Coupez court au bruit : Informez-vous au sujet des perturbations intentionnelles sur Sandbox et simulez leur impact sur vos rapports.

Si vous diffusez des publicités, vous avez sans doute entendu parler du Privacy Sandbox. Annoncé pour la première fois par Google en 2022, le Privacy Sandbox a marqué un tournant majeur dans l’industrie depuis son introduction. Privacy Sandbox comprend une série d’APIs pour le ciblage, le retargeting et l’attribution. Aujourd’hui, nous allons spécifiquement nous concentrer sur l’API d’attribution et explorer ce que les annonceurs peuvent attendre des rapports que cette API génère.

Revenons un instant en arrière, en avril 2021, lorsque Apple a lancé iOS 14.5, nous obligeant tous à nous adapter rapidement à SKAdNetwork (SKAN). Jusque-là, nous avions le luxe de pouvoir mesurer à peu près tout, aussi longtemps que nous le voulions. Puis SKAN est arrivé et, bien sûr, vous connaissez la suite. 

L’un des changements majeurs introduits par Apple avec SKAN est le concept de seuils de confidentialité (ou Crowd Anonymity). En somme, l’introduction des seuils de confidentialité implique que si vos données n’atteignent pas un certain seuil, vous vous retrouvez avec des valeurs nulles dans vos rapports. Ce changement majeur force les annonceurs à repenser leur approche de la mesure des données.

Bien que Sandbox vous offre 30 jours complets de mesure (par rapport aux 3 postbacks de SKAN répartis sur des fenêtres fixes de 2, 7 et 35 jours), ce système présente également des limites quant à la quantité de données réellement accessibles. C’est la raison pour laquelle nous souhaitons aborder le sujet des interférences sur Sandbox.

Perturbations intentionnelles : qu’est-ce que c’est ?

Dans le contexte de Privacy Sandbox, les perturbations intentionnelles font référence à l’introduction délibérée de données aléatoires dans les rapports afin de contribuer à la protection de la vie privée des utilisateurs. En ajoutant ce “bruit”, le système veille à ce que les actions individuelles des utilisateurs ne puissent pas être facilement retracées. L’intégration de ces données aléatoires rend donc plus difficile l’identification de comportements spécifiques. 

Pour les annonceurs, cependant, cela signifie que les données que vous obtenez sont un peu plus floues, ce qui peut rendre plus difficile de tirer des conclusions précises de vos rapports. La contrepartie est une meilleure protection de la vie privée des utilisateurs, mais cela signifie également que vous devrez adapter vos stratégies pour travailler avec des données légèrement plus fluctuantes.

Ce qu’il faut avoir en tête c’est que plus le rapport d’attribution est détaillé, plus il inclut d’interférences (ou bruit). Ce bruit peut être soit – additif : des données aléatoires sont ajoutées pour gonfler les chiffres, – soit soustractif : des données réelles sont réduites pour dégonfler les chiffres. 

Avec une grande quantité de données, l’impact du bruit devient négligeable, ce qui garantit des résultats relativement précis. Mais lorsque la quantité de données diminue ou devient plus granulaire, le niveau de bruit augmente, ce qui rend plus difficile de tirer des conclusions précises. Le bruit peut même apparaître dans des mesures sans aucune conversion, créant l’illusion d’une activité alors qu’il n’y en a aucune, ce qui ajoute un autre niveau de complexité.

Comment puis-je gérer le bruit dans mes rapports ?

On l’a vu ensemble dès le début de cet article ; plus les données sont détaillées, plus le bruit est important. Mais les spécialistes du marketing ont-ils réellement leur mot à dire sur la quantité de bruit ajoutée à leurs rapports ?

Bien qu’il soit impossible d’éliminer complètement le bruit, vous avez un certain contrôle sur la quantité de données que vous recevez pour chaque événement que vous mesurez. C’est là qu’intervient la nation de budget de contribution. Ce budget vous permet de gérer la quantité de données allouées à chaque événement.

Dans le cadre de Privacy Sandbox, la notion de budget de contribution fait référence à une limite imposée sur la quantité de données qu’un événement source, comme un clic publicitaire, peut transmettre pour préserver la confidentialité des utilisateurs. Cette limite est conçue pour minimiser le risque de réidentification des utilisateurs tout en permettant aux annonceurs de suivre les performances publicitaires de manière sécurisée et anonymisée. Ce budget est fixé à 65 536 valeurs. Un nombre étrangement spécifique, mais quelqu’un a fait le calcul ! Le budget de contribution sert à limiter la quantité de données pouvant être collectées à partir de chaque événement source.

Le budget de contribution dans Sandbox est comparable à un buffet ouvert pendant 30 jours : vous pouvez goûter à n’importe quel plat, quand vous le souhaitez. Mais il y a une condition : vous avez un budget calorique. Chaque événement, comme un achat ou une inscription, est un plat au buffet. Vous pouvez collecter des données à partir de ces événements, mais seulement jusqu’à une certaine limite. Une fois cette limite atteinte, la collecte de données pour cet événement n’est plus possible, tout comme lorsque vous avez atteint votre limite de calories au buffet, pour reprendre notre allégorie. Cette approche vous permet de recueillir des informations utiles sans abuser, tout en veillant à ce que la confidentialité des utilisateurs reste intacte.

La manière dont vous allouez votre budget de contribution joue un rôle important dans l’impact du bruit sur vos rapports. Si vous vous concentrez sur des mesures clés et que vous disposez d’un grand nombre de données, le bruit a moins d’impact. En effet, ce bruit est réparti sur l’ensemble des données. Cela fonctionne bien pour les applications à grande échelle, où le volume de données aide à maintenir la précision, même lorsque vous mesurez beaucoup de choses.

Mais si vous essayez de mesurer trop de détails avec un ensemble de données plus restreint, en particulier dans les applications à petite échelle, le bruit devient une problématique plus importante à prendre en compte. Avec moins de données, le bruit a plus de chances de fausser votre vision des choses. Ainsi, que vous gériez une application à grande échelle ou une plus petite, il est important de gérer votre budget de manière judicieuse afin de contrôler le bruit et d’obtenir des données aussi précises que possible.

Prenons un exemple simple. Supposons que vous mesuriez le ROI à court terme, par exemple le chiffre d’affaires réalisé dans les 24 premières heures ou au 7e jour après l’installation de l’app. Vous pouvez décider d’arrêter la mesure à 100 $ au lieu de 1 000 $. En ciblant davantage vos mesures, vous examinez moins d’achats, ce qui réduit l’impact du bruit et vous permet d’obtenir des informations plus claires. Mais si vous repoussez cette limite à 1 000 dollars, vous mesurerez un éventail plus large de montants d’achat. Cela augmente le bruit, qui se propage à travers toutes ces quantités différentes et peut rendre plus difficile de voir ce qui se passe réellement avec vos données.

Pensez maintenant aux applications avec abonnement. Avant SKAN, offrir un essai gratuit de 14 à 30 jours était la norme pour convertir les utilisateurs en abonnés payants. Cependant, la courte fenêtre de mesure de SKAN a rendu difficile la mesure de ces conversions, obligeant les développeurs à s’appuyer sur des indicateurs précoces dans les 24 à 48 premières heures après l’installation de l’app. Avec Privacy Sandbox, les développeurs peuvent se concentrer sur les signaux post-événement. Cela leur permet de prolonger les périodes d’essai et de mesurer les conversions avec plus de précision, en mettant l’accent sur les éléments clés pour un succès durable.

Un autre facteur essentiel est la manière dont vous segmentez vos campagnes. Plus vous décomposez vos données en fonction de facteurs tels que la campagne, l’ensemble de publicités ou la publicité elle-même, plus votre budget de contribution sera sollicité. Chaque segment consomme une partie de votre budget. Ainsi, plus votre segmentation est précise, plus vous risquez de rencontrer des perturbations dans vos données. 

Scaler pour réduire le bruit

Un autre moyen de réduire l’impact du bruit consiste à scaler le volume de données. La mise à l’échelle est une technique utilisée pour s’assurer que le bruit n’altère pas les données clés. En ajustant les valeurs dans vos données, les MMPs comme AppsFlyer peuvent amplifier les signaux clés, les rendant moins sensibles au bruit ajouté pour protéger la vie privée des utilisateurs.

Par exemple, si vos données brutes montrent un petit nombre d’actions d’utilisateurs, comme quelques inscriptions, la mise à l’échelle augmente ces valeurs, ce qui les rend plus résistantes au bruit. Une fois le bruit ajouté, les données sont remises à l’échelle pour refléter plus précisément les chiffres réels. Ce processus garantit que même après l’introduction de bruit, vos données restent claires et exploitables.

Grâce à la mise à l’échelle, nous vous permettons de maintenir l’exactitude de vos rapports, en veillant à ce que les informations importantes soient préservées tout en respectant les exigences en matière de protection de la vie privée. Cela complète la gestion stratégique de votre budget de contribution, en vous aidant à tirer le meilleur parti des données que vous collectez.

Points clés à retenir

Lorsque vous travaillez dans le cadre du Privacy Sandbox, vous devez garder à l’esprit un certain nombre d’éléments pour que vos données soient claires et exploitables :

• Nombre de campagnes simultanées : En menant trop de campagnes à la fois, vous risquez de disperser votre budget de contribution, ce qui se traduira par plus de bruit et des données moins fiables. Il s’agit de trouver le bon équilibre pour obtenir des informations utiles sans se surmener.
• Répartition de la campagne : Plus votre segmentation est détaillée, plus vous serez confronté aux perturbations intentionnelles. Concentrez-vous sur les ventilations qui vous permettent de générer le meilleur profit.
• Nombre d’événements : Essayer de mesurer trop d’événements peut épuiser rapidement votre budget. Concentrez-vous sur les mesures clés qui correspondent à vos objectifs, qu’il s’agisse de signaux précoces ou de résultats à long terme, afin de contrôler la qualité de vos données.
• Fréquence des rapports :  La production fréquente de rapports peut amplifier le bruit, car chaque rapport génère une nouvelle couche de perturbations pour préserver la confidentialité des utilisateurs. Si vous produisez des rapports fréquemment, l’introduction répétée de bruit peut rendre plus difficile l’obtention d’informations claires, en particulier si votre ensemble de données est petit. Il est important de trouver le bon équilibre, c’est-à-dire d’obtenir les données dont vous avez besoin sans que trop de bruit ne nuise à la précision de vos rapports.

En gardant ces facteurs à l’esprit, vous pouvez affiner votre stratégie pour réduire le bruit et tirer le meilleur parti de vos données.

Si vous souhaitez voir directement l’impact du bruit sur vos rapports, nous avons l’outil qu’il vous faut. Consultez notre simulateur de bruit, qui vous permet d’explorer différents scénari et de voir à quoi ressemblent vos données avec différents niveaux de bruit.