对于移动营销人员和广告主来说，当前iOS14.5+端的监测工作变得愈发复杂了。自2020年4月Apple宣布更新以来，为帮助客户化繁为简，各大移动监测合作伙伴(MMP)和数据分析平台都在紧锣密鼓地研发解决方案。在拥抱各种变化的同时，Adjust也在努力打造新一代解决方案，帮助客户在保护数据隐私的前提下推动增长。

我们的解决方案通过参考设备层级和SKAdNetwork(SKAN)数据，以高精准度的列表形式打造综合报告。而市面上的另一些解决方案则采用了"一体化"或"单一来源"的方法。从本质上讲，这种方法试图估算通过SKAN框架归因的安装与通过App Tracking Transparency(ATT)框架归因的安装之间的重叠部分。这在理论上看似可行，但实际上存在重大缺陷，最重要的是，这种方法要占用整整一个比特位。?

01 一体化iOS推广活动数据的缺陷

从理论上来说，通过估算SKAN和ATT之间的重叠安装，就能够看到哪些SKAN安装已经被ATT框架归因了。也就是说，营销人员可以从聚合层面上确认SKAN安装总量=付费MMP安装总量，从而确认两个数据集之间的意外偏差。然而，这种排错式流程缺乏必要的后续步骤，相当于您浪费了一个宝贵的比特位来证明数字不匹配。

02 举例说明

1.第一个例子中，一些营销人员会对数据抱有不切实际的希望：

时间范围：2022年7月

MMP付费安装：80,000

MMP自然安装：40,000

SKAN安装：100,000；使用比特值查看归因状态，有80,000次安装返回"1"，即已经归因

“看到这些数字，UA经理可能会认为所有SKAN安装都已归因，MMP的付费安装数量相同，所报告的数字也没有错误。但事实并非如此！”

从整体层面来看，这些数字的确对得上，但让我们更进一步仔细检查。假设在80,000次SKAN已归因安装中，有40,000次归因给了Facebook，另外40,000次归因至Google，推广活动信息很少；而MMP数据显示，Facebook、Google和AppLovin分别获得了20,000次安装归因，还有20,000次被归因给了某次网页推广活动(注意：当前无法通过SKAN开展网页推广活动)。虽然总量匹配，但获得归因的合作伙伴却不一样。

当然，您可以通过MMP交叉检查归因窗口，但因为SKAN窗口不可见，所以您无法正确比较不同数据集。总数匹配并不意味着您离单一真实数据来源更近了一步。??

2.在第二个更常见的例子中，营销人员则被带入了死胡同：

时间范围：2022年7月

MMP付费安装：80,000

MMP自然安装：40,000

SKAN安装：60,000；使用比特值查看归因状态，有40,000次安装返回"1"，即已经归因

UA经理看到，MMP的付费安装中仅有一半体现在了SKAN安装总量中。下一步，UA经理可以检查"缺失"的40,000次安装是否来自SKAN不支持的推广活动，例如网页、电子邮件、网络红人推广等。假设MMP将50,000次安装归因给了各类网页推广活动，20,000次给了Google，10,000次给了Facebook。SKAN安装被归因至Google和Facebook，即分别为30,000。

那么应该如何统一这些数字呢？

SKAN缺失的40,000次安装与来自网页推广活动的50,000次安装不匹配。此外，SKAN和MMP的Google和Facebook归因数字为何存在如此大的不同？从理论上来说，您可以深入了解MMP方面的归因情况，但在SKAN中就做不到了。换言之，到此，您就走进了"死胡同"。?

“理论上说，从单一来源可以推算出的效果KPI有整体eCPI*、*CPE和ROAS，但由于数据准确性方面的固有局限性，我们非常不建议根据预估表现的计算结果优化推广活动(如暂停、终止或扩大推广活动)。对于准确性方面的局限性，我们会在下文详细说明。”

简言之，单一来源模型能够从高层面预估来自SKAN和ATT框架的iOS安装总量，但需要付出1个比特位的代价。

03 比特位逻辑详解

在单一来源模型中，第6个(即最高的)比特位会被指定为TRUE/FALSE标记。这也就意味着，在可用于事件映射和/或收入范围条件的63个转化值中，有一半不可用。用二进制形式表示如下：

每个比特位的值可以是0或1。在第一种情况下，比特值范围为000000-111111，即十进制的0-63。也就是说，所有63个转化值都可用于条件映射。但在第二种情况下，比特值范围只有00000-11111，即十进制的0-31，第6个比特位变成了TRUE或1。也就是说，映射到转化值1至31的任何事件条件都会假定没有发生ATT归因；类似地，映射到转化值32-63的任何事件条件都会假定已经发生ATT归因。用一个比特位标记ATT归因，设备发送的转化值就会包含一个TRUE或FALSE，翻译成二进制即1或0。

出于上述考虑，您就需要在转化值方案中重复映射两遍相同的事件条件(转化值1-31一次，32-63再一次)，以覆盖ATT归因发生和未发生两种情况。最重要的是，您花费了一半的转化值，仅仅为了使SKAN回调中包含一个专门的转化值，以此了解SKAN安装是否已被ATT框架归因。

注意，与ATT框架不同，该回调中不会显示获得归因的合作伙伴。从理论上来说，您可以通过回调接收合作伙伴信息，但这需要使用更多的比特位来编入这些信息，将比特全部用完也不一定够。

要让这种方法站住脚，获得"一体化"或"单一来源"数据集，就需要用到下列计算方法：

安装总量=ATT付费安装+ATT自然安装+SKAN付费安装(无ATT标记)

这个公式假定在给定时间范围内，(带有ATT标记的)SKAN付费安装数量与ATT付费安装数量相同，这是错误的。?

04 估算过多带来的风险

在一个以"精准度"为支柱的生态中，单一来源等模型太过依赖估算。下面，让我们分别列出此类模型的四个关键估算过程，逐一解释其内在问题。

1.不同和未知的估算模型：安装总量计算方法本身会假定带有ATT标记的SKAN归因付费安装数量与ATT框架中归因的付费安装总量相同。从我们的经验来看，这种假定是错误的，原因包括以下几点：

您的合作伙伴需要同时支持SKAN和ATT框架，数据才能匹配。但当前网络红人(influencer)和网页流量无法同时支持这两个框架。

由于未得到用户许可，SAN可能无法在ATT框架中认领安装。但在SKAN框架中，无论用户是否授权，归因都会发生，因此，同样一部分用户很可能会在SKAN框架中被归因给SAN。

来自SKAN框架的交互信息有限，归因瀑布也不够清晰，因此，您无从得知安装是如何归因给特定合作伙伴的。SKAN与ATT的归因窗口不同。

2.不同框架中的合作伙伴归因：单一来源模型计算方法假定，如果SKAN已经将某次安装归因给了特定合作伙伴，那么MMP也进行了同样的归因。我们已经在上文中提到，用于确认安装是否通过ATT框架归因的比特值并不包含合作伙伴来源信息。我们无法验证此信息的真伪，因此不能据此开展营销。

当然，从总量上来看，您可以认为两个框架的安装数量可以相互弥补，但前提是两个框架中的合作伙伴完全相同。这也就意味着，如果出现不同的合作伙伴，那么问题就会变得更加复杂。考虑到SKAN的运作原理，上述情况并不少见。

在ATT框架中，广告主只能开展内部营销活动，如交叉推广、电子邮件营销、网络红人和移动网页推广活动等。但是，在单一来源模型中，这些安装会带有"TRUE"归因标记。假设由于广告位重叠，SKAN会将同样的设备归因到某个广告渠道中，那么这些安装就会被计入带ATT标记的SKAN安装。换言之，您不能认为ATT付费安装=SKAN付费安装(带ATT标记)，否则，任何基于此逻辑的总体eCPI或ROAS都会有误差。

3.安装日期：SKAN回调中并不包含确切的时间戳，因此安装日期也属SKAN估算。估算基于所使用的转化值窗口，以及回调是否包含非0转化值。但关键问题在于Google与其他合作伙伴不同，SKAN时间戳并不代表其收到回调的日期，而是估算的交互日期，而这个交互时间本身已经是Google的估算。也就是说，您需要根据Google估算的交互时间估计SKAN安装日期，精准度堪忧。

4.隐私阈值(privacy threshold)：由于Apple的隐私阈值，单一来源计算会遇到更多的困难。SKAN发送给合作伙伴的部分回调包含null转化值，也就是说，回调中没有您需要的信息，也无法回答"SKAN安装是否已在ATT框架中归因"的问题。

在不同的合作伙伴和推广活动中，带null转化值回调的占比差异很大(~10%-40%)。我们有时并无法了解为什么某个推广活动null转化值多，而另一个推广活动少。只有Apple能准确回答哪些情况达到或未达到隐私阈值。对于SKAN付费安装(不带ATT标记)，我们无法借助倍数因子进行估算，因为隐私阈值的应用方法不够清晰。与之前提到的一样，任何计算都只能是"估算"。?

05 构建iOS推广活动报告

单一来源或"一体化"iOS推广活动数据模型包含太多估算。当前市面上旨在结合SKAN和ATT数据的诸多解决方案都建立在多层估算的基础之上，且会牺牲掉一半的转化值。占用一个比特位，换来的是不精确也不实用的数据——这笔交易并不划算。

如果您希望获得质量最高的数据来推动增长，就绝不能依赖漏洞百出的粗劣方法，如何分配预算？应该暂停或扩大哪些推广活动？哪些推广渠道值得重点关注？进行这一系列重要战略决策时，精准实用的数据都是必不可少的。

考虑到SKAN的种种局限，Adjust推荐您采用我们的数据分析解决方案Datascape，在同一处查看所有数据。Datascape中的数据稳扎稳打，不走捷径，用清晰易懂的形式呈现所有数据，是真正值得信赖的单一数据来源解决方案。借助Datascape的多种SKAN相关KPI，如转化、收入和事件等，您可以打造综合全面的SKAN报告，同时查看正常Adjust归因数据。这是确保数据准确的最佳方法。

在复杂的iOS生态中，最有效的监测方法是借助机器学习和预测，获得精准eCPI、CPE和ROAS——这也正是Adjust新一代解决方案的研发方向。归根结底，营销人员的需求很简单，那就是一款能清晰展示推广活动收益的工具，并借助这一工具快速做出决策，自信地暂停或扩大推广活动。?