Es un proceso de sólo 3 pasos:
- Primero debe completar un formulario de configuración de campaña.
- Luego, organizamos una reunión en conjunto para confirmar la configuración de la campaña y recopilar la información necesaria (KPI, parámetros, enlaces de seguimiento, anuncios, ID de dispositivo).
- Lanzamos la campaña.
El proceso completo, desde la configuración inicial hasta el lanzamiento, puede demorar sólo algunos días o hasta un máximo de dos semanas, dependiendo qué tan rápido podamos confirmar la configuración de la campaña y recibamos los archivos necesarios.
CPI: encuentre a los usuarios que instalan su aplicación.
CPA: encuentre a los usuarios que realizan acciones en la aplicación.
CPR: encuentre a los usuarios que generan la mayor cantidad de ingresos para su aplicación (ROAS)
No. Nuestro ML solo puede optimizar en base a un único objetivo. Esto es así porque existe una correlación inversa entre el CPI y el CPA/ROAS.
No. Es necesario que nuestro ML recopile datos de diferentes inventarios para encontrar a los mejores usuarios para su aplicación.
Limitar el alcance del Machine Learning reducirá la capacidad de la plataforma de potenciar la escala de los resultados a largo plazo.
Dato clave: el ML es tan inteligente como los datos de los que se alimenta.
Recomendamos comenzar con un presupuesto diario de entre $250 y $350.
Si el presupuesto diario supera los $350, el ML podría aprender demasiado rápido en un período muy breve y, como consecuencia, podría arrojar datos imprecisos sobre las condiciones del mercado.
Se refiere al flujo de acciones que realiza el usuario, desde instalar la app hasta el evento objetivo para el cual optimizamos la campaña.
Ejemplo: Instalación > Registro > Agregar al carrito > Compra
Para lograr los objetivos, es fundamental configurar la campaña teniendo en cuenta la secuencia de acciones adecuada.
Hace referencia al evento «A» meta vinculado a su KPI objetivo (ROAS o CPA).
Ejemplo: Objetivo: CPA
Evento A meta: Compra
Se trata de un evento altamente correlacionado con su evento «A» meta que probablemente genere más eventos de este último tipo.
Ejemplo: si el evento A meta es “compra”, el evento intermedio podría ser “agregar al carrito”.
Cuanto más eventos de “Agregar al carrito” ocurran, más probabilidades habrá de que se den eventos de “compra”.
Dato clave: optimizar la campaña para eventos intermedios puede ayudar a agilizar el desempeño, en especial para aplicaciones con varios pasos hasta la conversión.
Ocurren cuando el usuario realiza el mismo evento varias veces.
Ejemplo: el usuario A realiza una compra 3 veces
Es un período de tiempo que puedes usar para evaluar el desempeño.
Ejemplo: la instalación ocurre el día 1, la compra se da el día 3.
Vista sin cohort: la compra se atribuirá a la instalación del día 3
Vista de cohort 7 días después de la instalación: la compra se atribuirá a la instalación que ocurrió el día 1.
Dato clave: la vista por cohort puede ayudarte a identificar patrones de comportamiento de los usuarios que, a su vez, te servirán para nutrir tus estrategias de marketing y re-engagement en la aplicación.
Es importante porque ese es el período para el cual optimizaremos la campaña.
Ejemplo: si el objetivo de CPA de un cliente es la compra dentro de una ventana de 7 días, optimizaremos la campaña para compras dentro de los 7 días posteriores a la instalación.
Si se carga una lista de supresión, el ML puede enfocar el gasto publicitario en aquellos usuarios que no tienen instalada la aplicación.
Ejemplo: Con lista de supresión: el ML puja por los usuarios que no han instalado aún la aplicación.
Sin lista de supresión: el ML puja por todos los usuarios, incluso por aquellos que quizá ya tengan instalada la aplicación.
¿Lo sabías? Los clientes de Liftoff que cargan listas de supresión perciben un desempeño hasta un 39 % superior que aquellos que no las cargan.
Activar todos los postbacks puede mejorar el desempeño en un X %.
De esta manera, el ML puede enfocar la inversión publicitaria en aquellos usuarios que aún no han instalado su aplicación.
Sin postbacks:
El ML puja por todos los usuarios, incluso por aquellos que quizá ya tengan instalada la aplicación.
El ML NO sabrá que los usuarios que no generaron una conversión en su aplicación quizás sean usuarios que ya tienen instalada app.
Con postbacks:
El ML enfoca la inversión publicitaria SOLO en los usuarios que aún no instalaron su aplicación.
El ML sabrá que los usuarios que no generaron una conversión en su aplicación son usuarios que, para empezar, nunca la instalaron.
Al activar los postbacks de ingresos, el ML optimiza la campaña para los usuarios que generan mayores ingresos.
Si no los activa, tendremos que adivinar quiénes son esos usuarios, y es menos probable que alcance sus objetivos de ROAS.
Si activa la atribución view-through, obtendrá una vista panorámica del desempeño de su anuncio, tanto en relación con los clics como con las visualizaciones.
Ejemplo: el usuario A ve el anuncio y hace clic para instalar la app en ese momento.
El usuario B ve el anuncio y no hace clic, pero instala la app más tarde ese día.
Dato clave: Google y Facebook tienen activado el modelo de atribución view-through de forma automática.
Si le interesa hacer una comparación justa, le recomendamos configurar el mismo modelo de atribución view-through en todos los canales de su mix de medios.
