Como usar os dados do nível do dispositivo e do SKAdNetwork lado a lado: uma solução da Adjust

Os profissionais de marketing dependem da mensuração para poderem determinar se uma campanha teve sucesso ou não. Sem dúvidas, o iOS 14.5+ e ter que trabalhar com o SKAdNetwork trouxeram desafios e deram um chacoalhão nas estratégias e nos processos já estabelecidos. Tanto os profissionais de marketing quanto os desenvolvedores tiveram que recriar seu método de mensuração para trabalhar, ao mesmo tempo, com um mistura de dados de opt-in do AppTrackingTransparency (ATT) e dados agregados do SKAdNetwork nas campanhas para iOS, que é a nova realidade de atribuição na plataforma.

Os dois conjuntos de dados oferecem prós e contras específicos. Os dados no nível do dispositivo permitem criar um relatório detalhado e granular, bem como uma coorte de usuários mapeada a indicações de receita. No entanto, como é necessário pedir o consentimento do usuário, o resultado final fica, muitas vezes, incompleto e em partes impreciso. Os dados de alto-nível do SKAdNetwork são, relativamente, bem precisos quando focados no total por parceiro, mas não apresenta um relatório de desempenho granular. Essa diferença traz um desafio ao profissional de marketing: decidir quais pontos de dados devem basear suas decisões no dia a dia, o que acabou por aumentar a demanda por relatórios simples e unificados.

Existem, no entanto, vários problemas que tornam a junção dos dados no nível do dispositivo de um MMP com dados agregados do SKAdNetwork algo complexo e não confiável. Esse é o motivo principal pelo qual a Adjust recomenda trabalhar com dados lado a lado pelo Automate.

Quais são os problemas em juntar dados do MMP com os do SKAdNetwork?

1. Retirada de dados duplicados: antes mesmo de considerar a combinação de dados de instalação do SKAdNetwork com os dados no nível do ATT, deve ser feita uma retirada de dados de instalação duplicados de uma das fontes atribuídas em ambos os conjuntos de dados. Como o conjunto de dados do SKAdNetwork é agregado, mas não no nível do dispositivo, essa retirada pode ser feita ao introduzir a dimensão que divide as instalações atribuídas no nível do dispositivo das não atribuídas. Esse é um conceito prévio de retirada de dados duplicados que iria consumir pelo menos um bit dos valores de conversão e não vai resolver todos os outros problemas da junção dos dados no nível do ATT e do SKAdNetwork.
2. Datas de instalação aleatórias: a data de instalação recebida pelo SKAdNetwork é sempre aleatória e não é facilmente identificável. Isso significa que as instalações do SKAdNetwork podem ser válidas para qualquer horário entre 0 e 48 horas antes de serem recebidas, o que complica a capacidade de removê-las de um conjunto de dados.
3. Instalações relacionadas ao Google: a data das instalações do SKAdNetwork vindas do Google complicam ainda mais o trabalho dos profissionais de marketing. Ao usar um tipo de modelagem, o Google tenta determinar a data da interação com o anúncio (clique ou impressão) e o relaciona a uma instalação. Como o Google é uma das maiores redes de autoatribuição e faz parte da maioria dos canais de distribuição, isso impacta grandemente sua capacidade de junção de dados.
4. Métodos de atribuição: as atribuições do SKAdNetwork e do nível do dispositivo funcionam de maneira diferente, e é bem provável que a distribuição entre canais também seja bem diferente entre as duas. É por isso que ainda é possível ter dados duplicados para alguns canais quando for agregar, mesmo seguindo o método de retirada descrito acima. Por exemplo, algumas instalações no nível do dispositivo em contextos de marketing muti-touch atribuídas ao Facebook podem ser atribuídas ao Twitter pelo SKAdNetwork.
5. Aleatoriedade no nível do valor de conversão: há uma quantidade específica de valores de conversão que estão configurados para serem nulos para o SKAdNetwork. Conforme a informação sobre a instalação ser atribuída ou não for empacotada nos valores em si, quando esse valor for anulado, então a instalação não pode ser identificada como atribuída ou não atribuída. Essa distribuição dos valores nulos não é necessariamente linear entre todos os valores de conversão e depende da quantidade de instalações por ID de campanha. Isso significa que não podemos extrapolar uma porcentagem de valores nulos vs. instalações com um valor de conversão. Há grandes chances de existirem até 40% de valores nulos entre todas as instalações do SKAdNetwork. Chegar a um nível de instalações alto o suficiente para evitar esse problema e ter dados o suficiente para poder trabalhar requer um gasto com campanhas relativamente alto. Como vários profissionais de marketing estão lutando contra os desafios impostos pelas mudanças de privacidade, não recomendamos dividir os gastos entre várias campanhas, a não ser que você tenha a expectativa de atingir esse limite de instalações. Isso pode impactar fortemente a retirada de dados duplicados, o que é outro motivo para ter cautela ao juntar os dados no nível do dispositivo e do SKAdNetwork.
6. Diferenças por país/região: se você estiver trabalhando com vários países e línguas diferentes, o tamanho do país é, geralmente, bem importante, já que os custos e o desempenho podem variar muito de mercado para mercado. Para instalações do SKAdNetwork, em geral, as informações sobre o país não estão disponíveis, mais um motivo pelo qual juntar os conjuntos de dados e depois tentar separá-los por país pode ser ineficiente e impreciso.
7. Imprecisão no desempenho: além dos problemas de precisão identificados acima em relação ao número de instalações, também há um problema de não saber o desempenho de outras instalações que seriam adicionadas na junção dos dados. Receber um valor total por canal válido pode até funcionar baseado na extrapolação e ignorando os problemas descritos acima, mas, assim que você chegar no nível da campanha, que é onde os profissionais de marketing geralmente tomam as decisões, ele se torna mais ou menos inutilizável. Receber métricas de desempenho relacionadas, como as receitas do dia 7 e do dia 30 para um relatório no nível da campanha também seria algo impreciso.

Como o relatório lado a lado da Adjust fortalece o trabalho dos profissionais de marketing mesmo com as limitações

Dependendo das circunstâncias individuais, como o modelo de negócio de um aplicativo, o número de instalações por campanha, gastos com anúncios, distribuição por canais, total de campanhas e a capacidade geral para identificar pontos relevantes em 24 horas, cabe aos profissionais de marketing e aos desenvolvedores determinar quais fontes de dados são mais confiáveis e quais indicadores das duas fontes podem estar correlacionados. Se não for possível fazer uma correlação imediatamente, é preciso pesquisar ainda mais os dados.

Considerando todas as limitações que existem, a Adjust recomenda atualmente o uso do relatório lado a lado pelo recurso Automate. Com uma gama de KPIs relacionados ao SKAdNetwork, como conversão, receita e eventos, você pode criar relatórios abrangentes para as campanhas do SKAdNetwork e usar os modelos disponíveis para ver a informação lado a lado dos dados de atribuição da Adjust. Isso permite que você compare dados de campanhas para iOS de ambas as fontes em um relatório em formato de tabela fácil de manusear.

Manter os conjuntos de dados separados é a melhor maneira para garantir sua precisão, mas se você e seu time optarem pela retirada de dados duplicados e junção de dados no nível do ATT e do SKAdNetwork, nós ainda podemos lhe ajudar. Oferecemos aos clientes o controle sobre a retirada de dados duplicados como parte de nossa dedicação em sermos 100% transparentes. Além disso, os callbacks em tempo real da atribuição do SDK permitem que você acione um evento identificável e use na sua configuração do valor de conversão. Para mais informações, entre em contato com a Adjust.

No momento, estamos pesquisando outros jeitos de criar relatórios para mostrar um cenário mais completo e, ao mesmo tempo, garantir que os dados de atribuição sejam extremamente precisos. Enquanto isso, recomendamos que você continue a usar o relatório lado a lado para garantir que os problemas descritos acima sejam evitados e que os relatórios e conjuntos de dados permaneçam limpos. Para mais informações sobre o iOS 14.5+, confira nosso centro de recursos aqui.