
我们与 PU Prime 合作,召回已在其 iOS 交易应用中注册、却尚未迈出下一步 —— 完成首次入金 —— 的用户。PU Prime 是一家全球性在线经纪商,提供外汇、黄金、指数及其他金融产品的交易服务。
1.7x
CPFTD(首次入金成本)超额完成目标
9 个市场
所有市场 CPFTD 均达标
7x
六个月内投放规模增幅
本次广告投放旨在将已注册的 PU Prime 用户转化为首次入金用户。这些用户已经注册,但从未在其交易账户充值。
核心挑战是在大量已注册但尚未入金的用户中,筛选出最有可能完成首次入金的人群,在最合适的时机重新触达,并高效推动转化。
PU Prime 将每位首次入金用户成本(CPFTD)设为本次广告投放的核心绩效 KPI。

与 Persona.ly 合作对 PU Prime 而言是一次积极愉快的体验。我们欣赏团队在沟通上响应迅速,并且愿意根据我们的目标灵活调整投放策略。
合作期间,我们持续优化再营销受众,并推动已注册用户完成首次入金。期待通过持续测试与优化,进一步深化双方的合作。
Michael Sun,PU Prime 效果营销负责人
活动初期,我们利用自主研发的 Live Audiences 受众细分引擎,圈定了一批已在应用中注册、但尚未完成首次入金的 PU Prime 用户,作为再营销受众。
Live Audiences 可根据多种行为信号进行受众细分,包括活跃度、付费历史、沉默时长及用户意向度。该引擎直接集成于 Persona.ly 的程序化 DSP,可实时更新人群包并排除不符合条件的用户,确保广告预算始终聚焦于相关人群。
随着广告投放持续产生转化数据,我们由机器学习驱动的竞价系统逐渐识别出哪些细分群体更有可能回流并完成首次入金。系统据此调整出价,优先触达预测首充概率更高的用户,而非对所有已注册但未入金的用户采用相同策略。这让优化始终围绕本次广告活动的深层漏斗转化事件 —— 首次入金 —— 展开。
我们首先在英国启动广告投放,让竞价系统在单一市场内积累 FTD 转化信号,找出表现最优的人群分层。
随着竞价系统积累足够的转化数据,我们逐步将投放扩展至欧洲和北美的更多市场。每进入一个新市场,新的市场级数据都会进一步指导出价和人群分层的调整。通过这种迭代方式,我们在放量的同时,持续向转化概率更高的人群倾斜,并根据各人群的预测价值动态调整出价,最终覆盖九个市场。
通过优先触达首充预测概率最高的人群,并将更多预算分配给转化效果更好的创意形式,我们将月度投放预算扩大了 7 倍,同时整体以 1.7 倍的优势超额完成 PU Prime 的 CPFTD 目标。
经过初期学习阶段,我们逐步将月度投放预算扩大至 7 倍,并将投放范围扩展至欧洲和北美的更多市场。
尽管预算增加、覆盖市场扩大,CPFTD 在每个月仍然低于 PU Prime 的目标值,且九个市场全部达标,整体超额完成 KPI 达 1.7 倍。

我们的 DSP 内置自研的高价值用户预测能力,旨在识别预测生命周期价值(LTV)位列前 1% 的用户。竞价系统根据用户的预测价值和市场价格,对每一次程序化竞价进行评估并相应调整出价,在控制成本效率的同时,提高赢得高价值曝光的概率。
这项能力最初为游戏客户研发,后来应用于金融科技及电商领域。在这些行业中,少部分用户往往贡献了不成比例的交易价值。
对于 PU Prime 而言,挑战并不只是找出可能完成首次入金的注册用户。我们的程序化竞价系统还优先考虑预测 LTV 更高的人群,这些用户可能通过多次入金,或少量但高额入金,创造更大价值。

CPFTD 衡量获取一位首充用户的成本,却无法反映该用户未来可能创造的价值。高价值受众通常面临更激烈的竞争,广告竞价价格也更高。我们的竞价系统正是针对这一差异:在出价时,综合考量用户的预测价值、转化概率以及触达该人群的成本。
将预测用户价值纳入竞价策略后,我们得以对入金潜力更高的用户采取更积极的出价,同时将 CPFTD 控制在 PU Prime 的目标之内。
我们由机器学习驱动的 DSP 通过 Live Audiences 整合多种行为信号,按预测首充概率对已注册但未入金的用户进行分级。这些预测结果直接应用于实时竞价,使系统能够更积极地争取高意向用户,同时减少在低转化概率用户身上的支出。

我们主要采用点击归因,而非依赖展示归因。
展示归因会将广告曝光之后发生的转化计入功劳;相比之下,点击归因要求用户主动与广告创意产生互动。
这种方式能够更审慎地评估广告影响,让归因的再互动与用户的主动行为相关联,而非仅凭广告曝光。
PU Prime 是一家屡获殊荣的全球在线经纪商,提供外汇、大宗商品、黄金、指数及股票等差价合约(CFD)交易。其移动应用让交易者可以使用数百种交易品种、享受灵活的账户充值方式,并使用面向新手交易者的跟单交易功能 PU Social。

用户流失的临界点并不能决定其生命周期价值。对于金融科技交易应用尤其如此,因为市场波动可能迅速改变用户交易意向。
我们的机器学习模型能够适应预测首次入金、复投和长期活跃度的信号,使 DSP 得以识别高价值机会并相应调整出价。
再营销让金融科技企业有机会重新唤醒尚未充分释放潜力的用户,并在首次获客窗口期之外持续提升 LTV。
Nicole Leus,Persona.ly 欧洲、中东、非洲及北美业务拓展经理
Persona.ly 是一家数据驱动的程序化广告平台,专注于移动获客及再营销,依托自研机器学习算法和强大的第一方数据管理平台,为客户提供服务。
我们帮助 King、腾讯、Papaya、NextNinja、Tilting Point、Nexon 等全球领先的移动企业,通过精准预测最有可能互动和转化的用户,达成并超越增长目标。我们的机器学习模型以预测 LTV 为依据,定向高价值用户,从而带来强劲的 ROAS 和长期用户质量。
我们自研的程序化 DSP 直接对接顶级广告交易平台及 OEM,全球每秒处理超过 500 万次广告请求。
通过结合实时预测分析与程序化规模投放,我们帮助合作伙伴解锁更智能的增长、更高的 LTV,以及可衡量的增量效果。
借助我们的增量测量平台 IMPACT,广告主能够超越传统归因,了解 Persona.ly DSP 创造的真实增量价值。IMPACT 可针对不同受众、细分群体和广告活动提供透明的衡量,将广告曝光与增量转化、增量收入及 iROAS 关联起来。