营销组合模型：以应用为主的企业如何采用隐私至上的方法打造适应未来局势的成效衡量策略

最近，Meta 委托 Analytic Edge 进行了一项游戏 MMM 调研，以了解 MMM（一种利用汇总数据的成效衡量工具）能否帮助缩小游戏应用广告主因信号丢失而导致的成效衡量差距。

另外，这次调研也希望通过评估游戏应用广告主过往的广告花费，探究日后的最佳实践。

调研方法概述

此次调研的受访对象是来自亚太地区的八家广告主，涵盖了从小到大不同规模的游戏发行商。调研方向侧重于在美国、日本和香港等多个市场的营销表现，相关工作由 Analytic Edge 于 2021 年 3 月至 2021 年 9 月进行，适逢应用追踪透明度 (ATT) 推出期间。

• 数据

  广告主向 Analytic Edge 提供的数据经过汇总并且完全去身份处理。

  
  

• 建模方法和验证

  Analytic Edge 团队为每个拥有每日汇总数据的广告主创建了基于回归的 MMM 模型，以分析关键业务驱动因素与销售额之间的关系。他们将这些驱动因素（包括媒体和非媒体元素）纳入模型中，以全面了解成效。其他非媒体元素用于进一步捕捉节假日、活动、游戏更新、比赛和其他宏观因素条件下应用内收入与销售额的关联，而媒体变量则通过拆分说明它们与 ATT 采用程度的不同关系。为了准确把握不同 ATT 采用程度的影响，时间划分成了“ATT 之前”和 P1、P2、P3（各两个月）三个“采用 ATT 后”时间段。模型采用业内盛行的一系列统计和商业有效性标准进行验证。

解读 Analytic Edge 洞悉的新机遇

1 - 在隐私至上的环境下，MMM 是游戏和应用广告主至关重要的成效衡量工具

MMM 为游戏和应用广告主提供了一种强大、可靠且注重隐私保护的营销表现衡量方法，特别是在 iOS 生态系统中。在报告偏差上，相比于传统成效衡量解决方案，特别是最后触点归因，MMM 对广告花费回报 (ROAS) 的建模估算结果更加精确。

最后触点与 MMM 归因 Meta RoAS 范围对比

来源：iOS 调研综合分析——洞察分析和主要成果，Analytic Edge

2 - 相比于完全依靠最后触点归因，综合分析多个来源提供的信息有助于广告主制定更明智的营销决策

ATT 的推出对于最后触点归因所依赖的根本性数据基础架构造成了极大的影响。这种成效衡量模型的可靠性也随之遭到了削弱。如果与 MMM 等依靠汇总数据且不受信号缺失影响的增量式衡量方法直接进行对比，这种差异更加显著。

因此，如果仅仅依赖于传统的成效衡量解决方案，广告主在制定决策时就可能错失优化收入的机会。对于最后触点归因模型，可以看到 RoAS 逐渐递减，说明其已经失去了准确性。

另一方面，MMM 归因的 RoAS 波动程度较为平缓，这也表明完全依靠最后触点归因模型制定营销广告决策就是一种谬论。

最后触点与 MMM 归因 Meta RoAS 对比

来源：iOS 调研综合分析——洞察分析和主要成果，Analytic Edge

3 - 对于提升非新游戏的 RoAS，Meta 依然是一个表现出色的媒体渠道

纵观多种不同媒体渠道的 RoAS，对于非新游戏（已发行一年以上）而言，Meta 在 ATT 发布前后的时间段中波动最小，由此可见它依然是一个高效的媒体渠道。

非新游戏 RoAS

来源：iOS 调研综合分析——洞察分析和主要成果，Analytic Edge

4 - 对比不同产品选项，进阶赋能型应用广告（A+AC，原 AAA）表现优于手动应用广告

虽然广告主可能更偏爱手动应用广告的掌控感，但进阶赋能型应用广告的 RoAS 表现始终更佳（P3 阶段高 42%）。如表中所示，进阶赋能型应用广告能够以更低的成本（P3 阶段低 29%）推动收入增长。

RoAS：产品类型对比

来源：iOS 调研综合分析——洞察分析和主要成果，Analytic Edge

5 - 优化策略对比：价值优化 (VO) 随着时间推移表现更佳

优化策略方面，价值优化在 ATT 推出期间表现良好，即使在 ATT 应用后依然有极佳的表现。

价值优化 (VO) 随着时间推移的 RoAS 表现

来源：iOS 调研综合分析——洞察分析和主要成果，Analytic Edge

Meta 建议：广告主如何提升花费回报

基于 Analytic Edge 的研究结果，关于游戏应用广告主如何取得更理想的回报，我们的建议如下：

• 面向未来的成效衡量组合模型：广告主应采取 MMM 模型来构建面向未来的成效衡量策略，并适应生态系统的变化。这是保障收入水平和市场地位的关键。

  
  

• 改善最后触点报告的准确性：如果广告主主要依靠基于最后触点的表现报告，则应寻求通过 MMM 或增量式方法校准这些报告系统来提升准确性。

  
  

• 增加进阶赋能型应用广告花费比重：基于 MMM 模型的分析结果表明，对于应用广告主来说，增加进阶赋能型广告系列花费比重可能是一项更明智的长期解决方案。

  
  

• 广告主应针对漏斗下层优化和基于价值的受众定位增加投入，以实现应用长期 RoAS 的最大化。

MMM 设置最佳实践

在首次设置 MMM 模型期间，广告主应专注于以下五个组织性最佳实践：

• 首先开展有关 MMM 的必要培训以便建立认知度并对目标成果设定合理的预期。

  
  

• 让所有合适的终端用户和决策制定者参与到项目中，可包括品牌团队、用户获取团队、BI 团队、财务部门等等。

  
  

• 优先部署与提升收入和改善成效相关的新用例。

  
  

• 花时间确定您想要研究的正确数据字段和变量，并在项目开始时明确数据质量。

  
  

• 采用可持续的方式通过不同的模型变量组合进行迭代，以便找到最适合您业务模式的模型。

作为一项注重隐私保护的成效衡量技术，MMM 将是广告主为构建面向未来的成效衡量策略、争取实现长期 ROAS 最大化迈出的第一步。

构建可持续的成效衡量策略 

来源：“应用程序营销成效衡量不断变化所带来的影响”，Meta，2022 年 4 月

综上所述，我们建议综合运用多个技术，制定一个综合的成效衡量方案。挖掘每个成效衡量技术的优势，以便更深入地了解关键性业务成效的动因。例如，将 MMM 模型与归因解决方案结合使用，以免因信号缺失导致最后触点归因不稳定或不太可靠而蒙受损失。