经过一年的产品整合和品牌统一，Liftoff于近日宣布与Vungle合并后的公司将以统一的、全新的Liftoff品牌形象继续赋能行业。除了新品牌形象外，Liftoff还亮相了全新的产品矩阵，为用户提供协调统一的营销和产品服务。随后，Liftoff带来了品牌焕新后的首个产品更新：业界首个机器学习解决方案LTV优化。

众所周知，手游营销市场正在经历风云变幻。对隐私问题日益增长的担忧、经济波动，以及广告科技公司的迅速兼并，都意味着“不惜一切代价求增长”的战略不再适用。移动应用开发者和营销人员开始使用新的第一关键指标——用户生命周期价值（LTV），为自己业务的未来保驾护航。

LTV 是指用户在其作为用户的整个生命周期内所能带来的收益。在许多情况下，这里的“生命周期”会被定义为固定的时间段，可以是 180天、365 天或更长。

但大多数广告商都使用 7 日回收（D7 ROAS）等指标来达成自己的 LTV 目标。所带来的问题是短期指标经常忽略长期购买者，且无法准确预测 LTV。那我们为何还在使用这些指标呢？

Liftoff 刚刚在公测中引入了一个新功能，可以让您告别各种指标，直接迎接 LTV 优化！LTV  优化是业界首个的机器学习解决方案，可以使用您的预测 LTV（pLTV）分值来为您的业务定位最佳用户。

走向 LTV 优化：漫长的过程

多年来，直接优化 LTV 一直是个难题。直到 2015 年，优化安装（CPI）模式都还是应用内广告的首选。在大多数应用的售价都还是 0.99 美元时，CPI 优化能有效帮助应用盈利，同时实现和用户群快速增长。此后，应用开始从“收费安装”转向“免费增值”模式，即安装免费，然后进行应用内购买（IAP）的模式。一夜之间，CPI 优化就不再是帮助应用开发者创收的有效策略了。毕竟，如果用户下载了应用，但再也没打开过应用，那有什么用呢？如果安装免费，那获取这个用户就毫无意义，且花费高昂。

为了解决上述问题，事件优化（CPA）被运用于定位那些最有可能下载应用，且会在应用中完成期望操作的用户。这种模式能让应用开发者和广告商获取那些最有可能完成“注册”、“订阅”或“购买”等行动的用户。但也随之带来了一个主要挑战：将收益优化限制在了单一的收益活动上。或者说，CPA 模型定位的是那些最有可能完成一个特定购买事件的用户，而非完成最大或多个不同收益事件以产生最多收益的用户。

基于此，广告合作伙伴提出了 ROAS 模型，该模型先后通过 IAP 和 IAA 收入，针对最有可能产生最高收入的用户进行优化。虽然 ROAS 模型在创收方面明显优于 CPA 模型，但却只考虑安装后的前 7 天（或 30 天）的转化率。这对大多数应用来说都是个问题。

首先，在安装应用后前 7 天内完成转化的用户不一定会在剩余的 LTV 期限内持续创收。例如，有些用户会在 7 天内进行购买，然后对应用不满意，就再也不购买了。D7 ROAS 模型会定位这些进行一次购买的用户，并会忽略可能在第 6、8、10 天或者之后完成转化的用户。

这就引出了第二个担忧：ROAS 模型和其他短期指标并不像LTV那样将长期转化率和留存率考虑在内，从而导致错失机会和指标偏离。

有这么多明显问题，为什么业内没有一开始就采取 LTV 优化呢？

理想与现实：优化 LTV 不容易

长久以来，广告网络和需求方平台（DSP）无法直接针对 LTV 进行优化，主要原因有两个：独特的 LTV 计算方式，以及需要大量资源的 pLTV 分值。

独特的 LTV 计算方式 - 与 CPI、CPA、ROAS 的不同之处是 LTV 并没有固定的计算方法。LTV 取决于应用的独特受众、LTV 期限以及其他因素。没有一个标准模型，许多广告合作伙伴就没有可扩展的 LTV 解决方案。

需要大量资源的 pLTV 分值 - 此外，LTV 建模非常复杂，需要大量资源。为了针对 LTV 进行优化，许多行业领先的应用会给数据分析团队砸重金，数据分析团队会为用户分配pLTV分值，这些分值与内部模型相结合，用以预测未来 ROAS （pROAS）。然后，数据分析团队从预测出来的目标反推工作，并尝试将短期指标（CPI、CPA或D7 ROAS）与最成功的 LTV 用户相匹配。这项工作非常复杂，需要投入大量时间和资源，而许多应用开发者根本无法负担。小型开发者通常将LTV建模外包给第三方公司，或者可能根本没有 pLTV 分值相关的数据。

缺少 LTV 机器学习模型和用户层级的 pLTV 分值意味着广告网络和 DSP 只能为 LTV 优化提供短期指标。

选择 Liftoff: LTV 优化为何能脱颖而出？

比起使用各种指标，LTV 优化直接将 Liftoff 的机器学习模型与您的 LTV 目标相匹配，助力业务取得长线成功。

我们如何能做到这一点呢？LTV 优化先是导入用户级别的 pLTV 分值。这些分值会调整我们的机器学习模型，以定位针对您应用的最佳用户。一旦模型发现并向新用户进行了广告展示，不同于 MMP 回传，Liftoff 会针对该用户使用新生成的 pLTV 分值，以进一步完善、改进我们的机器学习模型。因此，LTV 优化能够获取那些被证实会在应用内转化的用户。

在最初的测试中，早期使用的广告商看到了 D7 ROAS 和 pROAS 的显著提升。LTV 优化可助力移动广告商：

通过直接的 LTV 优化产生最大收益，无需其他指标。

通过为其独特受众量身打造的机器学习模型来获取最佳用户。

针对符合其业务需求的 LTV 期限进行优化，不只限于短期。

LTV 优化现开放公测，若想了解更多信息，请关注Liftoff官方公众号（ID：gh_8ae9b06f8cdd)，联系客户经理或咨询我们的商务人员。