Em primeiro lugar, devemos começar pelo mais simples: o que queremos dizer com Android Privacy Sandbox e SKAN, também conhecido como SKAdNetwork.
Tanto o Android Privacy Sandbox quanto o SKAN são APIs (Interfaces de Programação de Aplicativos) que ajudam redes de anúncios e anunciantes a medir a eficácia de suas ações de publicidade (contando impressões, cliques, instalações etc.), mas cujo foco é a privacidade do usuário.
Essas APIs são a maneira pela qual o iOS e o Android permitem que os anunciantes obtenham determinadas informações sobre o impacto de sua comunicação nos canais digitais.
Para todo profissional de marketing, medir o impacto de suas estratégias é fundamental, e o mundo da
publicidade em aplicativos
não é alheio a isso. O problema é quando os anunciantes começam a ter informações demais sobre o comportamento do usuário, o que fez com que o setor evoluísse para soluções mais voltadas para a privacidade, sem tirar a capacidade de medir e julgar os resultados dessas estratégias de comunicação.
Com o SKAN ou o Android Privacy Sandbox, os provedores de serviços de publicidade não podem acessar os dados individuais dos usuários, o que resulta em maior privacidade.
A grande mudança que esses novos protocolos trazem para o ecossistema de marketing é que um identificador de usuário exclusivo, também conhecido como IDFA, não é mais usado e, para rastrear, outros métodos foram criados.
A verdade é que há mais semelhanças do que diferenças. Ambas as interfaces têm como objetivo fornecer informações aos anunciantes sem expor a privacidade dos usuários, mas uma é para iOS e a outra para Android.
O SKAN foi lançado em 2018 pela Apple para permitir que os anunciantes do iOS avaliem e otimizem campanhas, sem revelar nenhum dado específico sobre os usuários ou seus dispositivos. Alguns anos depois, em 2020, o Android seguiu o exemplo e lançou o Sandbox, com o objetivo de criar um ambiente seguro e isolado que esse sistema operacional fornece para a execução de aplicativos, o que limita o acesso a recursos e dados do sistema e evita a interferência com outros aplicativos.
Em última análise, ambos buscam proteger a segurança e a privacidade de seus usuários.
Antes de explicar como as ações do usuário e as conversões são medidas, seria necessário explicar quais são os atores envolvidos.
Em primeiro lugar, há o usuário, que é o alvo de uma campanha publicitária. Obviamente, o outro lado do usuário-alvo é o aplicativo de publicidade que deseja incentivar uma ação, seja ela um download, uma compra no aplicativo etc. Isso se soma a dois outros atores no meio, a rede de anúncios, que é onde o anúncio é exibido, e o MMP (Mobile Measurement Partner), que é responsável por medir e atribuir conversões e visualizações a cada rede de anúncios.
O que as APIs fazem é registrar eventos, que podem ser a visualização de um anúncio por mais de três segundos, a visualização completa de um anúncio (se for um vídeo) e outras interações, como visitar a loja de aplicativos e fazer download de um aplicativo. Essas informações são enviadas da rede de anúncios para a MMP e registram o que acontece entre os anúncios e os usuários.
Há vários marcos que precisam ser ultrapassados para que um download seja atribuído, o que é, na maioria dos casos, o objetivo de uma campanha publicitária de aplicativos. Vamos analisar uma a uma as ações que levam a esse objetivo.
As APIs SKAN e Sandbox (em suas configurações padrão e para simplificar essa leitura) atribuem os downloads de aplicativos feitos pelo público-alvo que foi impactado pelos anúncios por um período de 30 dias, que é conhecido como janela de atribuição.
Quando a conversão é obtida, a API notifica a rede de publicidade sobre a conversão, conhecida como postback. A questão é que, desde o surgimento dessas interfaces focadas na proteção da privacidade dos usuários, nenhuma informação pessoal ou do dispositivo é fornecida. Isso torna muito mais complexo rastrear esse usuário ao longo do tempo e, portanto, torna mais complexos os cálculos de custo por usuário ,
LTV
e RoAS, entre outros.
Embora a privacidade do usuário seja um fator extremamente importante a ser levado em consideração, é verdade que esse tipo de interface dificulta, ou pelo menos complica, o trabalho dos profissionais de marketing.
Além disso, a privacidade pode ser vista como um benefício para o usuário final, mas também é importante entender que o trabalho do profissional de marketing é criar estratégias de comunicação que sejam relevantes para os usuários, ou seja, que o que eles veem no nível da publicidade seja de seu interesse e lhes proporcione valor.
Esses novos obstáculos serão um grande desafio em termos de tornar as estratégias de comunicação relevantes para o público-alvo.
Para resolver essas novas dificuldades que a privacidade de dados nos traz, na Boomit, estamos desenvolvendo práticas que nos permitem medir com mais precisão o impacto das estratégias digitais que desenvolvemos.
Esse trabalho é realizado principalmente em três linhas diferentes:
Esse tipo de análise baseia-se no isolamento de determinadas variáveis e na geração de mudanças nas estratégias de forma que as mudanças possam ser atribuídas com um alto grau de certeza.
Tomando isso como um exemplo simples, se você tem um aplicativo que não vem desenvolvendo uma estratégia de mídia paga há um ano e, quando você inicia a estratégia, as assinaturas dobram, então você pode ter uma indicação de que o crescimento se deve a essas novas ações.
Esse tipo de análise consiste em aplicar modelos matemáticos de correlação entre o tráfego não atribuível (geralmente atribuído como orgânico) e o tráfego atribuído para entender os padrões de comportamento de ambos os componentes.
Novamente, para usar um exemplo simples, se observarmos que o componente de tráfego orgânico se comporta exatamente da mesma forma que as variações nos gastos com anúncios durante um período de tempo estatisticamente válido, poderemos calcular a parte do tráfego não atribuível a ser alocada à estratégia de mídia paga.
Esse tipo de cálculo consiste em projetar equações personalizadas para cada produto ou projeto digital em que estamos trabalhando.
Dependendo do histórico comportamental, da correlação entre a média orgânica e paga e dos estudos de incrementalidade, podemos projetar uma equação comportamental que calcula o RoAS real, considerando esses novos cenários desafiadores na privacidade de dados trazidos pelo SKAN e pelo Android Privacy Sandbox.
Copyright © 2023 Boomit.
All rights reserved. MOSEYA SA / 1011 Cassinoni , Montevideo, 11300, Uruguay / 12550 Domus Global Services LLC
/ Biscayne Blvd., Suite 406 North Miami, Florida.
Insira o endereço do site da sua empresa e enviaremos um relatório para o e-mail que você indicar abaixo: