Wie das Berliner Game-Start-up StarBerry sich mit AppsFlyer Predictive Analytics den spielentscheidenden Vorteil verschafft

StarBerry Games ist ein preisgekröntes Studio für Mobile Games aus Berlin, gegründet im Jahr 2017. Bekannt für seine Casual Mobile App Games wie Idle Coffee Corp, ist es die erklärte Vision von StarBerry, innovative Spiele zu entwickeln, indem sie neue und bekannte Features kombinieren und dabei einzigartige Gameplay-Erlebnisse schaffen. Ihr Hit-Game Merge Mayor wurde bis heute über 3,3 Millionen Mal installiert.

Navigieren in unerforschten Gewässern

Die App begann mit der Nutzer-Akquisition, als Apples SKAdNetwork (SKAN) bereits eingeführt war; es gab also keinen Vergleich, wie die Performance mittels „klassischer Attribution“ ausgesehen hätte. „Ohne die Möglichkeit, die Performance-Metriken der App unter SKAN mit der regulären Attributions-Performance zu vergleichen, war der gesamte Vorgang von Unsicherheit begleitet. Da SKAN nur wenige Hinweise auf die UA-Performance lieferte, tappten wir zunächst im Dunkeln“, sagt Yury Bolotkin, Marketing Director bei StarBerry Games.

Ein Funken Hoffnung

Yury Bolotkin

Erst die Teilnahme an einem Webinar von AppsFlyer brachte eine echte Lösung: Es ging um Predictive Analytics für SKAN – eine ausgeklügelte Vision für den Einsatz dieser neuen Technologie. Yury Bolotkin: „Predictive Analytics wurde als Möglichkeit vorgestellt, das Potenzial von SKAN in einem Ausmaß zu nutzen, wie es in der Branche noch niemand zuvor gesehen hat.“

Das Problem ist, dass Apples SKAN Werbetreibenden nur ein sehr eingeschränktes Messprotokoll anbietet. So liegt das Standard-Reporting-Zeitfenster von In-App-Events bei 24 Stunden und kann auf maximal 48 Stunden ausgeweitet werden. Insbesondere Games sind jedoch darauf angewiesen, zu verstehen, auf welchen Kanälen ihre wertvollsten Nutzer:innen zu ihnen kommen, die auch an Tag 7 und Tag 30 noch aktiv sind und In-App-Käufe tätigen.

Genau hier setzt Predictive Analytics an und erstellt anhand früher Signale eine konkrete Prognose, wie wertvoll die neu gewonnenen User:innen für die App in der Zukunft sein werden. „Was uns am meisten beeindruckt hat, ist die Idee, dass prädiktive Erkenntnisse, die durch maschinelles Lernen gewonnen werden, tatsächlich einen Großteil der Schwierigkeiten für zukünftige Marketer bei Kampagnen mit SKAN lösen können. Marketer, die ihre Optimierungslogik auf In-App-Events, Engagement oder sogar LTV-Indikatoren stützen, die erst im weiteren Verlauf der Lebensdauer der Nutzer:innen auftreten, benötigen diese Art von intelligenten Erkenntnissen. Denn SKAN-Daten können ihnen im besten Fall nur Messungen innerhalb von 48 Stunden liefern“, so Yury Bolotkin von StarBerry Games.

Einen Wettbewerbsvorteil erlangen

Da das Produkt zunächst nur einer kleinen Gruppe von Werbetreibenden zur Verfügung stand, zeigte StarBerry sofort Interesse, an der exklusiven Produkt-Beta teilnehmen zu können. Als Teil der Beta hatten sie Einfluss auf Verbesserungen und Änderungen des Produktes, die heute in der neuen Version zu sehen sind. „Jetzt erhalten wir greifbare, reale Metriken aus dem Dashboard, KPIs, die wir kennen und mit denen wir standardmäßig arbeiten“, sagt Yury Bolotkin. „Vorhersagbare Einblicke in ROAS, ARPU und Retention am 30. Tag zu erhalten, ist letztlich das, was jede/r Entwickler:in oder Produktverantwortliche braucht. Plötzlich spürt man die Einschränkungen von SKAN nicht mehr so deutlich wie früher. Einige, wie z. B. zeitliche Begrenzungen, sind natürlich immer noch vorhanden, aber durch Predict konnten wir unsere Kampagnen so durchführen, wie wir es gewohnt waren“, so der Marketing Director.

Die Arbeit mit harten KPIs, beispielsweise ein prognostizierter Umsatz an Tag 30, machte die Arbeit und die KPIs von StarBerry greifbar. Mit umsetzbaren und spezifischen Datenpunkten konnten sie nun Kampagnen bewerten und optimieren. Yury Bolotkin: „Werbetreibende wenden bei ihrer Arbeit und Optimierung unterschiedliche Logiken an, aber am Ende des Tages ist der ROAS das Ziel, das wir alle anstreben. Und eine ROAS-Vorhersage für den 30. Tag zu erhalten, gibt uns eine Menge Möglichkeiten. Wir alle wollen einfach nur verstehen, wie hoch unser Return on Ad Spend ist, und Predict liefert eine einfache Antwort auf diese sehr komplizierte Frage.“

Einige Werbenetzwerke – und vielleicht sogar Werbetreibende – müssen sich derzeit noch mit dem Ansatz von Predict vertraut machen. Schließlich sind sie daran gewöhnt, mit deterministischen Messwerten zu arbeiten. Die prädiktive Analyse liefert ihnen diese Messwerte, was allerdings mit Kompromissen bei der Genauigkeit zugunsten früherer Erkenntnisse einhergeht. StarBerry wendet interne Verifizierungsmechanismen an, um sicherzustellen, dass diese Vorhersagen tatsächlich präzise sind. Eventuelle Ungenauigkeiten werden an das Team kommuniziert, um das Modell weiter zu verbessern.

Ein Blick in die Zukunft

„Wir sind sicher, dass in nicht allzu ferner Zukunft das Predict-Schema dasjenige sein wird, an dem sich die Branche orientiert – wir warten quasi nur darauf, dass der Rest nachzieht. Und wenn es soweit ist, werden wir fünf Schritte voraus sein, weil wir bereits jetzt mit diesen KPIs arbeiten. Es gibt nicht viele Gelegenheiten, einen Vorsprung vor der Konkurrenz zu erhalten, also war es ein wohlkalkulierter Schritt in die richtige Richtung, frühzeitig auf diesen Zug aufzuspringen“, kommentiert Yury Bolotkin.

Mit dem Erscheinen von SKAN 4.0 gibt Apple für iOS-Kampagnen mehr Signale über die Performance an die Hand. Allerdings wird das Attributions-Framework dadurch noch komplexer. AppsFlyer hat seine Produkte mit Features für SKAN 4.0 weiterentwickelt, die das neue SKAN sofort und einfacher anwendbar machen.

Diesen Artikel teilen

Unternehmen im Beitrag

AppsFlyer

Kommentare sind geschlossen.

Mobilbranche.de Newsletter

Hiermit akzeptiere ich die Datenschutzbestimmungen.