Prédictions dans les cohortes

Les prédictions Adapty sont conçues pour vous aider à répondre aux questions suivantes :

1. Quelle est la valeur vie client (LTV) prédite de vos cohortes d’utilisateurs ?
2. Quelles cohortes sont susceptibles de générer les revenus les plus élevés à l’avenir ?
3. Combien pouvez-vous investir en fonction du retour sur investissement prédit ?

Grâce aux prédictions Adapty, vous pouvez prendre des décisions basées sur les données concernant vos revenus et votre croissance.

Le modèle de prédiction d’Adapty estime le potentiel de revenus à long terme des cohortes d’utilisateurs de votre application. Pour chaque cohorte, il projette l’évolution des revenus, du nombre d’utilisateurs payants et de la LTV moyenne dans le temps. Cela vous aide à prendre des décisions éclairées en matière d’acquisition d’utilisateurs, de stratégies marketing et de développement produit.

Adapty propose une valeur vie client (LTV) et un revenu prédits pour les cohortes d’utilisateurs payants. Les prédictions sont affichées sur la page d’analyse des cohortes pour 3, 6, 9, 12, 18 et 24 mois après la création de la cohorte.

Pour les applications avec un historique très limité, le modèle utilise des moyennes inter-applications, donc les prédictions pour les nouvelles applications peuvent ne pas refléter pleinement leur comportement utilisateur spécifique.

Fonctionnement du modèle

Le modèle de prédiction d’Adapty s’appuie sur les tendances de croissance issues de données historiques de cohortes pour projeter les revenus futurs et la LTV.

Pour chaque combinaison d’application et de type de produit, le modèle mesure comment le revenu cumulatif et le nombre cumulatif d’utilisateurs payants d’une cohorte évoluent entre des points fixes dans la vie de la cohorte, comptés en jours à partir du jour où la cohorte a démarré. Les intervalles entre ces points sont courts lorsque la cohorte est jeune et s’allongent à mesure qu’elle vieillit — d’abord en jours, puis en mois, puis en trimestres. Adapty mesure une paire de coefficients de croissance pour chaque intervalle : un pour le revenu, un pour les utilisateurs payants. Les deux mesures sont nettes des remboursements : un remboursement soustrait son montant du revenu de la cohorte et retire cet utilisateur de son nombre d’utilisateurs payants.

Pour projeter une cohorte, Adapty prend le dernier point que la cohorte a atteint et enchaîne les coefficients à partir de là jusqu’au jour correspondant à l’horizon sélectionné — jour 90 pour la prédiction sur 3 mois, jour 365 pour celle sur 12 mois, et jusqu’au jour 730 pour 24 mois. Les données utilisées sont entièrement anonymisées.

Les coefficients sont calculés séparément par type de produit : abonnements hebdomadaires, mensuels, de 2 mois, de 3 mois, de 6 mois et annuels, ainsi que les achats à vie et les achats uniques. La prédiction d’une cohorte correspond à la somme des projections pour chaque type de produit acheté par ses utilisateurs.

Le modèle produit deux valeurs pour chaque cohorte :

• Predicted revenue : le revenu total, déduction faite des remboursements, qu’une cohorte devrait générer sur l’horizon sélectionné.
• Predicted LTV : le revenu prédit divisé par le nombre prédit d’utilisateurs payants dans la cohorte.

Coefficients spécifiques à l’application et multi-applications

Par défaut, la prédiction d’une cohorte utilise des coefficients appris à partir des cohortes passées de cette même application pour le même type de produit, ce qui reflète le comportement spécifique de ses utilisateurs. Une application obtient ses propres coefficients pour un type de produit dès qu’elle dispose d’au moins deux cohortes suffisamment grandes pour être mesurées.

Les deux sources se combinent dans une seule prédiction : lorsque l’historique de l’application ne couvre pas un intervalle, Adapty comble cette étape avec des coefficients calculés en moyenne sur l’ensemble des applications vendant ce type de produit. Ainsi, une application récente peut projeter ses premières semaines à partir de ses propres données et le reste de l’année à partir des moyennes inter-applications.

Calibration et seuils planchers

Les coefficients enchaînés dérivent, et cette dérive est la plus marquée pour les cohortes qui ont le moins d’historique à partir duquel projeter. Adapty mesure cette dérive pendant l’entraînement : la courbe de chaque application re-prédit ses propres cohortes terminées à partir de points antérieurs de leur vie, et l’écart entre la projection et ce que ces cohortes ont réellement généré devient un facteur de correction pour ce type de produit, cet horizon et cette quantité d’historique observé. Chaque prédiction est multipliée par le facteur correspondant à la durée d’observation de la cohorte, de sorte que la correction est la plus importante pour les cohortes les plus jeunes, là où la projection s’étend le plus loin vers l’avenir.

Le facteur de correction s’applique délibérément à la baisse pour les types de produits que le modèle tend à surestimer. Les abonnements hebdomadaires, mensuels, de 2 mois, de 3 mois et de 6 mois reçoivent un facteur de revenus qui tire la projection vers le bas plutôt que de la centrer, et pour les abonnements hebdomadaires ce biais est le plus fort durant les deux premières semaines d’une cohorte. Les abonnements annuels, les accès à vie et les achats uniques ne reçoivent aucun biais. Le facteur d’utilisateurs payants n’est jamais biaisé, de sorte que la prudence se retrouve dans les revenus prédits et, par extension, dans la LTV prédite.

Deux planchers s’appliquent après la correction :

• Une prédiction ne descend jamais en dessous de ce que la cohorte a déjà généré à cet horizon. Une cohorte qui a déjà généré plus que sa projection à 3 mois affiche son revenu réalisé comme prédiction à 3 mois.
• Un horizon plus long n’affiche jamais moins qu’un horizon plus court. Le revenu prédit et les utilisateurs payants prédits sont tous deux cumulatifs, donc la prédiction à 12 mois est au moins égale à celle à 9 mois.

Disponibilité et mises à jour

Les prédictions sont générées uniquement pour les cohortes hebdomadaires et mensuelles. Lorsque le contrôle Cohort length est défini sur jour, trimestre ou année, les colonnes de prédiction restent vides.

Pour les cohortes hebdomadaires et mensuelles, la disponibilité dépend de l’ancienneté de la cohorte, et non des produits achetés par ses utilisateurs. Une cohorte reçoit sa première prédiction une fois que la période d’installation s’est entièrement écoulée et que l’essai le plus long qu’un utilisateur aurait pu démarrer durant cette période a eu le temps de se convertir.

La période d’installation dure une semaine après le début de la cohorte pour une cohorte hebdomadaire, et un mois pour une cohorte mensuelle. Tant qu’elle n’est pas terminée, la cohorte continue de collecter des installations. Un utilisateur qui s’installe le dernier jour peut encore démarrer votre essai le plus long, et les revenus d’une cohorte ne sont comptabilisés qu’une fois les essais convertis — l’attente correspond donc à la période d’installation plus la durée de votre essai le plus long. Plus vos essais sont longs, plus les prédictions apparaissent tard.

Ensuite, les prédictions sont recalculées quotidiennement à partir des dernières données de transaction, afin de rester à jour avec le comportement de la cohorte.

Limitations

• Qualité des données : Un comportement de cohorte inhabituel ou un faible nombre d’utilisateurs payants réduit la précision. Les cohortes avec moins de 30 utilisateurs payants ne reçoivent aucune prédiction et sont exclues des données d’entraînement du modèle.
• Nouvelles applications : Les applications sans historique suffisant utilisent des coefficients inter-applications, qui peuvent ne pas refléter le comportement spécifique des utilisateurs de l’application.
• Âge de la cohorte : Les prédictions pour un horizon donné sont masquées dès que la cohorte dépasse cet horizon. Par exemple, les prédictions à 3 mois cessent d’être affichées après trois mois, et aucune prédiction n’est affichée pour les cohortes de plus de 24 mois.

Dans le tableau de bord

Pour consulter les prédictions, rendez-vous sur la page Cohort analysis de votre Adapty Dashboard. Pour en savoir plus sur les cohortes, consultez Analyse des cohortes.

La colonne Predicted revenue affiche le chiffre d’affaires total estimé, déduction faite des remboursements, qu’une cohorte d’utilisateurs payants devrait générer pendant la période sélectionnée après la création de la cohorte. Cette valeur est calculée à partir du modèle de prédiction d’Adapty, sur la base des tendances historiques de croissance des cohortes de l’application.

La colonne Predicted LTV affiche la valeur vie estimée de chaque utilisateur dans la cohorte sélectionnée. Cette valeur est calculée en divisant le revenu prédit par le nombre prédit d’utilisateurs payants dans la cohorte.

Sélectionner l’horizon

Pour modifier l’horizon de prédiction, sélectionnez une valeur dans le menu déroulant Predictions. Les options disponibles sont 3, 6, 9, 12, 18 et 24 mois après la création de la cohorte.

Filtrer par produit

Vous pouvez filtrer le revenu prédit et la LTV par produit. Par défaut, les prédictions sont construites à partir de l’ensemble des données d’achat — filtrer par produit montre la contribution de chaque produit.

Quand les prédictions ne sont pas disponibles

Lorsqu’une prédiction ne peut pas être générée pour une cohorte, les colonnes Predicted Revenue et Predicted LTV affichent des tirets cadratin (—) à la place des valeurs. Cela peut se produire pour plusieurs raisons :

• Longueur de cohorte non prise en charge : le contrôle Cohort length est défini sur jour, trimestre ou année. Les prédictions sont calculées uniquement pour les cohortes hebdomadaires et mensuelles.
• Filtre ou comparaison non pris en charge : le tableau est filtré par placement, audience, paywall ou test A/B, ou une période de comparaison est activée. Les filtres par produit, durée de produit, pays, store et données d’attribution conservent les prédictions.
• Durée insuffisante depuis la création de la cohorte : la période d’installation de la cohorte n’est pas encore entièrement écoulée, ou l’essai le plus long qu’un utilisateur aurait pu démarrer pendant cette période n’a pas eu le temps de se convertir. Voir Disponibilité et mises à jour.
• Cohorte trop petite : moins de 30 utilisateurs payants — trop peu pour produire une projection fiable.
• Comportement inhabituel de la cohorte : la cohorte s’écarte significativement des schémas attendus par le modèle. Attendre quelques semaines peut résoudre ce problème au fur et à mesure que davantage de données s’accumulent.
• Horizon dépassé : la cohorte est plus ancienne que l’horizon de prédiction sélectionné. Par exemple, la prédiction à 3 mois est masquée après trois mois, la prédiction à 12 mois après douze mois, et aucune prédiction n’est affichée pour les cohortes de plus de 24 mois.