Como podemos ajudar você?

Temos um processo simples de três etapas:

  1. Você preenche um formulário de configuração da campanha.
  2. Nós marcamos uma reunião com você para confirmar a configuração da campanha e coletar recursos (KPIs, benchmarks, links de rastreamento, recursos de criativos, IDs de dispositivos).
  3. Nós lançamos sua campanha.

O processo inteiro, da configuração ao lançamento, poderá levar apenas alguns dias ou de 1 a 2 semanas, dependendo do tempo que levarmos para confirmar a configuração da campanha e receber seus recursos.

CPI (custo por instalação): encontre usuários que instalam seu app
CPA (custo por ação): encontre usuários que realizam uma ação no seu app
CPR (custo por receita): encontre os usuários que geram mais receita para seu app (ROAS)

Não. Nosso machine learning só pode priorizar uma meta. O motivo disso é o fato de que o CPI e o CPA/ROAS apresentam uma correlação inversa.

Não. É necessário que o machine learning colete dados de diferentes canais de publicidade para encontrar quem são seus melhores usuários.

A imposição de limites para o machine learning poderá reduzir a capacidade da plataforma de aumentar a escala do seu desempenho em longo prazo.

Dica: a inteligência do machine learning depende dos dados utilizados por ele para aprender.

Ao limitar o machine learning, isso o força a aprender com base em um inventário de baixa qualidade, resultando na saturação de usuários e em limites de escala.

Recomendamos começar com um limite diário na faixa de US$ 250 a 350.

Com um limite superior a US$ 350, o machine learning poderá aprender muito rapidamente em um período muito curto, não refletindo necessariamente as condições reais do mercado.

É o fluxo do usuário desde a instalação até o evento “A” desejado que estamos priorizando.

Por exemplo: instalação > registro > adição de item ao carrinho > compra

Configurar a campanha levando em conta a sequência certa é fundamental para o sucesso.

É o evento “A” desejado associado ao KPI da sua meta (ROAS ou CPA).

Por exemplo: meta: CPA
Evento “A” desejado: compra

É um evento com alta correlação com seu evento “A” desejado e que provavelmente desencadeará outros eventos “A”.

Por exemplo: se seu evento “A” desejado for uma “compra”, seu evento intermediário poderá ser uma “adição de item ao carrinho”.

Quanto mais eventos de “adição de item ao carrinho” acontecerem, maior será a probabilidade de que eventos de “compra” também aconteçam.

Dica: a priorização de eventos intermediários pode acelerar seu desempenho, especialmente no caso de apps com longos fluxos do usuário.

Eventos recorrentes são aqueles realizados por um usuário várias vezes.

Por exemplo: o Usuário A faz uma compra 3 vezes.

É um período que você pode utilizar para avaliar o desempenho.

Por exemplo: a instalação ocorre no 1º dia, e a compra ocorre no 3º dia.

Visualização sem cohort: a compra será atribuída ao 3º dia após a instalação

Visualização de cohort pós-instalação de 7 dias: a compra será atribuída à instalação do 1º dia

Dica: a visualização de cohort pode ajudar você a identificar padrões de comportamento dos usuários, que podem ser usados para embasar suas estratégias de marketing in-app e de reengajamento.

Isso é importante porque essa é para essa janela que iremos fazer as otimização.

Por exemplo: se a meta de CPA de um usuário for a compra em uma janela de 7 dias, priorizaremos compras até 7 dias após a instalação

Com o envio de uma lista de supressão, o machine learning pode concentrar seus gastos em publicidade em usuários que não instalaram seu app.

Por exemplo: com uma lista de supressão, o machine learning faz lances em usuários que não instalaram seu app

Sem uma lista de supressão, o machine learning faz lances em todos os usuários, incluindo aqueles que talvez já tenham instalado o app

Você sabia?
Os clientes da Liftoff que enviam listas de supressão têm um desempenho até 39% melhor do que os que não fazem isso.

A ativação de todos os postbacks pode aumentar o desempenho em X%.

Isso ocorre porque a ativação possibilita que o machine learning se concentre em usuários que ainda não instalaram seu app.

Sem postbacks:

O machine learning se concentra em todos os usuários, incluindo aqueles que já instalaram o app
O machine learning NÃO saberá que os usuários que não realizaram uma conversão no seu app podem incluir usuários que já instalaram o app

Com postbacks:

O machine learning concentra os gastos APENAS nos usuários que não instalaram seu app

O machine learning saberá que os usuários que não realizaram uma conversão no seu app nem mesmo o instalaram

A ativação de postbacks de receita ajuda o machine learning a priorizar os usuários que geram mais receita.

Sem isso, dependeremos de palpites, e a probabilidade de alcançarmos suas metas de ROAS será mais baixa.

A atribuição por visualização proporciona uma visão holística do desempenho do seu anúncio, em termos tanto de cliques quanto de visualizações.

Por exemplo: o Usuário A vê o anúncio e clica para instalar naquele momento

O Usuário B vê o anúncio e não clica nele, mas instala o app mais tarde no mesmo dia

Dica: no Google e no Facebook, a atribuição por visualização está ativada automaticamente.

Se você quer uma comparação justa, recomendamos a configuração da mesma atribuição de visualização em todos os seus canais.

Há um período de progressão para colocar sua campanha no ar.

  1. Aprender: o machine learning coleta dados de diferentes canais de publicidade para saber os tipos de usuário que realizam conversões no seu app.
  2. Priorizar: o machine learning começa a priorizar os usuários mais valiosos.

Ao chegarmos à fase de priorização, podemos começar a ampliar a escala do seu desempenho.

Recomendamos lançar a campanha em, no máximo, duas regiões por sistema operacional.

Assim, o machine learning pode coletar dados suficientes sem que seu orçamento fique muito baixo em cada região.

O período de progressão depende da região geográfica, do app, do tipo de evento e da oferta.

CPI: até 100 instalações únicas
CPA: até 300 eventos únicos
ROAS: até 150 eventos de receita únicos

Campanhas de CPA e ROAS priorizam usuários de alto valor que realizam ações ou geram receita. Usuários de alto valor são mais caros.

Dica: há uma correlação inversa entre CPI e CPA/ROAS. Com a limitação de CPIs, o machine learning acaba fazendo lances em usuários de baixa qualidade que não geram valor.

Sim. Você pode entrar em contato com o gerente de sucesso do cliente para discutir as mudanças que deseja realizar.

Dica: a alteração das metas da campanha ou a realização de alterações drásticas no orçamento diário afetarão o desempenho da sua campanha.

Recomendamos que você não faça alterações de meta após o lançamento e que aumente a escala gradualmente para gerar o melhor desempenho.

Sim, mas nossa recomendação é não exceder o limite diário máximo de US$ 350 no início, de modo a permitir que o machine learning colete dados suficientes ao longo de um período razoável.

Com um limite superior a US$ 350, o machine learning poderá aprender muito rapidamente em um período muito curto, não refletindo necessariamente as condições reais do mercado.

Depois de concluirmos a etapa de aprendizado, poderemos aumentar seus limites diários para concentrar os gastos na geração de desempenho.

Não. Nosso machine learning foi criado para segmentar usuários no âmbito do usuário, e não do publisher do app.

Na prática, isso significa que priorizaremos os usuários com maior probabilidade de conversão, independentemente do app de origem.

A aplicação de listas de aprovações ou proibições limita o alcance do machine learning e a capacidade dele de aumentar a escala do seu desempenho.

Por exemplo: com uma lista de aprovações, o machine learning só faz lances em usuários de um grupo limitado de apps de origem, resultando em saturação e problemas de escala

Com uma lista de proibições, o machine learning não tem acesso a possíveis usuários de qualidade dos apps adicionados à lista

Dica: preocupado com a possibilidade de fraude?
A ferramenta Fraud Check integrada ao machine learning faz a triagem de cada solicitação de lance no nível do dispositivo para remover solicitações suspeitas ou fraudulentas.

Você precisará de um público-alvo de retargeting com pelo menos 250 mil usuários (100 mil para comércio eletrônico e 100 mil usuários pagantes para jogos casuais).

Para configurar sua campanha de reengajamento, precisaremos do seguinte:

  • Meta de CPA/ROAS
  • Fluxo do usuário do app (por exemplo: instalação > registro > adição de item ao carrinho > compra)
  • Segmento desejado (por exemplo: usuários que não fizeram compras nos últimos 14 dias)
  • Evento intermediário (por exemplo: adição de item ao carrinho)
  • Eventos A desejados (por exemplo: compra)
  • Janela de blackout (por exemplo: segmentar os usuários a partir de 3 dias depois da instalação)
  • Lista de IDs de dispositivo
  • Todos os postbacks (necessário por mais de 2 semanas se não houver 250 mil IDs de dispositivo disponíveis)
  • Links diretos de rastreamento de MMP

Sim. A execução de campanhas de aquisição de usuários e reengajamento com o mesmo parceiro tem muitas vantagens:

Melhor desempenho: utilize o machine learning de modo holístico para reengajar os usuários no momento certo

Melhor experiência do usuário: crie uma experiência de anúncio integrada com criativos consistentes

Eficiência de custos: elimine o risco de pagamento duplo e agilize as operações com um ponto de contato único

Machine learning é o mecanismo por trás da compra programática de anúncios.

Basicamente, trata-se de um algoritmo que toma decisões de compra inteligentes.

Ele funciona assim:
Dados de treinamento > Modelo > Previsões

Treinamos nosso machine learning para que ele aprenda apenas com base em dados abrangentes, limpos e precisos.

Integramos as seguintes ferramentas ao nosso machine learning:

  • Smart Pacer: define o ritmo dos seus gastos em publicidade de modo otimizado para analisar os usuários durante todo o dia (lances mais altos quando há mais usuários valiosos e mais baixos quando há menos)
  • Fraud Check: faz a triagem de solicitações de lance em busca de informações insuficientes ou suspeitas (por exemplo: ausência de ID do dispositivo, excesso de apps de Publishers, endereço IP anônimo)
  • Dead Zones: bloqueia cliques acidentais que ocorrem muito perto do botão de fechamento do anúncio

Isso permite que o machine learning aprenda, se adapte e aumente a escala do seu desempenho em longo prazo.

A ferramenta Fraud Check integrada ao nosso machine learning faz a triagem automática de cada solicitação de lance no nível do dispositivo, rejeitando lances:

Suspeitos

  • Com excesso de apps de um Publisher
  • Com número muito alto de solicitações de lances por dia (usuário hiperativo)
  • Com movimentação geográfica excessiva
  • Com IPs anônimos (para nós de saída, VPNs, servidores etc.)

Inválidos

  • Sem o ID do dispositivo
  • Sem o ID da App Store
  • Malformados ou truncados

A ferramenta Fraud Check rejeita 13% das solicitações de lances, garantindo a proteção dos seus gastos.

Trabalhamos em estreita colaboração como parceiros das Exchange para cumprir as diretrizes de marca.

Além disso, implementamos um padrão em todas as nossas operações com relação ao inventário do qual compramos.

Por exemplo: não compramos de apps que possam apresentar conteúdo delicado ou inapropriado (por exemplo: política, armas de fogo, álcool ou sexo)

Caso você veja um anúncio em um app que não considere seguro, informe-nos. Pausaremos o Publisher e investigaremos a questão em um prazo de 24 horas.

Para criarmos criativos de alto desempenho para sua campanha, precisaremos do seguinte:

  • Nome do app
  • Título/legenda do app
  • Ícone do app
  • Logotipo do app
  • Texto curto sobre o app (até 65 caracteres)
  • Descrição do app (até 90 caracteres)
  • Imagens de produtos
  • Capturas de tela do app
  • Materiais de marketing
  • Imagens para anúncios nativos
  • Card final do vídeo
  • Vídeo em formato retrato (1 a 15 s, 16 a 30 s)
  • Vídeo em formato paisagem (1 a 15 s, 16 a 30 s)
  • Diretrizes de branding

Para obter mais detalhes, consulte o formulário de configuração da sua campanha.

Aceitamos os seguintes tipos de recurso:

Imagens: PSDs (formato preferencial), JPGs, PNGs
Vídeos: MP4

Veiculamos os seguintes formatos de anúncios:

320×50 (banner – smartphone)
300 x 250 (banner – smartphone)
728×90 (banner – tablet)
480×320 (interstitial – smartphone)
320×480 (interstitial – smartphone)
768×1.024 (interstitial – tablet)
1.024×768 (interstitial – iablet)
1.200×627 (nativo)

Após o lançamento, você pode ver seus criativos no seu painel da Liftoff.

Geralmente não veiculamos criativos sazonais. O motivo para isso é o fato de que, por conta da maneira que testamos e aprimoramos os criativos, os recursos de longo prazo ou “permanentes” são superiores em termos de desempenho.

Além disso, geralmente os criativos sazonais:

  1. Não são tão refinados quanto os recursos de veiculação mais longa
  2. Introduzem vários elementos novos e costumam ter desempenho inferior (reduzindo os gastos dos clientes)
  3. Causam uma redução do orçamento de testes mais úteis

A Liftoff realiza testes A/B e avalia os criativos da seguinte forma:

Realizamos testes A/B com os criativos utilizando a seguinte metodologia:

  1. Escolhemos um criativo já existente que pode ser melhorado (geralmente, seu criativo com gastos mais altos)
  2. Identificamos uma característica-chave para testar (por exemplo: elementos visuais ou texto)
  3. Criamos 1 ou 2 criativos para testá-los em comparação com o criativo existente
  4. Realizamos testes round-robin com os criativos que criamos e o existente para que cada um deles tenha a mesma probabilidade de ser visto (mesmos apps de origem, trocas, países etc.)
  5. Chegamos a um limite mínimo de 100 mil impressões, 80 instalações e uma probabilidade (valor-p) inferior a 0,01, o que significa que um criativo continuará com desempenho superior ao outro com 99% de certeza

Usamos as seguintes métricas para medir o sucesso:

  1. User acquisition: impression-to-install (ITI)
  2. Reengajamento: impressões que resultam em eventos no app (ITA)

Usamos os testes A/B para descobrir quais criativos otimizarão o desempenho da campanha.

Isso também nos permite identificar novas tendências e práticas recomendadas que possam ser usadas em todos os formatos. Quando fazemos uma nova constatação no seu setor, aplicamos isso à sua campanha.

A Liftoff realiza no mínimo 2 testes A/B por trimestre em cada conta.

Uma frequência adicional depende do nível de flexibilidade dos criativos, dos gastos e do número de recursos fornecidos.

Todos os anúncios da Liftoff são responsíveis , o que significa que eles são configurados automaticamente para se ajustarem ao dispositivo e ao tamanho de tela do usuário, garantindo uma experiência consistente.

Geralmente, os anúncios responsíveis têm um desempenho duas vezes melhor do que os anúncios estáticos.

Sim, desde que esses vídeos não apresentem solicitações de interação que sejam específicas para esses formatos.

Por exemplo, muitos vídeos do Instagram/Snapchat terminam com uma solicitação para “deslizar para cima” para saber mais.

Esse recurso não se aplica quando os vídeos são veiculados fora desses apps, o que pode resultar em uma experiência frustrante para o usuário.