LTV가 전환 가치보다 나은 이유
즉시 구매 가치에 입찰하면 첫 번째 거래에 최적화됩니다. 예측 LTV에 입찰하면 총 고객 가치에 최적화되며, 이는 첫 구매 가치와 상관관계가 낮은 경우가 많습니다. 예측 LTV 입찰은 일반적으로 반복 구매 카테고리에서 혼합 회수 기간을 20~40% 개선합니다.
예측 LTV 모델 구축
대부분의 팀은 코호트 기반 프록시(첫 구매 제품, 첫 구매 채널, 획득 시 사용된 할인 코드)로 시작합니다. 코호트 신호가 강할 경우 단순한 프록시라도 원시 구매 가치보다 더 나은 성과를 냅니다.
예측 LTV를 플랫폼에 전송
전환 API 또는 리드에 대한 향상된 전환을 통해 예측 LTV를 전환 가치로 전달합니다. 그러면 플랫폼은 입찰 한도 내에서 더 높은 예측 LTV를 가진 고객을 향해 최적화됩니다.
일반적인 함정
코호트에 대해 0 또는 음수 LTV 값을 보내면 입찰이 중단됩니다. 신뢰 구간이 낮은 모델 예측을 사용하면 노이즈가 발생하여 성과에 오히려 해가 됩니다. 전체 머신러닝 모델을 배포하기 전에 보수적인 코호트 프록시부터 시작하십시오.
자주 묻는 질문
코호트 기반 접근 방식에는 필요하지 않습니다. 전체 ML 모델은 데이터 과학의 이점을 얻지만 시작하는 데 필수는 아닙니다.
대부분의 계정은 30~60일 내에 방향성 있는 상승을 보이며, 90일 내에 안정적인 상승을 보입니다.
구독, 반복 구매가 있는 이커머스, 다운스트림 자격 심사가 있는 리드 생성 비즈니스입니다.
네. 지역 분할 또는 캠페인 수준의 홀드아웃을 사용하여 증분 상승을 측정할 수 있습니다.
네. 선택적 목표 ROAS와 함께 전환 가치 최대화를 사용하고 향상된 전환 가치를 전달하십시오.