Exploiter en parallèle les données des appareils et de SKAdNetwork dans Automate : la solution Adjust

Les marketeurs dépendent en grande partie de la mesure pour déterminer la réussite d'une campagne. iOS 14.5+ et SKAdNetwork posent, de toute évidence, certains problèmes et demandent de revoir en profondeur la stratégie et les processus. Les marketeurs et les développeurs ont repensé leur approche de mesure pour l'adapter à un mix réunissant données consenties AppTrackingTransparency (ATT) et données SKAdNetwork agrégées pour les campagnes sur iOS, qui établit les nouvelles normes d'attribution sur la plateforme.

Ces deux jeux de données présentent des inconvénients et des avantages uniques. Les données des appareils permettent un reporting granulaire et la création de cohortes d'utilisateurs mappées aux indications de revenus, mais en raison de la nécessité du consentement, le tableau final reste le plus souvent incomplet et imprécis. Les données SKAdNetwork de haut niveau sont relativement précises lorsque l'on s'intéresse aux totaux par partenaire, mais ne permettent pas un reporting granulaire performant. Ces différences mettent à mal les marketeurs lorsqu'ils doivent choisir les points de données sur lesquels baser leurs décisions quotidiennes et expliquent la forte demande constatée en faveur d'un reporting unifié et simplifié.

Mais de nombreux problèmes complexifient et font perdre en fiabilité la fusion des données MMP sur les appareils avec les données SKAdNetwork agrégées ; c'est pourquoi Adjust recommande de travailler avec des données en parallèle via Automate.

Problèmes survenant lors de la fusion des données MMP et des données SKAdNetwork

1. Déduplication : Avant de songer à combiner les données d'installation SKAdNetwork avec les données d'installation ATT, une déduplication est nécessaire pour retirer les installations de l'une des sources qui sont attribuées dans les deux jeux de données. Comme le jeu de données SKAdNetwork est agrégé et ne se situe pas au niveau des appareils, la déduplication peut s'effectuer en introduisant une dimension qui sépare les installations attribuées au niveau des appareils des installations non attribuées. Il s'agit d'un concept ancien de déduplication qui consomme au moins 1 bit de vos valeurs de conversion sans résoudre tous les autres problèmes présentés par la fusion des données ATT et SKAdNetwork.
2. Dates d'installation randomisées : Les dates d'installation communiquées par SKAdNetwork sont toujours randomisées et donc pas clairement identifiables. Cela signifie que les installations SKAdNetwork peuvent être valides entre 0 et 48 heures avant leur réception, ce qui rend difficile leur retrait d'un jeu de données.
3. Installations Google : Les dates d'installation SKAdNetwork issues de Google sont encore plus difficiles à manipuler. À l'aide d'un niveau de modélisation, Google essaie de déterminer la date de l'interaction publicitaire connexe (clics ou impressions) et la relie à une installation. Comme Google est l'un des principaux SAN et qu'il est présent dans la plupart des channel mixes, la capacité à fusionner les données s'en retrouve fortement impactée.
4. Méthodes d'attribution : L'attribution SKAdNetwork et l'attribution au niveau des appareils fonctionnent différemment, et il est très probable que la distribution entre les canaux soit également très différente entre les deux. C'est pourquoi il est très possible d'obtenir des valeurs dupliquées pour certains canaux lors de l'agrégation, même en suivant les instructions de déduplication décrites ci-dessus. Par exemple, certaines installations au niveau des appareils dans des scénarios marketing multi-touch attribuées à Facebook peuvent être attribuées à Twitter via SKAdNetwork.
5. Randomisation au niveau des valeurs de conversion: Il existe une quantité spécifique de valeurs de conversion définies pour être nulles pour SKAdNetwork. Comme les informations déterminant l'état d'attribution de l'installation sont empaquetées dans les valeurs, lorsque cette valeur est rendue nulle, l'installation ne peut pas être identifiée comme attribuée ou non attribuée. La distribution des valeurs nulles n'est pas forcément linéaire sur l'ensemble des valeurs de conversion et dépend de la quantité d'installations par ID de campagne. Cela signifie que nous ne pouvons pas simplement extrapoler à partir du pourcentage de valeurs nulles vs des installations avec une valeur de conversion. Il peut facilement exister 40 % de valeurs nulles dans l'ensemble des installations SKAdNetwork. Pour atteindre un niveau suffisamment important d'installations afin de dépasser ce seuil et disposer d'un jeu de données assez grand pour être exploitable, des dépenses de campagne relativement élevées sont nécessaires. Comme de nombreux marketeurs sont déjà confrontés aux challenges soulevés par les nouvelles normes de confidentialité, nous ne conseillons pas de répartir le budget dans plusieurs campagnes, sauf si vous vous attendez à atteindre ce seuil élevé d'installations. Cela peut impacter fortement la déduplication et constitue un autre appel à la prudence lors de la fusion des données sur les appareils et les données SKAdNetwork.
6. Différences par pays/région : Pour les marketeurs travaillant dans plusieurs pays et avec plusieurs langues, la dimension du pays est généralement très importante, car les coûts et les performances peuvent varient grandement d'un marché à l'autre. Pour les installations SKAdNetwork, aucune information sur les pays n'est généralement disponible ; c'est pourquoi la fusion des jeux de données, pour ensuite essayer de les diviser par pays, peut s'avérer très inefficace et imprécise.
7. Imprécisions des performances : En plus des imprécisions identifiées ci-dessus concernant les nombres d'installations, le fait de ne pas connaître les performances des installations supplémentaires ajoutées lors de la fusion des données constitue un autre problème. L'obtention d'un coût total valide par canal est possible si vous extrapolez et ignorez les problèmes décrits ci-dessus, mais dès que vous parvenez au niveau des campagnes, où les marketeurs prennent habituellement leurs décisions, ce calcul devient à peu près inutilisable. L'obtention de métriques de performances connexes, comme les revenus au jour 7 et au jour 30, pour un rapport jusqu'au niveau des campagnes serait également imprécise.

Comment le reporting en parallèle d'Adjust aide les marketeurs face à ces contraintes

En tenant compte des circonstances individuelles, dont le business model d'une app, le nombre d'installations par campagne, les dépenses publicitaires, la distribution sur les canaux, le nombre total de campagnes et la capacité globale à identifier les signaux d'importance en 24 heures, les marketeurs et développeurs doivent déterminer les sources de données les plus fiables et les indicateurs de deux sources données pouvant être mis en corrélation. Si une corrélation n'est pas visible immédiatement, c'est une bonne raison pour explorer plus en détail les données.

À la vue de l'ensemble des limitations existantes, Adjust conseille actuellement d'utiliser le reporting en parallèle à l'aide de la fonctionnalité Automate. Avec les nombreux KPI associés à SKAdNetwork (conversion, revenus et événements), vous pouvez créer des rapports complets pour les campagnes SKAdNetwork et tirer parti des modèles proposés pour afficher les informations en regard de vos données d'attribution Adjust. Vous pouvez ainsi comparer les données de campagnes iOS issues de deux sources au sein d'un rapport tabulaire simple à gérer.

Pour garantir la précision, la meilleure méthode consiste à conserver ces jeux de données séparés. Toutefois, si vous et votre équipe choisissez de dédupliquer et de fusionner les données SKAdNetwork et ATT, nous pouvons encore vous aider. Du fait de notre engagement total envers la transparence, nous permettons aux clients de contrôler leurs efforts de déduplication et, grâce à nos callbacks en temps réel d'attribution SDK, vous pouvez déclencher un événement identifiable et exploitable dans votre configuration de valeurs de conversion. Pour plus d'informations, contactez votre représentant Adjust.

Nous cherchons actuellement à proposer un reporting donnant une vue d'ensemble plus complète, tout en veillant à une extrême précision des données d'attribution. D'ici là, nous conseillons d'utiliser le reporting en parallèle pour éviter les problèmes décrits ci-dessus et garantir que le reporting et les jeux de données restent « propres ». Pour plus d'informations sur iOS 14.5+, vous pouvez consulter notre centre de ressources ici.