Параллельное использование данных уровня устройства и SKAdNetwork в решении Adjust Automate

Маркетологи определяют успешность кампаний при помощи статистических данных. Несомненно, переход на iOS 14.5+ и работа со SKAdNetwork потребовали значительной перестройки привычной стратегии и процессов. Маркетологи и разработчики пересмотрели свой подход к измерениям: в кампаниях на iOS лучше всего параллельно использовать и данные из AppTrackingTransparency (ATT) от предоставивших согласие пользователей, и агрегированные данные SKAdNetwork. Такова новая реальность атрибуции на этой платформе.

Оба набора данных имеют свои плюсы и минусы. Данные уровня устройства дают возможность получать подробные, детальные отчеты и сопоставлять когорты пользователей с показателями доходов, но общая картина часто бывает неполной и несколько неточной в связи с необходимостью получения согласия. Высокоуровневые данные SKAdNetwork относительно точны, когда речь идет об итоговых показателях каждого партнера, однако здесь в принципе отсутствуют детальные отчеты по эффективности. Эти различия не только ставят маркетологов перед трудным выбором: на какие показатели опираться в принятии решений, но и приводят к росту спроса на унифицированные и упрощенные отчеты.

Однако есть ряд проблем, которые усложняют объединение MMP-данных уровня устройства с агрегированными данными SKAdNetwork. Именно из-за невысокой надежности результатов Adjust рекомендует работать с параллельными наборами данных через Automate.

Какие проблемы возникают при объединении данных MMP и SKAdNetwork?

1. Дедупликация: перед началом объединения данных SKAdNetwork об установках с данными уровня ATT необходимо выполнить дедупликацию (удалить в одном из источников установки, атрибутированные в обоих наборах данных). Поскольку данные из SKAdNetwork агрегированы и не являются данными уровня устройства, дедупликацию можно попытаться выполнить путем введения параметра, отделяющего атрибутированные установки уровня устройства от неатрибутированных. Это достаточно грубое решение. На его реализацию уйдет по меньшей мере один бит значений конверсии, но оно не решает всех прочих проблем, которые могут возникнуть при слиянии данных уровня ATT с данными SKAdNetwork.
2. Рандомизированные даты установок: дата установки, получаемая от SKAdNetwork, всегда рандомизирована, и ее нельзя определить точно. Это означает, что установки из SKAdNetwork могут быть зарегистрированы в любой момент от 0 до 48 часов перед передачей, из-за чего страдает точность выявления дубликатов данных.
3. Установки, связанные с Google: работать с датами установок по SKAdNetwork от Google еще сложнее. Google пытается определить дату взаимодействия с рекламой (клика или показа) и связать это с установкой путем дополнительного моделирования. Поскольку Google — одна из крупнейших сетей с собственной атрибуцией, которая участвует в большинстве кампаний, это существенно влияет на качество объединенных данных.
4. Методы атрибуции: атрибуция SKAdNetwork и атрибуция на уровне устройства по-разному. Существует вероятность, что распределение установок по разным каналам изменится при использовании другого способа атрибуции. Именно поэтому даже после выполнения описанной выше дедупликации при агрегации на некоторых каналах появится определенное количество дубликатов. Например, некоторые установки уровня устройства в сценариях multi-touch маркетинга, атрибутированные для Facebook, могут в SKAdNetwork атрибутироваться для Twitter.
5. Рандомизация на уровне значений конверсии: некоторые значения конверсии в SKAdNetwork по умолчанию пустые (null). Поскольку информация о том, атрибутирована установка или нет, упакована в значения, в случае со значением null становится невозможно определить установку в ту или иную категорию. Распределение пустых значений не обязательно будет линейным по всем значениям конверсии: оно зависит от количества установок на идентификатор кампании. Это означает, что мы не можем просто экстраполировать процентную долю пустых значений на число установок со значением конверсии. Количество пустых значений вполне может достигать 40 % от всего объема установок SKAdNetwork. Чтобы преодолеть этот порог и получить достаточно большой набор данных для анализа, необходимо обеспечить достаточно большое количество установок, что влечет за собой высокие затраты на кампании. Многие маркетологи уже столкнулись с трудностями в связи с изменениями в сфере конфиденциальности, поэтому мы не рекомендуем разделять бюджет на несколько кампаний, если только вы не рассчитываете достигнуть такого высокого порога по установкам в каждой из них. Дедупликация в этом случае будет сильно затруднена, и это необходимо принимать во внимание при объединении данных уровня устройства с данными SKAdNetwork.
6. Различия по странам/регионам: если маркетолог работает с разными странами и языками, он понимает, что на разных рынках затраты и показатели могут очень сильно отличаться. Крайне важно верно определять страну установки. Для установок по SKAdNetwork обычно нет доступной информации о стране, и попытка распределить по регионам установки из объединенного набора данных, скорее всего, не увенчается успехом.
7. Неточности при подсчете эффективности: помимо описанных выше неточностей в отношении количества установок также имеется проблема отсутствия сведений по эффективности дополнительных установок, добавленных при слиянии данных. Общие затраты на канал можно грубо прикидывать путем экстраполяции, игнорируя описанные выше проблемы, однако при выходе на масштаб кампании (а именно этими данными маркетологи обычно руководствуются при принятии решений) этот показатель становится практически бесполезным. Связанные друг с другом показатели эффективности, например доход 7-го и 30-го дня, в отчетах на уровне кампании также будут неточными.

Как параллельные отчеты Adjust помогают маркетологам в свете этих ограничений

С учетом таких индивидуальных параметров, как бизнес-модель приложения, количество установок на кампанию, затраты на рекламу, распределение по каналам, общее количество кампаний и в целом способность выявлять важные сигналы в течение 24 часов), именно маркетологи и разработчики решают, какие источники данных считать наиболее надежными и какие показатели из обоих источников могут совпадать. Если корреляция не бросается в глаза сразу, информацию следует проанализировать глубже.

Учитывая все имеющиеся ограничения, Adjust в настоящее время рекомендует использовать параллельные отчеты в нашем решении Automate. С помощью Automate вы сформируете комплексные отчеты по кампаниям SKAdNetwork с учетом целого ряда связанных с ними KPI (конверсия, доход и события), а благодаря шаблонам информацию можно просматривать бок о бок с данными Adjust по атрибуции. Это позволяет сравнивать данные кампаний iOS из обоих источников в простом и удобном для управления табличном отчете.

Смешивать наборы данных чаще всего не стоит: это снижает их точность. Однако если вы со своей командой решили двигаться в направлении дедупликации и слияния данных уровня ATT и SKAdNetwork, мы готовы поддержать вас. Мы стремимся обеспечить полную прозрачность процессов, поэтому наши клиенты видят каждый шаг процедуры дедупликации. SDK атрибуции колбеков реального времени позволяет вам запускать идентифицируемое событие, которое можно использовать для расчета значения конверсии. Чтобы получить дополнительную информацию, обратитесь к своему контактному лицу в Adjust.

В настоящее время мы исследуем способы построения отчетов, которые показывают более полную картину, а также позволяют обеспечить повышенную точность данных атрибуции. Пока что рекомендуем продолжать пользоваться параллельными отчетами во избежание описанных выше проблем, а также появления дубликатов в отчетах и соответствующих наборах данных. Чтобы получить дополнительную информацию по iOS 14.5+, посетите наш центр ресурсов.