MENA’da AppsFlyer attribution boşluğu: install’larının %80’i neden görünmez

MENA’da bir abonelik uygulaması yönetiyorsan, muhtemelen büyüme liderinle bu konuşmayı yapmışsındır: AppsFlyer dün 4.200 install dedi. Google Play console 4.690 diyor. Meta Ads Manager 1.900 yönlendirdiğini söylüyor. Snapchat manager 800 yönlendirdiğini söylüyor. Paid sayıları topla: 2.700. AppsFlyer onlardan 1.500’ünü plus 2.700’ü organic’e atfediyor — ama organic tarihsel olarak 400’dü. 2.300 install nereden geldi?

Bu uzlaştırmayı düzinelerce MENA abonelik uygulamasında yürüttük. Desen tutarlı: MENA’da AppsFlyer ve diğer MMP’ler nedensel paid sinyalinin %60-80’ini kaçırıyor — araçlar bozuk olduğu için değil, bu bölgede dört belirli mekanizma altındaki attribution model varsayımını kırdığı için.

Bunlar bunlar ve her biri için ne yapılmalı.

Mekanizma 1: SKAdNetwork yapısal olarak eksik sayıyor

Apple’ın SKAdNetwork (SKAN), MMP’lerin iOS’ta kullandığı gizlilik-koruyucu attribution çerçevesi. Postback’ler aracılığıyla çalışır: bir kullanıcı yüklediğinde, Apple bireysel tanımlayıcıyı çıkaran ama kampanya kimliğini içeren gecikmeli, coarse-grained bir sinyal gönderir.

MENA’da SKAN attribution üç yapısal nedenden ötürü küresel ortalamayı kaçırıyor.

Birincisi, iOS payı Körfez’de yüksek — Suudi Arabistan, UAE, Kuveyt, Katar hepsi yaklaşık %25 küresel ortalamaya karşı %55-65 iOS payı çalıştırıyor. Auditörün ne kadar iOS, attribution’ın o kadar çok SKAN’a bağımlı ve SKAN’ın gizlilik eşiği o kadar ısırıyor.

İkincisi, SKAN’ın null conversion value eşiği, küçük reklamverenlerin install’ların anlamlı bir payı için hiçbir conversion datası görmemesi için yeterince yüksek. Eşik kampanya başına günlük başına uygulama başına; gizlilik eşiğini (kampanya başına 24 saatte yaklaşık 25 atfedilmiş install) aşmazsan, Apple bir null conversion value gönderir. O null bir install olarak loglanır ama downstream data olmadan — ve neredeyse hiçbir zaman doğru kampanyayla agregat olmaz çünkü postback granularitesi çok coarse.

Üçüncüsü, postback gecikmeleri gerçek. SKAN ilk postback’i göndermeden önce 24-48 saat bekler. MMP’in install’ı T gününde gösterir, ama kampanya attribution’ı T+2 gününde T günündeki spend’e görünür bağlantı olmadan iner. MMP dashboard’unu günlük okuyan çoğu ekip temelden gecikmiş bir sinyale bakıyor ve günün etkili ROAS’ını yanlış okuyor.

Ne yapılmalı: Paid spend’i D0 veya D1 attribution’da optimize etmeyi bırak. Kreatif veya bütçe kararları vermeden önce görüşünü en az 72 saat ileri sar. Daha hızlı hareket etmen gerekirse, modellenmiş attribution’ı önde gelen gösterge olarak kullan ve SKAN postback’ini doğrulama olarak ele al.

Mekanizma 2: WhatsApp-driven install’lar kategorize edilmemiş

MENA’da uygulama keşfi, Batı pazarlarında var olmayan bir ölçekte WhatsApp gruplarında, broadcast’lerde ve 1:1 iletmelerde oluyor. Bir Suudi kullanıcı aile WhatsApp grubunda bir uygulama ekran görüntüsü görüyor, adı kopyalıyor ve App Store’da doğrudan arıyor. Install referrer olmadan iniyor.

AppsFlyer bunu organic olarak logluyor. Organic değil. Farklı bir kullanıcının gördüğü, ekran görüntüsü aldığı ve ilettiği bir Snapchat veya TikTok veya influencer reklamının downstream etkisi. Bu install’ı üreten nedensel reklamcılık spend’i attribution’a görünmez.

Bu boşluğu güçlü creator partnership’leri olan uygulamalarda ölçtük ve “organic” install’ların %20-35’inin gerçekte paid-induced WhatsApp share’ler olduğunu bulduk. MMP sana spend için kredi vermiyor; CAC’ın olduğundan kötü görünüyor; gerçekten çalışan kanallara az harcıyorsun.

Ne yapılmalı: Modellenmiş organic uplift yürüt. Snapchat’te paid spend yükseldiğinde, aynı geo’da 48-72 saat lag ile organic install’lara ne oluyor? Lift, WhatsApp hayaleti. Bir confidence score ile kaynak kanala geri atfet. Madar bunu otomatik olarak yapar; manuel yapıyorsan, en temiz yöntem sentetik bir kontroldür: bir ülkede (örneğin Kuveyt) spend’i sabit tut ve başka birinde (örneğin UAE) ittirirken organic delta’yı ölç.

Mekanizma 3: Cross-device oturumlar device graph’ı kırar

MENA kullanıcılarının önemli bir payı iPhone’da browsing yapar ve aileyle paylaşılan bir iPad’e install eder. Veya aile Wi-Fi’sinden Android’de browsing yapar ve aynı gün daha sonra iOS’a install eder. Veya ofiste iOS üzerinde TikTok’ta reklamı izler ve o gece evde Android’e install eder.

MMP device graph’ları probabilistic fingerprinting (şimdi Apple’ın politikaları tarafından şiddetle sınırlı) artı deterministic login matching (kullanıcının bilinen bir hesaba login olmasını gerektirir) üzerine inşa edilmiştir. İkisi de MENA’da ortalamadan daha fazla başarısız: aile paylaşımlı cihazlar deterministic graph’ı yener ve iOS fingerprinting çöküşü probabilistic olanı yener.

Install yanlış kaynağa — veya organic’e — atfedilmiş olarak iner.

Ne yapılmalı: MMP’in device-level attribution’ının üzerine cohort-level modellenmiş attribution ekle. Model sormalı: son 7 günlük spend mix’i ve son 24 saatlik install desenine göre, bu cohort install’lar için en olası kaynak kanal neydi? Tek bir cevap yerine bir olasılık dağılımı alacaksın, cross-device sis hakkında dürüst.

Mekanizma 4: Click fraud ve long-tail’daki bot install çiftlikleri

MENA bölgesinin sağlıklı bir click fraud sorunu var. Daha az denetlenen reklam ağlarında (bazı DSP’ler, bazı affiliate ağlar) yoğunlaşmış ve teknik olarak geçerli attribution zincirleriyle gelen ama asla gerçek bir insan oturumu üretmeyen install’lar olarak gösteriyor.

AppsFlyer’da Protect360 ve benzer fraud filtreleri var, ama bariz vakaları yakalarlar (veri merkezi IP’leri, bilinen imzalı install çiftlikleri, tek bir cihaz ID’den ani spike’lar). Bir kampanyadaki atfedilmiş install’ların %1-3’ünün fraudulent olduğu sofistike long-tail fraud’u yakalamazlar. Bu install’lar AppsFlyer görünümünde CPI’ına karşı sayılır, bu da etkili CPI’ını gerçek olandan %1-3 daha yüksek yapar — ve post-install funnel’ını kirletir çünkü fraudulent install’lar asla convert olmaz, görünen retention’ı aşağı çeker.

Ne yapılmalı: Atfedilmiş install’ları ilk 24 saatte downstream davranışsal bir sinyale karşı çapraz kontrol et: bu kullanıcı uygulamayı ikinci kez açtı mı? Install ötesinde herhangi bir custom event tetikledi mi? Bu kontrolde başarısız olan install’ları kampanya seviyesi metriklerinden filtrele. Gerçek CPI’ın biraz daha yüksek görünecek; gerçek CVR’ın çok daha yüksek görünecek; kararların daha temiz olacak.

Toplam boşluğu nasıl düşünmeli

Bir MENA abonelik uygulamasını audit ettiğimizde, genellikle yukarıdaki resmin şöyle topladığını buluyoruz:

• Paid spend’in %20-30’u SKAN limitleri ve postback lag’ı aracılığıyla yanlış atfedilmiş.
• Organic olarak sayılan install’ların %20-35’i paid-induced WhatsApp share’ler.
• İnstall’ların %5-15’i cross-device sisi aracılığıyla yanlış atfedilmiş.
• İnstall’ların %1-5’i fraud.

Net etki, MMP dashboard’unun paid spend’in etkisini %30-50 az gösterdiği ve “organic”i benzer bir marjla fazla gösterdiği. Kurucular dashboard’a bakıyor ve paid’e daha az harcamaları ve “organic”e eğilim göstermeleri gerektiği sonucuna varıyor — bu tam tersi hareket çünkü organic, paid’in downstream’i.

Madar neyi uzlaştırır

Madar AI bunu bir uygulamayı bağladığında yaptığı ilk şey olarak yapar. AppsFlyer’i (veya Adjust veya Singular), Meta, Google, TikTok, Snapchat, Apple Search Ads, Google Play Console ve App Store Connect’i çeker, yukarıdaki dört uzlaştırmayı yürütür ve her attribution’da confidence interval’larıyla tek bir source-of-truth install grafiği verir.

Farklı bir attribution modeli değil. Halihazırda sahip olduğun MMP attribution’ı, artı bir %60 doğru resmi %90’a çeviren dört düzeltme.

Canlı audit demoyu gör — bu uzlaştırmayı ilk 10 dakikada yürütüyor.