확률적 속성

확률적 기여 분석은 모바일 기여 분석 기법으로 안드로이드 기기에서 때때로 결정론적 방법 과 함께 사용되어 모바일 기기, 노트북 또는 브라우저 기기를 인식합니다. 결정론적 방법은 안드로이드의 GAID와 같은 광고 식별자 또는 웹의 쿠키와 같이 기기와 관련된 고유 식별자를 사용하는 반면, 확률적 방법은 행동 및 기타 사용자 에이전트 데이터를 수집한 다음 다른 레코드와 일치시키려고 합니다

확률 기반 어트리뷰션은 디바이스 데이터를 사용자 DB와 매칭하려 하므로 정확도가 낮고, 결정론적 식별자가 없을 때 대체 수단으로 사용됩니다. 또한 사용자 IP 등 수집된 데이터는 디바이스 식별자보다 변동이 잦아 어트리뷰션 회귀 기간이 짧습니다. 특히 디바이스 식별 정확도는 24시간 후 급격히 감소해, 일반적인 컷오프 기간은 확률 어트리뷰션 lookback window.

iOS 14.5부터 Apple은 iPhone 및 iPad에서 확률적 기여 분석을 금지했습니다.

확률 기반 귀속의 주요 활용 사례 중 하나는 모바일 웹 환경이며, 결정론적 디바이스 식별자는 주로 모바일 앱 환경에서만 제공됩니다. 예를 들어, 광고주가 웹 기반 캠페인을 진행 중이며 타깃팅 모바일 디바이스를 대상으로 하고 Google Install Referrer가 없을 경우, 확률 기반 귀속을 사용할 수 있습니다.

웹 기반 모바일 광고 캠페인 외에도 확률적 기여 분석은 모바일 장치에서 열릴 수 있는 이메일 캠페인 또는 모바일 랜딩 페이지의 유기적 다운로드 추적에 자주 사용될 수 있습니다.

궁극적으로 확률적 어트리뷰션의 목표는 결정론적 식별자가 없을 때 대비책을 마련해 광고주가 마케팅 캠페인의 성과와 ROAS 를 여전히 파악하도록 하는 것입니다. 확률적 어트리뷰션이 100% 정확하지 않더라도, 이 추가 데이터는 결정론에만 의존하는 경쟁자보다 광고주에게 우위를 제공합니다.

AlgoLift가 강조했듯이, 이 데이터는 LTV를 예측하고 이에 따라 광고 예산을 분배하는 데 매우 중요합니다.

특정 캠페인 또는 채널에 대한 ROAS에 대한 후속 평가에서는 초기 예측 LTV 버킷 또는 전환 이벤트에만 의존하지 않고 보다 성숙한 행동 데이터를 통합해야 합니다. 확률적 기여 분석이 중요한 곳이 바로 여기입니다. 즉, 광고주가 최신 수익 예측을 캠페인 및 채널에 적절하게 배분할 수 있도록 하는 것입니다.

고유 식별자가 없는 특정 기기의 모바일 어트리뷰션 외에도, 확률 어트리뷰션은 크로스 디바이스 추적 및 어트리뷰션. 크로스 디바이스 어트리뷰션은 광고주가 마케팅 활동이 고객 여정에 미치는 영향을 파악하도록 도와주며, 이는 여러 플랫폼·기기·캠페인으로 구성된 파편화된 사용자 경험을 포함합니다.

확률적 기여 분석은 디바이스를 결정론적으로 매칭하는 것보다 신뢰성이 낮기 때문에 Singular 는 GAID 또는 Google 설치 리퍼러를 사용할 수 없는 경우에만 대체 방법으로 이 기술을 사용합니다. 당사의 확률적 기여 분석 FAQ에서 논의한 바와 같이, Singular 는 HTTP 헤더에서 다음과 같은 공개적으로 사용 가능한 데이터 포인트를 수집할 수 있습니다.

• IP 주소
• 플랫폼
• OS 이름 및 버전
• 사용자 에이전트
• 타임스탬프

Singular 는 광고주가 캠페인에서 사용하는 추적 URL을 사용하여 위의 정보를 수집합니다. 이 정보는 데이터베이스에 저장되고 앱 설치와 같은 특정 사용자 작업으로 디바이스를 매칭하려고 할 때 참조됩니다.

다시 말하지만, iOS 14.5 이후로는 iOS 디바이스에서 확률적 기여 분석이 허용되지 않습니다. 이러한 상황에서 규정을 준수하지 않는 기여 분석을 방지하기 위해 새로운 컨트롤을 구현했습니다.

모바일 광고주를 지원하기 위해 Singular의 플랫폼, 우리는 프라이버시를 보존하는 방식으로 확률적 어트리뷰션이 수행되도록 여러 요구사항을 구현했습니다. 이러한 요구사항을 충족하기 위한 첫 번째 단계는 귀하의 Singular 파트너 매니저 또는 이메일 support@singular.net 그리고 그들이 도와드릴 것입니다.