关于 SKAdNetwork，那些尚未被充分谈及的重要问题

苹果隐私政策带来的变化已逐渐彰显，为了让大家更全面地了解这将如何影响行业上下，我们推出了 IDFA 3 部曲。

我们也因此难得地获得了和 Aarki 产品团队 VP - Nicol Cseko 促膝长谈的机会，进一步探讨关于 SKAdNetwork (以下简称 SKAN ) 那些尚未被人们充分谈及的问题。

SKAN 带来的影响，如归因、追踪事件的最佳选择方式，一时间众说纷纭。但对于我们将面临的挑战，真正直面问题的探讨还远远不够，如何调整那些广受推崇的转化值模型以适应应用自身情况？本篇文章，旨在补缺补漏。

1. SKAN 基于时间的转化追踪模型带来了很多挑战，需要权衡的因素也很多，并且决定实际追踪测量什么事件也不像今天这么简单。很多营销人员仍在尝试寻找一个无需数据科学专业知识且同时真正管用的模型。虽然每个应用都有自己独一无二的特殊情况，但我们仍然可以分享3个通用窍门给到大家：
   
   不要认为你应该继续参考以往相同的KPI优化。举例来说，假如你现在的优化目标是 ROAS，你自然而然会为 SKAN 选择一种收入模型，你把增长的部分（收入或用户）计入收入仓，并只通过转换值来追踪这些收入信号。这样的模型需要考虑典型/目标用户的变现曲线，还有相应的转化延迟。再比如，假如你的用户通常在下载应用的 3 - 5 后才产生购买，但你的 SKAN 设置却是追踪最初 24 小时的收入，这就显然没有任何帮助。即便你在最初的 24 小时看到了大量的购买，但如果你设定的转化值只片面地代表你小部分的受众，这样转化值分组将很难达到苹果的隐私阈值。
   
   重新思考你的策略。让我们继续拿刚才的例子举例，假如营销人员的最终目标是收入，那直接用 SKAN 去监测是不合理的，他们应当用别的事件来代替。当面临这种情况，营销人员应当找寻下游收入或 LTV 的初期信号，然后将这些信号编码成转化值。在SKAN监测期间和隐私阈值方面，这些初期指标依然管用。
   
   思考如何最大化转化值数组并考虑追踪多种类型的转化模型。一组综合收入、互动、具体动作、或时间框架可以为您的采购伙伴测试不同 campaign 的优化方法时提供灵活支持。
   
   
2. 直到 SKAN 2.2 形成规模前，SKAN 作为归因来源和转化方案的可信度将持续衰减。
   
   在广泛测试了 SKAN 归因和 MMP 对 LAT 和 non-LAT 用户归因之后，当比对两种来源的安装，可以看到大多数 Apps 在安装统计上都呈现了很大的差异。现在的问题是，你无法从苹果那里获得日志（log）级别的数据进行分析，所以至今都无法将其完整地与 MMP 安装进行比对。我们的观察包括了：
   
    -大量的偏差是由于现在的 SKAN 不支持展示归因（VTA）。好消息是 SKAN 2.2 版本将支持展示归因，然而短期内，在过渡阶段仍将有很多的不便之处，直到 2.2 版本在供应端大规模上线前，大量的安装都不能被记入。那些参考 CPI 或其他相关指标的营销人员，需要把这部分的因素考虑在内。而且，2.2 也同时需要供应端完成 SDK 的更新和安装，我们预计距离大规模支持展示归因仍需要一段时间。
   
    - 即便是比对 SKAN 的点击归因，就 LAT 和 non-LAT 广告而言，我们看到不同产品之间的巨大差异。App营销人员应当密切关注差异，因为很多的差异很可能是由于 SKAN 归因的错误配置。
   
   
3. 稀疏信号（sparse signals）是否在预算分配上得到了广告主的过多青睐？
   
   考虑到在转化事件上苹果的隐私阈值，小体量营销人员会在转化值面临上更多的挑战？他们将不得不在在 SKAN 框架下就如何定义转化事件做出艰难的选择，如果预算不足以全面覆盖到每个 campaign ID 中的那些看似相对不重要的转化事件，他们将很难得到足够的转化值去优化广告活动。他们将被迫去关注安装数据，然而那些预算更充裕的则可以去分析安装后事件？苹果的归因体系很可能伤害到现有的那些依赖成熟移动营销体系精准获客的“小而美”开发者们。

移动广告行业将很快会地迎来隐私变革后的新面貌。在那之前，请确保您已经就可能的情况做出了相应的准备，以确保能平稳度过转换期。