ใช้ประโยชน์จากข้อมูลระดับอุปกรณ์ (device level) และข้อมูล SKAdNetwork เปรียบเทียบเคียงคู่กันใน Automate: โซลูชันของ Adjust

นักการตลาดพึ่งพาการวัดผลที่ถูกต้องเพื่อตัดสินว่าแคมเปญประสบความสำเร็จหรือไม่ ไม่ต้องสงสัยเลยว่า iOS 14.5+ และการทำงานร่วมกับ SKAdNetwork ได้ก่อให้เกิดความท้าทายที่สำคัญและการเปลี่ยนแปลงครั้งใหญ่กับกลยุทธ์ของนักการตลาดนักการตลาดและนักพัฒนาได้ปรับกรอบวิธีการวัดใหม่เพื่อให้ทำงานได้ดีที่สุดด้วยการผสมผสานข้อมูลการ AppTrackingTransparency (ATT) และข้อมูล SKAdNetwork เพื่อใช้สำหรับแคมเปญบน iOS ซึ่งคือ new reality ของการระบุแหล่งที่มาบนแพลตฟอร์ม

ชุดข้อมูลทั้งสองชุดมีข้อดีและข้อเสียเฉพาะตัว ข้อมูลระดับอุปกรณ์มีรายละเอียดเชิงลึก และจับคู่กลุ่มผู้ใช้กับ revenue indications ได้ แต่เนื่องจากจำเป็นต้องได้รับความยินยอมจากผู้ใช้ ข้อมูลสุดท้ายมักจะไม่สมบูรณ์และไม่ถูกต้องบางส่วน ข้อมูล SKAdNetwork ระดับสูงค่อนข้างถูกต้องแม่นยำเมื่อเน้นที่ยอดรวม แต่โดยพื้นฐานแล้วยังขาดข้อมูลการวัดประสิทธิภาพของแคมเปญอย่างละเอียด ทำให้นักการตลาดตัดสินใจได้ยากที่จะเลือกข้อมูลที่จะนำไปใช้การตัดสินใจวางแผนการตลาด เพราะต้องการข้อมูลที่ละเอียดมากขึ้น

อย่างไรก็ตาม มีปัญหาหลายอย่างที่ทำให้การรวมข้อมูล MMP ระดับอุปกรณ์เข้ากับข้อมูล SKAdNetwork เป็นเรื่องซับซ้อนและไม่น่าเชื่อถือ ซึ่งเป็นเหตุผลหลักที่ Adjust แนะนำให้ทำงานกับ ข้อมูลแบบเปรียบเทียบเคียงคู่กันผ่าน Automate

ปัญหาในการรวมข้อมูล MMP กับข้อมูล SKAdNetwork คืออะไร

1. การกำจัดข้อมูลที่ซ้ำซ้อนออกไป: ก่อนพิจารณารวมข้อมูลการติดตั้ง SKAdNetwork กับข้อมูลการติดตั้งระดับ ATT นั้น จะต้องกำจัดข้อมูลนับซ้ำซ้อน ด้วยการนำข้อมูลการติดตั้งแอปออกจากแหล่งที่มาแหล่งใดแหล่งหนึ่ง ในชุดข้อมูลทั้งสองก่อน เนื่องจากชุดข้อมูล SKAdNetwork เป็นข้อมูลแบบรวม และไม่ใช่ข้อมูลระดับอุปกรณ์ จึงสามารถขจัดข้อมูลที่ซ้ำซ้อนได้โดยการแยกการระบุแหล่งที่มาระดับอุปกรณ์ ที่มีในการติดตั้งแอป ออกจากการติดตั้งที่ไม่ได้ระบุแหล่งที่มา (non attributed)นี่เป็นแนวคิดเบื้องต้นในการกำจัดข้อมูลที่ซ้ำซ้อน ซึ่งจะใช้ค่า Conversion ของคุณเพียงเล็กน้อย และจะไม่ได้แก้ปัญหาอื่นๆ ทั้งหมดเมื่อพิจารณาถึงวิธีการรวมระดับ ATT กับข้อมูล SKAdNetwork
2. วันที่ติดตั้งแบบสุ่ม: วันที่ติดตั้งที่ได้รับจากการติดตั้ง SKAdNetwork จะถูกสุ่มเสมอและไม่สามารถระบุได้อย่างชัดเจน ซึ่งหมายความว่าข้อมูลการติดตั้งแอบจาก SKAdNetwork สามารถนับตั้งแต่ 0 ถึง 48 ชั่วโมงก่อนที่จะได้รับข้อมูล ทำให้การลบดาต้าซ้ำซ้อนออกจากชุดข้อมูลเป็นไปได้ยาก
3. การติดตั้งที่เกี่ยวข้องกับ Google: วันที่ติดตั้ง SKAdNetwork ที่ติดตั้งจาก Google นั้นมีความซับซ้อนในการทำงานมากขึ้นไปอีก Google ใช้ระดับของการสร้างแบบจำลอง เพื่อกำหนดวันที่ของการโต้ตอบกับโฆษณาที่เกี่ยวข้อง (การคลิกหรือการแสดงผล) และเชื่อมโยงไปยังการติดตั้งแอปเนื่องจาก Google เป็นหนึ่งใน Self Attributing Network ที่ใหญ่ที่สุดและเป็นส่วนหนึ่งของช่องทางการตลาดหลัก การทำเช่นนี้จึงส่งผลกระทบอย่างมากต่อการรวมข้อมูล
4. วิธีการระบุแหล่งที่มา: SKAdNetwork และการระบุแหล่งที่มาระดับอุปกรณ์ทำงานต่างกัน และมีโอกาสสูงที่จะได้ดาต้าที่แตกต่างกันมากระหว่างทั้งสองวิธี นี่คือเหตุผลที่ทำให้เราคาดว่าจะยังคงมีข้อมูลที่ซ้ำซ้อนอยู่ในบางช่องทาง เมื่อทำการรวมข้อมูล แม้ว่าจะพยายามกำจัดข้อมูลที่ซ้ำซ้อนตามที่ระบุไว้ข้างต้นแล้วก็ตาม ตัวอย่างเช่น การติดตั้งแอบระดับอุปกรณ์ (device level installs) ในการตลาดแบบ Multi-Touch ข้อมูลการติดตั้งแอปที่มาจาก Facebook อาจโดน Attributed มาจาก Twitter ผ่าน SKAdNetwork (User อาจเห็นแอดมาจากทั้งสองช่องทาง)
5. การสุ่มที่ระดับ Conversion Value: มี Conversion Value จำนวนหนึ่งที่กำหนดให้เป็นค่า Null สำหรับ SKAdNetwork เนื่องจากข้อมูลที่ระบุว่าการติดตั้งมีการระบุแหล่งที่มาหรือไม่มีที่มานั้น ถูกรวมไว้ในค่าต่างๆ ด้วยตัวมันเอง เมื่อค่านี้เป็นค่า Null การติดตั้งดังกล่าวจะไม่สามารถระบุได้ว่ามีการระบุหรือไม่ระบุแหล่งที่มา การกระจายค่า Null ไม่จำเป็นต้องเป็นเส้นตรงใน Conversion Value ทั้งหมด และขึ้นอยู่กับจำนวนการติดตั้งต่อ ID แคมเปญ ซึ่งหมายความว่าเราไม่สามารถประมาณค่าเปอร์เซ็นต์ของค่า Null เทียบกับการติดตั้งที่มี Conversion Value ได้ มีค่า Null สูงถึง 40% อย่างง่ายดายจากการติดตั้ง SKAdNetwork ทั้งหมด เพื่อให้มีการติดตั้งแอป (App install number) ที่มากพอที่จะเอาชนะเกณฑ์นี้ และมีชุดข้อมูลใหญ่พอที่จะนำไปใช้งานได้ จำเป็นต้องมีค่าใช้จ่ายสำหรับทำแคมเปญที่สูง เนื่องจากนักการตลาดจำนวนมากกำลังเผชิญกับความท้าทายต่างๆ เกี่ยวกับนโยบายการเปลี่ยนแปลงความเป็นส่วนตัว (Privacy policy) เราไม่แนะนำให้แบ่งงบประมาณเป็นหลายแคมเปญ เว้นแต่คุณจะคาดว่ามีการติดตั้งแอบมากพอที่จะชนะเกณฑ์นี้ได้การดำเนินการนี้อาจส่งผลกระทบอย่างมากต่อการกำจัดข้อมูลที่ซ้ำซ้อน และเป็นอีกเหตุผลสำคัญที่ต้องระวังเมื่อรวมข้อมูลระดับอุปกรณ์กับข้อมูล SKAdNetwork
6. ความแตกต่างตามประเทศ/ภูมิภาค: สำหรับนักการตลาดที่ทำงานในหลายประเทศและหลายภาษา ขนาดของประเทศมักจะมีความสำคัญอย่างยิ่ง เนื่องจากต้นทุนและประสิทธิภาพการทำงานอาจแตกต่างกันอย่างมากในแต่ละตลาด สำหรับการติดตั้ง SKAdNetwork โดยทั่วไปจะไม่มีข้อมูลประเทศ — ซึ่งเป็นอีกเหตุผลหนึ่งที่ทำให้การรวมชุดข้อมูลเข้าด้วยกัน แล้วจึงค่อยพยายามแยกย่อยตามประเทศอาจไม่มีประสิทธิภาพและไม่ถูกต้องนัก
7. ความไม่ถูกต้องของประสิทธิภาพ: นอกจากความไม่ถูกต้องที่ระบุไว้ข้างต้นเกี่ยวกับจำนวนการติดตั้งแล้ว ยังมีปัญหาการไม่ทราบประสิทธิภาพของแคมเปญ ของแอปที่ติดตั้งเพิ่มเติมเข้ามาภายหลังจากการรวมข้อมูลเข้าด้วยกัน การหาต้นทุนรวมที่ถูกต้องต่อช่องทางการตลาดอาจทำได้คร่าวๆ โดยอาศัยการคาดการณ์และมองข้ามปัญหาที่กล่าวมาข้างต้น แต่ทันทีที่คุณเข้าสู่ระดับแคมเปญ ซึ่งนักการตลาดมักใช้การตัดสินใจ ก็ถือว่าไม่สามารถใช้งานได้มากนัก การหาตัวชี้วัดประสิทธิภาพของแคมเปญการ เช่น รายได้วันที่ 7 และวันที่ 30 สำหรับรายงานที่เจาะลงไปถึงระดับแคมเปญก็จะอาจไม่ถูกต้องเช่นกัน

การรายงานแบบเปรียบเทียบเคียงคู่กันให้เห็นอย่างชัดเจนของ Adjust ช่วยเพิ่มประสิทธิภาพให้แก่นักการตลาดอย่างไร เมื่อพิจารณาถึงข้อจำกัด

ขึ้นอยู่กับแต่ละสถานการณ์ รวมถึงรูปแบบธุรกิจของแอป จำนวนการติดตั้งต่อแคมเปญ ค่าใช้จ่ายโฆษณา การกระจายช่องทางต่างๆ จำนวนแคมเปญทั้งหมด และโดยรวม ความสามารถในการระบุสัญญาณที่สำคัญภายใน 24 ชั่วโมง เป็นหน้าที่ของนักการตลาดและนักพัฒนาที่จะต้องพิจารณาว่าแหล่งข้อมูลใดน่าเชื่อถือที่สุด และตัวบ่งชี้ใดจากแหล่งข้อมูลทั้งสองที่อาจสัมพันธ์กัน หากไม่สามารถมองเห็นความสัมพันธ์ได้ในทันที อาจเป็นสาเหตุให้ต้องเจาะลึกข้อมูลต่อไป

เมื่อพิจารณาข้อจำกัดทั้งหมดที่มีอยู่ ปัจจุบัน Adjust แนะนำให้ใช้การรายงานทั้งสองแบบคู่กันผ่านฟีเจอร์ Automate ของเรา ด้วย KPI ที่เกี่ยวข้องกับ SKAdNetwork (ข้อมูล conversion, รายได้ และอีเวนต์) ที่หลากหลาย คุณสามารถสร้างรายงานที่ครอบคลุมสำหรับแคมเปญ SKAdNetwork และใช้ประโยชน์จากเทมเพลตเพื่อดูข้อมูลแบบเปรียบเทียบกันอย่างชัดๆ กับข้อมูลการระบุแหล่งที่มาของ Adjust (Attribution data)ซึ่งทำให้คุณสามารถเปรียบเทียบข้อมูลแคมเปญ iOS จากทั้งสองแหล่งในรายงานที่ง่ายต่อการจัดการ

การแยกชุดข้อมูลเป็นวิธีที่ดีที่สุดในเรื่องความถูกต้องของดาต้าอย่างไรก็ตาม หากการจัดการข้อมูลที่ซ้ำซ้อนและการรวมระดับ ATT เข้ากับข้อมูล SKAdNetwork เป็นแนวทางที่คุณเลือกใช้ เราสามารถช่วยคุณได้ เราช่วยให้ลูกค้าควบคุมการจัดการข้อมูลที่ซ้ำซ้อนซึ่งเป็นส่วนหนึ่งของความมุ่งมั่นในการสร้างความโปร่งใส 100% และ Callback แบบเรียลไทม์ของการระบุแหล่งที่มา SDK ที่ให้คุณทริกเกอร์อีเวนต์ที่สามารถระบุได้ โดยใช้ประโยชน์จากการกำหนดค่า Conversion Value บนแดชบอร์ดสำหรับข้อมูลเพิ่มเติม โปรดติดต่อเรา

ขณะนี้ เรากำลังพยายามหาวิธีสร้างการรายงานที่สมบูรณ์ยิ่งขึ้น ขณะเดียวกันก็ทำให้มั่นใจว่าข้อมูลการระบุแหล่งที่มาของแอปนั้นมีความถูกต้องแม่นยำอย่างยิ่ง ในระหว่างนี้ เราขอแนะนำให้ดำเนินการรายงานแบบเปรียบเทียบเคียงคู่กัน ต่อไปเพื่อให้แน่ใจว่าจะสามารถหลีกเลี่ยงปัญหาที่ระบุไว้ข้างต้นได้ และชุดข้อมูลแยกกันและมีความชัดเจน ดูข้อมูลเพิ่มเติมเกี่ยวกับ iOS 14.5+ ได้ที่ เข้าไปที่ resource center ได้ที่นี่