Оцениваем потенциальный эффект от фичеринга и попадания в чарты

Эрик Сёферт, вице-президент по приобретению и вовлечению пользователей в Rovio, написал о том, как можно подсчитать эффект от фичеринга и нахождения в топах.

Перед запуском мобильного приложения разработчику может понадобиться разработать модель наилучшего освоения бюджета, который запланирован на стартовые маркетинговые кампании.

Эта модель, вероятно, будет включать некоторое количество предпосылок насчет объема роста установок после фичеринга или/и достижения видимой позиции в топе (т.е. 10, 6 и т.д.) или в чартах топа скачиваемых.

Обычно делается попытка оценить эти источники загрузок с использованием данных предыдущих запусков (или сервисов наподобие App Annie или Priori Data) для точной оценки установок, которые будут сгенерированы фичерингом или позицией в чарте. Например, разработчик может сделать таблицу для прошлого раза, чтобы оценить эффект от фичеринга и позиций в чарте, и экстраполировать эти эффекты на предстоящий запуск (числа ниже выдуманы):

Назначение значений установкам из этих двух источников видимости — интересное упражнение, но оценка будущего запуска может сопровождаться проблемами по трем причинам:

1. Запуск приложения зависит от многих внешних факторов. Их слишком много для того, чтобы контролировать, например, какие другие приложения запускаются на этой же неделе, какой сезон (лето, Рождество и т.д.). Нельзя предположить, что одна неделя будет похожа на другую.
2. Инфляция ранкинга в App Store постоянно давит снизу на количество необходимых для попадания в топ скачиваемых установок, в то время как количество генерируемых видимостью установок падает.
3. Фичеринг и чарт топа скачиваемых по сути — просто рекламные места с показами (несмотря на то, что их размещают редакторы платформ). Конверсия рекламного показа — особенно для совершенно нетаргетируемых показов — сильно зависит от привлекательности приложения. Никакие два приложения не будут конвертироваться одинаково на одном и том же рекламном месте; нельзя предполагать, что нишевое приложение получит столько же загрузок, как и универсальное приложение, даже если у них будет одинаковое место и количество показов (а по первым двум причинам показы будут отличаться).

Есть два альтернативных подхода к оценке установок от каждого размещения на платформе (их тоже можно критиковать):

Первый, более индивидуализированный — построить модель сверху-вниз с количеством показов, которые сгенерируют эти размещения для определенной комбинации демографической группы/платформы. Эти показы можно перевести в загрузки с использованием конверсии во время софт-запуска:

Конечно, этот подход также зависит от предположений, которые нельзя подтвердить: WAU (количество активных пользователей в неделю) на страницах фичеринга и топов на каждой платформе (это не публичные данные, хотя количество активных устройств определенного типа по географии отследить довольно легко). Также здесь предполагается, что конверсия размещения будет такая же, как во время софт-запука, что может быть неправдой.

Второй подход — гибрид первых двух: сравнить показатели конверсии софт-запуска приложений и соответственно уточнить оценку установок после размещения:

Недостатки этого подхода — он зависит от двух предыдущих и предполагает, что конверсия и установки софт-запусков применимы к глобальному запуску на платформе. Но этот подход хотя бы учитывает разницу в привлекательности разных приложений, что сокращает влияние самого проблематичного предположения в планировании запуска: что все фичеринги и позиции чарта дают одинаковое количество установок.