TL;DR
- SKAdNetwork, или SKAN, - privacy-система Apple для атрибуции app installs и post-install value без раскрытия конкретного пользователя.
- App Tracking Transparency не запрещает маркетинг. Она требует разрешение пользователя для tracking между приложениями и сайтами других компаний.
- В iOS нельзя обещать web-точность. Часть данных будет агрегированной, задержанной, с privacy thresholds и неполными campaign-разрезами.
- Главная работа маркетолога - правильно спроектировать conversion value: какие ранние действия в приложении лучше всего предсказывают будущий LTV.
- SKAN не заменяет MMP, CRM и BI. Он добавляет отдельный privacy-safe слой, который нужно сводить с consented data, product analytics и инкрементальными тестами.
1. Что изменилось после ATT
До ATT многие mobile-команды привыкли измерять iOS почти как Android: IDFA, user-level attribution, ретаргетинг, точные аудитории, длинные окна. После App Tracking Transparency приложение должно спросить разрешение, если хочет tracking между чужими приложениями и сайтами.
Если пользователь не дал разрешение, IDFA недоступен. Это не значит, что iOS-реклама не измеряется вообще. Это значит, что часть измерения уходит в агрегированные механики Apple: SKAdNetwork и, для новых сценариев, AdAttributionKit.
Главная смена мышления: маркетолог больше не всегда получает строку "user X came from ad Y and bought product Z". Вместо этого он получает delayed aggregate signal, который нужно интерпретировать аккуратно.
2. Как работает SKAN
Упрощенный flow:
- Рекламная сеть показывает объявление, зарегистрированное для SKAN.
- Пользователь устанавливает приложение из App Store.
- Приложение открывается и может обновлять conversion value.
- Apple отправляет postback с attribution data.
- Детальность postback зависит от версии SKAN, crowd anonymity и настроек.
В SKAN 4 появились несколько postback windows и coarse conversion values. Это важно: старое объяснение "у нас есть только 24 часа" слишком грубое. В реальности нужно проектировать раннюю и более позднюю ценность отдельно.
| Слой | Что дает |
|---|---|
| Fine conversion value | Более детальная оценка, когда доступна |
| Coarse value | Low / medium / high, когда детализация ограничена |
| Multiple postbacks | Возможность получить сигналы по нескольким окнам |
| Lock window | Можно завершить окно раньше, если нужный сигнал уже получен |
| Crowd anonymity | Чем меньше объем, тем меньше детализация |
3. Postback windows
Практически думайте о SKAN так:
| Окно | Что лучше измерять |
|---|---|
| Раннее окно | Install quality, registration, activation, first purchase intent |
| Среднее окно | Trial start, first session depth, first order, onboarding progress |
| Позднее окно | Subscription intent, repeat action, retained user signal |
Для e-commerce ранним сигналом может быть view_item, add_to_cart, begin_checkout, purchase. Для EdTech - sign_up, lesson_started, lesson_completed, trial_started. Для fintech - registration_started, kyc_started, kyc_completed, first_transaction.
4. Conversion value design
Conversion value - это не список всех событий. Это компактный код ценности, который Apple может вернуть в privacy-safe postback.
Плохая схема:
| Value | Смысл |
|---|---|
| 1 | Открыл приложение |
| 2 | Нажал кнопку |
| 3 | Посмотрел экран |
Такая схема почти ничего не говорит о деньгах.
Лучше:
| Value bucket | Смысл |
|---|---|
| 0 | Нет meaningful action |
| 1-10 | Onboarding progress |
| 11-30 | Activation: search, lesson, product view, KYC start |
| 31-50 | High intent: add to cart, trial, application submitted |
| 51-63 | Revenue or strongest value signal |
Нужно выбрать события, которые в первые дни предсказывают LTV. Это аналитическая задача, а не настройка в кабинете. Берем historical cohort data, ищем ранние действия, которые коррелируют с оплатой, retention или маржой.
5. SKAN и MMP
MMP в iOS privacy-среде остается нужным, но его роль меняется.
| Задача | Кто помогает |
|---|---|
| Получить SKAN postbacks | Ad network, MMP, Apple |
| Настроить conversion value mapping | MMP + analytics team |
| Свести SKAN с cost data | MMP / BI |
| Сравнить с consented user-level data | MMP / product analytics |
| Построить LTV-модель | BI / data science |
| Проверить реальный эффект | Incrementality tests |
Если MMP показывает красивые iOS numbers, но команда не понимает conversion schema, эти numbers легко неправильно прочитать.
6. Что смотреть в отчетах
| Метрика | Как читать |
|---|---|
| SKAN installs | Privacy-safe installs, не равны всем installs |
| Null conversion value | Пользователь не дошел до mapped signal или детализация недоступна |
| Coarse low/medium/high | Грубый, но полезный quality signal |
| Campaign ID / source identifier | Доступная детализация зависит от volume и privacy rules |
| Time delay | Не принимать решения по iOS через час после запуска |
| Modeled conversions | Модель, не кассовый факт |
Правило для бюджета: не резать iOS-кампанию по раннему нулю. Дайте postbacks прийти, сравните с органикой, backend registrations, платежами и retention.
7. Локальный контекст СНГ/РК
В Казахстане iOS-аудитория часто меньше по объему, но выше по платежеспособности. Если просто уйти в Android из-за сложной атрибуции, можно получить дешевый CPI и потерять high-value users.
Для Алматы, Астаны, premium e-commerce, fintech, travel, education и subscription-продуктов iOS нужно измерять отдельно:
- отдельные campaign structures;
- отдельная SKAN conversion schema;
- отдельный payback expectation;
- отдельный creative testing rhythm;
- отдельная сверка с CRM и платежами.
Не сравнивайте Android CPI и iOS CPI напрямую. Сравнивайте payback, retention и LTV.
8. Частые ошибки
| Ошибка | Что ломается |
|---|---|
| Настроили conversion value на случайные события | Алгоритм получает шум вместо value signal |
| Ждут realtime-аналитику | Решения принимаются до прихода postbacks |
| Смотрят только installs | Кампания оптимизируется на дешевых, но слабых пользователей |
| Игнорируют null values | Теряют понимание объема неопределенности |
| Смешивают Android и iOS в одном выводе | Делают неверные бюджетные решения |
| Пытаются "обойти" ATT fingerprinting'ом | Риск App Store rejection и privacy-проблем |
9. Практический чеклист
- ATT prompt показывается только если есть реальная причина и legal review.
- MMP SDK актуален и поддерживает нужную SKAN/AdAttributionKit логику.
- Conversion value mapping основан на historical LTV или activation analysis.
- События для mapping приходят стабильно на iOS.
- Revenue и subscription events проверены отдельно.
- SKAN reporting сведен с cost data.
- В отчетах отдельно отмечены observed, SKAN, modeled и backend facts.
- Бюджетные решения по iOS принимаются после задержки postbacks.
- Есть incrementality-проверка хотя бы на уровне geo/time holdout.
10. Видео
11. Главный совет
Не пытайтесь вернуть старую user-level реальность на iOS. Проектируйте измерение под новые правила: сильная conversion schema, терпение к задержкам, связь с LTV и проверка инкрементальности.
Sources / Notes
- Apple Developer: SKAdNetwork
- Apple Developer: AdAttributionKit
- Apple Developer: App Tracking Transparency
- Apple Ads Help: App ad attribution overview
- Google Ads API: SKAdNetwork conversion value schema