
В предыдущих статьях мы рассказывали об объединении данных по взаимодействиям пользователя с медийными и performance кампаниями в один путь. Более того, затронули вопрос online-to-offline маркетинга и ТВ-атрибуции. Но что, если конечное ценное действие пользователь совершает не на сайте, а в мобильном приложении? Тогда для правильного распределения вклада в итоговую конверсию потребуется обогатить уже имеющийся блок знаний app-данными.
Нововведения разработчиков мобильных ОС в части правил конфиденциальности значительно усложнили работу маркетологам и аналитикам.
Отправной точкой стало нововведение Apple от 2018 года, которое коснулось устройств с версиями от на iOS 14.5, - запуск технологии SKAdNetwork для защиты конфиденциальности данных. Инструмент позволил проводить атрибуцию мобильных приложений на основе обезличенной информации, без передачи сведений о пользователях. Отсюда - значительное сокращение в возможностях мобильной аналитики. Без полного объема данных невозможно отслеживать пользовательскую активность и проводить эффективную отчетность. Несмотря на то, что для отслеживания конверсий Apple предложили аналитикам новую метрику Conversion Value, она не дает полных данных, которые необходимы для оценки итогов кампаний.
В 2021 года они внедрили фреймворк App Tracking Transparency (ATT). С тех пор пользователи Apple самостоятельно принимают решение, давать приложению доступ к отслеживанию их действий в сети или нет. Здесь речь идет о мобильном идентификаторе IDFA. По данным AppsFlyer, средний мировой показатель метрики согласия ATT, другими словами, процент пользователей, выбравших «разрешить» при отображении подсказки, составляет около 37%. Тенденции по ограничению доступа к пользовательским данным стали поводом для поиска альтернативных возможностей по работе с мобильной аналитикой.
Нужно сразу принять некоторые ограничения. На текущий момент на рынке не найти решения по связке мобильных устройств с десктопными компьютерами. К примеру, если рекламодатель запускал охватные размещения на programmatic площадках вроде Яндекс Главной и получил конверсию в приложении, то оценить их полный вклад в итоговый результат не получится. Почему? Разберем процесс аналитики медийных размещений, допустим, в Яндекс Дзене. При посещении сайта пользователю присваивается cookie. Чтобы отследить касание пользователя с медийными размещениями, верификатор, допустим, Adriver устанавливает свой пиксель на сайт рекламодателя, за счет чего получает знание о показах. Предположим, после просмотра рекламного объявления, нацеленного на переадресацию пользователя в магазин приложений, пользователь установил его только спустя несколько дней после показа рекламы. В таком случае будет невозможно объединить web и app данные о пользователе и понять, какое касание стало последним в цепочке перед конверсией, поскольку programmatic площадка работает с cookies, а приложения - с идентификаторами устройств IDFA и GAID. Поскольку это разные среды, базово они не объединяются.
Трудности также возникнут с медийной рекламой, размещенной в других приложениях. Хотя некоторые верификаторы (например, у Adriver) смотрят в эту сторону, предлагая установку своих SDK-трекеров в приложения рекламодателей для получения всех данных о показах. Трудность сотрудничества верификаторов с programmatic площадками в вопросе получения разрешения на размещение SDK-трекеров заключается в нежелании последних делиться информацией об IDFA или GAID пользователей. Хотя в таком случае можно было бы допустить связку web и app.
Решения этой проблемы зависят от специфики самого приложения, а также десктопной и мобильной версий сайта.
Допустим, пользователь Android перешел по рекламе на сайт. Мы получили информацию об источнике трафика с помощью веб-счетчиков, а также о точках его соприкосновения с медийной рекламой благодаря трекерам. После перехода пользователь увидел объявление на сайте с предложением перейти в приложение. Тогда c помощью deeplink ссылки значение cookie из браузера передается в мобильный трекер (например, AppMetrica), что позволяет объединить web- и app-взаимодействия в единый путь.
Недавние исследования показывают, что 90% их мобильного времени тратится на приложения и только 10% - на просмотр остальной части Интернета. В сфере электронной коммерции контраст еще более разительный: пользователи мобильных приложений тратят на покупки в среднем 201,8 минуты в месяц по сравнению с 10,9 минутами в месяц для пользователей веб-сайтов.

Отсюда - повышенная ценность аналитики взаимодействий в app в связке с web-активностью пользователей. Чтобы правильно атрибутировать вклад каждого касания пользователя с кампанией в итоговый результат, необходимо объединять действия со всех каналов.
статья 10 min read
Как и зачем внедрять data-driven атрибуцию в бизнес: 5 основных шагов
Атрибуция на основе данных — мощное решение для контроля эффективности и оптимизации рекламы. Но как его интегрировать и можно ли это сделать самостоятельно? В этой статье мы вместе преодолеем пять основных препятствий на пути к внедрению атрибуции — и превратим их в пять конкретных шагов для реализации.
оптимизация 12 min read
Больше лидов — меньше CPA: первый и единственный гайд по оптимизации медийной рекламы от CyberBrain
Медийная реклама должна работать на продажи — и точка. В статье вас ждёт описание фреймворка, который служит именно этой цели.
проблемы и решения 3 min read
Анализ расхождений трекера и кабинетов
Системный подход к оптимизации медийной рекламы невозможен без чистых данных. Но что если данные трекера и рекламного кабинета не совпадают? Рассказываем, откуда берутся расхождения и что с этим делать.
памятка 16 min read
Ошибки при внедрении AI в маркетинге
Искусственный интеллект стал одной из самых обсуждаемых тем в маркетинге. Компании активно внедряют AI-решения для автоматизации аналитики, медиабаинга и персонализации, но только единицы получают реальную прибыль. Почему одни проекты приносят ROI, а другие заканчиваются пилотом? Какие ошибки чаще всего совершают бренды и агентства?
памятка 18 min read
Как защитить корпоративные данные при работе с AI
Как компании теряют данные, работая с искусственным интеллектом? В материале — реальные кейсы Microsoft, Samsung, Toyota и OpenAI, анализ причин утечек и подробное руководство: как выстроить политику безопасности, какие технологии действительно работают и какие ошибки совершают даже крупные корпорации.
памятка 10 min read
AI-офис: строить команду внутри или покупать готовое решение
Компании всё чаще задумываются, как работать с искусственным интеллектом — собирать собственную команду или подключать внешних специалистов. В статье разбираем плюсы и минусы обоих подходов, показываем, почему чистые модели почти не работают, и объясняем, как правильно выстроить гибрид: что держать внутри, а что можно спокойно отдавать наружу.