在某次行業小組討論，當談及iOS隱私政策更新后，SKAdNetwork 帶來的挑戰時，一位知名營銷人員說了一句經典的評論：“歡迎回到2010年”。

仔細想來，些許有些令人(ren)心驚。在過去的(de)10年里，移動營銷逐漸成長為(wei)(wei)一個圍繞(rao)IDFA，復(fu)雜且規(gui)模巨(ju)大(da)的(de)行(xing)業。廣告(gao)技術公司利用這個獨特的(de)設備ID建(jian)立個人(ren)用戶(hu)檔案、預測用戶(hu)的(de)未來行(xing)為(wei)(wei)，讓(rang)廣告(gao)campaign具有極高的(de)針對性。

Vungle帶您了解(jie)為了保證移(yi)動(dong)營(ying)銷人員正常(chang)運(yun)營(ying)廣(guang)告，亟待解(jie)決的問題，以及自動(dong)化技(ji)術(shu)如何幫助我們應對(dui)后IDFA時代的挑戰(zhan)。

背景

Apple的(de)ATT(AppTrackingTransparency)框(kuang)架完全(quan)改變了iOS平臺(tai)(tai)上(shang)UA買(mai)量的(de)衡量、報(bao)告(gao)和優化方式。現在，UA買(mai)量團隊(dui)必須轉變為(wei)營(ying)銷團隊(dui)。此前大廣告(gao)平臺(tai)(tai)擁有(you)的(de)精準定位用戶(hu)的(de)能(neng)力將(jiang)不再有(you)跡可循，允許廣告(gao)追蹤的(de)用戶(hu)越(yue)來越(yue)少，UA買(mai)量團隊(dui)不得不接受這(zhe)樣(yang)一個事(shi)實：他們獲得的(de)報(bao)告(gao)不再精確。

這自然(ran)會(hui)導致移動營(ying)銷(xiao)人員考慮(lv)更大的(de)cohort同(tong)期群數據，并像線下營(ying)銷(xiao)人員那(nei)(nei)樣(yang)，學會(hui)接受“無法像以往一(yi)樣(yang)獲取(qu)精準數據”這一(yi)事實。與此同(tong)時(shi)，那(nei)(nei)些擁(yong)抱(bao)變化的(de)人將在移動領域的(de)下一(yi)個階段獲勝。

在具體深入細節之前(qian)，要記(ji)住一點(dian)：營銷團隊是以技術為(wei)驅(qu)動(dong)的(de)自(zi)(zi)動(dong)化系統(tong)決勝的(de)重要因素。如(ru)今(jin)，自(zi)(zi)動(dong)化成(cheng)為(wei)了(le)失業原因的(de)替(ti)罪(zui)羊。但自(zi)(zi)動(dong)化僅(jin)僅(jin)是替(ti)代了(le)以前(qian)人工完成(cheng)的(de)繁冗、無(wu)趣的(de)那部分(fen)工作。

以Facebook和(he)Google為(wei)例，早在2015年之(zhi)前，這兩家公司(si)的(de)大部分UA買量就(jiu)已(yi)經實(shi)現了(le)自動化(hua)(hua)。其算法最終解決了(le)橫亙在營銷人員面(mian)(mian)前的(de)挑戰(zhan)：在正確(que)的(de)時間把正確(que)的(de)信息傳(chuan)遞到正確(que)的(de)人面(mian)(mian)前。但是，這兩家公司(si)卻沒有(you)提(ti)供諸如構建和(he)測試廣(guang)告(gao)(gao)創意素材、自動化(hua)(hua)廣(guang)告(gao)(gao)campaign制作、跨廣(guang)告(gao)(gao)campaign預(yu)算分配等(deng)解決方案。人類獨(du)有(you)的(de)戰(zhan)略思維、情境(jing)解讀能力(li)和(he)創造(zao)力(li)，自動化(hua)(hua)的(de)機器永遠都無法獲(huo)得。

我們將為您提(ti)供六種不同的(de)自(zi)動化方法，來幫(bang)助移動營(ying)銷(xiao)人員(yuan)解決當下(xia)UA買量的(de)難題。

1、設置最佳廣告轉化價值，助力廣告聯盟優化

手動方法

可以使用“啟發法”(heuristic approach)，判斷可能對LTV有預測作用的早期應用內事件來決定最佳的廣告轉化價值。對于手游來說，這些事件可能指的是用戶的初期購買。對基于訂閱服務的app來說，也可能指的是那(nei)些參(can)與(yu)免費(fei)試用的用戶。但如果沒有頂尖的數據(ju)科(ke)學團隊作支撐，大部分公司(si)對很難(nan)通過(guo)這樣的方法進行準確判斷(duan)。

某個(ge)特(te)定app的最佳廣告轉化價值(zhi)受到以下(xia)因素的約(yue)束：

l 必(bi)須符合(he)Apple的要求(該值必(bi)須為6-bit)

l 為了收集廣(guang)(guang)(guang)告(gao)campaign在漏斗下端的效果反饋，廣(guang)(guang)(guang)告(gao)平臺要(yao)求(qiu)在“合理(li)的時間“內收到(dao)廣(guang)(guang)(guang)告(gao)轉化價值數據。從目前來看，“合理(li)的時間”指的是(shi)“24小時”。

在計算最佳廣(guang)告轉化價(jia)值時，實(shi)現如下兩個目(mu)標至(zhi)關重要：

l 前24小時內的應用內事件要與廣告平臺的LTV相關(guan)

l 用于概率歸(gui)因的最佳事件，要能夠重建(jian)廣告campaign的ROAS報告

大多數移動營銷人員目(mu)前只關注(zhu)第一個目(mu)標，也就(jiu)是(shi)能夠利(li)用(yong) SKAdNetwork 基(ji)于(yu)LTV繼續(xu)優化(hua)其廣(guang)(guang)(guang)(guang)告(gao)campaign。但(dan)這(zhe)(zhe)種方法有其局限(xian)性。由于(yu)許多廣(guang)(guang)(guang)(guang)告(gao)平臺(tai)將廣(guang)(guang)(guang)(guang)告(gao)轉化(hua)時間范圍設置為24小時，一旦廣(guang)(guang)(guang)(guang)告(gao)主向廣(guang)(guang)(guang)(guang)告(gao)平臺(tai)發(fa)送了(le)(le)廣(guang)(guang)(guang)(guang)告(gao)轉化(hua)價值，他們就(jiu)無法了(le)(le)解特定用(yong)戶的(de)更多信(xin)息。對(dui)于(yu)廣(guang)(guang)(guang)(guang)告(gao)主來(lai)說，這(zhe)(zhe)意味(wei)著：

l 廣告campaign優化(hua)僅針對用戶(hu)的(de)D0 ROAS或其它(ta)的(de)D0 KPI

l 無(wu)法根據不(bu)斷更新的(de)(de)cohort同期(qi)群數據持(chi)續優(you)化廣告campaign ROAS，即(ji)無(wu)法理解廣告campaign實際和預測的(de)(de)ROAS(pROAS)是如何(he)不(bu)斷發展成熟的(de)(de)。

自動方法

為(wei)了(le)優化廣告(gao)轉化價值設置，使用算法可以(yi)：

l 將廣告轉化價值(zhi)映射為(wei)LTV(例如將D0 KPI數據映射至(zhi)D365 LTV)

l 計算用來概率歸因的最佳(jia)廣告轉化價值“聚類(lei)”。

算法(fa)可以通過(guo)預測(ce)D0應用內事件(完(wan)成購(gou)買、學完(wan)教程、思(si)考次數等)的重要(yao)性來(lai)預測(ce)app的長期 LTV 目標(例如(ru) D180/D365 LTV)。一個聚類算法(fa)隨后(hou)可以計(ji)算出最(zui)優(you)的概(gai)率歸(gui)因。

2、設置最佳廣告轉化價值，助力廣告聯盟優化

手動方法

SKAdNetwork下，營銷(xiao)人員無法獲得(de)(de)完整報告，僅能獲取D0廣告campaign和渠(qu)道的效果數據(ju)。UA買量(liang)團隊也無從得(de)(de)知廣告campaign的長期(例如 D180/D365)回(hui)報。

以(yi)下是大多數公司預(yu)(yu)測長期(qi)LTV會用(yong)到的(de)數據(ju)集(ji)。今天，大多數分析團(tuan)隊使用(yong) D7 ROAS 模型將其 LTV 預(yu)(yu)測限(xian)制在cohort同期(qi)群(qun)層(ceng)級。這種方(fang)法(fa)不需要(yao)復雜的(de)算法(fa)，在表格里就可以(yi)計算。但目(mu)前預(yu)(yu)測LTV的(de)關鍵信息(即campaign ID，campaign名稱，流量(liang)源名稱等)缺失，基(ji)于cohort同期(qi)群(qun)的(de)LTV模型實際(ji)已(yi)經失效。

用戶層級LTV的預測和應用內用戶層級數據

自動方法

由(you)算法驅動的(de)系統不需(xu)要流量源或廣(guang)告(gao)campaign ID來(lai)預(yu)(yu)測(ce)(ce) LTV。“獲得收入的(de)事件”和“應用內用戶互動數據”這(zhe)兩部分對(dui)于算法預(yu)(yu)測(ce)(ce) LTV必不可少，且后者對(dui)于預(yu)(yu)測(ce)(ce)轉(zhuan)化率尤其重要。

該算法不需要流量源或campaign ID就可(ke)以預(yu)測用(yong)(yong)戶(hu)級別的 LTV，還(huan)可(ke)以利用(yong)(yong)應用(yong)(yong)內(nei)匿名用(yong)(yong)戶(hu) ID 進行(xing)用(yong)(yong)戶(hu)層級 LTV 預(yu)測，并根(gen)據(ju)最(zui)新的用(yong)(yong)戶(hu)行(xing)為信(xin)息(xi)(應用(yong)(yong)內(nei)收(shou)入和互(hu)動數據(ju))持續更新長期(qi)LTV預(yu)測。這些(xie) LTV 預(yu)測可(ke)以進一步用(yong)(yong)來預(yu)測未來campaign回報。

3、進行長期廣告campaign ROAS報告，優化廣告campaign

手動方法

如果僅(jin)使用(yong)SKAdNetwork進行廣告(gao)campaign歸因和優(you)化，營(ying)銷人員僅(jin)能使用(yong)D0 KPI數(shu)據(ju)進行廣告(gao)campaign效果衡量(liang)，并(bing)將這個短期(qi)指標用(yong)于優(you)化。并(bing)且因為 D0 ROAS與(yu)(yu)LTV并(bing)非100%相(xiang)關，甚至(zhi)都算(suan)不(bu)(bu)上(shang)接近，這意味著(zhu)與(yu)(yu)長(chang)期(qi)目標相(xiang)比，廣告(gao)campaign預(yu)算(suan)分配將不(bu)(bu)那(nei)么盡如人意。

自動方法

算法統計模型可以自動計算出app安裝屬于哪個廣告campaign這一概率分布數值，但依然無法預測廣告campaign將帶來多少收入。現在，通過概率歸因，我們可以得知某個特定的廣告campaign將帶來多少實際收入，再加上應用內用戶層級的數據，我們可以得知用戶基礎行為，這兩部分數據集可以用來預測廣告campaign產生的收入。數學計算很簡單(dan)，但上百萬次的(de)app安裝數據使得(de)概率分(fen)布和(he)用戶層(ceng)級(ji)LTV預測變(bian)得(de)極其復雜，這種工作量(liang)是遠(yuan)非人工手動可以做(zuo)到(dao)的(de)。

只需一個(ge)(ge)簡單的數學公式，就(jiu)可以自動分配每個(ge)(ge)廣(guang)告(gao)(gao)(gao)campaign和自然安裝(zhuang)渠道(dao)對收入(ru)的貢(gong)(gong)獻。下圖為一個(ge)(ge)數學模(mo)型示例。在該模(mo)型下，將(jiang)用(yong)戶層級的 LTV 預(yu)測與廣(guang)告(gao)(gao)(gao)campaign歸屬概(gai)率(lv)相(xiang)乘，即得(de)出(chu)每個(ge)(ge)廣(guang)告(gao)(gao)(gao)campaign帶(dai)來的安裝(zhuang)對廣(guang)告(gao)(gao)(gao)campaign預(yu)測的收入(ru)有何貢(gong)(gong)獻。該模(mo)型將(jiang)所有概(gai)率(lv)大于0%的安裝(zhuang)帶(dai)來的收入(ru)預(yu)測相(xiang)加，就(jiu)能得(de)出(chu)廣(guang)告(gao)(gao)(gao)campaign預(yu)測的收入(ru)。通過計(ji)算廣(guang)告(gao)(gao)(gao)Campaign 1在廣(guang)告(gao)(gao)(gao)平(ping)臺上的花費(即圖中的100美(mei)元)，我們就(jiu)能得(de)出(chu)廣(guang)告(gao)(gao)(gao)campaign的pROAS。

再另外用(yong)一個算法輸出所有(you)SKAdNetwork廣告campaign層級(ji)和渠道層級(ji)的(de)pROAS，用(yong)于手動進(jin)行廣告campaign優化，也可以用(yong)作自動出價和預(yu)算優化系統的(de)輸入數(shu)據(ju)。

4、充分理解Apple的隱私新規，實現廣告campaign效果最大化

手動方法

Apple的(de)隱私新(xin)規限制(zhi)了SKAdNetwork API能(neng)共享多少信息，當數量低(di)于某個特定但未知(zhi)閾值時(shi)，廣告(gao)轉(zhuan)化價值和流量源app ID 報告(gao)將(jiang)受到限制(zhi)。

對UA買量團隊來(lai)說，要(yao)解(jie)決這個問題(ti)十分困難。當存(cun)在數(shu)據(ju)可能缺失的情(qing)況時(shi)，該如何解(jie)讀一個廣告campaign或渠道(dao)的效(xiao)果?是應(ying)該只(zhi)使用(yong)追(zhui)蹤的數(shu)據(ju)，還是應(ying)該猜測到底哪部分數(shu)據(ju)缺失?除了(le)使用(yong)能夠追(zhui)蹤的廣告轉(zhuan)化價(jia)值外(wai)，UA買量經理無法(fa)合理利用(yong)這部分數(shu)據(ju)。

自動方法

對于自動出價和UA買量平臺來說，這是一個典型的多臂老虎機探索利用問題(multi-armed bandit)，可以編碼成(cheng)算法(fa)。一個(ge)自(zi)動(dong)化的平臺可以對廣(guang)告 campaign的pROAS 進行建模(mo)，并計算出(chu)一個(ge)特定(ding)的廣(guang)告campaign還應(ying)追加多(duo)少預算來突破(po)Apple設定(ding)的閾值。

只要某個(ge)特(te)定(ding)的(de)(de)流量源(yuan)app ID報告了(le)廣告轉化(hua)價(jia)(jia)值，基于該廣告轉化(hua)價(jia)(jia)值、廣告campaign和由概率(lv)(lv)歸(gui)因得出(chu)的(de)(de)地理先驗概率(lv)(lv)，算法就可(ke)以在其預測回報的(de)(de)基礎上利用這個(ge)特(te)定(ding)的(de)(de)流量源(yuan)app ID。通過(guo)對未(wei)知廣告轉化(hua)價(jia)(jia)值中的(de)(de)不確定(ding)性進行(xing)建模(mo)，并相應地更新歸(gui)因概率(lv)(lv)，概率(lv)(lv)歸(gui)因就能解釋是(shi)哪部分(fen)廣告轉化(hua)價(jia)(jia)值缺失了(le)。

5、進行有效跨渠道預算分配，獲得最優廣告支出組合管理

手動方法

一直以來，UA買(mai)量(liang)管理人員和財務團隊跨渠(qu)道分(fen)配預(yu)算的(de)方(fang)法都(dou)不夠科學。基于第三方(fang) MMP和cohort同(tong)期群 LTV 模型的(de)用戶層(ceng)級歸(gui)因(yin)，他們可(ke)以相對(dui)簡單地對(dui)廣告(gao)平臺的(de) ROAS進行粗略估計，并(bing)大(da)致(zhi)估計出應分(fen)配給高效渠(qu)道多少(shao)預(yu)算。

對于那(nei)些不允(yun)許通過(guo)IDFA對其進(jin)(jin)行(xing)追(zhui)蹤的用(yong)戶來(lai)說，用(yong)戶層(ceng)級的歸因將成為過(guo)去式(shi)，渠道(dao)層(ceng)級的月(yue)度預算(suan)評估就(jiu)會更具挑戰(zhan)性。要想(xiang)手動分配(pei)渠道(dao)預算(suan)，最有(you)可能(neng)的方法是根據廣告平臺層(ceng)級追(zhui)蹤到的廣告轉化(hua)價值總數，根據總預算(suan)按比例分配(pei)支出。但(dan)這(zhe)就(jiu)意味著(zhu)每月(yue)預算(suan)分配(pei)是根據D0數據進(jin)(jin)行(xing)的，這(zhe)是一種完全(quan)基(ji)于短期數據進(jin)(jin)行(xing)預算(suan)分配(pei)的方法。

自動方法

自動(dong)化的(de)系統可(ke)以利用長(chang)期廣(guang)(guang)(guang)告(gao)campaign ROAS 概率歸(gui)因報告(gao)來決定(ding)如何(he)最佳分(fen)配每月支出，利用廣(guang)(guang)(guang)告(gao)平臺歷史支出數據和(he)前幾個(ge)月的(de)收(shou)入預計來實現廣(guang)(guang)(guang)告(gao)平臺組合的(de)長(chang)期目(mu)標。算法模(mo)型可(ke)以決定(ding)在收(shou)入出現回收(shou)遞減之前，廣(guang)(guang)(guang)告(gao)主應該在一個(ge)高(gao)效的(de)廣(guang)(guang)(guang)告(gao)平臺上分(fen)配多(duo)少廣(guang)(guang)(guang)告(gao)支出。

6、用 SKAdNetwork 衡量自然安裝增量

手動方法

營(ying)銷人員沒(mei)有(you)可行(xing)的方法能夠了解用戶來自于自然安裝(zhuang)的流量源(yuan)app，但衡量自然安裝(zhuang)效果至關重要，因為：

1. 不同于通過付費渠道獲取的用(yong)戶(hu)，產品團隊還需要了(le)解產品在自然安(an)裝的用(yong)戶(hu)之間(jian)效果(guo)。

2. 增量(liang)，即付(fu)費UA買(mai)量(liang)渠道(dao)對自然安裝和其他渠道(dao)的(de)影響(xiang)，對于在不同渠道(dao)之間進行預算分(fen)配至關(guan)重(zhong)要(yao)。了解(jie)跨渠道(dao)競食效應是確保我們(men)理解(jie)渠道(dao)媒介(jie)的(de)最佳組合，并(bing)為廣告主帶來價(jia)值(zhi)最大化的(de)關(guan)鍵。

自動方法

SKAdNetwork僅(jin)對付(fu)費(fei)廣告(gao)(gao)進行報(bao)告(gao)(gao)，自(zi)然安(an)裝(zhuang)無法(fa)獲(huo)得(de)任何報(bao)告(gao)(gao)。因(yin)此(ci)，營(ying)銷(xiao)人(ren)(ren)員必須使用算(suan)法(fa)將廣告(gao)(gao)campaign帶來的付(fu)費(fei)安(an)裝(zhuang)進行概率歸(gui)因(yin)，以幫(bang)助營(ying)銷(xiao)人(ren)(ren)員了解哪些(xie)安(an)裝(zhuang)是自(zi)然產(chan)生的。因(yin)為(wei)他們已經(jing)安(an)裝(zhuang)了該app，但是卻不包括在SKAdNetwork數(shu)據中。只有獲(huo)得(de)了完整的應用內用戶(hu)層(ceng)級數(shu)據和(he) SKAdNetwork 數(shu)據后，營(ying)銷(xiao)人(ren)(ren)員才能理解哪部分用戶(hu)是真正(zheng)的自(zi)然安(an)裝(zhuang)用戶(hu)，哪些(xie)是付(fu)費(fei)渠道(dao)獲(huo)取的用戶(hu)。

廣告campaign制作，創造受眾，廣告創意素材測試和應用

上(shang)文概述了自動化如何改進 iOS 手動工作(zuo)的6種方法。然而，在當今的 UA 買量角色和職責中，以下3個關鍵任(ren)務(wu)，由(you)人工而非(fei)機器可(ke)能會做得更好。

1.廣告campaign制作：由于 SKAdNetwork廣(guang)(guang)告(gao)campaign上(shang)限為100個，極(ji)大地限制了(le)廣(guang)(guang)告(gao)能(neng)觸(chu)達的(de)目(mu)標(biao)受眾(zhong)和(he)目(mu)標(biao)地區，因此，廣(guang)(guang)告(gao)campaign的(de)設置就成為了(le)關(guan)鍵(jian)。但我們目(mu)前仍不清楚最好的(de)廣(guang)(guang)告(gao)campaign應如何設置，在(zai)任何形式的(de)自動化實(shi)際應用之前都(dou)需要實(shi)驗(yan)。

2.創造受眾：幾家大的(de)廣(guang)(guang)(guang)告(gao)(gao)(gao)平臺構建了一(yi)套算法(fa)，利用其龐大的(de)數據集為廣(guang)(guang)(guang)告(gao)(gao)(gao)主的(de)app尋找受眾(zhong)。現在，由于廣(guang)(guang)(guang)告(gao)(gao)(gao)平臺將(jiang)無法(fa)建立一(yi)套內(nei)部“相(xiang)似(si)”工具，將(jiang)廣(guang)(guang)(guang)告(gao)(gao)(gao)更好地投(tou)放(fang)給目標用戶，創造受眾(zhong)的(de)任務回落至(zhi)營銷(xiao)人(ren)員手中。至(zhi)于廣(guang)(guang)(guang)告(gao)(gao)(gao)平臺未來將(jiang)提供什(shen)么(me)工具來針(zhen)對這(zhe)些(xie)受眾(zhong)，我們還不得而知，因此今后(hou)可能(neng)需(xu)要尋找和培(pei)養(yang)高價值(zhi)受眾(zhong)。

3.廣告創意素材測試和應用：UA 買量最(zui)艱難(nan)的挑戰(zhan)之一(yi)在于測試和應用最(zui)佳廣(guang)(guang)告(gao)創意(yi)素材(cai)(cai)(cai)(cai)。幾家大的廣(guang)(guang)告(gao)平臺決定以自(zi)動化(hua)的方(fang)式向用戶提供(gong)創意(yi)素材(cai)(cai)(cai)(cai)，因此我們需要解決的問題是如何給廣(guang)(guang)告(gao)主提供(gong)最(zui)佳的創意(yi)素材(cai)(cai)(cai)(cai)組合。在SKAdNetwork下(xia)，單個廣(guang)(guang)告(gao)創意(yi)素材(cai)(cai)(cai)(cai)效果與(yu)下(xia)游指標(即(ji)安裝(zhuang)、收益事件)無法進行(xing)(xing)匹配。很(hen)少有大型廣(guang)(guang)告(gao)平臺分(fen)享(xiang)他們將如何在ATT框架下(xia)進行(xing)(xing)廣(guang)(guang)告(gao)創意(yi)素材(cai)(cai)(cai)(cai)優(you)化(hua)并獲(huo)得報(bao)告(gao)。

人類(lei)獨有的戰(zhan)略思維(wei)、情境解(jie)讀(du)能力(li)和創(chuang)造力(li)，自(zi)動化(hua)的機器永遠都(dou)無(wu)法獲得(de)。不(bu)難理解(jie)，當(dang)大多數移動營銷人員(yuan)看到(dao)自(zi)己依然還(huan)在使(shi)用(yong)ATT框架(jia)推出之(zhi)前的工(gong)具，會感覺像(xiang)倒退回了2010年。但 Apple 隱私(si)新規帶來的大多數技(ji)術挑戰(zhan)已(yi)經得(de)到(dao)解(jie)決。

關于Vungle

作為一家值得信賴的(de)全球化(hua)(hua)移動互聯網廣(guang)(guang)(guang)告(gao)平臺，Vungle專注于為開發(fa)者提(ti)供優(you)質(zhi)的(de)流量(liang)變(bian)(bian)現(xian)，以(yi)及幫助廣(guang)(guang)(guang)告(gao)主(zhu)獲取(qu)活躍度極高(gao)的(de)高(gao)質(zhi)量(liang)用戶(hu)。同時，Vungle也致力(li)于改變(bian)(bian)用戶(hu)獲取(qu)應(ying)用內(nei)廣(guang)(guang)(guang)告(gao)體驗的(de)方式(shi)。開發(fa)者借助Vungle獨特新穎的(de)廣(guang)(guang)(guang)告(gao)形(xing)式(shi)，實現(xian)在應(ying)用內(nei)流量(liang)變(bian)(bian)現(xian)的(de)最大化(hua)(hua)。廣(guang)(guang)(guang)告(gao)主(zhu)通(tong)過Vungle的(de)平臺在全球范圍展示其廣(guang)(guang)(guang)告(gao)來獲取(qu)用戶(hu)和提(ti)升(sheng)高(gao)價值用戶(hu)的(de)留存。

Vungle一直以數據為(wei)導向并基于用戶(hu)體驗(yan)，不斷創(chuang)造新穎廣告格(ge)式、廣告素(su)材等產品。目前(qian)為(wei)止，Vungle廣告創(chuang)意已覆蓋超過10億臺移動設(she)備，幫助廣告主(zhu)(zhu)和(he)流量主(zhu)(zhu)提高(gao)互動和(he)回報。Vungle總部位于美國舊金(jin)山(shan)，并在全(quan)球(qiu)范(fan)圍包括北京(jing)、倫敦、柏林(lin)、東京(jing)、首爾、新加坡(po)、洛杉磯、紐約及赫(he)爾辛基設(she)有分(fen)公(gong)司。