說在前面
在《一篇文章學會廣告變現(xiàn)聚合》這篇文章中，給大家分享了，一般為了提升自己APP的eCPM和填充率，會使用的聚合工具，同時分析了聚合工具的原理與功能，也介紹了目前比較常用的聚合工具，忘記的小伙伴可以自行查看。
雖然每個聚合工具的底層邏輯是差不多的，但是聚合之間也有區(qū)別，如：支持的廣告平臺、對接的廣告位類型、平臺的計算方法、廣告加載方式、是否支持廣告平臺的競價模式，如Vungle、Pangle在部分聚合平臺只支持Waterfall，在其他聚合支持Bidding，具體要如何挑選適合自己產(chǎn)品的聚合工具是個非常困難的事。正巧有產(chǎn)品近期也陷入了變現(xiàn)收益優(yōu)化的瓶頸，能夠接入的廣告平臺和調(diào)優(yōu)也都試了個遍。最后決定跳脫出當前的聚合工具，開始嘗試更多新的可能。本文將我的測試過程總結(jié)并分享給大家。
在切換聚合工具的測試中，最主要的目的就是想要看新的聚合工具能否提高用戶的變現(xiàn)收益，過程中某些AdNetwork也從傳統(tǒng)Waterfall模式用上了一些平臺的Bidding模式，圍繞著大家可能比較關(guān)心的問題，分為以下4點做了些總結(jié)：
如何進行聚合工具的A/B測試和數(shù)據(jù)跟蹤？
在不同聚合平臺上，用戶整體的收益表現(xiàn)如何，主要影響因素有哪些？
不同聚合平臺用同一家AdNetwork的Bidding模式，效果是否有差異？
同一家AdNetwork的Bidding模式和傳統(tǒng)Waterfall模式，效果是否會有差異？
問題一 如何進行聚合工具的A/B測試和數(shù)據(jù)跟蹤？A/B測試方法
方法一：通過Google Play后臺的灰度發(fā)布功能，將產(chǎn)品分成2個版本，每個版本分別對接不同的聚合，再進行灰度發(fā)布，一般為了更好的測試數(shù)據(jù)，灰度發(fā)布時，優(yōu)先設置發(fā)布百分比為：10%-20%的水平，在逐步判斷新的聚合工具對于產(chǎn)品的留存，人均時長沒有影響之后提升至50%對比真正的效果，后期根據(jù)聚合的數(shù)據(jù)效果再去動態(tài)調(diào)整對應的灰度發(fā)布比例。
這種方式的好處在于比較好操作，技術(shù)門檻較低，只需要發(fā)布兩個版本即可實現(xiàn)A/B測試和用戶分量。但劣勢在于，發(fā)布新版本需要等待玩家更新或者新買入更多的用戶，才能真正對比聚合效果，老用戶不更新可能又會導致用戶行為不一樣，數(shù)據(jù)不夠置信的問題。
方法二：在產(chǎn)品里同時聚合兩個聚合工具的SDK和對應的廣告調(diào)用邏輯，在產(chǎn)品最開始初始化的時候，通過自身開發(fā)的SDK或者三方A/B測試工具，在云端動態(tài)調(diào)整用戶所啟用的聚合工具。通過這種方法，產(chǎn)品可以實現(xiàn)不讓玩家更新的情況下動態(tài)調(diào)整自己的分量策略，調(diào)整效果非常及時。但弊端在于技術(shù)門檻較高，不同的廣告聚合邏輯在一個包里可能會導致應用崩潰，產(chǎn)品的分量邏輯也需要自己去寫，十分復雜。此外，需要同時在一個包里額外集成一套聚合工具SDK，廣告平臺的適配器（Adapter），會導致包體增大很多。
數(shù)據(jù)跟蹤
1. 為了后期更方便進行數(shù)據(jù)跟蹤和數(shù)據(jù)拆分，需要為不同聚合分別創(chuàng)建他們所使用的廣告單元層級。同時在層級命名備注上聚合工具，如：聚合A-廣告平臺-廣告類型-地區(qū)-底價。
2. 為了避免聚合平臺自身的數(shù)據(jù)統(tǒng)計邏輯或者API數(shù)據(jù)拉取的機制有問題。建議查看變現(xiàn)收益效果的時候，更多的可以看廣告平臺上的數(shù)據(jù)表現(xiàn)而不是聚合平臺的數(shù)據(jù)。通過前期的差異化命名，在后期數(shù)據(jù)統(tǒng)計時，可以直接篩選聚合A/B的所有廣告單元，查看聚合A/B的收益和eCPM表現(xiàn)。
3. 建議使用三方的分析工具，對于產(chǎn)品的廣告行為進行埋點。去統(tǒng)計場景應該展示廣告的實際與廣告真正展示出來的情況，統(tǒng)計產(chǎn)品真實的廣告展現(xiàn)情況。
問題二 在不同聚合平臺上，用戶整體的收益表現(xiàn)如何，主要影響因素有哪些？
在開始具體案例之前，我們需要知道，判斷產(chǎn)品整體變現(xiàn)收益的好壞，通常是通過對比用戶的平均廣告變現(xiàn)的LTV來直觀看到單用戶價值的變化，而用戶LTV又可以被拆分為以下幾個維度：
1. ARPDAU（日活躍用戶的平均收益，廣告ARPDAU可以更直觀的體現(xiàn)產(chǎn)品變現(xiàn)能力——當活躍用戶總量一定的情況下，廣告ARPDAU越高，代表廣告收益就越高。）
2. 留存（雖然說留存主要和游戲玩法相關(guān)，但是不同聚合，不同平臺的廣告展現(xiàn)量占比會有不同，個別平臺的廣告交互體驗很差也會影響到玩家的留存。）
3. 人均廣告展現(xiàn)頻次（由于各個聚合的廣告加載機制有所區(qū)別，導致人均頻次也會有所出入）
一般為了保證數(shù)據(jù)更有參考價值，建議積累一周以上的數(shù)據(jù)，為了保障DAU差異不大，我選用美國地區(qū)DAU數(shù)據(jù)接近的一段時間數(shù)據(jù)作為參考。
首先看一下這兩個聚合工具這段時間內(nèi)的總收入以及用戶平均LTV相關(guān)的數(shù)據(jù)。
游戲整體的ARPDAU
通過圖片中數(shù)據(jù)可以發(fā)現(xiàn)，在美國地區(qū)聚合A要略高一些，根據(jù)用戶生命周期價值LTV=LT*ARPDAU，當用戶留存差不多，如果使用聚合A，單個用戶在生命周期內(nèi)創(chuàng)造的收益會更高一些，根據(jù)猜測主要由于部分廣告平臺的填充率較高，整體eCPM較高，用戶生命周期價值也會相應提升。
留存數(shù)據(jù)
不管是整體次留情況，還是單獨拉7天內(nèi)聚合A、B的用戶數(shù)，發(fā)現(xiàn)用戶的流失曲線趨勢保持一致，次留均為20%左右，而用戶也在Day7 基本流失完了。
美國地區(qū)不同聚合留存數(shù)據(jù)對比人均廣告頻次
聚合B激勵以及插屏的人均頻次略高于聚合A，分析主要原因是聚合B部分廣告平臺支持Waterfall，一個廣告平臺可以創(chuàng)建多個不同底價的instance，因此聚合B產(chǎn)品整體的impression>聚合A整體的impression。而開屏略低，主要是因為聚合B支持開屏廣告形式的廣告平臺較聚合A少一點。
美國地區(qū)不同聚合人均廣告頻次數(shù)據(jù)對比整體的eCPM
通過對比，聚合A在開屏上更有優(yōu)勢，主要是聚合A支持的廣告平臺數(shù)量>聚合B支持的廣告平臺數(shù)量，而激勵和插屏聚合B可以通過設置不同的Waterfall層級，手動排序，盡量使價格更高的層級可以吃到更多的量。
問題三 不同聚合平臺用同一家AdNetwork的Bidding模式，效果是否有差異？
之所以開啟這樣的測試，是我認為每家聚合平臺都是去跟廣告平臺單獨對接的，不同來源的競價請求可能會有渠道標記，從而導致對于不同聚合工具之間，廣告平臺會有不同的流量傾向。
而Bidding模式之間的效果對比，主要通過競價參與率能最直觀的表現(xiàn)，理論上同樣的用戶群，廣告平臺的競價率通常是一樣的。其他考慮因素還有Bidding的勝出率，eCPM表現(xiàn)。但這兩個指標通常會受到其他競價媒體和Waterfall層級配置的影響。只能作為綜合考慮因素。
由于聚合平臺A和B都支持Facebook和Mintegral的Bidding，我開始了以下的測試。
Facebook & United States
Mintegral & United States
1. 從競價參與率能觀察到，聚合工具A在兩個廣告平臺和各廣告形式上，都有更好的表現(xiàn)。側(cè)面證明不同廣告聚合的競價請求可能會存在流量偏向的問題。
2. 綜合考慮競價的勝率和eCPM表現(xiàn)有如下分析：
a. 在Facebook數(shù)據(jù)中，聚合A的插屏和聚合B的激勵雖然勝出率都偏低，但其eCPM表現(xiàn)更好，我推測可能是由于聚合工具內(nèi)該廣告位競價激烈，使得FB的出價大多時候無法勝出。但這種數(shù)據(jù)表現(xiàn)是有利于產(chǎn)品的，表明產(chǎn)品充分競價，價高者得。
b. MTG Bidding在激勵廣告中，聚合A的eCPM表現(xiàn)更高且勝出率也高，顯現(xiàn)出更強的流量偏好。聚合B的插屏廣告eCPM低但是勝出率高，反應競價并不充分，低價流量勝出率還偏高，有待繼續(xù)優(yōu)化。
問題四 同一家AdNetwork的Bidding模式和傳統(tǒng)Waterfall模式，效果是否會有差異？
開始這個測試的主要原因是因為發(fā)現(xiàn)大多數(shù)聚合工具上都支持常見的廣告平臺（如：Facebook、Mintegral、Admob、Unity、Pangle等），但不一定都支持它們的競價模式。為了判斷有沒有必要由于某平臺支持的Bidding多而切換聚合，聚合平臺在Bidding和Waterfall競價的影響又有哪些，我進行了下面的測試。
主要測試平臺為：Admob、Applovin、Vungle、Pangle（在美國地區(qū)不給填充，因此拿巴西地區(qū)數(shù)據(jù)作為對比）四個廣告平臺在聚合A使用的Bidding變現(xiàn)方式，而在聚合B使用的Waterfall。
Admob & United States
Applovin & United States
Vungle & United States
Pangle & Brazil
結(jié)論
1、從整體數(shù)據(jù)來看，同一家AdNetwork的Bidding模式，競價參與率都高于Waterfall模式，綜合的eCPM表現(xiàn)也要更好。在測試中也發(fā)現(xiàn)，即便我按照聚合A平臺跑出的Bidding eCPM來設置聚合B的Waterfall底價，出來的效果也是大相徑庭，Bidding的效果依舊更好。于是我建議，如果當前聚合平臺支持的Bidding平臺較少，可以考慮嘗試用支持更多AdNetwork Bidding模式的聚合工具。
2、雖然同一家AdNetwork的Bidding平臺填充率高于Waterfall，但是通過Admob的數(shù)據(jù)表現(xiàn)發(fā)現(xiàn)，Waterfall也可以通過設置底價，手動排序等去進行更多的優(yōu)化。（這里也猜測，有些平臺的Waterfall層級可能需要聯(lián)系AM手動調(diào)整才會有更好的效果）
說在最后
通過這次的聚合切量測試，雖然留存數(shù)據(jù)差異不大，但聚合A在人均廣告展現(xiàn)頻次、ARPDAU、eCPM上均略有優(yōu)勢，整體計算下來A聚合的LTV要更好些。主要原因為以下幾點：
- 人均頻次有略微提升，廣告加載效率增長。
- 聚合平臺自身的流量媒體填充和eCPM都較高。（猜測為流量補貼）
- 以前對接的AdNetwork平臺改為Bidding競價模式后，填充和eCPM均有所提升。
閱讀完本篇文章之后，大家可能也想嘗試一些新的聚合工具了，但在這里還是有幾點需要提醒一下。
1. 優(yōu)先關(guān)注產(chǎn)品自身的數(shù)據(jù)表現(xiàn)是否有變化，人均廣告展現(xiàn)頻次、留存表現(xiàn)、玩家游戲時長等。
2. 本次測試主要集中分析的是美國地區(qū)的數(shù)據(jù)表現(xiàn)，不同廣告平臺在不同地區(qū)數(shù)據(jù)表現(xiàn)通常都會有所差異，切聚合會對全球用戶有所影響，需要關(guān)注分析產(chǎn)品全球不同地區(qū)的LTV變化情況。
3. 不同產(chǎn)品類型對廣告加載效率會有不同的需求，工具類聚合產(chǎn)品由于用戶使用時間短，更看重廣告加載率和展示率的表現(xiàn)。游戲產(chǎn)品就會有更多時間去加載廣告，追求的就是流量最優(yōu)售賣。大家需要結(jié)合自身產(chǎn)品特性去進行A/B測試。
4. 測試周期要夠長，盡量測試一個月以上，一方面可以避免接入聚合平臺初期的流量補貼導致產(chǎn)品變現(xiàn)效果虛高的情況，影響最終的效果判斷。還可以真正確定各個廣告平臺。
5. 不要著急全量發(fā)布只保留一家聚合平臺，保留隨時回撤版本的空間。
最后，希望通過本次的聚合測試，能夠讓大家真正了解到如何去選擇和測試到適合自己項目的聚合工具。
看完覺得寫得好的，不防打賞一元，以支持藍海情報網(wǎng)揭秘更多好的項目。
感謝您的支持，我會繼續(xù)努力的!
打開支付寶掃一掃，即可進行掃碼打賞哦
手機直接保存圖片,掃一掃識別二維碼,即可進行掃碼打賞哦
