Il rollout globale integra il credito di conversione dei partner nei modelli di machine learning, dopo la beta di maggio.

Un -26% di costo per acquisizione su una campagna ottimizzata con SKAN non è un test riuscito per caso. È il segnale che, da ieri, chi compra install su Snap sta giocando con regole diverse: Snap ha annunciato il rollout globale di Unified Attribution, ora disponibile per gli inserzionisti app che usano AppsFlyer o Adjust, due Mobile Measurement Partner (MMP) che certificano le install da terze parti. SKAN, il framework di attribuzione di Apple per le campagne di install app, smette di essere l’unico metro di paragone.

Il -26% che mette in discussione SKAN

Il dato arriva da un inserzionista Real Money Gaming monitorato da AppsFlyer: la riduzione del 26% del costo per acquisizione, o CPA, è stata ottenuta rispetto a campagne ottimizzate esclusivamente con SKAN. Non è un delta marginale: in un verticale come il gaming a soldi veri, dove il costo per installazione qualificata decide il margine della campagna, sposta budget e priorità.

La stessa tendenza emerge su altri verticali. Sempre secondo AppsFlyer, Mohegan Sun Online Casino ha confrontato Unified Attribution con il suo approccio abituale: entro la settimana 4 il ROAS, il ritorno sulla spesa pubblicitaria, è cresciuto dell’89,8% e il costo per installazione è sceso del 77%. Secondo Adjust, l’app finanziaria Deblock, attiva in Francia, ha registrato un eCPI, il costo effettivo per installazione, inferiore del 25%, un costo per onboarding completato inferiore del 28%, il 43% in più di installazioni e il 31% in più di utenti raggiunti. Ancora secondo Adjust, l’editore Codeway ha ottenuto un CPI inferiore del 18% e una scala 1,8 volte superiore mantenendo la performance sul costo per acquisto.

Da dove arrivano numeri di questo genere? La risposta non sta in un nuovo formato annuncio, ma nel modo in cui Snap riceve e usa il credito di conversione.

Un feed MMP nel cuore del machine learning

Snap, come documentato da AdExchanger, riceve un feed in tempo reale del credito di attribuzione dagli MMP e lo utilizza nei modelli di machine learning interni. Questo permette agli inserzionisti di ottimizzare in modo più accurato ed efficiente verso la performance. È un allontanamento deliberato dalla norma di auto-attribuzione: il credito di conversione terzo viene integrato direttamente nei modelli di Snap, non usato solo come reportistica a consuntivo.

È un po’ come se un esaminatore smettesse di correggere i propri compiti e accettasse la valutazione di un ente terzo, usandola per addestrare il proprio modello. La fase beta era stata annunciata lo scorso 20 maggio con l’annuncio originale di Snap, mentre l’ingresso in beta di maggio era stato ricostruito anche da Marketing Dive. Ora il rollout globale porta lo stesso meccanismo fuori dai test controllati.

Se Snap apre i propri modelli alla misurazione terza, cosa significa per chi fino a ieri controllava tutto in casa? Significa che il segnale su cui si allena l’algoritmo non è più la verità autocertificata della piattaforma, ma il dato validato dall’MMP scelto dall’inserzionista. Un cambio di default, non solo di dashboard.

Il 73% di TikTok e la guerra della misurazione

Il campo di battaglia però non è vuoto. TikTok ha costruito la propria integrazione come Self-Attributing Network, un network che si auto-attribuisce le conversioni, con engaged view-through attribution, abbreviata EVTA: tiene al centro il proprio framework di misurazione e sovrappone conversioni validate dagli MMP. La questione non è accademica. I modelli di attribuzione tradizionali, secondo i dati pubblicati da TikTok, sottovalutano le conversioni di TikTok del 73%. Se il tuo modello di attribuzione non vede quasi tre conversioni su quattro, stai ottimizzando con un segnale incompleto.

Quanto budget stai ottimizzando con un modello che non vede quasi tre conversioni su quattro? Per chi ha campagne app attive su Snap con AppsFlyer o Adjust, la prima azione operativa non è aumentare il budget. È verificare che il feed MMP sia attivo e che le ottimizzazioni siano passate a Unified Attribution. Il passaggio dall’auto-attribuzione a un credito di conversione terzo non è un dettaglio tecnico: cambia la base su cui il machine learning di Snap alloca il budget. Domani mattina, il test è capire se i numeri migliorano davvero con le stesse creatività e lo stesso targeting.