Entender los datos de SKAdNetwork para mantener el nivel de performance de las campañas de adquisición de usuarios.

Desde mayo de 2021 (iOS 14.5), Apple ha implementado el ATT, que limita la cantidad de datos recopilados para las campañas publicitarias. El objetivo de Apple es promover la protección de los datos de usuarios. El problema para el sector mobile es que los datos de las campañas de adquisición ya no son tan precisos y no permiten el mismo análisis de performance de las herramientas de tracking.

Como recordatorio, si el usuario ha dado permiso en la pop-up de consentimiento, podemos recuperar el IDFA y basarlo en una atribución determinista. El SKAdNetwork es la solución de atribución propuesta por Apple. Actúa como back-up cuando no recibimos los datos en caso de que los usuarios no hayan dado el consentimiento.

Hasta un 80% menos de IDFA en iOS

Según Appsflyer, el 40-50% de las personas dan su consentimiento a través de la pop-up. Lo que no quiere decir que el IDFA se haya activado, ya que el usuario también debe haber dado su consentimiento en las plataformas de difusión (como Facebook, TikTok, Snapchat, etc..). Al final del recorrido de los datos, nos encontramos con que potencialmente entre un 20 y un 30% del IDFA ha ascendido, lo que resulta crítico para una buena lectura de los resultados.

Dado que en la actualidad los datos de las campañas de pago de iOS están limitados, es realmente necesario saber analizarlos para tomar las decisiones correctas en cuanto a la rentabilidad de las campañas de adquisición de usuarios. Hoy en día, sin embargo, observamos una verdadera dificultad para comprender y procesar estos datos entre los editores de aplicaciones. Aunque la lógica del opt-in y SKAdNetwork esté integrada, la lectura de los resultados no lo está. Es fácil considerar que el rendimiento es malo sin entender por qué y pausar las campañas en cuestión, cortando así una audiencia potencialmente rentable.

Instalaciones de pago atribuidas a las campañas orgánicas

En este ejemplo, podemos ver que se han recuperado menos datos deterministas desde la implementación del ATT. Algunos de ellos no han sido enviados por Apple al SKAdNetwork porque los usuarios han optado por rechazar la opción de que se les traquée. Por lo que van directamente al orgánico. Aquí podemos ver que hay un 15% atribuido a las campañas orgánicas, mientras que la estructura real de las campañas es más parecida a lo que aparece en la izquierda, por lo que necesitamos entender de dónde viene ese 15%.

Gracias a nuestra metodología y nuestros modelos predictivos, podemos volver a reasignar esas instalaciones de manera correcta para una lectura de los datos más precisa y explotable.

Así que aquí aplicamos un modelo predictivo gracias a los datos disponibles a través del SKAdNetwork, la parte orgánica, Android y otros datos del IDFA para intentar cerrar la brecha entre los gráficos 1 y 2. “Estos datos pueden no ser orgánicos, pueden proceder de Snapchat o Facebook, etc.”. Nuestros equipos van aún más lejos en el funnel. La mayoría de las veces sólo la instalación se recupera para las campañas de pago a través del SKAN. Esta solución permite predecir los demás eventos post-installs y tener un mejor análisis del rendimiento.

¿Qué metodología debo utilizar?

En Addict Mobile ayudamos a nuestros clientes a implementar una estrategia de marketing mobile de éxito. Desde el lanzamiento de iOS 14.5 acompañamos a todos nuestros clientes en este cambio para seguir generando rendimiento a través de nuestras campañas. Para ello hemos puesto en marcha:

• Un equipo dedicado específicamente a este tema para garantizar que todos los empleados de Addict Mobile entiendan los retos relacionados con estos nuevos métodos de tracking y que adopten el enfoque adecuado.

• Seguimiento periódico de todas las novedades del mercado, las nuevas funciones de Apple y los módulos MMP. Nuestra posición como socio privilegiado de herramientas de seguimiento y fuentes de adquisición nos permite estar informados con antelación de estos acontecimientos.

• La aplicación de una metodología específica. Analizamos todos los datos disponibles. A partir de estos datos hacemos proyecciones. Analizando cómo se comportan estos datos deterministas, construimos modelos de predicción. Se trata de un trabajo pesado e importante y que es específico para cada aplicación.

• La puesta a disposición de un Dashboard adaptado a estas cuestiones para realizar un seguimiento de los datos que integren estas predicciones, facilitando la lectura y comprensión del rendimiento de iOS dentro del mismo Dashboard. Así tenemos una visión global que nos permite tomar mejores decisiones.

• La creación de informes específicos adaptados a las necesidades de nuestros clientes para una mejor comprensión. Sin este trabajo, nuestros clientes tendrían que acudir a distintos cuadros de mando (MMP, SKAdNetwork, etc.) para recopilar los datos, lo que rara vez se hace porque es demasiado engorroso de configurar.

Teniendo en cuenta que Android también anunciará limitaciones en un futuro próximo, conocer a fondo las particularidades de estos nuevos modelos de tracking se ha convertido en la cuestión principal para todas las aplicaciones móviles en 2023. Tenemos que estar preparados para ello si se quiere obtener el mayor rendimiento de las campañas de adquisición de usuarios.