Cómo hacer que Privacy Sandbox funcione en Android: crédito conflictivo, claves de agregación compartidas

¿Qué sucede si varias redes publicitarias reclaman crédito por cada usuario de aplicación móvil que usted adquiere bajo Privacy Sandbox en Android?

¿Suena improbable? En realidad, así es exactamente cómo está diseñado Privacy Sandbox en Android. Tal como está diseñado, las decisiones de atribución se basan solo en puntos de contacto: clics o impresiones. Y la atribución se realiza individualmente para cada red publicitaria. De hecho, cada red publicitaria recibe un postback con esa decisión de atribución.

Cuando cada red publicitaria se atribuye el mérito

Podría haber algunos problemas con esto…

En un escenario del mundo real donde potencialmente hay múltiples redes publicitarias que ofrecen clics e impresiones al mismo usuario, es posible que haya múltiples redes publicitarias que intentan reclamar el crédito por esa conversión final.

Jonathan Chen

Hay’ un gran problema en una industria basada en la atribución de último clic. También hay’ una gran oportunidad en esa misma industria. Los MMP como Singular deberán revisar “triggers”, como Google llama a los eventos de conversión, emparejarlos con instalaciones, considerar la prioridad asignada a cada trigger y deduplicar los reclamos de crédito de instalación. Esto es crucial en un modelo de pago por instalación para que los marketers no paguen doble, y también abre la puerta a modelos de crédito parcial y (atrevámonos a decirlo) una versión limitada de atribución multitoque.

Hay muchas complejidades aquí y mucha preocupación en torno a un posible fraude. Analizaremos esto con más detalle en próximas publicaciones e informes.

Claves de agregación: aprender a compartir

Google está desarrollando un marco y una arquitectura para que las redes publicitarias, los anunciantes y los socios de medición puedan etiquetar datos como clics, impresiones, variables de campaña y costes. Estos datos no se pueden conectar con la granularidad que permite GAID, por supuesto: esto ocurre dentro del entorno de pruebas de privacidad. Sin embargo, en un servicio de agregación que se ejecuta en un entorno de ejecución confiable en la nube, los socios de medición pueden conectar datos previos y posteriores a la instalación de forma segura para la privacidad.

El requisito: claves de agregación comunes.

Para obtener el informe de atribución resultante, sus claves de agregación deben coincidir... por lo que necesita descubrir cómo comunicarse con su red publicitaria: "Por ejemplo, ¿qué clave usó cuando inició el clic...? Necesito usar esa misma clave"

Jonathan Chen

Es muy probable que los MMP desempeñen allí un papel importante, al igual que los modelos de conversión de gestión bajo SKAdNetwork en iOS.

Umbrales de privacidad vs. privacidad diferencial: una diferencia clave

Si bien ambos están diseñados para cumplir propósitos similares, existe una diferencia clave entre los umbrales de privacidad en el marco SKAN de Apple y la privacidad diferencial en el entorno de privacidad de Google.

Los umbrales de privacidad impiden que los profesionales del marketing y las plataformas de medición accedan a datos hasta que se superan. Esto a veces se denomina censura de datos. La idea es que, si hay muy pocos datos, las plataformas de marketing podrían inferir datos demasiado granulares con un alto grado de certeza sobre sus nuevos usuarios en un período determinado.

La privacidad diferencial es… diferente. (Lo siento.)

Está introduciendo ruido en los postbacks, pero no solo ruido aleatorio

La forma en que el entorno de pruebas introduce el ruido es mediante la privacidad diferencial. Y una de las ventajas de la privacidad diferencial es que, al analizar un conjunto de datos suficientemente grande, debería ser preciso. Al analizar fragmentos específicos de datos, como los de un usuario individual, no se puede saber con total certeza si son verdaderos, pero en conjunto, todo es preciso

Jonathan Chen

Todos los datos están ahí, solo que están mezclados para que Google garantice la privacidad individual. Esto significa que los informes a nivel de campaña deberían ser excelentes.

Menos estrés (más datos, más postbacks)

Muchos profesionales del marketing me han dicho que SKAN es estresante porque básicamente solo tienes una oportunidad para acertar. Recibes un postback, que contiene todos los datos que podrás vincular definitivamente a una conversión específica (no a un dispositivo, ni a un usuario, solo a una conversión). Esto significa que, si vas a usar esos datos para el LTV predictivo, el cálculo del ROAS y la optimización de campañas, su impacto es extremadamente alto.

Un gran peso recae sobre ese postback.

Al menos en ese sentido, el entorno de pruebas de privacidad en Android será mucho menos estresante. Si bien cada postback de PSA tiene menos datos (3 bits para eventos de conversión atribuidos a un clic y 1 bit para eventos de conversión atribuidos a una impresión), hay 3 postbacks para conversiones atribuidas a clics y 1 o 2 para conversiones atribuidas a impresiones.

Esto significa que, en el caso más común, los clics que generan instalaciones, tienes tres oportunidades para obtener ingresos, eventos, embudos de conversión o datos de interacción. En otras palabras, los usuarios que no interactúan, compran o actúan de inmediato no se pierden instantáneamente en términos de pLTV o ROAS.

Manténgase atento para obtener más información sobre Privacy Sandbox y SKAN

Ya’hemos compartido mucho sobre Topics API y SDK Runtime así como un análisis profundo de atribución móvil en Privacy Sandbox y una introducción a integración Sandbox. Hay más por venir (y sí, sigue en SKAN, que sigue siendo extremadamente desafiante para la mayoría de los especialistas en marketing móvil).

Desplácese un poco hacia abajo en la página de inicio de nuestro blog para suscribirse al Singular boletín de marketing digital