AppsFlyer Membangun Solusi Analitik Prediktif untuk iOS 14+ Menggunakan Amazon SageMaker

AppsFlyer memiliki lebih dari 12.000 pelanggan di seluruh dunia di bidang e-commerce, jasa keuangan, game, dan banyak lagi, dan layanannya digunakan di lebih dari 89.000 aplikasi seluler. PredictSK menggunakan ML untuk memprediksi LTV pengguna aplikasi seluler di iOS 14+ dalam kampanye pemasaran berdasarkan sinyal SKAdNetwork. Perusahaan mulai membangun solusi perdananya pada kuartal keempat tahun 2019. “PredictSK secara signifikan mengoptimalkan penghematan dan kampanye untuk pemasar,” kata Michel Hayet, senior product marketing manager for predictive analytics, di AppsFlyer. “PredictSK memberi pelanggan kami banyak pengetahuan mengenai performa kampanye mereka lebih cepat daripada siklus evaluasi LTV tradisional, yang dapat memakan waktu berminggu-minggu atau berbulan-bulan untuk mengetahui apakah kampanye berjalan dengan baik.”

Mulai tahun 2018, peraturan privasi data di Uni Eropa dan Amerika Serikat telah menetapkan pedoman baru yang membatasi jenis informasi pribadi yang dapat dikumpulkan, dibagikan, dan digunakan untuk pemasaran. Banyak peramban terkemuka telah menghentikan cookie pihak ketiga yang digunakan untuk melacak, menargetkan, dan mengukur data. Pada bulan Juni 2021, Apple meluncurkan iOS 14, yang menampilkan SKAdNetwork, sebuah kerangka kerja untuk atribusi pemasangan seluler yang menjaga privasi, dan Transparansi Pelacakan Aplikasi, sebuah kerangka kerja yang mencegah pengidentifikasi perangkat konsumen untuk digunakan dalam pelacakan dan penargetan iklan tanpa persetujuan mereka. “Dengan iOS 14, kami hanya perlu waktu sekitar 24 jam untuk melihat perilaku setiap pengguna dan memutuskan apakah pengguna tersebut akan berharga dan berinvestasi pada sumber media yang disediakan untuk pengguna tersebut,” kata Elena Levi, product team lead untuk PredictSK. “Namun, dengan analitik prediktif, kami hanya butuh waktu 24 jam untuk mendapatkan wawasan jangka panjang yang diperlukan.”

AppsFlyer menggunakan AWS untuk menyesuaikan solusi analitik prediktifnya untuk memenuhi persyaratan industri baru. Solusi ini dikembangkan dari ide awal hingga menjadi produk yang berfungsi dalam waktu 6–8 bulan. Di AWS, AppsFlyer memangkas waktu produksi sebesar 66 persen dengan jumlah staf yang sama, dan pada bulan Juni 2021, perusahaan bersiap untuk memasukkan pelanggan pertama ke PredictSK, yaitu 1 bulan setelah Transparansi Pelacakan Aplikasi diberlakukan dan 1 minggu setelah SKAdNetwork diterapkan. AppsFlyer adalah penyedia atribusi seluler pertama yang memberikan kemampuan analitik prediktif.

Untuk membangun solusi barunya, AppsFlyer mengandalkan Amazon SageMaker dan berbagai layanan nirserver AWS yang memperpendek jalur dari penelitian ke produksi, seperti AWS Lambda, layanan komputasi nirserver yang memungkinkan perusahaan menjalankan kode tanpa menyediakan atau mengelola server. “Arsitektur nirserver di AWS mengurangi waktu pengembangan dan pemeliharaan,” kata Benjamin Winestein, senior software developer di AppsFlyer. “Kita dapat memulai dengan skala kecil, lalu meningkatkan skalanya dengan keyakinan bahwa semuanya akan tetap berjalan dengan baik.”

PredictSK memberi pengguna aplikasi seluler skor prediksi pada skala satu hingga sembilan. Solusinya menggunakan penyesuaian model otomatis Amazon SageMaker yang menemukan versi terbaik dari sebuah model dengan menjalankan banyak tugas pelatihan pada set data untuk secara otomatis menyesuaikan ribuan kombinasi parameter algoritma guna meningkatkan akurasi model ML prediktif dengan cepat. Setiap model kemudian melakukan deployment; atau jika memerlukan pelatihan tambahan, AppsFlyer mengulangi alur pelatihan menggunakan AWS Step Functions, orkestrator fungsi nirserver yang memudahkan pengurutan fungsi AWS Lambda dan beberapa layanan AWS ke dalam aplikasi yang penting bagi bisnis. Untuk menjaga akurasi, setiap model dilatih ulang setiap bulan menggunakan puluhan gigabita data.

AppsFlyer membuat model ML khusus untuk setiap aplikasi yang memasuki PredictSK. Hal ini dilakukan untuk alasan keamanan dan privasi pengguna; tidak ada informasi yang dibagikan di antara aplikasi. Selain itu, AppsFlyer harus melatih model ML yang berbeda untuk kasus penggunaan yang berbeda karena perilaku pengguna berbeda-beda tergantung pada jenis aplikasi. Sebagai contoh, perilaku pengguna di aplikasi layanan kesehatan tidak akan sama dengan perilaku mereka di aplikasi game. Untuk memenuhi permintaan tersebut, AppsFlyer benar-benar mengandalkan titik akhir multimodel Amazon SageMaker, yang menyediakan cara yang dapat diskalakan dan hemat biaya untuk melakukan deployment pada sejumlah besar model ML kustom. AppsFlyer menjalankan Amazon SageMaker di Instans P3 Amazon Elastic Compute Cloud (Amazon EC2), yang menghadirkan komputasi beperforma tinggi di cloud, yang ditenagai oleh NVIDIA V100 Tensor Core GPU dan menggunakan instans p3.2xlarge.

Dalam alur prediksi terjadwal, AppsFlyer menggunakan transformasi batch Amazon SageMaker untuk menjalankan inferensi setiap 1–24 jam pada set data batch besar menggunakan API sederhana. Hasil prediksi kemudian disimpan dalam basis data dan tersedia untuk pelanggan. “Untuk pengiklan biasa yang tidak menggunakan wawasan prediktif atau wawasan lanjutan, dibutuhkan waktu sekitar 30 hari untuk menerima segala jenis wawasan LTV untuk pengguna,” kata Hayet. “PredictSK memotong kerangka waktu ini menjadi hanya beberapa jam.”

Alur prediksi PredictSK yang mendekati waktu nyata beroperasi pada arsitektur nirserver dan memberikan skor manfaat pengguna yang diprediksi hampir seketika bagi pelanggan AppsFlyer, yaitu dalam waktu 10–30 milidetik per inferensi dari permintaan hingga pengembalian. PredictSK memproses beberapa ratus gigabita data pengguna setiap hari, pada puluhan ribu peristiwa per detik, dan akan menskalakan hingga ratusan ribu peristiwa per detik. Solusi ini mengambil peristiwa-peristiwa yang relevan pada hari itu dan menyimpan data tersebut ke Amazon DynamoDB, basis data nilai kunci dan dokumen. Kemudian, menggunakan AWS Lambda untuk menyiapkan data untuk inferensi dan mengirimkannya ke titik akhir multimodel Amazon SageMaker. Hasil inferensi kemudian ditulis ke tabel lain di Amazon DynamoDB untuk dikirim ke pelanggan.

AppsFlyer selanjutnya berencana untuk menyederhanakan dan berpotensi mengotomatiskan sepenuhnya proses cara manajer akuisisi pengguna menggunakan wawasan PredictSK untuk mengoptimalkan kampanye mereka. AppsFlyer juga mengeksplorasi pelatihan terdistribusi menggunakan Amazon SageMaker, yang dapat membantu mempersingkat waktu dan skala pelatihan untuk mendukung set data yang lebih besar.

Di AWS, AppsFlyer dengan cepat bereaksi terhadap perubahan industri yang signifikan dengan solusi yang meningkatkan akurasi performa kampanye dan melindungi privasi konsumen sekaligus memberikan wawasan yang dapat ditindaklanjuti lebih awal daripada solusi lain yang ada. “Kami senang memberikan semacam layanan yang tidak ditawarkan pesaing kami kepada pelanggan kami sekarang,” kata Hayet. “Ini adalah posisi yang luar biasa, tetapi kami tidak beristirahat. Kami terus maju, meningkatkan, dan bekerja pada solusi ini.” Levi menambahkan, “Analisis prediktif mengubah permainan pemasaran seluler dalam beberapa hal penting, dan kami berharap dapat menawarkan lebih banyak inovasi pada ekosistem ini ke depannya.”