Attribution in iOS 14+: Von Silos zur Single Source of Truth
Werfen wir einen kurzen Blick zurück auf den 23. Juni 2020, als Apple die Updates für iOS 14 vorstellte, die das Ökosystem der Mobile Apps für immer veränderte.
Im gesamten Ökosystem begannen alle, die gleichen Fragen zu stellen:
- Ist SKAdNetwork ein guter Weg, um Marketingmaßnahmen zu messen oder nicht? (Hinweis: beides)
- Wie hoch werden die Opt-in-Raten für das Pop-up-Fenster der App Tracking Transparency (ATT) sein? (Hinweis: höher als erwartet)
- Wenn der Großteil der Nutzer:innen das Opt-in ohnehin nicht einwilligen, warum sollte ich dann überhaupt das ATT-Pop-up anzeigen? (Hinweis: weil diese Nutzergruppe helfen wird, viele Fragen über die Gesamtnutzer:innen zu beantworten)
All diese Fragen waren natürlich völlig legitim, aber mit der Zeit stellte sich heraus, dass die folgenden Bedenken die wichtigsten waren:
Wie kann ich all diese isolierten Datenquellen zur Single Source of Truth konsolidieren?
Die Tatsache dieser neuen Realität ist, dass es mehrere Realitäts-Versionen gibt. Mit der Einführung von iOS 14 erhielten Marketers Datenströme aus vielen verschiedenen Quellen: SKAdNetwork, Nutzer:innen mit der ATT-Zustimmung, aggregierte Daten aus probabilistischer Modellierung, auf Inkrementalität basierende Insights, spezielle APIs für Apple Search Ads und mehr…
Doch welcher Datenstrom ist hier die eigentliche Wahrheit? Wie können Marketer all diese eingehenden Daten auswerten und sich dabei sicher fühlen, dass sie die richtigen Entscheidungen treffen? Gute Frage.
Wir haben eine Lösung für dieses kritische Problem erarbeitet. Bevor wir darauf eingehen, sollten wir uns das Thema etwas genauer ansehen.
Das Problem
Im Rahmen dieser Analyse wollen wir uns auf die folgenden drei Attributionsdaten konzentrieren:
- SKAdNetwork: Attribution erfolgte auf dem iOS Gerät
- ATT-zugestimmte Nutzer:innen: Attribution basierend auf ID-Matching
- Nicht zugestimmte Nutzer:innen: Attribution basierend auf dem Aggregated Advanced Privacy Framework (für Paid Media) oder probabilistische Modellierung (für Owned Media)
SKAdNetwork hat zwei wesentliche Vorteile gegenüber den anderen: Es ist deterministisch und deckt alle Nutzer:innen ab. Es hat aber auch große Nachteile: Das LTV-Measurement ist (gelinde gesagt) begrenzt. Nicht alle Flows werden abgedeckt (z. B. Mobile Web), Postbacks sind verzögert, und es gibt potenzielle Fraud-Schwachstellen, um nur einige zu nennen.
Das ID-Matching, aggregierter erweiterter Datenschutz und probabilistische Modellierung hingegen haben ihre eigenen Vorteile, aber auch eine Reihe von Nachteilen.
Vorgeschlagene Lösung: Entscheiden Sie sich je nach Bedarf für das gewünschte Modell.
Warum es nicht funktionieren wird: Theoretisch: Problem gelöst. In Wirklichkeit ist das nicht möglich. Da die SKAdNetwork-Daten anonymisiert sind, kann kein Unternehmen wissen, ob dieselben Conversions von anderen Modellen attribuiert wurden oder nicht. Und das Gleiche gilt auch umgekehrt.
Potenziell könnte jede Installation folgendes sein:
- Attribution nur durch SKAdNetwork
- Attribution nur durch andere Attributionsarten
- Von beiden attribuiert
- Von niemandem attribuiert
Genau das ist der Zweck von SKAdNetwork: Anonymisierung. Das Design verhindert ein Reverse-Engineering für den Abgleich auf Nutzerebene durch Features wie zufällige Verzögerungen beim Auslösen des Postbacks.
In Wirklichkeit sahen sich die Werbetreibenden jedoch mit zwei parallelen Realitäten konfrontiert.
Die meisten Lösungen für die neue iOS 14-Ära sehen derzeit so aus:
Mehrere APIs und Dashboards machen es für Werbetreibende fast unmöglich, verwertbare Insights zu ermitteln. Die einzige Lösung ist ein konsolidiertes Dashboard oder eine API, in der die Daten kombiniert, dedupliziert und vereinheitlicht werden, wobei die Privatsphäre der Nutzer:innen gewahrt bleibt und die Apple-Richtlinien eingehalten werden. Dies war jedoch – wie oben erläutert – nicht möglich.
Erhalten Sie die neuesten Marketing-News und Experten-Insights direkt in Ihre Inbox
Problem gelöst
SKAdNetwork hat seine Grenzen, und viele davon können überwunden werden, indem die Conversion-Value-Protokolle mit Innovationen ergänzt werden. Dieser Fall ist nicht anders.
Wir nutzen den Conversion Value, um eine einheitliche Realität zu schaffen – eine Single Source of Truth für die verschiedenen Attributionsquellen.
Conversion Values sind die einzige Möglichkeit für iOS Werbetreibende, den LTV der Nutzer:innen in SKAN-Kampagnen zu messen. Mit der richtigen Zuordnung dieser 64 möglichen Values können Werbetreibende den Post-Installations-Umsatz, die Aktivität und die Retention messen.
Unsere neueste Version des AppsFlyer Conversion Studios bietet unseren Kundinnen und Kunden eine hyperflexible Konfigurationsoberfläche, in der jeder Value maximiert und im Mapping vollständig berücksichtigt werden kann.
Zwar schränken Conversion Values die Möglichkeiten des Werbetreibenden ein, den LTV zu messen (sowohl zeitlich als auch in Bezug auf die Reichweite), doch bieten sie eine Lösung für die Deduplizierung.
Ich werde es Ihnen erläutern:
- Wenn ein:e Nutzer:in eine neu heruntergeladene App zum ersten Mal startet, versucht AppsFlyer, die Installation zu attribuieren.
- Unter der Voraussetzung, dass AppsFlyer die Installation attribuieren kann, wird ein einzelnes Bit aus dem SKAN Conversion Value genutzt, um ein „Attribution gefunden“-Flagge im Conversion Value über den updateConversionValue-Call anzuzeigen.
- Wenn AppsFlyer zu einem späteren Zeitpunkt ein SKAN-Postback erhält, aggregiert AppsFlyer die Single-Source-of-Truth-Daten gemäß folgender Berechnung:
AppsFlyer-attribuierte Nutzer:innen + SKAN-Postbacks, für die die Flagge „Attribution gefunden“ falsch ist.
Maßgebliche Schritte auf dem Weg zu einer Single Source of Truth
Damit dies funktioniert, gibt es einen wichtigen Schritt im Prozess: Werbetreibende müssen einen Teil ihres Conversion Value für die Deduplizierung nutzen. Diese Auswahl muss vom Werbetreibenden steuerbar sein und nach Belieben ein- oder ausgeschaltet werden können.
Im neu veröffentlichten Conversion Studio, in dem Werbetreibende auf einfache Weise multimetrische Conversion Value Mappings konfigurieren können, fügen wir genau diese Option hinzu.
Wenn diese Option aktiviert ist, werden die gemeldeten Daten in aggregierten Reports konsolidiert, dedupliziert und vereinheitlicht.
Aber Moment mal, wird dadurch nicht die Privatsphäre der Endnutzer:innen beeinträchtigt?
Auf keinen Fall. Die Daten bleiben vollständig anonymisiert. Schwellenwerte, Zeitvorgaben und Verzögerungen sorgen dafür, dass niemand auf die Nutzerebene zurückgreifen kann. Alle SKAdNetwork-Schutzmaßnahmen sind nach wie vor vorhanden, um zu gewährleisten, dass die Privatsphäre der Endnutzer nicht im geringsten beeinträchtigt wird.
Unterm Strich bleiben die Daten vollständig aggregiert und es gibt keine Möglichkeit, die Anonymität der Daten aufzuheben. Es trägt lediglich dazu bei, die aggregierten Realitäten zu deduplizieren und zu einer rein aggregativen Single Source of Truth zu gelangen.
Zusammenfassung:
Die Profis
Siloed Datenpunkte → Single Source of Truth
Die Formel ist einfach:
Parallele Realitäten → schwer Entscheidungen zu treffen
Die Single Source of Truth → verwertbare Marketing-Insights
Maximieren Sie die Vorteile der einzelnen Modelle
Sobald Werbetreibende die Daten aus beiden Aggregationsmodellen deduplizieren können, können sie beispielsweise von den Vorteilen beider Modelle profitieren:
- Vollständiger LTV basierend auf traditionellen Attributionsmodellen
- Vollständige Abdeckung und deterministische Datenpunkte aus dem SKAdNetwork
Die Maximierung dieser Vorteile hilft Marketers, bessere Entscheidungen zu treffen, selbst in einer iOS 14+ Realität.
Keine Beeinträchtigung der Privatsphäre der Endnutzer:innen
Der SKAdNetwork-Datenschutz besteht weiter und wird nicht berührt.
Die Optimierung der SKAdNetwork-Kampagnen bleibt gleich
Die Tatsache, dass die SKAdNetwork Postbacks für alle Nutzer:innen gesendet werden, unabhängig davon, ob sie auch in parallelen Modellen attribuiert wurden oder nicht, stellt sicher, dass die Netzwerke weiterhin auf Basis der SKAN Conversion Values optimieren können.
Fazit: Die SKAN-Realität bleibt vollständig abgedeckt und akkurat, so dass alle, die diese Daten nutzen, nicht betroffen sind.
Die Nachteile
6 Bits der Conversion Values → 5 Bits der Conversion Values
Wie bereits erwähnt, wird ein Bit zugewiesen, um festzustellen, ob die aktuelle Installation ebenfalls in einem parallelen Attribution-Modell attribuiert wurde oder nicht. Um dies zu ermöglichen, wird die kostbare Ressource der Conversion Values etwas begrenzter.
Einige unserer größten Kunden haben als Designpartner an der Planung dieser Lösung mitgewirkt und waren mehr als bereit, ein einziges Bit für das Versprechen einer Single Source of Truth bereitzustellen. Dies ist jedoch immer noch eine Entscheidung, die der Werbetreibende treffen muss.
Finale Worte
Während sich die Branche weiterhin an die neue Ära gewöhnt, ist es von entscheidender Bedeutung, dass die Genauigkeit der Daten und die Privatsphäre der Nutzer:innen weiterhin nebeneinander bestehen. Wir bei AppsFlyer haben es uns zur Aufgabe gemacht, Werbetreibende bei der Bewältigung dieser Veränderungen zu unterstützen.
Eine 100-prozentige Gewissheit über die tatsächlichen Ergebnisse Ihrer Marketingmaßnahmen ist von entscheidender Bedeutung. Eine Single Source of Truth für die Marketing Performance stellt sicher, dass Marketers ihre Werbeausgaben optimieren, ihr Business ausbauen und den Endnutzern ein hervorragendes Erlebnis bieten.
