Sebagian besar strategi akuisisi mengasumsikan bahwa klik adalah klik dan penginstalan adalah penginstalan. Tim performa menilai trafik berdasarkan serangkaian metrik awal yang sama, baik itu sumbernya dari banner dalam aplikasi atau iklan penelusuran. Asumsi tersebut bekerja dengan baik untuk penempatan dalam aplikasi di mana pengguna sudah terlibat dan menjelajah. Namun ketika manajer UA mulai membeli trafik dari permukaan perangkat, asumsi tersebut menjadi berantakan karena maksud pengguna pada dasarnya berbeda.
Memahami bagaimana maksud berubah di seluruh permukaan bukanlah detail kecil. Hal ini harus mengubah cara tim UA mengevaluasi metrik awal, mendesain materi iklan, dan memikirkan perjalanan pengguna.
Permulaan: Tindakan Serupa, Momen yang Berbeda dari Niat
Pertimbangkan dua pengguna pada momen yang berbeda:
– Pertama, ada seseorang yang sedang bermain game seluler. Mereka melihat banner asli di dalam pengalaman, mengetuknya, dan menginstal aplikasi lain. Tindakan tersebut dipengaruhi oleh gangguan, keterlibatan, dan rasa ingin tahu. Pengguna sudah berada dalam kondisi konsumsi konten dan terbuka untuk mengklik.
– Kedua, ada seseorang yang sedang menyiapkan perangkat baru. Bahkan sebelum mereka berinteraksi dengan menu atau konten, mereka disajikan dengan saran aplikasi pada layar sistem atau dalam cerita aplikasi OEM. Pengguna tersebut tidak sedang menjelajah untuk mencari hiburan. Mereka secara sadar membuat keputusan tentang apa yang seharusnya bisa dilakukan oleh perangkat baru tersebut.
– Kedua pengguna pada akhirnya mungkin akan menginstal aplikasi. Tetapi alasan di balik penginstalan tersebut sangat berbeda. Pada kasus pertama, penginstalan dipandu oleh keterlibatan yang sedang berlangsung dan biaya perhatian yang rendah. Pada kasus kedua, penginstalan didorong oleh momen evaluatif di mana pengguna membuat pilihan tentang kegunaan di masa depan dan penggunaan jangka panjang.
Ketika niat berbeda, begitu pula dengan perilaku hilir. Pengguna yang mengklik di dalam sebuah game mungkin akan beralih dengan cepat jika produk tersebut tidak sesuai dengan ekspektasi mereka. Pengguna yang menginstal dari permukaan sistem mungkin akan membuka aplikasi nanti, menjelajahinya dengan lebih sengaja, dan menjadi lebih berharga dari waktu ke waktu.
Tengah: Mengapa Niat Mendorong Metrik yang Terlihat “Lemah” Tetapi Sebenarnya Tidak
Sebagian besar metrik klik-tayang, tingkat konversi, dan model pendapatan awal dikembangkan untuk penempatan dalam aplikasi dan sosial. Prediksi tersebut mengasumsikan bahwa pengguna yang mengklik sudah “berminat” untuk terlibat. Mereka berasumsi bahwa setelah penginstalan akan ada lonjakan langsung atau cepat dalam keterlibatan atau monetisasi.
Lalu lintas di perangkat menantang asumsi-asumsi ini karena pengguna berperilaku berbeda. Mereka sering kali menginstal terlebih dahulu dan terlibat kemudian. Sinyal monetisasi lebih lambat muncul. Retensi lebih stabil dan tidak selalu menunjukkan lonjakan awal.
Hal ini sering menyebabkan kebingungan di antara tim UA. Lalu lintas dapat terlihat lambat berdasarkan sinyal hari pertama atau hari ketiga. Kurva retensi mendatar dan bukannya memuncak. Metrik ARPU awal terlihat lebih rendah dari yang diharapkan. Tanpa konteks, mudah untuk menyimpulkan bahwa trafik ini lemah.
Namun, apa yang tampak lemah pada jendela awal mungkin sebenarnya merupakan tanda keterlibatan yang lebih dalam dan lebih disengaja. Pengguna yang diperoleh dari permukaan perangkat cenderung membutuhkan lebih banyak waktu sebelum membentuk kebiasaan, namun nilai jangka panjangnya bisa lebih konsisten dan dapat diandalkan.
Akar dari masalah ini bukanlah kualitas trafik. Akar masalahnya adalah mengevaluasi trafik dengan model yang salah.
Akhir: Memikirkan Kembali Model Performa untuk UA yang Digerakkan oleh Niat
Jika lalu lintas di perangkat memerlukan model yang berbeda, maka tim UA perlu menyesuaikan apa yang mereka anggap sukses.
Berikut ini adalah langkah-langkah praktis yang dapat membantu:
1. Berhenti menilai penginstalan di perangkat dengan tolok ukur dalam aplikasi.
Alih-alih mengharapkan RKPT awal yang tinggi atau pendapatan instan yang sama, tim harus melihat kurva keterlibatan yang lebih panjang dan tonggak peristiwa yang lebih mencerminkan maksud pengguna.
2. Menyelaraskan pesan kreatif dengan konteks.
Materi iklan dalam aplikasi dapat menjadi pengait dan isyarat keterlibatan karena pengguna sudah berminat untuk berinteraksi. Materi iklan di perangkat harus berbicara tentang kegunaan, penemuan, dan nilai karena pengguna membuat pilihan yang disengaja tentang apa yang akan diletakkan di perangkat mereka.
3. Optimalkan ke arah peristiwa yang bermakna di luar penginstalan.
Daripada mengoptimalkan secara eksklusif untuk peristiwa penginstalan, tim UA harus memprioritaskan pengoptimalan untuk penyelesaian onboarding, tindakan utama dalam aplikasi, dan peristiwa pendapatan yang berkorelasi kuat dengan nilai jangka panjang.
4. Gunakan model akuisisi yang memungkinkan adanya sinyal yang tertunda.
Model penetapan harga biaya per pemasangan dan biaya per tindakan mendukung interpretasi sinyal yang tertunda karena pembayaran hanya terjadi ketika hasil tercapai, bukan ketika tayangan terjadi.
Platform yang menggabungkan prinsip-prinsip ini ke dalam logika pengoptimalan mereka, dan yang memahami perbedaan maksud di seluruh permukaan, secara inheren berkinerja lebih baik. Misalnya, dalam sistem seperti Qi Ads, pembelajaran mesin tidak hanya dapat mengevaluasi penginstalan tetapi juga pola sinyal pasca-instal, sehingga membantu kampanye dioptimalkan ke arah sinyal yang mencerminkan maksud pengguna yang sebenarnya dan nilai yang sebenarnya.
Kesimpulan Akhir
Klik dan penginstalan mungkin terlihat serupa di permukaan, tetapi keduanya tidak memiliki arti yang sama di permukaan akuisisi yang berbeda. Klik banner di dalam aplikasi terjadi dalam konteks yang sangat berbeda dengan penginstalan yang dilakukan pada layar pengaturan perangkat. Perbedaan maksud ini membentuk perilaku pengguna dan mengubah arti metrik kinerja.
Dengan mengakui bahwa dalam perangkat tidak sama dengan dalam aplikasi, manajer UA dapat membangun model yang mencerminkan perilaku pengguna yang sebenarnya. Hal ini menggeser pengoptimalan dari mengejar lonjakan awal menjadi memahami nilai jangka panjang, dan pada akhirnya mengarah pada akuisisi yang lebih cerdas dan berkelanjutan.
