4 rapports Analytics pour optimiser votre stratégie de Monetization

Lors duwebinaire d'IronSource "Setting Up, Analyzing, and Optimizing Your Ad Monetization", notre chef d'équipe en stratégie de croissance, Elyse Krumholz, vous guide sur la meilleure façon d'analyser et d'optimiser votre stratégie de Monetization. Voyons ce qu'elle a dit.

Tout d'abord, elle a fait remarquer que la Monetize se compose de deux parties : votre stratégie de mise en œuvre de la publicité et la stratégie du réseau publicitaire. La stratégie de mise en œuvre des publicités consiste à décider comment intégrer les publicités dans notre jeu, tandis que la stratégie de réseau publicitaire consiste à choisir les réseaux publicitaires avec lesquels travailler et à les utiliser au mieux. La meilleure façon d'optimiser notre stratégie ? Tests A/B.

Dans le webinaire, Elyse souhaite vérifier si un nouveau placement vidéo récompensé génère un ARPDAU supplémentaire, sans sacrifier la rétention - elle effectue donc un test A/B et crée deux groupes : un groupe avec le nouveau placement vidéo récompensé et un groupe sans ce placement.

Après le test A/B, voici cinq rapports dont vous aurez besoin pour analyser les performances et choisir le vainqueur du test.

Rapports de performance

Pour commencer, Elyse nous guide à travers les rapports de performance, qui nous montrent des KPI comme les revenus, l'eCPM, le fill rate et les impressions. Nous pouvons filtrer ici par métrique ou, dans ce cas, par groupe A ou B pour vérifier les résultats de notre test A/B.

Elyse filtre par vidéo récompensée (c'est l'unité publicitaire qui nous intéresse) et divise ensuite A vs. B. Les revenus et les impressions sont plus élevés pour le groupe B (notre groupe test avec le nouveau placement vidéo récompensé). Excellent ! Mais, selon Elyse, ce n'est pas tout. Qu'est-ce que cela signifie dans le contexte de l'ARPDAU ?

Rapports d'activité des utilisateurs

Prochaine étape : les rapports d'activité des utilisateurs. Nous pouvons ici comprendre l'ARPDAU, le DAU, le DEU, le taux d'engagement, les impressions par DEU (taux d'utilisation), les impressions par DAU et les sessions par DAU.

À l'aide de ce rapport, Elyse compare l'ARPDAU de A vs. B - et constate que l'ARPDAU du groupe B est supérieur de 25 %. Mais pourquoi ? Peut-être que notre jeu attire plus d'utilisateurs avec des publicités qu'auparavant, ou peut-être que les utilisateurs regardent maintenant des vidéos récompensées. Pour le savoir, voyons comment le taux d'engagement et d'utilisation (nombre d'impressions/DEU) diffère selon qu'il s'agit de A ou de D. B.

Il s'avère que le taux d'engagement n'a pas changé - en d'autres termes, aucun nouvel utilisateur ne s'engage avec les publicités vidéo récompensées. Cependant, le taux d'utilisation dans le groupe B est de 5, contre 4 dans le groupe A (contrôle). En fait, les utilisateurs engagés dans votre jeu regardent maintenant 5 vidéos récompensées par jour au lieu de 4. Enfin, nous voyons ce qui conduit à l'augmentation de l'ARPDAU - plus de vidéos récompensées regardées par session. Mais nous essayons toujours de déterminer ce qui augmente l'ARPDAU sans nuire à la fidélisation. Approfondissons donc la question : comment ce nouveau placement vidéo récompensé affecte-t-il notre fidélisation et notre LTV ?

Rapports de cohorte

Pour comprendre l'effet sur la rétention et le LTV, nous devons passer aux rapports de cohorte. Vous pouvez ainsi regrouper les utilisateurs qui ont commencé le jeu le même jour (une cohorte) et mesurer des ICP spécifiques pour ces groupes sur différentes périodes. Si l'on ventile nos résultats par A et par B, on constate qu'il y a une différence entre le nombre de personnes et le nombre de personnes. B, nous pouvons comprendre que les utilisateurs qui regardent maintenant des publicités vidéo mieux récompensées en raison du nouveau placement restent dans les parages pour jouer à notre jeu.

En passant au rapport de cohorte, nous filtrons pour la période de temps du test, répartissons par groupe A/B, et voyons les résultats - une fonctionnalité exclusive à LevelPlay. Nous constatons qu'un pourcentage plus élevé d'utilisateurs dans le groupe de test a également un taux de rétention de D7 plus élevé, par rapport au taux de rétention du groupe de contrôle. Nous obtenons un ARPDAU plus élevé grâce à des impressions et un taux d'utilisation plus élevés, et ces utilisateurs ont tendance à jouer à notre jeu pendant plus de jours.

Rapports croisés dynamiques en temps réel

Enfin, nous pouvons plonger encore plus profondément dans nos données grâce aux rapports croisés dynamiques en temps réel, qui nous permettent d'analyser presque tous les indicateurs clés de performance que nous venons de passer en revue, et ce en temps réel. Ainsi, dès le début du test A/B, nous pouvons examiner les changements dans le comportement des utilisateurs et les performances du réseau publicitaire. Plus important encore, nous pouvons réagir rapidement à ces résultats.

Au-delà du test A/B, nous pouvons également optimiser notre jeu en fonction des données en temps réel, suivre les performances en direct après la mise à jour de notre pile de médiation, connaître les baisses de réseau tout de suite, et surveiller la stabilité des nouvelles versions de l'app. Nous disposons également d'un mode de comparaison, qui permet de comparer les ICP côte à côte sur un même écran et de les comparer facilement en une seule fois. Nous pouvons également comprendre très facilement les changements entre différentes périodes.

En fin de compte, nous pouvons voir comment les rapports de performance, les rapports d'activité des utilisateurs, les rapports de cohorte et les rapports pivots en temps réel fonctionnent ensemble pour améliorer notre stratégie d'optimisation de la Monetization. En utilisant tous ces rapports ensemble, nous pouvons plonger plus profondément dans les données, pour comprendre non seulement "comment", mais aussi "pourquoi" - et ce faisant, améliorer notre stratégie de Monetization. Pour en savoir plus, regardez l'intégralité du webinaire ci-dessous.