Cihaz seviyesi ve SKAdNetwork verilerinin Automate'te yan yana kullanımı: Adjust'ın çözümü

Pazarlamacılar, kampanyalarının başarılı olup olmadığını belirlemek için ölçümlemeye güvenirler. iOS 14.5+ ve SKAdNetwork'ün endüstriye getirdiği değişiklikler, pazarlamacıların strateji geliştirme süreçlerinde önemli zorluklar ortaya çıkardı. Pazarlamacılar ve geliştiriciler, iOS'te yürüttükleri kampanyaların ölçümlemesinde kullandıkları yaklaşımlarını AppTrackingTransparency (ATT) ile alınan kullanıcı onaylı veriler ile toplu SKAdNetwork verilerini bir arada kullanabilmelerini sağlayacak şekilde yeniden şekillendirdiler, ki bu da iOS'teki attribution'ın yeni dönemini yansıtan bir değişim.

Her iki veri seti de farklı avantajlar ve dezavantajlara sahiptir. Cihaz seviyesinde veriler, ayrıntılı raporlamanın yanı sıra ciro göstergeleriyle eşleştirilmiş cohort'ların oluşturulmasına olanak tanır, ancak kullanıcının bu bilgilerin kullanılmasına onay vermesi gerekliliği nedeniyle tam resim genellikle eksik ve doğruluktan kısmen uzaktır. Yüksek seviye SKAdNetwork verileri, partner başına toplamlar açısından görece doğrudur, ancak temelde ayrıntılı performans raporlamasından yoksundur. Verilerdeki bu çeşitlilik, pazarlamacılara günlük kararlarını hangi veri noktalarına göre alacaklarına karar verirken ek zorluklar yaşatırken aynı zamanda birleşik ve basitleştirilmiş raporlama taleplerinde bir artışa yol açıyor.

Bununla birlikte, cihaz seviyesindeki MMP verilerinin toplu SKAdNetwork verileri ile birleştirilmesindeki birçok sorun, bunu çok karmaşık ve güvenilirlikten uzak hale getiriyor. Bu yüzden Adjust, Automate ile yan yana veriler ile çalışmanızı öneriyor.

MMP ve SKAdNetwork verilerinin birleştirilmesinde hangi sorunlar karşımıza çıkıyor?

1. Veri Tekilleştirme (Deduplication): SKAdNetwork kurulum verilerini ATT seviyesindeki kurulum verileri ile birleştirmeden önce, iki veri setinde de attribute edilmiş kurulumları bir veri setinden çıkaran veri tekilleştirme işlemi yapılmalıdır. SKAdNetwork veri seti toplu olduğundan ve cihaz seviyesinde olmadığından, cihaz seviyesinde attribute edilen ve edilmeyen kurulumları birbirinden ayıran bir boyut ile veri tekilleştirme yapılabilir. ATT seviyesindeki verilerin ve SKAdNetwork verilerinin nasıl birleştirileceğinin yollarını ararken ortaya çıkan ve ilk veri tekilleştirme konseptlerinden olan bu çözüm, dönüşüm değerlerinizin en az bir bitini tüketir ve hala dikkatinizi vermeniz gereken diğer sorunlara bir çözüm sunmaz.
2. Randomize kurulum tarihleri: SKAdNetwork kurulumlarından alınan kurulum tarihleri her zaman rastgele bir şekildedir ve açıkça tanımlanamaz. Yani SKAdNetwork kurulumları, alınmadan önceki 0-48 saat arasında herhangi bir zamanda geçerli olabilir ve bunların veri setinden kaldırılmasını zorlaştırır.
3. Google ile ilgili kurulumlar: Google'dan alınan SKAdNetwork kurulumlarının tarihleriyle çalışmak daha da karmaşıktır. Google, bir modelleme seviyesi uygulayarak ilgili reklam etkileşiminin (tıklamalar veya gösterimler) tarihini belirler ve bunu bir kuruluma bağlamaya çalışır. Google, kendi attribution'ını yapan ağların en büyüğü olduğundan ve çoğu kanal karmalarının içinde yer aldığından, bu durum verilerin birleştirilmesini oldukça zorlaştırıyor.
4. Attribution metodları: SKAdNetwork ve cihaz seviyesindeki attribution'ın çalışma şekilleri farklıdır ve kanallar arasındaki dağılım bu iki yöntem arasında önemli ölçüde farklı olacaktır. Yukarıda belirttiğimiz veri tekilleştirmesi uygulanırken bile verilerin toplu hale getirilmesi sürecinde iki kanalda da görebileceğiniz çifte verilerin varlığının nedeni de budur. Örneğin, multi-touch pazarlama senaryolarında Facebook'a attribute edilen bazı cihaz seviyesi kurulumlar, SKAdNetwork üzerinden Twitter'a attribute edilebilir.
5. Dönüşüm değeri seviyesinde randomizasyon: SKAdNetwork için null olarak ayarlanmış belirli miktarda dönüşüm değeri vardır. Kurulumun attribute edilip edilmediğine dair bilgiler bu değerlerin kendilerine dahil edildiğinden, bu değer null olduğunda kurulumun attribute edilip edilmediği belirlenemez. Null değerlerinin dağılımı her zaman tüm dönüşüm değerlerinde lineer değildir ve her kampanya ID'si başına düşen kurulum miktarına bağlıdır. Bu da, dönüşüm değerine sahip kurulumlar ile null değerlerin bir yüzdesini tahmin edemeyeceğimiz anlamına gelir. Tüm SKAdNetwork kurulumlarında %40'a varan null değerler görebilirsiniz. Bu eşiği aşmak ve yeterince büyük bir veri seti elde etmenize izin verecek kadar yüksek sayıda kuruluma ulaşmak için görece yüksek bir kampanya harcaması yapılması gerekir. Birçok pazarlamacı zaten gizlilik değişikliklerinin getirdiği zorluklarla başa çıkmaya çalıştığından, bu yüksek kurulum eşiğine ulaşmayı beklemiyorsanız bütçenizi birden çok kampanyaya dağıtmanızı önermiyoruz. Bu, cihaz seviyesi veriler ve SKAdNetwork verilerini birleştirirken dikkatli davranmanızı gerektirir çünkü veri tekilleştirmesinin üzerinde büyük bir etkiye sahip olabilir.
6. Ülke ve bölgelere göre farklılıklar: Faaliyetlerini birden fazla ülke ve dilde yürüten pazarlamacılar açısından maliyetler ve performans pazardan pazara büyük ölçüde değişebileceğinden, ülke boyutu genellikle son derece önemlidir. SKAdNetwork kurulumlarında genellikle ülke bilgisi yoktur. Bu, veri setlerini birleştirmenin ve daha sonra bunları ülkelere göre ayırmaya çalışmanın oldukça verimsiz ve yanlış sonuçlar vermesinin bir başka nedenidir.
7. Performanstaki düşük doğruluk: Kurulum sayılarına dair yukarıda belirttiğimiz düşük doğruluğa ek olarak, veriler birleştirilirken eklenen kurulumların performansının bilinmemesi sorunu ortaya çıkar. Genel bir tahmine dayalı olarak ve yukarıda belirtilen sorunları göz ardı ederek her kanal için bir toplam maliyete ulaşılabilir, ancak pazarlamacıların genellikle kararlarını almakta kullandıkları kampanya seviyesindeki veriler söz konusu olduğunda neredeyse kullanılamaz hale gelir. Bir rapor için 7. gün ve 30. günlerdeki ciro gibi ilgili performans metriklerini kampanya seviyesine indirgemek de doğruluğun düşmesine neden olur.

Adjust'ın yan yana raporlaması, pazarlamacıların bu sınırlamaları aşmalarına nasıl yardımcı oluyor?

Bir uygulamanın iş modeli, kampanya başına kurulum sayısı, reklam harcaması, kanallar arası dağılım, toplam kampanya sayısı ve 24 saat içinde genel önem sinyallerini belirleme yeteneği gibi koşullara bağlı olarak, hangi veri kaynaklarının en güvenilir olduğunu ve her iki veri kaynağından hangi göstergelerin birbiriyle korelasyon içinde olabileceğini belirlemek pazarlamacılara ve geliştiricilere düşüyor. Hemen göze çarpan bir korelasyon yoksa, verileri daha da derinlemesine incelemek gerekebilir.

Varolan tüm sınırlamalar düşünüldüğünde Adjust, şu anda Automate özelliğimiz ile yan yana raporlamanın kullanılmasını öneriyor. SKAdNetwork kampanyaları için kapsamlı raporlar oluşturmak adına SKAdNetwork ile ilgili bir dizi KPI (dönüşüm, ciro ve event'ler) kullanabilir ve şablonlar ile bu bilgileri Adjust attribution verileriniz ile yan yana görebilirsiniz. Bu sayede iki kaynaktan da gelen iOS kampanya verilerini kullanımı kolay bir raporda karşılaştırabilirsiniz.

Doğruluğu sağlamanın en iyi yolu, veri setlerini ayrı tutmaktır. Ancak ekibiniz verileri tekilleştirmek ve ATT seviyesi veriler ile SKAdNetwork verilerini birleştirmek istiyorsa, bunu da bizimle yapabilirsiniz. %100 şeffaflık sağlama sözümüzün bir parçası olarak, müşterilere veri tekilleştirme çalışmaları üzerinde tam kontrol sağlıyoruz. Ayrıca SDK attribution ve gerçek zamanlı callback'lerimiz ile dönüşüm değeri yapılandırmanızda kullanabileceğiniz tanımlanabilir bir event tetikleyebilirsiniz. Daha fazla bilgi için lütfen Adjust temsilciniz ile iletişime geçin.

Attribution verilerinin en yüksek doğruluğa sahip olmasını sağlarken tam resmi daha kapsamlı yansıtan bir raporlama oluşturmanın yollarını araştırıyoruz. Bu süre içerisinde yukarıda belirttiğimiz sorunlardan kaçındığınızdan ve raporlamalarınız ile veri setlerinizin temiz kaldığından emin olmak için yan yana raporlamaya devam etmenizi öneriyoruz. iOS 14.5+ hakkında daha fazla bilgi için kaynak merkezimize buradan göz atabilirsiniz.