SberMarketing 已经制定出一套有效的策略来推广 APK，即使在主要商店中完全没有应用程序，并且能够获得廉价的安装，尽管推广 APK 的渠道很复杂。
APK是Android操作系统使用的应用程序文件格式，因此在后面的案例中我们将分享如何吸引使用Android设备的用户。
SberBank Online 是该国最受欢迎的银行应用程序之一。它于 2022 年 4 月初从 App Store 和 GooglePlay 中下架。但是银行不能让客户无法使用便捷的应用程序，因此它与 SberMarketing 团队一起开发了一种使用移动 DSP 的独特的营销活动机制。
为何选择移动 DSP？
SberMarketing 团队选择了完全透明的移动 DSP，该 DSP 具有基于人工智能和机器学习的优质应用内库存购买算法，从而使得启动 ML 活动成为可能。它拥有应用内可用的所有格式和最大的 SSP，例如：AppLovin、Unity、Vungle、IronSource、Chartboost、Mail 和其他同样知名的网络。
在选择 DSP 时，重要的是要注意它可以提供的库存，因为并非所有 SSP 都在当前条件下在俄罗斯联邦运营。
Mobile DSP 中可用的格式
InApp 中的机器学习是什么？
ML（机器学习）活动旨在实现购买自动化并优化活动针对目标操作的效果：安装、注册、购买。它们是基于使用人工智能和机器学习收集的数据而建立的。
执行
向广大受众发起定期活动
在第一阶段，采购团队会定期开展活动，这些活动的统计数据在未来会很有用。我们在一周内收集了数据来建立预测模型。目标是针对广大俄罗斯受众，目标事件包括应用程序安装、营销分析登录（用户重新激活）。创意准备了两种格式：横幅、全屏。四个 SSP（AppLovin、Untity、IronSource、Mail.ru）上都推出了单独的广告活动。
始终遵守规则很重要：1 SSP = 1 格式，因为这简化了优化过程并允许您更准确地调整费率，因为每个 SSP 和格式的购买成本可能有很大差异。
启动机器学习活动
在第二阶段，在收集了足够的常规活动安装数据后，为每个 SSP 和格式创建了 ML 模型。这样做是为了保持数据的同质性，从而使算法能够更轻松、更准确地学习。目标定位保持不变，试图缩小目标是没有意义的，因为这将限制算法的运行，并且不允许在未来扩展 ML 活动。
“创建一个模型至少需要 1000 个安装。该模型本身是利用内部 DMP 平台创建的，得益于人工智能和机器学习。为了描绘目标受众的画像，她收集了每个用户的统计数据并找到了他们之间的共同特征。 “保持数据同质性并为每个 SSP + 格式组合创建一个模型非常重要，这样模型的准确性将显著提高，进而会极大地影响性能指标，” SberMarketing 移动应用广告高级经理 Edgar Markaryan 解释了模型的工作。
优化移动 DSP 中的应用内购买
- 调整广告活动和发布商的出价；
- 调整 ML 活动中的费率乘数；
- 分析网络的有效性并将顶级发布者添加到白名单中以进一步扩大其规模；
- 根据网络有效性的结果，预算被迅速重新分配，以支持最有效的网络；
- 分析创意的有效性，禁用那些不符合KPI的创意。
“我们测试了许多不同的方式来推广银行应用程序，而无需应用商店的参与。购买应用内流量的移动DSP表现出了最佳效果。然而，我们不会就此止步，我们会继续寻找解决这一问题的有效且 电子邮件列表 有趣的解决方案，” SberBank分销主管维塔利·伊万尼申指出。
结果
在为期三个月的活动期间（2023 年 2 月至 4 月），取得了以下成果：
- 减少 70% 的安装成本*；
- 将用户重新激活的成本降低 80%*；
* 相对于 KPI
根据结果，Sber 承认了所提出策略的有效性，并将该促销策略的每月预算增加了两倍。
结论和建议
- 最有效的网络——AppLovin，其效率 女性攀登乔戈里峰是一个黄金机会 比其他网络高出3-4倍。
- 最有效的格式是全屏。
- SberMarketing 收集了 1000 个安装后，他们能够形成并连接一个 ML 模型，其效果比常规活动高出 30%。
- 始终遵循规则 1 SSP = 1 格式
向想要重复这一经验的业内同事们提出建议： 线数据库 定期更新 ML 模型非常重要 – 因此，我们建议将常规广告活动与 ML 活动一起运行，预算比例为 20% 到 80%。这将使您能够继续收集统计数据来更新模型，保持优异的结果，并减少在旧模型倦怠时造成的效率损失。