Dự đoán LTV cho mô hình kiếm tiền kết hợp: 4 thách thức đã được giải quyết

Jas: Tôi muốn nói rằng độ chính xác trung bình của chúng ta là, và Roman, anh nhấn mạnh từ "trung bình", điều này thực sự là cách đúng đắn để nói về độ chính xác của mô hình. Ừm, điều đó thực sự rất tốt. Độ chính xác 90% là tuyệt vời và điều này thực sự hiếm gặp trong ngành này. 

La Mã: Chào mọi người, chào mừng đến với video tiếp theo về bản cập nhật Tenjin. Hôm nay chúng ta sẽ trò chuyện với Jaspret từ đội ngũ sản phẩm của chúng tôi. Chào Jas. 

Jas: Xin chào Roman.

La Mã: Và chúng ta đang nói về dự đoán LTV—đó là gì, tại sao nó quan trọng và cách bạn có thể truy cập nó trong Tenjin. Vậy thì, hãy bắt đầu bằng một vài lời giới thiệu về bản thân, Jas.

Jas: Cảm ơn, Roman. Chào mọi người, tôi là Jas hoặc Jaspreet, và tôi là Quản lý Sản phẩm tại Tenjin. Tôi thường làm việc với dữ liệu và bảng điều khiển, và chúng tôi đã phát triển mô hình dự đoán LTV (pLTV), đặc biệt dành cho tất cả các bạn. 

La Mã: Đúng vậy. À, chúng tôi đã chuẩn bị một vài slide cho video này. Tôi sẽ chia sẻ màn hình của mình và chúng ta sẽ xem qua chúng, sau đó chúng ta sẽ có một cuộc trò chuyện về sản phẩm. 

Vâng, dự đoán LTV được tùy chỉnh cho các ứng dụng có mô hình kiếm tiền kết hợp. Mô hình kết hợp hiện đang là xu hướng mới. Có rất nhiều sự quan tâm, nhưng chúng tôi cảm thấy chưa có đủ công cụ được phát triển cho phân khúc ứng dụng này. À, và dự đoán LTV là một công cụ thiết yếu khi bạn thực hiện chiến dịch thu hút người dùng cho một trò chơi kết hợp. 

Hãy xem tại sao bạn cần sử dụng nó. Bạn có muốn bình luận về điều đó không, Jas?

Jas: Đúng vậy, tôi nghĩ rằng Roman, bạn đã đưa ra một điểm rất hay. Chúng ta thực sự cần nhiều công cụ hơn cho mô hình hybrid, vì hiện tại chúng còn khá thiếu thốn. Nhưng tại Tenjiin, chúng tôi đang tập trung mạnh mẽ vào vấn đề này. 

Để giới thiệu một chút về chủ đề này, tập trung cụ thể vào mô hình hybrid. Đối với các ứng dụng chỉ sử dụng quảng cáo trong ứng dụng (IAA), doanh thu của bạn có thể tăng trưởng nhanh hơn nhiều, đúng không? Ví dụ như vào ngày thứ 3 hoặc ngày thứ 7. Trong khi đó, đối với các ứng dụng hybrid hoặc ứng dụng sử dụng nhiều giao dịch mua trong ứng dụng (IAP), doanh thu từ IAA có thể tăng trưởng nhanh hơn, nhưng doanh thu từ IAP có thể mất vài tuần hoặc vài tháng để đạt được mức tăng trưởng ổn định. 

Đó là lý do tại sao chúng tôi có pLTV cho ứng dụng hybrid! Với pLTV, bạn không cần phải chờ đợi cho đến khi các nhóm đối tượng trưởng thành. Hoặc, như phải chờ đến ngày 30, ngày 60 hoặc lâu hơn để tối ưu hóa chiến dịch của mình. Thay vào đó, bạn có thể đưa ra quyết định tối ưu hóa chiến dịch sớm hơn nhiều, đúng không? Thay vì phải chờ đợi lâu như vậy, chờ cho đến khi các nhóm đối tượng trưởng thành, bạn có thể hành động ngay từ ngày thứ hai, ví dụ.  

La Mã: Và đây là một ví dụ giả định về Chiến dịch A và Chiến dịch B. Như chúng ta có thể thấy ở ngày 0, Chiến dịch B dường như là người chiến thắng rõ ràng. Tuy nhiên, điều này có thể không đúng với ứng dụng hybrid vì người dùng có thể truy cập, thực hiện giao dịch mua hàng và điều này sẽ lấn át toàn bộ doanh thu thu được từ việc hiển thị quảng cáo. Và đây là cách nó sẽ trông như thế nào nếu có dự đoán cho ngày 14.  

Chúng tôi đã hợp tác với một số công ty về vấn đề này. Jas đã làm việc chặt chẽ với James và đội ngũ để triển khai dự án dự đoán LTV. Và ừm, hãy đọc trích dẫn sau: 

“Chúng tôi sử dụng các chỉ số pLTV của Tenjin để theo dõi hiệu suất của các nhóm người dùng mới theo thời gian thực mà không cần phải chờ đợi dữ liệu dài hạn. Điều này giúp chúng tôi đưa ra quyết định về tiếp thị người dùng (UA) nhanh hơn nhiều.” – James McClelland, Tapped

Đây chính xác là điều Jas vừa nói, đúng không? 

Jas: Đúng vậy. Đúng vậy. À, anh biết Roman mà, nên khi chúng tôi phát triển sản phẩm dự đoán LTV, chúng tôi đã làm việc rất chặt chẽ với khách hàng, và Tapped là một trong những khách hàng ngay từ giai đoạn Alpha. Họ đã sử dụng dự đoán của chúng tôi từ rất sớm và bây giờ sản phẩm này đã được phát hành cho tất cả mọi người và có sẵn cho tất cả mọi người sử dụng.

Chúng tôi đã nhận được phản hồi tương tự từ hầu hết khách hàng của mình. Bạn sẽ hiểu cách họ...

Sử dụng công cụ này, họ có thể đưa ra quyết định về việc thu hút người dùng nhanh hơn rất nhiều, đúng không. 

Roman: Và đây lại là điều tương tự, tức là nhấn mạnh vào tốc độ. Vì vậy, nếu tôi phải chờ 14 ngày, thì tôi cần xem chiến dịch nào thực sự hiệu quả hơn. Nếu tôi sử dụng dự đoán LTV trước ngày 14 hoặc bất kỳ ngày nào khác, bạn có thể tái đầu tư tiền nhanh hơn, như bạn có thể thấy ở đây… bạn sẽ nhận được nhiều tiền hơn vào cuối cùng. 

Roman: À, có lẽ đối với những ai chưa biết ứng dụng lai là gì, chúng ta hãy nói về điều đó. Jas, ứng dụng lai là gì?

Jas: Hay đấy. Đúng vậy. Vậy, khi chúng ta nói về ứng dụng hybrid, chúng ta đang đề cập đến một ứng dụng sử dụng hai mô hình doanh thu mà tôi đã giới thiệu sơ qua cho các bạn ở phần đầu của video này, đúng không? Một trong số đó là quảng cáo trong ứng dụng, tức là ứng dụng của bạn kiếm tiền bằng cách hiển thị quảng cáo cho người dùng. Mô hình kinh doanh còn lại là IAP (mua hàng trong ứng dụng). Mua hàng trong ứng dụng có thể là bán sản phẩm một lần, có thể là đăng ký, hoặc các hình thức khác, nhưng bạn cũng kiếm tiền bằng cách bán sản phẩm bên trong ứng dụng của mình. 

Vậy ứng dụng lai (hybrid apps) có thể làm cả hai điều này đúng không? Chúng kiếm tiền bằng cách hiển thị quảng cáo và người dùng của bạn cũng có thể mua sản phẩm của bạn ngay trong ứng dụng. Vì vậy, bạn có thể kiếm tiền cả từ quảng cáo lẫn giao dịch mua hàng.

Và khi một ứng dụng sử dụng cả hai mô hình này cùng lúc, chúng ta gọi đó là ứng dụng lai (hybrid app). Bây giờ bạn có thể thấy đây là một ví dụ về phân phối giữa quảng cáo trong ứng dụng (in-app ads) và mua hàng trong ứng dụng (in-app purchases). Tỷ lệ này có thể thay đổi. Ví dụ, có thể là 20% IAA và 80% IAP. Tuy nhiên, đây là một ví dụ tuyệt vời về cách một ứng dụng lai trông như thế nào.

La Mã: Đúng vậy Và có vẻ như tương lai thuộc về các ứng dụng lai…  

Jas: 100%

La Mã: Đúng vậy, một trong những vấn đề là, nhưng đây là một thách thức, vì nó còn quá mới. Vì vậy, việc dự đoán LTV cho ứng dụng hybrid là một thách thức. Trong quá khứ, bạn có thể tìm thấy các dự đoán LTV cho việc mua ứng dụng trong các ứng dụng IAA. Đến nay, chưa ai thực hiện dự đoán cho ứng dụng hybrid. Ở đây, chúng tôi đã nhấn mạnh từ "neuronet network". Có lẽ tôi sẽ yêu cầu bạn bình luận về điều đó.

Và hãy nói thêm một chút về cách bạn đã tiếp cận thách thức này.

Jas: Hay đấy. Đúng vậy. Roman hoàn toàn đúng khi cho rằng Tenjin đang giải quyết vấn đề này theo một cách rất độc đáo, bởi vì hiện nay thiếu các công cụ hỗ trợ ứng dụng hybrid. Chúng tôi đang tập trung vào thị trường đó hiện nay và bạn biết đấy, Roman, bạn hoàn toàn đúng khi cho rằng đó là tương lai. Đó là điều chúng tôi đang chứng kiến từ góc độ ngành công nghiệp. 

Và, tất nhiên, khi nói đến các quyết định về thu hút người dùng hoặc tối ưu hóa chiến dịch, dù bạn gọi nó là gì đi chăng nữa, chúng tôi đang sử dụng dữ liệu trung gian quảng cáo. Chúng tôi sẽ thảo luận chi tiết hơn về điều này sau. 

Chúng tôi đang sử dụng rất nhiều dữ liệu chi tiết ở cấp độ hiển thị quảng cáo và cấp độ người dùng. À, và điều này cũng áp dụng cho dữ liệu mua hàng trong ứng dụng. Khi bạn sử dụng nhiều dữ liệu này, bạn cần một thuật toán học máy có thể xử lý chúng một cách hiệu quả và đối phó với thách thức đặc biệt này.

Điều bạn đang đề cập đến – để hỗ trợ các ứng dụng lai. À, và mạng nơ-ron là lựa chọn tự nhiên cho điều đó. 

Tôi không muốn đi sâu vào khía cạnh kỹ thuật của mạng thần kinh là gì, nhưng bạn có thể hình dung mạng thần kinh là, ừm, thực ra chúng được gọi là mạng thần kinh nhân tạo. 

Họ là các mô hình học máy, một trong những công nghệ học máy cho phép bạn đào tạo mô hình của mình và sau đó sử dụng dữ liệu lịch sử để đào tạo mô hình đó. Mô hình này có khả năng học hỏi từ các mẫu và xu hướng lịch sử, từ đó đưa ra các dự đoán. 

À, tôi không biết Roman, nếu anh có thêm câu hỏi nào, tôi có thể tiếp tục nói về điều này. À, một điều nữa là tại sao chúng ta lại sử dụng mạng thần kinh thay vì các phương pháp khác. Trong chu kỳ phát triển sản phẩm của chúng ta, chúng ta đã xem xét việc sử dụng các mô hình đơn giản hơn. Chúng ta đã, anh biết đấy, sử dụng rất nhiều tiêu chuẩn đánh giá khác nhau, rất nhiều tiêu chuẩn đánh giá. 

Chúng tôi đã thực hiện nhiều bài kiểm tra hiệu năng, và đối với chúng tôi, mạng nơ-ron là lựa chọn tuyệt đối đúng đắn vì: 

A) Họ có khả năng xử lý lượng dữ liệu lớn một cách rất hiệu quả, chính xác là điều mà thách thức đặc biệt này đề xuất và

B) Họ có khả năng nhận diện các mẫu, họ có thể học hỏi từ các xu hướng một cách rất hiệu quả, vì vậy bạn không cần phải thực hiện nhiều bước xử lý đặc trưng. 

Tại sao ai lại sử dụng dự đoán của Tenjin thay vì tự làm theo cách của mình? Chúng ta sẽ thảo luận kỹ hơn về điều này, nhưng từ góc độ mạng thần kinh, chúng ta muốn mô hình này học hỏi từ dữ liệu trên tất cả các ứng dụng và tổ chức, từ đó phát hiện ra các mẫu. Vì vậy, ngay cả khi chiến dịch của bạn là mới, ví dụ như không có dữ liệu trong quá khứ, mô hình của chúng tôi sẽ học hỏi từ các ứng dụng và tổ chức tương tự, từ đó đưa ra dự đoán chính xác cho chiến dịch của bạn.

La Mã: Đúng rồi, đó chính là câu hỏi của tôi. Hãy cùng xem qua một số thách thức đối với ứng dụng hybrid. Bạn đã đề cập đến điều này rồi, đúng không?

Jas: Vâng, tôi đã làm. Vâng.

La Mã: À, có rất nhiều tín hiệu và chúng tôi sử dụng số lượt hiển thị quảng cáo. À, và chúng tôi cung cấp… có lẽ chúng ta có thể thảo luận về các nhóm đối tượng. Các dự đoán có sẵn vào ngày 0, đúng không?

Jas: Vâng. Để tôi diễn đạt lại cho rõ hơn. Vậy mô hình của chúng tôi học từ nhóm ngày 0, sử dụng dữ liệu có sẵn và dựa trên nhóm ngày 0, nó sẽ đưa ra dự đoán cho tất cả các nhóm trong tương lai cho đến ngày 30. Hiện tại, chúng tôi tập trung vào ngày 30. Chúng tôi đang trong quá trình bổ sung hỗ trợ cho các nhóm dài hơn cho đến ngày 365.

Nhưng đó chính xác là những gì chúng ta đang làm hiện nay: hệ thống sẽ sử dụng dữ liệu ngày 0 của bạn, phân tích các mẫu từ dữ liệu đó và đưa ra dự đoán cho các nhóm đối tượng cho đến ngày 30. 

La Mã: Và tôi nghĩ một trong những chỉ số quan trọng nhất mà chúng ta đang trình bày, nếu nói về các ứng dụng hiển thị quảng cáo, chính là lượt hiển thị quảng cáo, đúng không?

Jas: Đúng vậy. Vì đây là một chiến dịch, trường hợp sử dụng chính là thu hút người dùng và tối ưu hóa chiến dịch. Chúng tôi đang sử dụng số lượt hiển thị quảng cáo chi tiết như một trong những tính năng. Chúng tôi có rất nhiều tính năng đang sử dụng, khoảng một trăm tính năng, và đây là một trong số đó.

La Mã: Vâng. Vâng. Vâng. Điều này chỉ để trả lời một trong những câu hỏi mà tôi đã có, cả về mặt nội bộ. Làm thế nào để chúng ta đảm bảo rằng các dự đoán ban đầu (bởi vì từ thời kỳ hyper casual, tôi biết đây là một trong những yếu tố cực kỳ quan trọng cần hiểu) về hiệu quả của chiến dịch trong giai đoạn đầu. Bạn cần cả giai đoạn đầu và giai đoạn sau, và đây là lý do và cách chúng ta thực hiện điều này. 

Thách thức tiếp theo (đã được đề cập trong ví dụ từ một trong những slide đầu tiên). Chúng ta có hai chiến dịch và tại một thời điểm nào đó, Chiến dịch A thực sự trở nên tốt hơn Chiến dịch B, có lẽ nhờ vào việc mua hàng. Đúng vậy. Và, vì vậy chúng ta cập nhật dự đoán mỗi hai giờ. Bạn có thể giải thích điều đó có nghĩa là gì không?

Jas: Đúng vậy. Chúng tôi đang sử dụng rất nhiều dữ liệu của bạn, như hàng trăm chỉ số: phân phối lượt hiển thị quảng cáo của bạn, hiệu quả chiến dịch dựa trên các thay đổi bạn đã thực hiện, chẳng hạn như điều chỉnh giá thầu, v.v. Và các yếu tố thực tế khác đang diễn ra ngay bên ngoài chiến lược UA tổng thể của bạn. 

Vậy tất cả dữ liệu đó được đưa vào mô hình và sau đó mô hình sẽ đưa ra các dự đoán mới dựa trên dữ liệu đó. Đặc biệt là khi các nhóm đối tượng của bạn chưa phát triển đầy đủ, đúng không? Khi các nhóm đối tượng của bạn đã trưởng thành, mô hình đã có sẵn nhiều dữ liệu đó và đã đưa ra các dự đoán rất chính xác. Tuy nhiên, đặc biệt là khi bạn thực hiện bất kỳ thay đổi nào, ví dụ như thay đổi trong các chiến dịch của bạn. Đó là lý do tại sao chúng tôi đưa ra dự đoán nhanh chóng, để tính toán tất cả các thay đổi thực tế đang diễn ra hoặc các thay đổi trong phân phối, và sau đó cung cấp cho bạn các dự đoán mới phản ánh thực tế của thế giới đó. 

La Mã: Trong hai giờ đầu tiên có giống nhau không, nên tôi đã bắt đầu một chiến dịch. Tôi bắt đầu thấy dữ liệu của chiến dịch. Điều đó có nghĩa là sau khi tôi thấy dữ liệu, trong hai giờ tiếp theo tôi sẽ nhận được dự đoán LTV hay tôi cần phải chờ lâu hơn? 

Jas: Vậy Roman, theo hiểu biết của tôi, chúng ta cần dữ liệu ở giai đoạn ban đầu (ngày 0), sau đó mới có thể đưa ra dự đoán cho khoảng thời gian từ 1 đến 30 ngày. Ví dụ, nếu bạn quay lại vào ngày 1, đúng không? Vậy từ ngày 1 đến ngày 30, rõ ràng các nhóm đối tượng của bạn chưa phát triển đầy đủ. 

Chúng tôi cũng sử dụng các nhóm đối tượng chưa trưởng thành như một trong các đặc điểm và thêm dữ liệu đó vào mô hình, sau đó mô hình sẽ dự đoán dựa trên dữ liệu đó. Đúng không? Vì vậy, cứ sau hai giờ, các nhóm đối tượng của bạn cũng sẽ trưởng thành và mô hình sẽ tính đến điều đó, từ đó cung cấp cho bạn các dự đoán mới, ví dụ từ ngày 1 đến ngày 30. À, đó chính là những gì chúng tôi đang làm.

La Mã: Siêu hay. À, thách thức thứ ba như tôi đã đề cập, đã có những sản phẩm có thể thực hiện dự đoán cho IIA hoặc IIP.

Jas: Ừm. Chúng tôi đã quyết định thực hiện dự đoán dựa trên một chỉ số duy nhất cho cả hai và đã đưa nó vào bảng điều khiển. 

La Mã: Có lẽ Jas, bạn có thể giải thích cho chúng tôi về quá trình suy nghĩ khi quyết định này được đưa ra… Tại sao chúng ta lại làm như vậy?

Jas: Đúng vậy. Đối với phát triển quản lý sản phẩm, cách tiếp cận vấn đề mà chúng tôi muốn thực hiện là hãy xây dựng một phiên bản Alpha thật nhanh chóng. Sau đó, hãy để một số khách hàng của chúng tôi đóng góp phản hồi và từ đó phát triển sản phẩm một cách tự nhiên.

Trong quá trình thực hiện điều này, chúng tôi đã nhận được rất nhiều phản hồi ban đầu. Phản hồi ban đầu này vô cùng quan trọng để phát triển một sản phẩm tốt cho dự đoán LTV cụ thể. Chúng tôi muốn xây dựng một giải pháp nhanh chóng để giải quyết trường hợp sử dụng cho mô hình hybrid, vì vậy chúng tôi đã tập trung vào chỉ số này. 

Vì vậy, các khách hàng hiện tại của chúng tôi biết rằng chúng tôi có LTV, một chỉ số LTV kết hợp, đây là giá trị LTV thực tế có sẵn sau khi các nhóm khách hàng của bạn đã phát triển đầy đủ. Chỉ số này cũng có sẵn cho dữ liệu của các nhóm khách hàng chưa phát triển đầy đủ. 

Và chúng ta biết rằng các ứng dụng lai (hybrid apps) sử dụng chỉ số đó rất nhiều. Vì vậy, chúng tôi muốn cung cấp một chỉ số tương tự kết hợp cả quảng cáo trong ứng dụng (in-app ads) và giao dịch trong ứng dụng (IAP). 

Đối với Tenjin cụ thể, dữ liệu báo cáo và hạ tầng của chúng tôi được xây dựng theo cách mà chúng tôi đã có sẵn giá trị LTV lịch sử hoặc thực tế. Chúng tôi đã thực hiện dự đoán cho chỉ số đó. Hãy xem chỉ số đó như trục Y trong thuật ngữ học máy, sau đó bạn sẽ sử dụng tất cả các xu hướng lịch sử và sau đó đưa ra dự đoán cho chỉ số đó, và đó chính là những gì chúng tôi đang làm. 

Vậy A) đây là quyết định dựa trên góc độ sản phẩm vì chúng tôi biết khách hàng của mình sử dụng tính năng này và điều này sẽ có tác động rất lớn đối với họ. Và bằng cách sử dụng chỉ số này, chúng tôi có thể cung cấp các chỉ số dự đoán phái sinh như pROAS và pROI. Tuy nhiên, rõ ràng cơ sở hạ tầng của chúng tôi, bao gồm cơ sở hạ tầng báo cáo và cơ sở hạ tầng dữ liệu, được xây dựng theo cách khiến việc dự đoán giá trị trọn đời (LTV) thực tế trở nên dễ dàng hơn nhiều.

La Mã: Được rồi. Bây giờ đến thách thức cuối cùng cho ứng dụng lai, đó là độ chính xác. Chúng ta có độ chính xác ấn tượng, với độ chính xác trung bình là 90%.

Jas: Đúng.

La Mã: À, liệu nó luôn như vậy sao? Chúng ta có phải làm việc trên điều đó không? Có thể bạn có một số tiêu chuẩn tham chiếu trong ngành.

Jas: Vâng. À, đây là một câu hỏi hay và tôi muốn nói rằng tỷ lệ chính xác trung bình của chúng ta là, và Roman, anh nhấn mạnh từ "trung bình", điều này thực sự là cách đúng đắn để nói về độ chính xác của mô hình. À, điều đó thực sự rất tốt. Độ chính xác 90% là tuyệt vời và điều này thực sự hiếm gặp trong ngành này. 

Điều này không phải lúc nào cũng như vậy. Như tôi đã nói, tôi đã đề cập ngắn gọn ở đầu video này về cách chúng tôi thực hiện phát triển sản phẩm. Chúng tôi bắt đầu với giai đoạn Alpha và Beta. Rõ ràng, độ chính xác của giai đoạn Alpha không tốt bằng. 

Trước khi Alpha thậm chí còn chưa được khởi động, chúng tôi đã thực hiện đánh giá nội bộ. Hệ thống GFS của chúng tôi có các dự đoán và chúng tôi đã đánh giá chúng, sau đó chúng tôi thực hiện đánh giá nội bộ của riêng mình với các mô hình học máy khác. Và quá trình phát triển học máy diễn ra như sau: bạn cần xem xét các đặc trưng khác nhau: xem đặc trưng nào mang lại độ chính xác tốt, đặc trưng nào làm giảm độ chính xác, thực hiện công trình đặc trưng, hiểu rõ dữ liệu của mình, hiểu rõ hoạt động kinh doanh của mình. 

Đây là một cách tiếp cận rất tự nhiên trong cách chúng ta thực hiện công việc, đúng không? Ví dụ, khách hàng đưa ra quyết định như thế nào? Họ có thể tham khảo ý kiến của các chuyên gia. Vì vậy, nhiều yếu tố đó đã được tích hợp vào việc xây dựng mô hình dự đoán LTV, và đó là lý do tại sao tôi cho rằng độ chính xác 90% mà chúng ta đạt được là hoàn toàn khả thi. Điều này là do chúng ta đã tích hợp nhiều kiến thức chuyên môn vào mô hình và tiếp cận vấn đề từ góc độ của khách hàng. 

Họ đưa ra quyết định như thế nào? Chúng tôi đã tham gia từ sớm, nên quá trình này kéo dài. Đó không phải là một quá trình dễ dàng để đạt được điều đó. Chúng tôi đã làm việc rất chăm chỉ để đạt được độ chính xác 90%. Tuy nhiên, tôi muốn nhấn mạnh rằng mặc dù hiệu suất trung bình của mô hình là 90%, độ chính xác có thể thay đổi tùy theo chiến dịch, ứng dụng và quốc gia. 

Tôi nghĩ mình đã quên đề cập điều này, nhưng các dự đoán của chúng tôi có sẵn ở cấp độ ứng dụng, chiến dịch và quốc gia. Vì vậy, bạn có thể phân bổ ngân sách dựa trên các quốc gia khác nhau cho các chiến dịch của mình, các chiến dịch khác nhau, các kênh khác nhau, đúng không? Ví dụ, nếu kênh A của bạn không hiệu quả ở quốc gia này, bạn có thể thực hiện nhiều điều khác nhau cho các quốc gia, kênh và chiến dịch khác nhau.

À, khi nói đến độ chính xác của mô hình học máy, nó có thể thay đổi tùy theo từng chiến dịch và từng quốc gia, đúng không? 90% là giá trị trung bình. Cho đến nay, khách hàng của chúng tôi đã báo cáo rằng họ đã đạt được độ chính xác 90%, điều này rất tốt. Tuy nhiên, tôi muốn lưu ý rằng độ chính xác của bạn có thể phụ thuộc vào quốc gia, chiến dịch và kênh của bạn, đó là lý do tại sao chúng tôi đang xem xét việc thêm khoảng tin cậy trong tương lai. Điều này sẽ giúp bạn đưa ra quyết định một cách tự tin hơn.

La Mã: Đúng. Đúng. Ừ, tôi nghĩ đây là một điểm quan trọng cần nhấn mạnh. Một lần nữa, mặc dù đây là một kết quả tuyệt vời, nhưng nó vẫn chỉ là một con số trung bình. Ừm, nhưng thực sự nó phụ thuộc vào rất nhiều yếu tố. Đây vẫn chỉ là một dự đoán. Hay đấy. Ừm, tôi nghĩ đó là thách thức cuối cùng, bây giờ câu hỏi chính là làm thế nào để bắt đầu. 

Tính năng này có sẵn trên tất cả các gói dịch vụ trả phí. Hiện tại, chúng tôi đã bắt đầu cung cấp tính năng hủy đăng ký bất cứ lúc nào. Vì vậy, bạn có thể bắt đầu sử dụng dịch vụ của chúng tôi, thanh toán 200 đô la và truy cập vào tính năng dự đoán LTV. Nếu bạn đã là khách hàng của Tenjin, bạn đã có quyền truy cập vào tính năng này. 

Chỉ cần nhấp vào tùy chọn "Chỉnh sửa chỉ số" trên bảng điều khiển, sau đó tìm các chỉ số LTV dự đoán (pLTV), ROAS dự đoán (pROAS) và ROI dự đoán (pROI). Không có rào cản tính năng nào, hãy thử ngay và xem nó hoạt động như thế nào. Nếu bạn đã thử, hãy để lại bình luận cho chúng tôi. Nếu bạn có bất kỳ câu hỏi nào, cũng hãy để lại bình luận cho chúng tôi. 

Còn điều gì muốn nói nữa không, Jas?

Jas: Vâng, tôi chỉ muốn nói với Roman, cảm ơn bạn đã nhấn mạnh điều đó. Sử dụng Tenjin giờ đây dễ dàng hơn bao giờ hết. Bạn chỉ cần truy cập vào bảng điều khiển của chúng tôi. Bạn chỉ cần đăng ký gói $200 của chúng tôi và có thể hủy bất cứ lúc nào. Um, nếu bạn quan tâm, hãy thử ngay nhé. Um, đúng vậy. Và chúng tôi rất mong nhận được phản hồi của bạn về điều này, hoặc bất kỳ điều gì khác.

La Mã: Tuyệt vời. Cảm ơn rất nhiều, Jess. Hãy nhấn like nếu bạn thích video này. Chúng tôi có thể làm thêm nhiều video nữa. Đó chỉ là một trường hợp sử dụng của LTV dự đoán. Còn nhiều trường hợp khác. Chúng tôi cũng có thể trình diễn demo. Có rất nhiều nội dung để khám phá ở đây. Vậy nên…

Jas: Đúng vậy, có đấy. Tôi có thể nói về điều này liên tục trong ba, bốn giờ liền. Chúng ta có thể thảo luận về các vấn đề kỹ thuật. Chúng ta có thể nói về trường hợp lạm dụng gian lận mà tôi chưa đề cập. Cách thiết lập nó. Vậy nên, hãy theo dõi để cập nhật thêm nội dung. 

La Mã: Đúng vậy. Được rồi, cảm ơn rất nhiều Jas và cảm ơn vì… 

Jas: Cảm ơn Roman rất nhiều, đúng vậy! Chúc mừng, tạm biệt.