说在前面
在《一篇文章学会广告变现聚合》这篇文章中，给大家分享了，一般为了提升自己APP的eCPM和填充率，会使用的聚合工具，同时分析了聚合工具的原理与功能，也介绍了目前比较常用的聚合工具，忘记的小伙伴可以自行查看。
虽然每个聚合工具的底层逻辑是差不多的，但是聚合之间也有区别，如：支持的广告平台、对接的广告位类型、平台的计算方法、广告加载方式、是否支持广告平台的竞价模式，如Vungle、Pangle在部分聚合平台只支持Waterfall，在其他聚合支持Bidding，具体要如何挑选适合自己产品的聚合工具是个非常困难的事。正巧有产品近期也陷入了变现收益优化的瓶颈，能够接入的广告平台和调优也都试了个遍。最后决定跳脱出当前的聚合工具，开始尝试更多新的可能。本文将我的测试过程总结并分享给大家。
在切换聚合工具的测试中，最主要的目的就是想要看新的聚合工具能否提高用户的变现收益，过程中某些AdNetwork也从传统Waterfall模式用上了一些平台的Bidding模式，围绕着大家可能比较关心的问题，分为以下4点做了些总结：
如何进行聚合工具的A/B测试和数据跟踪？
在不同聚合平台上，用户整体的收益表现如何，主要影响因素有哪些？
不同聚合平台用同一家AdNetwork的Bidding模式，效果是否有差异？
同一家AdNetwork的Bidding模式和传统Waterfall模式，效果是否会有差异？
问题一 如何进行聚合工具的A/B测试和数据跟踪？A/B测试方法
方法一：通过Google Play后台的灰度发布功能，将产品分成2个版本，每个版本分别对接不同的聚合，再进行灰度发布，一般为了更好的测试数据，灰度发布时，优先设置发布百分比为：10%-20%的水平，在逐步判断新的聚合工具对于产品的留存，人均时长没有影响之后提升至50%对比真正的效果，后期根据聚合的数据效果再去动态调整对应的灰度发布比例。
这种方式的好处在于比较好操作，技术门槛较低，只需要发布两个版本即可实现A/B测试和用户分量。但劣势在于，发布新版本需要等待玩家更新或者新买入更多的用户，才能真正对比聚合效果，老用户不更新可能又会导致用户行为不一样，数据不够置信的问题。
方法二：在产品里同时聚合两个聚合工具的SDK和对应的广告调用逻辑，在产品最开始初始化的时候，通过自身开发的SDK或者三方A/B测试工具，在云端动态调整用户所启用的聚合工具。通过这种方法，产品可以实现不让玩家更新的情况下动态调整自己的分量策略，调整效果非常及时。但弊端在于技术门槛较高，不同的广告聚合逻辑在一个包里可能会导致应用崩溃，产品的分量逻辑也需要自己去写，十分复杂。此外，需要同时在一个包里额外集成一套聚合工具SDK，广告平台的适配器（Adapter），会导致包体增大很多。
数据跟踪
1. 为了后期更方便进行数据跟踪和数据拆分，需要为不同聚合分别创建他们所使用的广告单元层级。同时在层级命名备注上聚合工具，如：聚合A-广告平台-广告类型-地区-底价。
2. 为了避免聚合平台自身的数据统计逻辑或者API数据拉取的机制有问题。建议查看变现收益效果的时候，更多的可以看广告平台上的数据表现而不是聚合平台的数据。通过前期的差异化命名，在后期数据统计时，可以直接筛选聚合A/B的所有广告单元，查看聚合A/B的收益和eCPM表现。
3. 建议使用三方的分析工具，对于产品的广告行为进行埋点。去统计场景应该展示广告的实际与广告真正展示出来的情况，统计产品真实的广告展现情况。
问题二 在不同聚合平台上，用户整体的收益表现如何，主要影响因素有哪些？
在开始具体案例之前，我们需要知道，判断产品整体变现收益的好坏，通常是通过对比用户的平均广告变现的LTV来直观看到单用户价值的变化，而用户LTV又可以被拆分为以下几个维度：
1. ARPDAU（日活跃用户的平均收益，广告ARPDAU可以更直观的体现产品变现能力——当活跃用户总量一定的情况下，广告ARPDAU越高，代表广告收益就越高。）
2. 留存（虽然说留存主要和游戏玩法相关，但是不同聚合，不同平台的广告展现量占比会有不同，个别平台的广告交互体验很差也会影响到玩家的留存。）
3. 人均广告展现频次（由于各个聚合的广告加载机制有所区别，导致人均频次也会有所出入）
一般为了保证数据更有参考价值，建议积累一周以上的数据，为了保障DAU差异不大，我选用美国地区DAU数据接近的一段时间数据作为参考。
首先看一下这两个聚合工具这段时间内的总收入以及用户平均LTV相关的数据。
游戏整体的ARPDAU
通过图片中数据可以发现，在美国地区聚合A要略高一些，根据用户生命周期价值LTV=LT*ARPDAU，当用户留存差不多，如果使用聚合A，单个用户在生命周期内创造的收益会更高一些，根据猜测主要由于部分广告平台的填充率较高，整体eCPM较高，用户生命周期价值也会相应提升。
留存数据
不管是整体次留情况，还是单独拉7天内聚合A、B的用户数，发现用户的流失曲线趋势保持一致，次留均为20%左右，而用户也在Day7 基本流失完了。
美国地区不同聚合留存数据对比人均广告频次
聚合B激励以及插屏的人均频次略高于聚合A，分析主要原因是聚合B部分广告平台支持Waterfall，一个广告平台可以创建多个不同底价的instance，因此聚合B产品整体的impression>聚合A整体的impression。而开屏略低，主要是因为聚合B支持开屏广告形式的广告平台较聚合A少一点。
美国地区不同聚合人均广告频次数据对比整体的eCPM
通过对比，聚合A在开屏上更有优势，主要是聚合A支持的广告平台数量>聚合B支持的广告平台数量，而激励和插屏聚合B可以通过设置不同的Waterfall层级，手动排序，尽量使价格更高的层级可以吃到更多的量。
问题三 不同聚合平台用同一家AdNetwork的Bidding模式，效果是否有差异？
之所以开启这样的测试，是我认为每家聚合平台都是去跟广告平台单独对接的，不同来源的竞价请求可能会有渠道标记，从而导致对于不同聚合工具之间，广告平台会有不同的流量倾向。
而Bidding模式之间的效果对比，主要通过竞价参与率能最直观的表现，理论上同样的用户群，广告平台的竞价率通常是一样的。其他考虑因素还有Bidding的胜出率，eCPM表现。但这两个指标通常会受到其他竞价媒体和Waterfall层级配置的影响。只能作为综合考虑因素。
由于聚合平台A和B都支持Facebook和Mintegral的Bidding，我开始了以下的测试。
Facebook & United States
Mintegral & United States
1. 从竞价参与率能观察到，聚合工具A在两个广告平台和各广告形式上，都有更好的表现。侧面证明不同广告聚合的竞价请求可能会存在流量偏向的问题。
2. 综合考虑竞价的胜率和eCPM表现有如下分析：
a. 在Facebook数据中，聚合A的插屏和聚合B的激励虽然胜出率都偏低，但其eCPM表现更好，我推测可能是由于聚合工具内该广告位竞价激烈，使得FB的出价大多时候无法胜出。但这种数据表现是有利于产品的，表明产品充分竞价，价高者得。
b. MTG Bidding在激励广告中，聚合A的eCPM表现更高且胜出率也高，显现出更强的流量偏好。聚合B的插屏广告eCPM低但是胜出率高，反应竞价并不充分，低价流量胜出率还偏高，有待继续优化。
问题四 同一家AdNetwork的Bidding模式和传统Waterfall模式，效果是否会有差异？
开始这个测试的主要原因是因为发现大多数聚合工具上都支持常见的广告平台（如：Facebook、Mintegral、Admob、Unity、Pangle等），但不一定都支持它们的竞价模式。为了判断有没有必要由于某平台支持的Bidding多而切换聚合，聚合平台在Bidding和Waterfall竞价的影响又有哪些，我进行了下面的测试。
主要测试平台为：Admob、Applovin、Vungle、Pangle（在美国地区不给填充，因此拿巴西地区数据作为对比）四个广告平台在聚合A使用的Bidding变现方式，而在聚合B使用的Waterfall。
Admob & United States
Applovin & United States
Vungle & United States
Pangle & Brazil
结论
1、从整体数据来看，同一家AdNetwork的Bidding模式，竞价参与率都高于Waterfall模式，综合的eCPM表现也要更好。在测试中也发现，即便我按照聚合A平台跑出的Bidding eCPM来设置聚合B的Waterfall底价，出来的效果也是大相径庭，Bidding的效果依旧更好。于是我建议，如果当前聚合平台支持的Bidding平台较少，可以考虑尝试用支持更多AdNetwork Bidding模式的聚合工具。
2、虽然同一家AdNetwork的Bidding平台填充率高于Waterfall，但是通过Admob的数据表现发现，Waterfall也可以通过设置底价，手动排序等去进行更多的优化。（这里也猜测，有些平台的Waterfall层级可能需要联系AM手动调整才会有更好的效果）
说在最后
通过这次的聚合切量测试，虽然留存数据差异不大，但聚合A在人均广告展现频次、ARPDAU、eCPM上均略有优势，整体计算下来A聚合的LTV要更好些。主要原因为以下几点：
- 人均频次有略微提升，广告加载效率增长。
- 聚合平台自身的流量媒体填充和eCPM都较高。（猜测为流量补贴）
- 以前对接的AdNetwork平台改为Bidding竞价模式后，填充和eCPM均有所提升。
阅读完本篇文章之后，大家可能也想尝试一些新的聚合工具了，但在这里还是有几点需要提醒一下。
1. 优先关注产品自身的数据表现是否有变化，人均广告展现频次、留存表现、玩家游戏时长等。
2. 本次测试主要集中分析的是美国地区的数据表现，不同广告平台在不同地区数据表现通常都会有所差异，切聚合会对全球用户有所影响，需要关注分析产品全球不同地区的LTV变化情况。
3. 不同产品类型对广告加载效率会有不同的需求，工具类聚合产品由于用户使用时间短，更看重广告加载率和展示率的表现。游戏产品就会有更多时间去加载广告，追求的就是流量最优售卖。大家需要结合自身产品特性去进行A/B测试。
4. 测试周期要够长，尽量测试一个月以上，一方面可以避免接入聚合平台初期的流量补贴导致产品变现效果虚高的情况，影响最终的效果判断。还可以真正确定各个广告平台。
5. 不要着急全量发布只保留一家聚合平台，保留随时回撤版本的空间。
最后，希望通过本次的聚合测试，能够让大家真正了解到如何去选择和测试到适合自己项目的聚合工具。
看完觉得写得好的，不防打赏一元，以支持蓝海情报网揭秘更多好的项目。
感谢您的支持，我会继续努力的!
打开支付宝扫一扫，即可进行扫码打赏哦
手机直接保存图片,扫一扫识别二维码,即可进行扫码打赏哦
