Visualización lado a lado de los datos a nivel de dispositivo y los datos de SKAdNetwork en Automate: la solución de Adjust

Los profesionales del marketing dependen de la medición para determinar si una campaña tuvo éxito. Sin duda, la llegada de iOS 14.5 y el trabajo con SKAdNetwork han generado desafíos importantes, y han modificado las estrategias y los procesos. Los profesionales del marketing y los desarrolladores han redefinido su enfoque para la medición al utilizar una combinación de datos autorizados por medio de AppTrackingTransparency (ATT) y datos agregados de SKAdNetwork para las campañas ejecutadas en iOS, y esta es la nueva realidad de la atribución en la plataforma.

Ambos conjuntos de datos ofrecen beneficios y desventajas únicos. Los datos a nivel de dispositivo permiten elaborar informes granulares y detallados, y crear cohortes de usuarios asignadas a las indicaciones de ingresos. Sin embargo, debido a que se requiere la autorización, el panorama final suele estar incompleto y ser parcialmente inexacto. Los datos de SKAdNetwork de alto nivel son relativamente precisos al enfocarse en los totales por socio, pero no ofrecen informes de rendimiento granulares. Esta diversidad plantea un desafío para los profesionales del marketing, quienes deben decidir cuáles puntos de datos prefieren tomar como base para sus decisiones cotidianas, y este desafío ha generado un aumento en la demanda de informes unificados y simplificados.

Sin embargo, existen muchos problemas que convierten la combinación de los datos de los MMP a nivel de dispositivo con los datos de SKAdNetwork agregados en un proceso complejo y poco confiable, y esta es la principal razón por la que Adjust recomienda trabajar con datos lado a lado por medio de Automate.

¿Cuáles son los problemas que surgen al combinar los datos de los MMP con los datos de SKAdNetwork?

1. Deduplicación: Antes de siquiera considerar la opción de combinar los datos de instalaciones de SKAdNetwork con los datos de instalaciones a nivel de ATT, se debe realizar una deduplicación que elimine las instalaciones de una de las fuentes atribuidas en ambos conjuntos de datos. Ya que el conjunto de datos de SKAdNetwork está agregado y no incluye datos a nivel de dispositivo, la deduplicación se puede intentar al introducir una dimensión que separe las instalaciones atribuidas a nivel de dispositivo de las instalaciones no atribuidas. Este es un concepto antiguo de la deduplicación que utilizaría al menos un bit de tus valores de conversión y no resuelve todos los demás problemas que surgen al pensar en combinar los datos a nivel de ATT con los datos de SKAdNetwork.
2. Fechas de instalación aleatorizadas: La fecha recibida con las instalaciones de SKAdNetwork siempre se hace aleatoria y no se puede identificar claramente. Esto significa que las instalaciones de SKAdNetwork pueden ser válidas desde 0 hasta 48 horas antes de su recepción, lo que complica la capacidad para eliminarlas de un conjunto de datos.
3. Instalaciones relacionadas con Google: Resulta aún más complicado trabajar con las fechas de las instalaciones de SKAdNetwork provenientes de Google. Al aplicar un nivel de elaboración de modelos, Google intenta determinar la fecha de la interacción con el anuncio relacionada (clics o impresiones) y vincularla con una instalación. Debido a que Google es una de las redes autoatribuidas más grandes y forma parte de la mayoría de las mezclas de canales, esto tiene un gran impacto sobre la capacidad para combinar datos.
4. Métodos de atribución: La atribución de SKAdNetwork y la atribución a nivel de dispositivo funcionan de maneras diferentes, por lo que es muy probable que la distribución en diferentes canales también varíe mucho entre las dos fuentes. Por eso, aún se espera encontrar duplicados para algunos canales al agregar los datos, incluso si se sigue el proceso de deduplicación que mencionamos arriba. Por ejemplo, algunas instalaciones a nivel de dispositivo en escenarios de marketing multitouch atribuidas a Facebook se pueden atribuir a Twitter por medio de SKAdNetwork.
5. Aleatorización a nivel de valor de conversión: Existe una cantidad específica de valores de conversión configurados como nulos en SKAdNetwork. Debido a que la información que indica si la instalación está atribuida se incluye en los valores mismos, cuando este valor es nulo, la instalación no se puede identificar como atribuida o no atribuida. La distribución de valores nulos no necesariamente es lineal en todos los valores de conversión y depende del número de instalaciones por cada ID de campaña. Esto significa que no podemos simplemente extrapolar un porcentaje de valores nulos por instalaciones con un valor de conversión. Puede haber hasta un 40% de valores nulos entre todas las instalaciones de SKAdNetwork. Para alcanzar un nivel de instalaciones lo suficientemente alto como para superar este umbral y obtener un conjunto de datos cuyo tamaño resulte útil, se requiere un gasto de campaña relativamente grande. Debido a que muchos profesionales del marketing están haciendo esfuerzos considerables para enfrentar los desafíos relacionados con los cambios de privacidad, no recomendamos dividir los presupuestos entre varias campañas, a menos que esperes alcanzar este umbral alto de instalaciones. Esto puede tener un gran impacto en la deduplicación, y es otra razón importante por la que hay que tener cuidado al combinar los datos a nivel de dispositivo con los datos de SKAdNetwork.
6. Diferencias por país/región: Para los profesionales del marketing que trabajan con varios países e idiomas, la dimensión de país suele ser extremadamente importante, ya que los costos y el rendimiento pueden variar mucho entre un mercado y otro. Generalmente, la información del país no está disponible para las instalaciones de SKAdNetwork, lo que es otro motivo por el que la opción de combinar los conjuntos de datos y luego intentar desglosarlos por país puede resultar muy ineficaz e imprecisa.
7. Imprecisiones de rendimiento: Además de las imprecisiones identificadas arriba en relación con las cifras de instalaciones, no hay manera de conocer el rendimiento de las instalaciones adicionales que se agregarían al combinar los datos. Aunque puede ser posible obtener un costo total por canal válido basado en la extrapolación al ignorar los problemas descritos arriba, al llegar al nivel de campaña, que es donde los profesionales del marketing suelen tomar decisiones, esta información se vuelve más o menos inútil. También sería muy difícil obtener las métricas de rendimiento relacionadas, como los ingresos al día 7 y al día 30 para un informe a nivel de campaña, ya que los datos serían inexactos.

Las maneras en que los informes lado a lado de Adjust ayudan a los profesionales del marketing a enfrentar las limitaciones

Los profesionales del marketing y los desarrolladores deben tomar en cuenta las circunstancias individuales, como el modelo de negocio de una aplicación, el número de instalaciones por campaña, el gasto publicitario, la distribución en diferentes canales, el número total de campañas y la capacidad general para identificar las señales importantes en las primeras 24 horas, para determinar cuáles son las fuentes de datos más confiables y cuáles indicadores de ambas fuentes de datos pueden estar correlacionados. Si una correlación no se puede detectar inmediatamente, es necesario realizar un análisis más minucioso de los datos.

Tomando en cuenta todas las limitaciones que existen, Adjust actualmente recomienda el uso de informes lado a lado con nuestra solución Automate. Con los diferentes KPI relacionados con SKAdNetwork (conversión, ingresos y eventos), puedes crear informes detallados para tus campañas de SKAdNetwork y utilizar las plantillas para ver esta información junto a tus datos de atribución de Adjust. Esto te permite comparar los datos de tus campañas de iOS provenientes de ambas fuentes en un informe tabular fácil de administrar.

Mantener los conjuntos de datos separados es la mejor opción para garantizar su exactitud. Sin embargo, si tú y tu equipo prefieren deduplicar y combinar los datos a nivel de ATT y los datos de SKAdNetwork, también podemos ayudarte. Nuestros clientes pueden controlar sus propios esfuerzos de deduplicación, como parte de nuestro compromiso para brindar una transparencia absoluta, y nuestros callbacks en tiempo real de atribución de SDK te permiten activar un evento identificable que puedes utilizar en tu configuración de valores de conversión. Si deseas más información, comunícate con tu contacto de Adjust.

Estamos investigando diferentes métodos para elaborar informes que muestren un panorama completo y garanticen que los datos de atribución sean extremadamente precisos. Mientras tanto, te recomendamos continuar con los informes lado a lado para evitar los problemas descritos en este artículo y asegurarte de que los informes y los conjuntos de datos se mantengan limpios. Si deseas más información sobre iOS 14.5 y las versiones posteriores, visita nuestro centro de recursos aquí.