如何做到精准的统计 ROI，ARPU 和 LTV，并依据这些数据不断优化投放，调整买量预算的分配？
看似逻辑简单，但实际操作让我们举例看一下：某 App 开发者通过 A、B、C、D 四个平台进行买量，同时，在 M、N 两个平台进行广告变现。经过了一段时间的投放和变现，ROI 一直不理想。开发者试图降低成本的同时提高变现收益。于是将更多买量预算调整到了 CPI 相对较低的 A 平台。在另一方面，将更多的变现流量分配给了变现收入高的平台 M。然而，调整后，ROI 反降不升。可见，优化数据并不是看单独每个买量和变现渠道效果这么简单。在这个案例中，A 平台获取到的用户，在后期变现中表现并不理想。又或者是 M 平台相对激进的变现方式影响了用户留存和内购。
那么，几个买量平台，究竟哪个用户后续变现效果更好？又如何来平衡买量成本，内购收益和变现收益三者之间的关系达到最优比例？从 A 平台买来的每一个用户，后来在哪里发生了变现，又带来了多少变现收益？开发者往返于买量平台，变现平台，内部 BI，拉无数 Excel 表格，做 pivot，也很难理清用户这一系列的动态，更难以精准的将买量和变现联动起来。
我们知道，许多开发者使用聚合 SDK 来做变现。聚合平台针对用户如何与广告互动则有不同的数据收集点。另一方面，一些变现平台并不是将设备层级的每一次用户变现互动以原始数据形式提供给开发者，而只是提供汇总数据。比如，提供某一个广告位展示或者点击数累积的变现金额给到开发者。这使得开发者只能在某种程度上统计 LTV 和 ARPU, 而不能细化到设备层级的颗粒度来做分析。
然而应用内广告变现是应用收益的一个重要来源。在不了解详细的用户广告互动路径的情况下，开发者如何去优化效果和保持数据增长？同时，对于超休闲游戏这类几乎全部收益都来源于应用内广告变现的开发者而言，统计细颗粒度的收益数据变得至关重要。
值得关注的是，我们看到一些聚合平台，例如 ironSource、Mopub、Applovin MAX 意识到了细颗粒度数据的价值, 并向开发者及第三方统计平台提供用户层级的变现数据。这些聚合平台在变现端为开发者提供了日趋精准的数据，将变现推动到了一个新的细化级别。
那么，回归到我们前面举例的问题，有了精准的买量数据，广告变现数据，应用内购数据，订阅数据，这些分散在各种平台上的数据如何能够有效的整合，利用，并提供给开发者真正的价值？如何从用户获取的角度，完整统计所有这些收益来源的完整 LTV？
