar bons resultados, dobrar rapidamente o investimento pode gerar resultados ainda melhores. 

E a privacidade?

Qual é o impacto da privacidade sobre a modelagem preditiva, agora que o acesso a dados no nível do usuário é limitado? 

Sabemos que os usuários mobile se tornaram cada vez mais sofisticados e experientes nos últimos anos. Com a privacidade (ou a falta dela) ocupando o centro das atenções, o usuário médio não tem mais pressa em fornecer seus dados para usar um aplicativo ou mesmo para desfrutar de uma experiência mais personalizada. 

Mas será que os anunciantes realmente ficaram no escuro quando se trata do acesso a dados de qualidade?

Não necessariamente. Ao combinar a modelagem preditiva, SKAdNetwork, dados agregados e análise de cohort, os profissionais de marketing podem tomar decisões bem-informadas mesmo em uma realidade de acesso limitado ao IDFA. 

Mas por onde devemos começar? Uma coisa é mensurar eventos, monitorar a performance e fazer otimizações. Outra coisa é analisar uma grande quantidade de dados, além de desenvolver e aplicar modelos preditivos que permitirão que você tome decisões ágeis e precisas baseadas em dados. 

Bem, não tenha medo. Estamos aqui para te ajudar. 

Neste guia prático – uma colaboração entre a AppsFlyer, a AppAgent (agência de marketing digital) e a Incipia – vamos falar sobre como os profissionais de marketing podem melhorar ainda mais suas habilidades de dados e conquistar a tão cobiçada vantagem competitiva usando a modelagem preditiva. 

Modelagem preditiva: conceitos básicos e configuração de mensuração

Em primeiro lugar, por que devemos criar modelos preditivos?

Existem inúmeras vantagens da modelagem preditiva para o marketing mobile. Vamos falar sobre suas vantagens para duas atividades principais:

1. Aquisição de usuários

Conhecer o comportamento típico do usuário e os marcos iniciais que separam usuários com alto potencial dos usuários com baixo potencial pode ser útil tanto para a aquisição como para o reengajamento . 

Por exemplo, se você sabe que um usuário precisa gerar X até o 3º dia de uso para que você tenha lucro no 30º dia, e esse número está abaixo do seu benchmark — então você sabe que precisará ajustar seus lances, criativos ou sua segmentação para melhorar o custo/qualidade dos seus usuários adquiridos, ou para melhorar suas estratégias de monetização. 

Se, no entanto, esse X ultrapassar seu benchmark, você terá confiança para aumentar orçamentos e lances e extrair ainda mais valor dos seus usuários adquiridos.

2. Publicidade centrada na privacidade

Durante anos, a maior vantagem da publicidade online com relação à publicidade tradicional é a capacidade de usar quantidades significativas de dados de performance mensuráveis ​​para identificar o público-alvo desejado. 

Quanto mais específicas forem suas campanhas, maior é a probabilidade de impulsionar um LTV de usuário mais alto e ter um orçamento eficiente. Mas e se você pudesse ter acesso a um grupo de amostra maior e receber um insight imediato sobre seu potencial valor?

A modelagem preditiva permite que você faça exatamente isso; expandir o público potencial da sua campanha. Ao criar diferentes clusters de características comportamentais, seu público pode ser segmentado não por sua identidade, mas pela interação com sua campanha em seus estágios iniciais.

O que devo mensurar?

Para entender o que você precisa mensurar para acertar em suas previsões, vamos avaliar quais pontos de dados podem ou não ser úteis:

Métricas

Todas as métricas são pontos de dados, mas nem todas as métricas são key performance indicators (KPIs). As métricas são mais fáceis de calcular e amadurecem muito mais rápido do que os KPIs, que tendem a envolver fórmulas complexas.

É importante ressaltar que, com a SKAdNetwork, as métricas abaixo ainda podem ser mensuradas, mas com um nível menor de precisão. Mais detalhes no capítulo 5.

1) As métricas legadas geralmente são consideradas de baixa confiança para a previsão de lucro, mas podem ser acessadas com mais rapidez: 

• Click to install (CTI) – a conversão direta entre os dois touchpoints mais fortes na jornada pré-instalação do usuário, o CTI é fundamental tanto do ponto de vista social como técnico, pois taxas mais baixas podem indicar uma audiência não relevante, criativos ineficazes ou um tempo de carregamento lento antes da instalação ser concluída.

Fórmula: número de instalações / número de cliques em anúncios

• Taxa de cliques (CTR) – a relação entre um clique em um determinado anúncio e o número total de visualizações. Mais no topo do funil, o CTR tem um valor limitado, informando outras metas gerais de marketing. No entanto, ele também pode refletir diretamente a eficácia do criativo de uma campanha com base nos cliques recebidos.

Fórmula: número de cliques / número de visualizações de anúncios

2) As métricas de indicadores iniciais geralmente são consideradas de média confiança para a previsão de lucro, e também podem ser acessadas rapidamente.
Como há um foco maior no fundo do funil atualmente, uma instalação não é mais um KPI suficiente. Dito isso, as métricas a seguir, embora não sejam úteis para a previsão de lucro, ainda são úteis como indicadores iniciais que informam os profissionais de marketing sobre a probabilidade de suas campanhas gerarem lucro.

Alguns exemplos incluem:

• Custo por instalação (CPI) – Com foco em instalações pagas em vez de orgânicas, o CPI mensura seus custos de UA em resposta à visualização de um anúncio.

Fórmula: gastos com anúncios / total de instalações diretamente vinculadas à campanha publicitária

• Taxa de retenção – é a quantidade de usuários que retornam ao app após um determinado período de tempo. 

Cálculo: [(CE – CN) / CS)] x 100

CE = número de usuários no final do período

CN = número de novos usuários adquiridos durante o período

CS = número de usuários no início do período

Com exceção da taxa de retenção, as métricas tendem a estar vinculadas a um modelo de marketing e não ao seu modelo de negócios e, como tal, não são úteis para determinar se os usuários adquiridos gerarão lucro para sua empresa.

Se você pagar US$ 100 por clique ou por instalação, é provável que você não tenha lucro. Se o seu CTR for de 0,05%, é provável que a mecânica do leilão te force a pagar uma taxa alta por instalação, fazendo com que você tenha uma margem menor para obter lucro. 

As métricas não são tão úteis para realizar previsões quando ajustamos nossos valores de confiança para ter uma precisão melhor, por exemplo, quando a linha de lucratividade está dentro de um intervalo de CPI de US$ 2 a US$ 6.

KPIs

É importante separar os KPIs comuns em dois grupos:

1) Preditores confiáveis ​​de KPI de nível 2 – definidos por um nível de confiança médio-alto na previsão de lucro, e disponibilidade lenta: 

Eles são úteis para servir como benchmarks iniciais de lucro, oferecendo um nível de confiança maior do que os indicadores principais (métricas). Os KPIs de nível 2 levam mais tempo para amadurecer e também oferecem menos confiança do que os KPIs de nível 1.

*Observe que, com a SKAdNetwork, os seguintes KPIs não podem ser mensurados juntos.

• Custo de aquisição do cliente, por usuário pagante
• Custo ou conversão de ações-chave – por exemplo, quantidade de partidas jogadas no primeiro dia de uso ou quantidade de visualizações de conteúdo durante a primeira sessão
• Custo baseado em tempo, ou conversão em ações-chave (por exemplo, custo por quantidade de partidas de jogos no primeiro dia ou custo por visualização de conteúdo durante a primeira sessão)
• Custo por dia para usuários retidos: Gasto total por dia x usuários retidos naquele dia. 
• Eventos in-app específicos de cada vertical – por exemplo, conclusão do tutorial, conclusão do nível 5 no dia 1 (jogos), número de páginas de produtos visualizadas na 1ª sessão, número de sessões em 24 horas (compras), etc.

Para a maioria dos modelos de negócios, esses KPIs não podem servir como indicadores confiáveis ​​porque, embora levem em conta custos e eventos comumente correlacionados com lucro, eles perdem a monetização completa dentro da equação do lucro, visto que as aberturas de aplicativos nem sempre equivalem a uma compra in-app, e os usuários pagantes podem comprar mais de uma vez.

2) Indicadores confiáveis de KPI de nível 1 – receita inicial e consequente ROAS como indicação de sucesso de longo prazo – são marcados como KPIs de alta confiança na previsão de lucro, mas com a disponibilidade mais reduzida: 

Os KPIs de nível 1 levam mais tempo para amadurecer completamente ou necessitam de processos complexos para serem determinados. No entanto, eles se ligam diretamente ao seu modelo de negócios e, como tal, são perfeitamente adequados para prever a lucratividade das suas campanhas de marketing. 

• Retorno sobre o gasto com anúncios (ROAS) – é o dinheiro gasto com marketing dividido pela receita gerada pelos usuários em determinado período de tempo.

Lifetime Value (LTV) – é a quantidade de receita que os usuários geraram para seu aplicativo até o momento.

Fórmula: Valor médio de uma conversão x média de conversões em um período de tempo x vida útil média do cliente

Embora o ROAS seja mais fácil de calcular, são necessárias semanas ou até meses para que os usuários continuem gerando curvas de receita. Junto da receita média por usuário, o LTV é uma métrica fundamental para determinar a receita total ou a qualidade do seu aplicativo.

Para finalizar, veja onde cada abordagem se situa no gráfico a seguir (confiança x disponibilidade):

Prós e contras de diferentes modelos preditivos baseados em LTV: insights de grandes profissionais de marketing

Criar um modelo de LTV para prever o ROAS pode ser um processo bastante complicado, considerando sua alta complexidade e os diversos conceitos de previsão existentes. 

Existem algumas diferenças óbvias na forma como diferentes tipos de aplicativos retêm e monetizam os usuários; por exemplo, pense em como jogos que oferecem compras in-app, apps de assinatura e apps de eCommerce são distintos entre si. 

Assim, é claro que não existe um único modelo de LTV ideal para todos. 

Para entender melhor essas complexidades, conversamos com vários especialistas de empresas de jogos e não-jogos, incluindo Hutch Games, Wargaming, Pixel Federation, Wolt e outros. 

Entre os tópicos que abordamos, esses foram os principais: 

1. Quais são os modelos de LTV mais usados? 
2. Como seu modelo de LTV evolui com o tempo?
3. Quem na empresa é responsável por lidar com a modelagem preditiva?
4. Qual é a sua principal métrica para aquisição de usuários?
5. Qual é a sua posição sobre automação de UA e tendências futuras?

Modelos de LTV

Com base em nossas entrevistas, percebemos que há três linhas de raciocínio para previsões de LTV:

1) Modelo de retenção / ARPDAU

• Conceito: Faça o modelo de uma curva de retenção com base em alguns pontos de dados de retenção iniciais. Depois, calcule o número médio de dias ativos por usuário (para o dia 90, 180, etc.) e multiplique por uma receita média por usuário ativo diário (ARPDAU) para gerar uma previsão de LTV.
  • Exemplo: A retenção D1 / D3 / D7 é de 50% / 35% / 25%. Depois de ajustar esses pontos de dados em uma curva de potência e calcular sua integral até o D90, descobrimos que o número médio de dias ativos é 5. Sabendo que o ARPDAU é de US$ 0,40, a previsão de LTV para o dia 90 seria igual a US$ 2.
• Ideal para: Aplicativos com alta retenção (jogos como MMX Racing). Fácil de configurar, pode ser útil principalmente se não houver dados suficientes para outros modelos.
• Inadequado para: Aplicativos com baixa retenção (por exemplo, apps de eCommerce) que não possuem uma quantidade suficiente de pontos de dados de retenção para sustentar esse modelo.

2) Proporção

• Conceito: Calcule um coeficiente (D90 LTV / D3 LTV) a partir do histórico de dados, depois para cada cohort e, por último, aplique esse coeficiente para multiplicar o LTV real do D3 para obter uma previsão do LTV em D90.
• Exemplo: Após os 3 primeiros dias, o ARPU do nosso cohort é de 20 centavos. Usando o histórico de dados, sabemos que D90/D3 = 3. Assim, a previsão do LTV para o D90 seria de 60 centavos (ARPU de 20 centavos x 3). 
• Caso não haja um histórico de dados o suficiente para calcular uma proporção confiável (por exemplo, quando temos apenas 50 dias de dados e queremos uma previsão de LTV em D180, ou temos poucas amostras de LTV em D180), uma estimativa inicial pode ser feita usando os pontos de dados existentes e, em seguida, refinada continuamente conforme recebemos mais dados. 

Mas, nesses casos, é necessário ter cautela com essas estimativas.

• Ideal para: Tipos de aplicativos “padrão”, incluindo muitos gêneros de jogos ou aplicativos de eCommerce. 
• Inadequado para: Aplicativos de assinatura que oferecem um teste gratuito de mais de 1 semana. Muito tempo pode passar antes que uma compra ocorra e, como esse método se baseia em compras, é impossível fazer uma previsão.

3) Previsões baseadas no comportamento

• Conceito: Nesse modelo, coletamos uma quantidade significativa de dados de usuários que permitem essa coleta (dados de sessão, engajamento, compras, mensagens in-app, etc.) e os processamos usando regressões e machine learning para definir quais ações ou combinações de ações são os melhores “indicadores” do valor de um novo usuário.  

Então, um algoritmo atribui um valor para cada novo usuário com base em uma combinação de características (como plataforma ou canal de UA) e ações realizadas (geralmente durante sessões ou dias de uso iniciais).

É importante lembrar que, desde o lançamento das novas restrições de privacidade da Apple com o iOS 14, não é mais possível realizar previsões em nível do usuário. Dito isto, ainda conseguimos realizar previsões agregadas.

• Exemplo: O usuário A teve 7 sessões longas no dia 0 e 28 sessões no total até o dia 3. Ele também acessou a página de preços e ficou lá por mais de 60 segundos.

Sua probabilidade de fazer uma compra no futuro é de 65%, de acordo com a análise de regressão e com o algoritmo baseado em machine learning. Com um ARPPU de US$ 100, seu LTV previsto será de US$ 65.

• Ideal para: Qualquer aplicativo com acesso a uma equipe experiente de ciência de dados, recursos de engenharia e muitos dados. Pode ser uma das poucas opções viáveis ​​em alguns casos (por exemplo, aplicativos de assinatura com um longo período de teste gratuito).
• Inadequado para: Pode ser um modelo excessivo para muitos aplicativos pequenos e médios. Na maioria das vezes, abordagens bem mais simples podem produzir resultados semelhantes, além de serem muito mais fáceis de manter e de serem compreendidas pelo resto da equipe.

Escolhendo o modelo certo para diferentes tipos de aplicativos

Cada aplicativo e cada equipe tem sua própria combinação de parâmetros e considerações que devem entrar no processo de escolha: 

• Do lado do produto, tudo depende da combinação do tipo e da categoria do app, seu modelo de monetização, o comportamento de compra do usuário e os dados disponíveis para uso (assim como sua variação). 

• Do lado da equipe, tudo depende da sua capacidade, competência de engenharia, o conhecimento e o tempo de trabalho disponível.

Agora, vamos falar sobre vários exemplos simplificados desse processo. 

Eles se baseiam em casos reais de três tipos de apps: um jogo gratuito (F2P), um app de assinatura e um app de eCommerce. 

Aplicativos de assinatura

Vamos explorar dois casos de aplicativos de assinatura, cada um com um tipo diferente de paywall — um com hard gate e outro com um teste gratuito por tempo limitado:

1. Hard paywall: A assinatura paga normalmente comçea durante o dia 0 (por exemplo, 8fit).
Isto é ótimo – significa que teremos uma indicação muito precisa do número total de assinantes logo após o primeiro dia de uso do app (por exemplo vamos supor que 80% de todos os usuários assinarão seu app em D0, e os outros 20% o assinarão no futuro). 

Assumindo que já sabemos quais são nossas taxas de churn e, consequentemente, nosso ARPPU, poderíamos facilmente prever o LTV dos cohorts apenas fazendo a seguinte multiplicação: (usuários pagantes) x (ARPPU para um determinado segmento de usuário) x (1,25 como o coeficiente que representa a estimativa de 20% de usuários que realizarão um pagamento no futuro). 

2. Teste gratuito por tempo limitado: Nesse caso, uma porcentagem dos usuários será convertida em assinantes após o término do período teste (por exemplo, Headspace). O problema é que os gerentes de UA precisam esperar até que o teste termine para entender suas taxas de conversão. 

Esse atraso pode ser especialmente problemático durante testes de novos canais e países. Por isso, as previsões comportamentais podem ser bastante úteis nesse caso. 

Mesmo com uma quantidade moderada de dados e regressões simples, muitas vezes é possível identificar indicadores de previsão decentes. Por exemplo, podemos descobrir que os usuários que fazem o teste gratuito e têm pelo menos 3 sessões por dia durante os primeiros 3 dias após a instalação – converterão para assinaturas em 75% dos casos.

Embora ele esteja longe de ser perfeito, o indicador acima pode ser preciso o suficiente para futuras decisões de UA, além de fornecer uma boa capacidade de ação para a equipe de UA antes que mais dados sejam coletados e um modelo adequado seja testado. 

Tipos e designs de paywall podem ser bastante influenciados pela necessidade de avaliar rapidamente o tráfego. 

Saber se o usuário vai converter (ou não) o mais rápido possível é extremamente útil para entender a rentabilidade da campanha e conseguir reagir rapidamente. Vimos que isso se tornou um dos fatores decisivos para várias empresas na hora de determinar um tipo de paywall.

Jogos freemium 

Os jogos gratuitos (F2P) tendem a ter uma alta taxa de retenção e uma quantidade significativa de compras. 

1) Jogo casual (Diggy’s Adventure):
Um bom modelo para jogos que oferecem compras in-app é o “modelo de proporção”, que permite a previsão relativamente confiável da proporção LTV/dia após 3 dias, período no qual provavelmente já identificamos a maioria dos nossos usuários pagantes.

Para alguns jogos que geram receita por meio de anúncios, a abordagem baseada em retenção também pode ser uma boa escolha.

2) Jogo Hardcore (World of Tanks ou MMX Racing):
A distribuição de ARPPU dos usuários de jogos hardcore pode não ser tão precisa assim, considerando que os usuários que gastam mais – também conhecidos como “baleias” – podem gastar muito mais do que os outros usuários. 

O “modelo de proporção” ainda pode funcionar nesses casos, mas deve ser aprimorado para levar em consideração diferentes níveis de gastos para diferentes tipos de usuários. Aqui, uma variável de “tipo de usuário” atribuiria diferentes valores de LTV aos usuários com base em seu comportamento de gastos (ou seja, quanto gastaram, quantas compras fizeram, qual pacote inicial compraram, etc.).

Dependendo dos dados, uma previsão inicial pode ser feita após o dia 3, com outra avaliação um pouco mais tarde (dia 5 ou dia 7), depois que os níveis de gastos do usuário forem revelados.

Aplicativos de eCommerce

Os aplicativos de eCommerce geralmente têm padrões de retenção únicos, pois a abertura desse tipo de app costuma estar vinculado a uma intenção de compra existente, o que não acontece com muita frequência. 

Portanto, podemos concluir que usar o “modelo baseado em retenção” normalmente não é uma boa opção para esses aplicativos. Assim, vamos explorar dois casos de uso alternativos:

1) Revendedor de passagens aéreas

O tempo desde a instalação até a compra em apps de viagens é bastante significativo, em que meses podem se passar antes que uma compra seja feita. Considerando que as compras e a receita são distribuídas por um período de tempo mais longo, os modelos de “proporção” ou “retenção” não funcionarão na maioria dos casos. 

Portanto, devemos encontrar pistas comportamentais e descobrir possíveis indicadores logo na primeira sessão pós-instalação, pois essa costuma ser a única informação que temos à nossa disposição. 

Usando essas pistas, e considerando que temos dados suficientes, estimamos a probabilidade de um usuário comprar uma passagem e a multiplicamos por um ARPPU para uma combinação relevante de suas características (plataforma, país de origem, etc.)

2) Marketplace online

Os usuários tendem a fazer sua primeira compra logo após a instalação. Além disso, o primeiro item comprado geralmente leva um tempo considerável para ser enviado. Como resultado, os clientes tendem a esperar a conclusão do primeiro envio para avaliar o serviço, antes de se comprometerem com outra compra. 

Esperar tanto tempo pelos dados da “segunda compra” tornaria as previsões inutilizáveis e, consequentemente, limitaria quaisquer cálculos de dados iniciais. 

Dependendo de quando os usuários fazem seus pedidos (a maioria nos primeiros 5 dias), podemos usar o método de proporção (D90/D5) e multiplicar o resultado por outro coeficiente que contabilizaria as compras futuras. 

Do MVP aos modelos complexos

Todos os analistas de dados de grandes publishers com quem conversamos concordaram que é importante começar sua trajetória de previsões com um simples “produto mínimo viável” (MVP, do inglês minimum viable product). 

A ideia é verificar as suposições iniciais, aprender mais sobre os dados e construir gradualmente um modelo. Isso geralmente significa adicionar mais variáveis ​​à medida que você avança para criar modelos mais granulares e precisos (por exemplo fator k, sazonalidade e receita de anúncios, além da segmentação inicial por plataforma, país e canal de UA).

Complexidade não é sinônimo de “bom”. Os gerentes de UA podem ficar frustrados rapidamente quando seu acesso aos dados é bloqueado porque alguém está fazendo coisas complicadas demais.”

Anna Yukhtenko, analista de dados na @Hutch Games

Na realidade, descobrimos que as empresas tendem a preferir modelos conceitualmente simples. 

Essa foi uma descoberta um tanto surpreendente. Esperávamos que, assim que o produto tivesse sucesso, as equipes de dados colocariam o pé no acelerador e começariam a usar algoritmos de machine learning e IA para alcançar o que acreditávamos ser um padrão do setor. Nós estávamos errados. Ou pelo menos um pouco errados. 

Embora muitos vejam o valor de modelos sofisticados e os tenham testado no passado, a maioria acabou optando por modelos mais simples. Existem três grandes motivos para isso:

1. Custo/benefício de modelos avançados

A relação custo/benefício de criar e manter um modelo complexo simplesmente não vale a pena. Se um nível de confiança suficiente para as operações do dia a dia pode ser alcançado com modelos mais simples, por que se preocupar?

2. Tempo de engenharia para criar/manter esse tipo de modelo

Criar um modelo avançado pode consumir muitas horas de engenharia e ainda mais tempo para gerenciá-lo, o que é um grande problema para equipes menores. 

Muitas vezes, o departamento de BI tem muito pouca capacidade para dedicar à equipe de marketing, fazendo com que os profissionais de marketing enfrentem sozinhos uma batalha desigual contra estatísticas e engenharia de dados.

3. Mudanças contínuas

Cada versão do produto é diferente e monetizada de forma diferente (por exemplo, adicionar ou remover recursos pode gerar um grande impacto); a sazonalidade local e os efeitos sentidos em todo o mercado são bons exemplos. 

As alterações precisam ser feitas na hora, e introduzir alterações em um modelo complexo pode ser um processo lento e doloroso, que pode ser desastroso em um ambiente mobile em constante evolução, onde a compra de mídia nunca para. 

É bem mais fácil ajustar um modelo simples, um processo que às vezes pode ser feito pelos próprios profissionais de marketing.

Para um determinado subconjunto de aplicativos, um modelo baseado em comportamento pode ser o único modelo adequado. E. enquanto uma equipe experiente de engenharia e ciência de dados deve estar disponível para empresas grandes que conseguem fazer tal investimento, outras podem optar por adotar um produto pronto que oferece vantagens parecidas.

Outro conjunto de dados que está ganhando força são os modelos de LTV gerados por anúncios, que oferecem estimativas de receita de anúncios em nível de usuário. Para saber mais sobre esse assunto, veja o capítulo 4. 

Equipes e responsabilidades

No geral, fazer o design, a configuração e adaptação de um modelo preditivo de LTV deve ser a tarefa para uma equipe de ciência/análise de dados (desde que você tenha uma). 

Idealmente, há dois papéis em jogo aqui: um analista experiente com um conhecimento aprofundado de marketing que pode aconselhar sobre a estratégia e os níveis táticos, assim como decidir qual modelo deve ser usado e como. E um analista dedicado que lida com os cálculos e previsões de LTV no dia a dia.

O “analista do dia a dia” deve monitorar continuamente o modelo e ficar atento a quaisquer flutuações significativas. Por exemplo, se a previsão das receitas semanais não corresponde à realidade e não está dentro dos limites predefinidos, pode ser necessário ajustar o modelo imediatamente, sem esperar algumas semanas ou meses.

“Esse é um esforço de equipe. Criamos um tipo de sistema de alerta precoce onde nos reunimos uma vez por mês, analisamos todas as suposições que entram no modelo e verificamos se elas ainda são verdadeiras. Até agora, temos cerca de 12 suposições principais (por exemplo, valor de orgânicos incrementais, sazonalidade, etc.), que controlamos para garantir que estamos no caminho certo.”

Tim Mannveille, Director of Growth & Insighs da Hutch Games

Depois que os resultados da previsão são calculados, eles são automaticamente repassados ​​e usados ​​pela equipe de UA. Na maioria das vezes, os gerentes de UA confiam nesses resultados e relatam inconsistências. No entanto, é importante tentar dar um passo adiante, com o intuito de desafiar e avaliar melhor os modelos usados em um nível geral (não é necessário entender as complexidades por trás de um modelo e seus cálculos).

Profissionais de marketing entrevistados para nesse capítulo:

• Fredrik Lucander da Wolt
• Andrey Evsa da Wargaming
• Matej Lancaric do Boombit (antigo Pixel Federation)
• Anna Yukhtenko e Tim Mannveille da Hutch Games

Métodos para avaliar a rentabilidade do marketing mobile com o excel

Se você acha que dominou um nível avançado no excel usando tabelas dinâmicas, campos calculados, formatação condicional e pesquisas, pode se surpreender ao saber que desconhece um truque ainda mais poderoso dessa ferramenta. 

Além de tudo, esse truque pode ser usado para prever a rentabilidade das suas campanhas de marketing mobile! 

Esse capítulo pode ser usado como um miniguia para criar sua própria modelagem preditiva usando ferramentas do dia a dia.

Aviso legal: Lembre-se de que estamos falando de uma variação muito simplificada de um modelo preditivo. Para que sejam operados adequadamente em escala, algoritmos sofisticados de machine learning são necessários para levar em consideração vários elementos que podem afetar seus resultados drasticamente. Observar apenas um fator para prever seu valor (ou seja, sua receita) provavelmente resultará em uma baixa precisão.

Usando um gráfico de dispersão e um pouco de álgebra, você pode transformar uma equação de linha de tendência do excel em uma ferramenta poderosa para identificar antecipadamente o ponto em que suas campanhas de marketing provavelmente gerarão lucro. 

Esse método pode te ajudar a pular de um palpite para uma tomada de decisão baseada em dados, aumentando sua confiança nos relatórios semanais.

Prevendo qual semana de 0 ROAS prevê 100% de ROAS em 6 meses

Embora o LTV possa ser um ótimo indicador, o ROAS – principalmente na primeira semana de vida de um usuário – é uma métrica amplamente usada para mensurar o lucro. 

Mais especificamente, usaremos o ROAS da semana 0 (receita na primeira semana de aquisição de usuários/custo para adquirir esses usuários) como nosso indicador confiável, que é um método que compara cohorts equivalentes para avaliar a performance de um anúncio a cada semana . 

O ROAS da semana 0 nos permitirá prever se atingimos o ponto de equilíbrio em nossos gastos com anúncios, conquistando um ROAS de 100% após 6 meses.

Etapa 1

O primeiro passo é garantir que você tenha pontos de dados suficientes da semana 0 e de 6 meses. Embora tecnicamente você possa desenhar uma inclinação e fazer uma previsão para qualquer ponto nessa inclinação usando dois pontos de dados, usar um número tão pequeno de observações como base fará com que a sua previsão seja pouco confiável. 

O número ideal de observações depende de inúmeros fatores, como o nível de confiança desejado, correlações no conjunto de dados e restrições de tempo. Mas, como regra geral para previsões baseadas em ROAS da semana 0, você deve disparar para pelo menos 60 pares de observações de ROAS da semana 0 e de 6 meses. 

Também é fundamental incluir observações suficientes que atingiram a meta que você definiu. Se você tiver 60 pontos de dados para plotar, mas apenas 2 pontos em que o ROAS de 6 meses ultrapassou 100%, seu modelo de equação não será alimentado por uma compreensão suficiente de quais entradas são necessárias para atingir esse ponto de equilíbrio. 

Nesse caso, o seu modelo entende que o requisito para chegar a 100% de ROAS após 6 meses podem ser outros 2 pontos percentuais de ROAS total ou 5 pontos percentuais, uma faixa muito ampla que não é propícia à previsão.

Etapa 2

Depois de reunir observações suficientes, a segunda etapa é dividir seu conjunto de dados em dois grupos, um para treinamento e outro para previsão. 

Coloque a maior parte dos dados (~80%) no grupo de treinamento. Mais tarde, você usará o grupo de previsão para realmente testar a precisão do seu modelo para prever o ROAS de 6 meses, considerando o ROAS da semana 0.

Etapa 3:

A terceira etapa é usar um gráfico de dispersão para representar graficamente os dados, com o ROAS da semana 0 no eixo x e o ROAS de 6 meses no eixo y. 

Em seguida, adicione uma linha de tendência e adicione as configurações de equação e R-quadrado.

Faça um gráfico dos dados de treinamento usando um gráfico de dispersão.

Clique com o botão direito em um ponto de dados e adicione uma linha de tendência.

Adicione a equação da linha de tendência e o R-quadrado.

Etapa 4:

Agora, usaremos a equação linear y = mx + b para resolver o valor x da equação (ROAS da semana 0) quando o valor y (ROAS de 6 meses) é 100%.

Assim, nossos cálculos serão parecidos com esses:

1. y = 9,2695x – 0,0936
2. 1 = 9,2695x – 0,0936
3. 1 + 0,0936 = 9,2695x
4. 1,0936 = 9,269x
5. x = 1.0936 / 9.269
6. x = 11,8%

Dessa forma, calculamos que, para prever o seu lucro em 6 meses, seu ROAS deve ser maior que 11,8% na primeira semana.

Se seu ROAS da semana 0 estiver abaixo dessa taxa, você saberá que precisará ajustar lances, criativos ou segmentação para melhorar o custo/qualidade de seus usuários adquiridos e melhorar suas tendências de monetização. 
Se o seu ROAS da semana 0 estiver acima desse número, você poderá aumentar os orçamentos e os lances com confiança.

Etapa 5:

Essa é a etapa em que você usa seu segmento de previsão dentro do conjunto de dados completo para avaliar o quão bem seu modelo foi capaz de prever os resultados reais. Isso pode ser feito usando o erro percentual médio absoluto (MAPE), que é um cálculo que divide o valor absoluto do erro (o valor real menos o valor previsto) pelo valor real. 

Quanto menor a soma do MAPE, melhor o poder preditivo do seu modelo.

Não existe uma regra para um bom número MAPE, mas, geralmente, quanto mais dados seu modelo tiver e quanto maior a correlação entre eles, melhor será o seu poder de previsão. 

Se o seu MAPE for alto e as taxas de erro forem inaceitáveis, pode ser necessário usar um modelo mais complexo. Embora sejam mais difíceis de gerenciar, os modelos que envolvem R e python podem aumentar o poder de previsão da sua análise.
E aí está: uma estrutura para prever a lucratividade da sua campanha de marketing.
Mas ainda não terminamos! Ainda temos muitas informações valiosas para compartilhar.

Melhore suas previsões

Para os leitores curiosos, é possível que vocês estejam se perguntando se a linha de tendência linear padrão é realmente a melhor para prever o lucro. 

Você pode até experimentar mais algumas linhas de tendência e descobrir que o R-quadrado (uma medida do ajuste da equação aos seus dados) melhora com outras equações, fazendo com que essa dúvida seja ainda mais relevante.

Ainda que adotar uma mentalidade de que “tudo é relativo” se aplique na hora de escolher as melhores linhas de tendência, também temos um outro conselho útil: KISS (keep it simple, stupid). Se você não é um entusiasta da estatística ou da matemática, sua melhor aposta é usar as linhas de tendência mais simples – que são as lineares.

Por que isso pode ser um problema? Como exemplo simples, considere a inclusão de dados inesperados no modelo. Nos dois cenários a seguir, vamos mostrar como um ROAS de semana 0 menor com um rendimento surpreendentemente bom ou um ROAS de semana 0 maior com um rendimento surpreendentemente ruim afeta a precisão de cada modelo de linha de tendência (usando o MAPE).

Usando o MAPE para comparar os diferentes modelos baseados em linha de tendência podemos ver que, embora os modelos linear e exponencial não sejam mais precisos em nenhum caso, eles são os mais consistentes.

Além disso, o machine learning pode ajudar a automatizar esse processo, analisar grandes quantidades de dados e fornecer insights mais rapidamente.

Como saber se você está seguindo o caminho certo

Como observação final, confira nossa lista de perguntas adicionais que podem ser úteis para garantir que sua análise de previsão seja sólida:

1. Você continua alimentando seu modelo para que ele continue treinando com os dados mais relevantes?
   1. Você verificou se as previsões do seu modelo se concretizaram com base em novas observações?

2. Você tem muitas variações ou overfitting?
   1. Um R-quadrado muito baixo ou um R-quadrado muito alto indica um problema na capacidade do seu modelo de prever novos dados com precisão.

3. Você usou o KPI certo?
   1. Teste diferentes KPIs (por exemplo, mais ou menos dias de ROAS ou LTV) e use o MAPE para comparar o poder de previsão de lucro de cada um. 

Você pode se surpreender com o quão mal correlacionadas as mensurações padrão são.

4. Seus principais indicadores ou benchmarks iniciais sofreram mudanças significativas?
   1. Isso pode ser um sinal de que houve uma mudança importante no mundo real e que o problema afetará a capacidade do seu modelo de prever o lucro com precisão no futuro.

5. Você fez a segmentação dos dados?
   1. Segmentar os usuários em grupos mais homogêneos é uma ótima maneira de reduzir o ruído e melhorar o poder preditivo do seu modelo. 

Por exemplo, não aplique o mesmo modelo a todos os usuários em todos os canais e regiões geográficas se esses usuários tiverem tendências de custo e retenção significativamente diferentes.

6. Você está considerando as influências do tempo?
   1. A maioria dos profissionais de marketing está ciente das influências da sazonalidade como um fator que pode fazer com que as previsões falhem, mas o ciclo de vida de seu aplicativo/campanha/audiência/criativo também pode influenciar a precisão do seu modelo preditivo.

Mais uma peça do quebra-cabeças: previsão do LTV de anúncios in-app

Os anúncios in-app (IAA, do inglês in-app advertising) se tornaram cada vez mais populares, sendo responsáveis por pelo menos 30% da receita dos aplicativos nos últimos anos.  Jogos casuais e hipercasuais, além de muitos aplicativos utilitários, naturalmente aproveitam esse fluxo de receita como sua principal fonte de monetização. 

Mesmo os desenvolvedores que dependiam completamente de compras in-app (IAP, do inglês in-app purchases) começaram a monetizar usando anúncios. Como resultado, vemos que muitos aplicativos agora estão combinando esses dois fluxos de receita para otimizar o LTV de seus usuários. 

Um ótimo exemplo é o Candy Crush.

O LTV da monetização híbrida é composto por duas partes:

1. LTV de compras in-app/assinatura: Receita gerada ativamente por um usuário que compra moedas no jogo ou no aplicativo, itens especiais, serviços extras ou faz uma assinatura paga.
2. LTV de anúncios in-app (IAA): Receita gerada passivamente por um usuário que visualiza e/ou interage com anúncios (banners, vídeos, intersticiais, etc.)

Desafio de dados

Idealmente, os profissionais de marketing devem entender o valor nominal de cada impressão. Depois de reunir dados suficientes, poderemos criar modelos de previsão semelhantes ao que já descrevemos no capítulo 2 para compras in-app. 

Mas, no mundo real, não é tão simples – mesmo calcular por conta própria do LTV de anúncios in-app é difícil, por conta do volume e da estrutura dos dados de receita que os profissionais de marketing conseguem obter. 

Para citar alguns problemas:

• Raramente há uma fonte de anúncios sendo exibida. Na realidade, existem muitas fontes que possuem um algoritmo/ferramenta por trás delas (plataformas de mediação de anúncios ) que mudam constantemente de fontes e eCPM. 
• Se um usuário visualiza 10 anúncios, é bem possível que ele tenha vindo de 5 fontes diferentes, cada uma com um eCPM completamente diferente.
• Algumas ad networks pagam por ações (instalar, clicar) em vez de impressões, complicando ainda mais as coisas.
• Ao trabalhar com as plataformas de mediação mais comuns, que oferecem receita de anúncios no nível do usuário, esse número continua sendo uma estimativa. As ad networks mais básicas geralmente não compartilham esses dados, levando a uma divisão da receita gerada (para usuários que visualizaram as impressões).
• Os eCPMs podem flutuar drasticamente ao longo do tempo e é impossível prever essas mudanças.

Modelos de previsão de LTV de anúncios in-app

Muitas das empresas que entrevistamos não estavam ativamente envolvidas com previsões de LTV de anúncios. Entre os profissionais de marketing de aplicativos de jogos que estavam interessados ​​nesse assunto, nenhum deles realmente descobriu como isso funciona em um nível que de fato os ajudasse. Na realidade, esse ainda é um trabalho em andamento.

Listamos abaixo os conceitos que foram discutidos como pontos de transição:

1. Modelo baseado em retenção/retenção de ARPDAU

• Conceito: Usando o modelo de retenção de ARPDAU, que nesse caso também contém a contribuição adicional da receita de anúncios in-app.
• Exemplo: A retenção D1/D3/D7 é de 50%/35%/25%. Depois de ajustar esses pontos de dados em uma curva de potência e calcular sua integral até o D90, descobrimos que o número médio de dias ativos é 5. Sabendo que o ARPDAU é de US$ 0,50, a previsão de LTV para o dia 90 seria igual a US$ 2,50.

2. Método baseado em razão

• Conceito: Integrar estimativas de receita de anúncio em nível do usuário para usar o método de proporção seguindo essa lógica (ou seja, com base em coeficientes de D1, D3, D7, etc.).
• Exemplo: O ARPU de compras e receita de anúncios in-app é de US$ 0,40 após os primeiros 3 dias. Sabemos que D90/D7 = 3. O D90 LTV previsto seria, portanto, de US$ 1,20.

3. Método de multiplicação simples

• Conceito: Calcular a proporção entre compras in-app e receita de anúncios para usar um multiplicador para o cálculo do LTV total. Com mais dados disponíveis, vários coeficientes podem ser calculados para dimensões de plataforma/país, já que geralmente têm o maior impacto na proporção de receita de anúncio x receita in-app.

Previsões de LTV baseadas em comportamento

É importante mencionar outro fator importante que pode influenciar fortemente a possível rentabilidade dos usuários do aplicativo: a canibalização. 

Usuários que gastam dinheiro fazendo compras in-app geralmente têm um LTV significativamente maior do que os usuários que apenas consomem anúncios. Assim, é extremamente importante que sua intenção não seja interrompida por mensagens aleatórias. 

Por outro lado, é importante incentivar os usuários a assistirem aos anúncios, para que eles sejam frequentemente recompensados ​​com moedas ou bônus no aplicativo.

Se um aplicativo tiver anúncios com recompensa e compras in-app, é possível que, em determinado momento, um jogador que poderia fazer várias IAPs desista de realizar uma compra em troca de uma recompensa conquistada com a visualização de um anúncio. 

É aqui que as previsões comportamentais entram em ação — ao mensurar o comportamento dos usuários, um algoritmo de machine learning pode determinar a probabilidade de certos usuários se tornarem “gastadores” e indicar onde certos ajustes na experiência do jogo/aplicativo são necessários. 

O processo funciona da seguinte forma:

1. Todos os usuários devem começar com uma experiência sem anúncios enquanto os dados de engajamento estão sendo mensurados.

2. O algoritmo calcula continuamente a probabilidade de um usuário se tornar um gastador.

3. Se essa probabilidade for superior a uma porcentagem definida, os anúncios não serão mais exibidos à medida que mais dados forem coletados (“aguardando a compra”).

4. Se a probabilidade cair abaixo de uma porcentagem definida, é mais provável que esse usuário nunca faça uma compra. Nesse caso, o aplicativo começa a exibir anúncios.

5. Com base no comportamento de longo prazo dos jogadores, o algoritmo pode continuar avaliando seu comportamento enquanto modifica os tipos e quantidades de anúncios exibidos para o usuário.

A maioria das empresas fica satisfeita com o uso de modelos e abordagens simples que fornecem uma boa relação custo/benefício, especificamente quando se trata de dificuldades de implementação e do valor agregado de insights mais precisos. 

Já podemos observar rápidos avanços nessa área com as diferentes soluções que estão surgindo para preencher possíveis lacunas e complementar o ritmo acelerado de desenvolvimento do ecossistema, assim como um aumento na importância dos anúncios in-app como um fluxo de receita fundamental para os aplicativos. 

O método de contribuição

Embora métodos de previsão de comportamento bem regulados possam produzir os resultados mais precisos na atribuição de receita de anúncios, existe um método mais simples e viável para lidar com essa atribuição a um canal de aquisição. 

Esse método se baseia na atribuição da contribuição de um canal para impulsionar a receita de anúncios de acordo com os pontos de dados agregados de comportamento do usuário.

As margens de contribuição ajudam a converter a contribuição de um canal no comportamento geral do usuário na margem de ganho desse canal a partir da receita geral de anúncios gerada por todos os usuários. 

A teoria é que quanto mais os usuários adquiridos de um canal geram ações em um aplicativo, maior é a influência da participação desse canal, permitindo que ele reivindique crédito pela receita de anúncios desses usuários.

Vamos explicar em mais detalhes:

Etapa 1

Primeiro, é preciso selecionar um ponto de dado que será usado para determinar a margem de contribuição dentro da receita de anúncios de cada canal de aquisição. 

Para começar, você pode usar a regressão da linha de tendência do excel para identificar qual KPI de comportamento do usuário está mais correlacionado com as mudanças na receita de anúncios. 

Lembre-se que, como o método de contribuição envolve a atribuição da receita com base em uma parcela da atividade total, é recomendado que você use um ponto de dado como a quantidade de usuários ativos em um dia, em vez de algo como a taxa de retenção.  

Algumas opções incluem:

• Total de usuários ativos
• Total de sessões do usuário
• Duração da sessão
• Dados atribuíveis a anúncios (por exemplo, impressões de anúncios)
• Total de eventos-chave (por exemplo, partidas jogadas)

Etapa 2

Depois de definir alguns pontos de dados, faça um gráfico de dispersão de cada ponto de dado com relação ao total de receita de anúncios por dia para entender onde as correlações entre as mudanças no comportamento do usuário e o total de receita de anúncios são mais fortes.

Etapa 3

Adicione o R-quadrado dos pontos de dados ao seu gráfico para identificar qual ponto de dado tem a correlação mais forte.

Mas fique atento, esse método possui uma desvantagem: quanto menor for a variação no comportamento do usuário e na receita de anúncios, menos precisa será a capacidade do modelo de observar a força da correlação entre os pontos de dados. 

Como resultado, você terá menos confiança para escolher entre pontos de dados.

 Na simulação desse conjunto de dados, vemos as contagens de cada ponto de dados por dia, assim como o total da receita de anúncios gerada por dia.

Com base nesses dados simulados, podemos ver que o evento com a melhor força de correlação parece ser o número de usuários ativos com base no R-quadrado da nossa métrica de ajuste. 

Isso significa que o ponto de dados que mais explica as mudanças na receita de anúncios é a quantidade de usuários ativos. Assim, devemos usar esse número para atribuir a receita de anúncios por canal.

Etapa 4

Depois de selecionar um KPI de comportamento do usuário, é hora de calcular a margem de contribuição.

Em seguida, multiplique a margem de contribuição diária de cada canal pela receita acumulada de anúncios gerada em cada dia.

Esse processo exige que os dados de comportamento do usuário sejam mensurados por canal e sejam acessados todos os dias, para que a margem de contribuição de todos os canais possa ser calculada com os dados de receita de cada novo dia.

Observação: embora tenhamos incluído apenas quatro canais de anúncios para fins ilustrativos, você também pode incluir seus dados orgânicos e outros canais para atribuir totalmente a receita diária ao comportamento diário do usuário. 

Acima, podemos ver o cálculo da receita de anúncios gerada por dia, por canal, o que permite estimar a rentabilidade de cada canal.

Lembre-se que será necessário revisar quais KPIs são úteis para a atribuição de receita de anúncios à medida que as tendências de comportamento do usuário e os dados de monetização da receita de anúncios mudam, ou conforme novos pontos de dados são disponibilizados.

Por exemplo, no conjunto de dados acima, podemos ver um segundo agrupamento de pontos de dados no final do período (começando aproximadamente em 10 de janeiro), em que há significativamente mais receita de anúncios por dia do que no início do mês. 

Isso se reflete no agrupamento de dados na parte superior direita de cada gráfico de dispersão, longe do grupo inferior esquerdo. 

Quanto mais complexo o conjunto de dados, menos precisa será essa avaliação de regressão do excel e maior será a necessidade de aplicar segmentação e uma análise mais rigorosa.

Modelagem preditiva em um mundo centrado na privacidade

Rumo a uma nova realidade

A análise preditiva permite que você aumente a audiência potencial da sua campanha, impulsione o LTV do usuário e garanta um orçamento mais eficiente – em uma realidade na qual, em alguns casos, não temos mais acesso a dados granulares de performance. 

Ao criar diferentes clusters de características comportamentais, sua audiência pode ser segmentada não por sua identidade, mas pela interação com sua campanha em seus estágios iniciais. Essa interação pode oferecer um indicador do seu potencial para trazer um valor significativo para o seu produto.

A combinação dos principais fatores de engajamento, retenção e monetização pode se correlacionar com a compatibilidade de um usuário com a lógica de LTV de qualquer desenvolvedor, fornecendo uma indicação de pLTV (previsão do lifetime value) logo no início de uma campanha.

Machine learning – a chave para o sucesso

Um aplicativo mobile pode ter mais de 200 métricas disponíveis para mensuração, mas um profissional de marketing comum provavelmente fará a mensuração de no máximo 25. Uma máquina, por outro lado, é capaz de ingerir todas essas informações em questão de milissegundos e aplicá-las a insights de marketing e indicadores de funcionalidade do aplicativo. 

Um algoritmo de machine learning será capaz de calcular todos esses indicadores e encontrar as correlações certas para você. Seus cálculos serão baseados em sua definição de sucesso e em sua lógica de LTV, aplicando isso a uma quantidade significativa de dados para encontrar a correlação entre os primeiros sinais de engajamento e o sucesso final.

Isso significa que os anunciantes não precisam mais saber QUEM é o usuário, mas sim em QUAL perfil e características de pLTV ele se encaixa. Esse perfil deve ser o mais preciso possível, ficando disponibilizado logo nos primeiros dias da campanha. Ele deve representar os requisitos de LTV do anunciante para que seja considerado válido e acionável. 

Quando se trata de aplicativos de eCommerce, por exemplo, o uso de indicadores como compras anteriores, frequência de compras, hora do dia ou progressão no funil permite que o algoritmo agrupe o público geral em grupos altamente granulares e mutuamente exclusivos. 

Isso permite uma segmentação e mensagem mais eficazes e, por fim, um ROAS mais alto.

Aproveitando as previsões de LTV de um cluster

A análise preditiva ajuda a reduzir o período de machine learning usando as integrações existentes para fornecer uma previsão precisa do LTV da campanha. 

Usando o machine learning para entender os dados agregados, a análise preditiva pode fornecer uma indicação de potencial da campanha na forma de uma pontuação, classificação ou qualquer outro tipo de insight acionável poucos dias após seu lançamento, informando aos profissionais de marketing sobre o seu possível sucesso. 

Por exemplo, em um aplicativo de jogos, esse mecanismo descobriu que os usuários que completam o nível 10 de um jogo dentro das primeiras 24 horas têm uma probabilidade 50% maior de se tornarem usuários pagantes.

Com essas informações em mãos, os profissionais de marketing podem reduzir suas perdas em uma campanha ruim que não entrega usuários de qualidade e fazer as otimizações necessárias ou dobrar seus esforços quando as primeiras indicações mostram lucro potencial, permitindo que eles tomem decisões rápidas para pausar, aumentar ou otimizar. 

O desafio da SKAdNetwork

As recentes mudanças de privacidade introduzidas com o iOS 14 e a SKAdNetwork trouxeram desafios inéditos, limitando a mensuração de dados em nível do usuário no ecossistema do iOS.

Esse é apenas o primeiro passo em direção a um ambiente de publicidade mais focado na privacidade do usuário, sendo que tudo indica que muitos dos maiores players da indústria online seguirão pelo mesmo caminho.

Essas mudanças limitam não apenas o volume de dados disponíveis, mas também a janela de tempo na qual os profissionais de marketing podem tomar decisões informadas sobre a probabilidade de uma campanha ser bem-sucedida ou não. 

Embora os algoritmos de machine learning possam prever rapidamente quais campanhas provavelmente trarão os clientes mais valiosos, outras limitações incluem a falta de dados em tempo real, sem incluir dados de ROI ou LTV (pois eles mensuram principalmente instalações), além de uma falta de granularidade (pois apenas os dados em nível de campanha estão disponíveis).

Então, como você pode oferecer anúncios mais relevantes sem saber quais ações cada usuário está realizando? 

Você adivinhou: com o marketing preditivo baseado em machine learning. Usando correlações estatísticas avançadas com base no histórico de dados do comportamento no app para prever ações futuras, os profissionais de marketing podem realizar testes usando parâmetros não personalizados, como sinais contextuais e treinamento contínuo de modelos de machine learning. 

Os resultados podem ser aplicados a campanhas futuras e refinados à medida que mais dados são coletados.  

Práticas recomendadas para criar modelos de previsão de marketing mobile

1. Alimente a fera

Quando criamos modelos de dados que serão usados para nos ajudar com decisões significativas, não é apenas importante construir o melhor sistema possível, mas também realizar testes contínuos para garantir sua eficácia. 

Para isso, certifique-se de alimentar continuamente seu modelo de previsão de lucro para que ele se mantenha treinado com os dados mais relevantes. 

Além disso, verifique sempre se as previsões do seu modelo se concretizam ou chegam perto de se concretizarem com base em novas observações. 

Não seguir essas etapas pode fazer com que um modelo com um poder inicial de previsão útil falhe, a depender da sazonalidade, da dinâmica macro de um leilão, das tendências de monetização do seu app ou de diversos outros fatores. 

Ao observar seus principais indicadores e benchmarks iniciais, e procurar alterações significativas em seus pontos de dados, você conseguirá avaliar quando suas próprias previsões provavelmente também falharão. 

Por exemplo, se seu modelo foi treinado com dados em que a taxa média de retenção do dia 1 teve uma variação de 40% a 50%, mas em uma semana a taxa de retenção do dia 1 caiu para 30% a 40%, isso pode indicar que é necessário treinar novamente seu modelo. 

Isso ocorre porque os sinais de qualidade dos usuários que você adquiriu mais recentemente mudaram e, provavelmente, alteraram sua monetização e lucro.

2. Escolha o KPI certo para prever a lucratividade

Para isso, existem várias opções possíveis, cada uma com um conjunto de de vantagens e desvantagens com relação à sua viabilidade, precisão e velocidade de recomendações. 

Teste diferentes KPIs (por exemplo, mais ou menos dias de ROAS ou LTV) e use o MAPE para comparar o poder de previsão de lucro de vários KPIs:

• R-quadrado 
• A relação entre o sucesso e a falha de previsões satisfatórias
• Erro percentual médio absoluto (MAPE)

Você pode se surpreender com o quanto as mensurações padrão estão pouco correlacionadas.

3. Segmente seus dados

Segmentar os usuários em grupos mais homogêneos é uma ótima maneira de impulsionar suas taxas de conversão, reduzir o ruído e melhorar o poder preditivo do seu modelo. 

Por exemplo, aplicar o mesmo modelo a campanhas baseadas em interesse e campanhas lookalike baseadas em valor pode gerar resultados menos eficazes. Isso acontece porque as tendências de monetização e duração da vida útil dos usuários de cada público-alvo provavelmente serão bem diferentes. 

Além disso, ao criar diferentes grupos de características comportamentais, sua audiência pode ser segmentada não por sua identidade, mas pela interação com sua campanha em seus estágios iniciais. Essa interação pode indicar o potencial valor dos usuários para o seu produto.

Por exemplo, um desenvolvedor de aplicativos de jogos pode prever o LTV potencial obtido de seus usuários em um período de 30 dias. Ou seja, o tempo necessário para a conclusão de um tutorial (engajamento), quantas vezes um usuário retorna ao aplicativo (retenção) ou o nível de exposição de anúncios em cada sessão (monetização). 

4. Lembre-se de incluir prazos

A maioria dos profissionais de marketing está ciente das influências da sazonalidade como um fator que pode fazer com que as previsões falhem, mas o ciclo de vida de seu aplicativo/campanha/audiência/criativo também pode influenciar a precisão do seu modelo preditivo. 

As tendências de custo de aquisição na primeira semana de uma nova abertura do app serão muito diferentes daquelas no quinto mês ou segundo ano de uso, assim como os primeiros 1.000 dólares gastos com uma nova audiência lookalike será diferente dos 10.000 e 50.000 dólares investidos na mesma audiência lookalike (especialmente sem alterar o criativo usado).

Principais conclusões

Principais conclusões

• A ciência da análise preditiva existe há anos e é usada pelas maiores empresas do mundo para aperfeiçoar suas operações, antecipar mudanças de oferta e demanda, prever mudanças globais e usar históricos de dados, permitindo que os profissionais se preparem melhor para eventos futuros.
• Conforme avançamos para uma nova realidade, mais centrada na privacidade, será necessário adotar um novo padrão de mensuração – um que requer prazos de mensuração mais curtos e aplica indícios anônimas do potencial valor de um usuário.
• É exatamente isso que a modelagem preditiva faz. Incluir essa tecnologia sofisticada no cenário de marketing global, seguindo a evolução natural da indústria, é simplesmente fundamental.