Singular ofrece métricas SKAN modeladas para complementar los datos parciales de SKAdNetwork. Las métricas modeladas se extrapolan utilizando modelos de ciencia de datos propios a partir de datos existentes, incluidos los postbacks de SKAN y los datos de rastreadores basados en IDFV.

Para la mayoría de las instalaciones de aplicaciones de iOS 14+, cualquier información sobre el comportamiento del usuario -incluidas las interacciones posteriores a la instalación con la aplicación y los ingresos obtenidos- se codifica en el valor de conversiónque se incluye en el postback SKAdNetwork de Apple.

Sin embargo, no todas las devoluciones contienen un valor de conversión, ya que Apple lo censura por motivos de privacidadcuando el número de instalaciones de una campaña no alcanza un determinado umbral. Esto da lugar a instalaciones para las que no tenemos ningún dato aparte de la aplicación y la red atribuida.

Para llenar este vacío y ofrecerle una imagen más completa de los resultados de sus esfuerzos de marketing, Singular ofrece métricas modeladas, que se extrapolan a partir de los datos existentes.

Para mejorar la precisión de las métricas de cohorte SKAN modeladas, puede intentar lo siguiente:

1. Si Singular ofrece un modelo optimizado, utilícelo.Los modelos optimizados se ofrecen si se cree que mejoran significativamente la precisión de sus resultados (obtenga más información en las Preguntas frecuentes sobre modelos optimizados). Para comprobarlo, vaya a la página SKAdNetwork > Configuración de modelos y seleccione una aplicación. Si hay un modelo optimizado disponible para la aplicación, verá un mensaje en verde.
   
   
   
   
2. Utilice modelos con mejor poder predictivo. Normalmente, esto significa modelos mixtos, que tienen en cuenta tanto los ingresos como otros comportamientos de los usuarios.
3. Aumente el tamaño de las campañas (ejecute menos campañas). Las campañas con más instalaciones son más fáciles de modelizar.

El recuento del valor de conversión modelado calcula cuántas instalaciones de una campaña tuvieron un valor de conversión específico.

Se calcula basándose en la prevalencia de estos valores de conversión en las instalaciones para las que tenemos valores de conversión.

En el ejemplo siguiente, en una campaña con 105 instalaciones, sólo 35 tenían valores de conversión incluidos en el postback. El recuento de valores de conversión modelados muestra cuántas instalaciones tenían cada valor de conversión si asumimos que los datos parciales son representativos de todas las instalaciones.

Las métricas de cohortes modeladas son métricas modeladas que se basan en cohortes. Actualmente, Singular ofrece estimaciones basadas en cohortes de los ingresos y el ROI de las campañas de SKAN.

Las métricas de cohorte modeladas se calculan a partir de los datos de ingresos conocidos recopilados a través del MMP (rastreador). Los modelos también aprovechan los buckets de ingresos definidos en el modelo de conversión, si existen. Los buckets de ingresos optimizados mejorarán la precisión de las métricas modeladas.

Ventajas de los ingresos y el ROI modelados sobre la métrica SKAN Revenue:

• Los ingresos y el ROI modelados no están limitados por los periodos de medición de SKAN, los umbrales de privacidad, etc.
• Los ingresos y el ROI modelados están disponibles incluso sin un modelo SKAN de tipo ingresos.

Limitaciones delos ingresos y el ROI modelados:

• Para utilizar métricas de cohortes modeladas, debes enviar eventos de ingresos a Singular desde el SDK de Singular integrado en tu app(integración SDKo integración híbrida SDK+S2S ). Estas métricas no están disponibles para las integraciones S2S.
• La precisión del modelo puede variar de un anunciante a otro y de una aplicación a otra.
• El modelado se limita actualmente a cohortes de 7 días .

La precisión de los ingresos y el ROI modelados varía de un anunciante a otro y de una aplicación a otra, y mejora cuando existe un modelode conversión optimizado. Para la mayoría de las aplicaciones, podemos alcanzar una precisión del 88% si las aplicaciones utilizan un modelo de conversión optimizado.

Puedes comprobar la precisión de cada métrica de ingresos de 7 días observando el intervalo de confianza. Si los ingresos de 7 días son 100$ y el intervalo de confianza es +/-10, significa que podemos decir con un alto nivel de confianza que los ingresos de 7 días están entre 90$ y 110$.

Una de las métricas modeladas que Singular ofrece para SKAN son los Eventos Modelados (recuentos de eventos modelados). Los eventos modelados sólo están disponibles para las campañas que utilizan un modelo de conversión de eventos. Puede seleccionar los eventos para los que desea ver recuentos en la lista desplegable.

Los eventos modelados se extrapolan para todo el segmento de usuarios basándose en los datos de aquellos usuarios para los que Singular sí recibió un valor de conversión.

Elija uno o más de los periodos de postback de eventos en el Informe SKAdNetwork para ver los recuentos de eventos únicos modelados basados en el primer, segundo o tercer postback de SKAN 4.0 (también conocidos como P1, P2 y P3).

Como se explica en las preguntas frecuentes de SKAN 4.0 (consulte ¿Cuáles son los principales cambios de SKAN 4.0?), los tres postbacks enviados en el marco de SKAN 4.0 contienen información sobre distintos periodos del recorrido del usuario tras la instalación.

Aunque Singular no tiene forma de saber qué P2 o P3 que recibimos representa al mismo usuario que un P1, podemos resumir la información de cada tipo de postback por separado y mostrarle los resultados.

Los recuentos de eventos se mostrarán en columnas separadas en el informe. Por ejemplo, el siguiente informe muestra las estadísticas para el evento Compras dentro de la aplicación basadas en P1, P2 y P3, para el intervalo de fechas elegido. Suponiendo que ejecute el informe en función de la fecha de instalación estimada, obtendrá la información más completa posible sobre los eventos de usuario desencadenados por una cohorte de usuarios.

Notas importantes de uso

1. Los números representan eventos únicos por usuario por periodo de postback.

   Las limitaciones inherentes al marco SKAdNetwork hacen inviable el recuento de las veces que un evento ha sido provocado por un usuario. Por lo tanto, nuestros modelos de conversión basados en eventos, incluidos los modelos mixtos y de embudo, sólo permiten realizar un seguimiento de si el evento se produjo o no durante el periodo.

   Como resultado, la métrica de recuento de eventos modelada en el informe de SKAdNetwork cuenta realmente el número de usuarios que activaron el evento durante el periodo de medición de ese postback.

   Ejemplo: Si un usuario realiza 1 compra dentro de la aplicación durante el periodo de medición P1, 2 compras durante el periodo de medición P2 y 2 durante el periodo P3, cada uno de los postbacks enviados para ese usuario informará de que se ha producido un evento de compra dentro de la aplicación. En el informe, este usuario se contará como 1 en la columna P1, 1 en la columna P2 y 1en la columna P3.

   

2. No sume los números de P1 + P2 + P3.

   Si intenta sumar los números de las tres columnas, no obtendrá una buena representación ni del recuento total de eventos ni del número de usuarios que activaron el evento.

   Véase el ejemplo anterior: un usuario realizó un total de 5 compras desde la aplicación. Pero el informe las cuenta como 1 en el periodo de medición P1, 1 en el periodo P2 y 1 en P3.

3. Para utilizar esta métrica, necesita un modelo SKAN 4.0 que incluya la medición de eventos en el periodo de postback que desea medir .

   Por ejemplo, la siguiente captura de pantalla de la página Configuración del modelo muestra un modelo Funnel de SKAN 4.0 que incluye un evento llamado Watched_Tutorial en el segundo postback (P2).

   

4. Asegúrese de ejecutar el informe por fecha estimada de instalación.

   Si ejecuta el informe en función de la fecha de instalación estimada, los datos P1, P2 y P3 se refieren a la misma cohorte de usuarios (en función de nuestro cálculo de la fecha de instalación). Por ejemplo, si el intervalo de fechas elegido para el informe es del 1 al 10 de enero, verá los datos en función de los P1 enviados a los usuarios que instalaron la aplicación del 1 al 10 de enero, los P2 enviados a los mismos usuarios y los P3 enviados a los mismos usuarios.

   Si ejecuta el informe basado en la fecha de postback, los recuentos de P1, P2 y P3 no están relacionados entre sí en absoluto. Las devoluciones se enviaron en la misma fecha, pero representan diferentes cohortes de usuarios.

Métrica	Descripción	Periodo	Fuente de datos
SKAN Revenue	Singular decodifica el valor de conversión en sus postbacks de SKadNetwork basándose en su modelo de conversión definido. Suponiendo que se trata de un modelo de ingresos, Singular suma las sumas para mostrar los ingresos de la campaña.	Periodo de medición definido en el modelo de conversión	Postbacks de SKAdNetwork, modelo de ingresos configurado
Modeled SKAN Revenue	Singular estima los ingresos para el periodo de cohorte seleccionado basándose en los datos de MMP basados en IDFV.	Puede seleccionar: El periodo de medición definido en el modelo de conversión O 7 días	Datos MMP basados en IDFV, postbacks de SKAdNetwork, modelo SKAN configurado

Las métricas de cohortes modeladas están disponibles a través de la API de Singular SKAdNetworken las siguientes métricas:

• modeled_skan_revenue 
• modeled_skan_roi

Las métricas de cohortes modeladas no se incluyen actualmente en los esquemas de destinos de datos por defecto. Si está interesado en que se incluyan en sus datos, póngase en contacto con el servicio de asistencia de Singular.

Si determinamos que no podemos proporcionar un modelado lo suficientemente preciso, no mostramos las métricas.

Los ingresos modelados se basan en los datos de MMP. Por lo tanto, Singular puede proporcionar los ingresos modelados incluso si no se utiliza un modelo de conversión de ingresos para una campaña o aplicación en particular.

• Es posible que la campaña no tenga valores de conversión en absoluto (todos los postbacks se enviaron con valores de conversión censurados), lo que deja al algoritmo de Singular sin datos en los que basar un modelo.
• Para campañas de Google: Google informa actualmente de las instalaciones SKAN con valores de conversión ausentes como si tuvieran el valor de conversión 0. Dado que Singular no sabe cuántos valores de conversión faltan en una campaña, no podemos mostrar métricas modeladas.

Los datos de país no están disponibles en SKAdNetwork, y el ID de sitio del editor no está disponible siempre que el valor de conversión esté censurado. Para ver las métricas/eventos modelados en su informe, asegúrese de deseleccionar las dimensiones País e ID del sitio del editor.

Las métricas modeladas se extrapolan basándose en todo el interval o de fechas elegido para el informe. Esto significa, por ejemplo, que un informe semanal con un desglose diario puede mostrar métricas modeladas ligeramente diferentes que un informe diario.

Actualmente, las métricas de cohortes de SKAN sólo son compatibles con los clientes que tienen el SDK de Singular integrado en sus aplicaciones o que utilizan una integración híbrida SDK+S2S.

Si utiliza una integración S2S, póngase en contacto con el servicio de asistencia de Singular para conocer las directrices de implementación.

Los ingresos SKAN se calculan en base a los buckets definidos en el modelo de ingresos, utilizando el centro del bucket en cada caso. Los ingresos modelados son más precisos.

Las grandes diferencias pueden deberse a:

• Definir cubos demasiado grandes
• No utilizar todos los cubos disponibles en el modelo de ingresos.

Tanto Facebook como Singular proporcionan ingresos modelo basados en los valores de conversión ofuscados. Sin embargo, el modelo de Singular es más preciso, ya que tenemos acceso a más información basada en todas tus campañas SKAN.