请问我们怎么能协助您呢？

我们采用简单的三步流程：

• 填写广告系列制定表格
• 我们与您举行会议，确认广告系列的制定详情，获取相关的资产信息（KPI，基准，跟踪链接，广告素材资源，设备 ID）
• 我们启动您的广告活动

整个启动制定过程可能需要几天到 1-2 周的时间，具体时间取决于我们确认广告系列制定和获取广告系列资产信息的速度。

CPI：找出下载您的APP的用户群
CPA：找出在您的APP中采取行动的用户
CPR：确定为您的应用程序带来最多收益的用户（ROAS）

不可以。我们的机器学习只能针对一个目标进行优化，因为 CPI 和 CPA/ROAS 之间为负相关的关系。

不可以。我们需要机器学习收集不同供应商之间的数据，确认谁是您的最佳用户。

限制机器学习的会影响其长期提升您表现的能力。

提示：机器学习的智能程度，取决于其学习的数据智能水平。

如果对机器学习设置上限，让其通过低质量的数据库进行学习，会导致用户饱和和规模限制。

建议您将每日预算设置为 $250-350。

预算超过每日 $350可能会导致机器学习在很短的时间内学习的太快，导致无法反映真实的市场情况

这指的是我们优化的目标，从安装到目标 A 事件的用户流程。

举例：安装>注册>添加到购物车>购买

为广告活动制定正确的顺序是成功的关键。

这是与您的目标 KPI（ROAS 或 CPA）相关的目标 A 事件。
举例：目标：CPA
目标 A 事件：购买
什么是中介 A 事件？

举例：如果您的目标 A 事件是“购买”，那么您的中介 A 事件可能就是“添加到购物车”。

“添加到购物车”事件发生的越多，“购买”事件发生的可能性就越大。

提示：针对中介 A 事件进行优化可以加速提升您的表现，特别是对于用户流较长的应用程序而言更是如此。

重复事件是指用户多次完成同一事件。

举例：用户 A 进行了 3 次购物

这是一个时间窗口，您可以用来评估成效。

举例：安装在第 1 天进行，购买在第 3 天进行

非同类群观察：购买归因于第 3 天

安装后 7 天的同类群观察：购买将归因于第 1 天安装

提示：同类群观察可帮助您确定用户行为模式，这些信息可用于您制定应用内营销和再营销策略。

它的重要性在于，这是我们进行优化的窗口。

举例：客户的 CPA 目标是在 7 天的购买窗口内进行购买，那么我们就会在安装后的 7 天内针对购买进行优化

加载空白列表后，机器学习将把您的广告支出集中于尚未安装您应用程序的用户。

举例：加载空白列表：针对尚未安装您应用程序的用户进行机器学习投入

未加载空白列表：对所有用户（包括可能已安装了您应用程序的用户）进行投入

您知道吗？
Liftoff 客户加载空白列表后，其表现要比未加载列表的客户提高 39％。

启用所有回传可以将表现提高 X％。

因为它可以让机器学习将支出集中在尚未安装您应用程序的用户之中。

未启用回传：

机器学习专注于所有用户，包括已经安装了您应用程序的用户

机器学习无法判断一点：未在您应用程序中转换的用户，可能还包括已经安装您应用程序的用户

启用回传：

机器学习将支出侧重于未安装您应用程序的用户

机器学习会判断一点：因为未安装过您应用程序而未在您广告中转化的用户

启用收入回传可帮助机器学习为产生最大收益的用户进行优化。

没有这项数据，我们就只能进行猜测，并且实现您设置的 ROAS 目标也会变得更有难度。

View-through attribution 的属性可让您了解整体的广告表现，包括点击和浏览的数量。

举例：用户 A 看到广告并点击以及下载APP

用户 B 看到广告但没有点击，不过稍晚后才做了安装

提示：Google 和 Facebook 会自动启用 view-through attribution 的功能。

如果您希望获得最准确的成效比较，建议您对所有的渠道设置相同的设置

在启动和运行您的广告系列前有一个准备阶段。

1. 学习-机器学习收集不同供应商的数据，判断那种类型的用户在您的应用程序中实现了转换
2. 优化-机器学习开始针对最有价值的用户进行优化

进入优化阶段后，我们就可以开始提升您的表现 。

我们建议每个操作系统最多在 2 个国家启动。

这可以让机器学习收集足够的数据且避免分散您的预算。

准备时间取决于地理位置、应用程序，事件类型和供应。

CPI：最多 100 次独立安装
CPA：最多 300 个独立事件
ROAS：最多 150 个独立收益事件

CPA 和 ROAS 广告活动针对采取行动或产生收入的高价值用户进行了优化。 高价值用户更昂贵。

提示：CPI 和 CPA/ROAS 呈反相关的关系。CPI 上限将限制机器学习不要对没有价值的低质量用户进行投入。

是的，您可以与客户经理联系，讨论要进行的更改。

提示：更改广告活动目标或大幅更改每日预算，会影响您广告活动的效果。

建议在启动后不要更改目标，也不应该为达到最佳表现而大幅扩大活动范围。

可以，但建议每日预算不超过 $350，确保机器学习在合理的时间内收集足够的数据。

如果预算超过 $350，可能导致机器学习在过短的时间内学习速度太快，无法反映真实的市场状况。

完成学习阶段后，我们可以提高您的每日预算，且关注于提高表现。

不能。我们针对用户级别而非发布者级别用户构建机器学习。

实际上，这意味着我们将针对最有可能进行转化的用户进行优化，无论其源应用是什么。

应用黑名单或白名单会限制机器学习的覆盖范围，影响其改善表现的能力。

举例：白名单-机器学习仅针对来自少数源应用程序的用户投入，这会导致饱和，出现规模方面的问题

阻止列表- 机器学习会错过被列入黑名单的高质量应用程序潜在用户

提示：担心欺诈？

机器学习的内置欺诈检查工具可在设备层面筛选每个投入请求，过滤出可疑或欺诈性的投入请求。

您需要拥有至少 25 万可重定位的受众群体（电子商务和休闲游戏均需要 10 万可重定向的支付用户）。

我们需要以下内容来设置您的再营销广告：

• CPA/ROAS 目标
• 应用程序用户流（例如，安装>注册>添加到购物车>购买）
• 目标受众（例如过去 14 天内未购买的购买者）
• 中介事件（例如，添加到购物车）
• 目标 A 事件（例如购买）
• Blackout Window（例如，安装 3 天后的目标用户）
• 设备 ID 列表
• 启动所有回传（如果没有 25 万个设备ID，则需要超过 2 个星期）
• MMP 跟踪深层链接

可以。 与一位合作伙伴共同进行 UA 和再营销活动有很多益处：

提升表现-充分利用机器学习，在适当的时间让用户进行再参与

更好的用户体验-使用一致的创意创建无缝的广告体验

成本效益- 杜绝双重支付的风险，通过一个联系点简化运行

机器学习是推动程序广告购买的重要动力。

可以将其视为做出明智购买决策的算法。

它的运行方法是：

训练数据>模型>预测

我们只用全面、干净和准确的数据训练机器学习。

我们在机器学习中内置了以下工具：

• Smart Pacer-优化控制广告支出的节奏，全天候吸引用户（有价值的用户越多，投入就越高；有价值的用户越少，投入就越低）
• 欺诈检查-针对缺少或可疑信息的投入请求（例如缺少设备 ID、发布商应用过多、匿名 IP 地址）筛选支出请求
• 保护区-阻止用户意外点击关闭广告的按钮

这可以让机器学习能够自适应地学习并长期提高您的表现。

我们的机器学习内置了欺诈检查工具，可以自动在设备级别屏蔽每个投入请求，拒绝以下投入：

可疑行为

• – 发布者应用过多
• – 太多投入请求/日期（超活跃用户）
• – 太多投入请求/日期（超活跃用户）
• – 匿名 IP（用于出口节点、VPN、服务器等）

无效

• 缺少设备 ID
• 缺少应用商店 ID
• 格式错误或被截断

为了保护您的支出，欺诈检查会拒绝总投入申请的 13％。

我们与交易合作伙伴紧密合作，遵守其品牌准则。

此外，我们在所购买的数据库中，实施了 Liftoff 全公司范围的标准。

比如：我们不会包含敏感或不适当内容（例如政治、枪支、酒精、性爱）的应用程序中购买

如果您发现某个广告出现在不安全的应用程序中，请告诉我们。 我们将叫停该发布者，并在请求后的 24 小时内进行调查。

为了给您的广告活动设计出理想效果的创意，我们需要以下信息：

• APP名称
• APP标题/图注
• APP图标
• APP徽标
• APP简短副本（最多 65 个字符）
• 应用说明（最多 90 个字符）
• 产品图片
• APP内屏幕截图
• 营销抵押
• 本机图像
• 视频端卡
• 视频预览（1-15 秒，16-30 秒）
• 视频概述（1-15 秒，16-30 秒）
• 品牌宣传指南

请参考您的广告活动制定表格，获取更多详细信息。

我们需要获得以下素材类型：

图像：PSD（强烈推荐），JPG，PNG
视频：MP4

我们投放以下广告格式：

320×50（横幅广告-移动）
300 x 250（横幅广告-移动）
728×90（横幅广告-平板电脑）
480×320（插屏广告-移动）
320×480（插屏广告-移动）
768×1024（插屏广告-平板电脑）
1024×768（插屏广告-平板电脑）
1200×627（本机）

启动后，您可以在 Liftoff 仪表上查看您的广告素材。

我们通常不会投放季节性广告，这是我们测试和迭代广告素材方式决定的，因为长期资产或“长青”资产在表现方面具有更高优势。

最重要的是，季节性广告素材通常：

1. 不像长期私彩那样制作精良
2. 它们引入了许多新元素，通常表现都比较差（降低客户支出）
3. 让我们无法对支出的范围进行更有意义的测试。

Liftoff a/b 测试和衡量创意的方式：

我们使用以下方法对素材进行 a/b 测试：

1. 选择一个现有的广告素材（通常是您支出最高的广告素材），然后对其进行完善
2. 确定要测试的关键特征（例如视觉或文字）
3. 制作 1-2 个素材，对照现有素材进行测试
4. Roundrobin 对现有素材进行测试，让每个素材有同样的可能性被看到（相同的交易、源应用程序、国家/地区等）。
5. 达到最低阈值，即总展示次数至少为 10 万次，总安装次数为 80，概率（p 值）<0.01，这意味着某个创意的表现肯定会持续在 99% 的情况下高于另一个素材

我们使用以下指标来衡量成功与否：

1. 用户获取：实现安装的展示（ITI）
2. 再参与：实现应用程序事件的展示（ITA）

我们使用 a/b 测试判断哪些素材可以优化广告活动的效果。

通过这种方法，我们能确定可用于所有格式的新趋势和最佳实践。 我们发现您所在行业有了新知识时，会将这些知识应用于您的广告活动。

Liftoff 每季度至少要对每个账户进行 2 次 a/b 测试。

我们会根据素材灵活性、支出和提供的资产数量决定是否增加频率。

Liftoff 的所有广告都可进行自适应，即会自动进行配置来适应用户的设备和屏幕尺寸，提供无缝的用户体验。

通常而言，自适应式广告的效果比静态广告好 200％。

只要这些视频不包含这些格式特有的互动提示，我们就可以接受。

这种提示的例子包括：许多 Instagram/Snapchat 视频都会提示“向上滑动”，引导用户查看更多信息。

如果这种视频在这些应用之外的环境运行时，这种功能就不适用，已避免影响整体的用户体验。