SKAN ломают не постбэки, а неверная схема чтения окна и CV

SKAN ломают не постбэки, а неверная схема чтения окна и CV

Чаще всего ошибки в атрибуции идут не из сети, а из логики внутри MMP:

— Сравнивают installs по когортам без учёта окна postback: часть конверсий доезжает позже и уходит в «хвост».
— Путают first postback и итоговую ценность: для ранней оптимизации важен не сам факт install, а распределение conversion value.
— Смешивают разные схемы CV для разных GEO или кампаний, а потом пытаются сравнить их в одной таблице.
— Смотрят на raw SKAN как на полную картину, хотя без моделирования missing postbacks и crowd anonymity выводы часто искажены.

Рабочий чек-лист атрибуции: сначала фиксируй окно измерения, потом маппинг CV, затем правила дедупликации между SKAN, deterministic и modeled data. Если хотя бы один слой настроен криво, CPI и ROAS будут «прыгать» без реальной причины. Для iOS особенно важно отдельно считать ранний сигнал 0–24 часа и поздний сигнал 24–72 часа: это разные задачи, а не одна метрика.

Проверка качества проста: если у тебя меняется доля postback по одному и тому же источнику без изменений в таргетинге и креативах, ищи проблему в CV mapping, consent flow или в разъезде часовых окон. Если CV слишком часто сосредоточен в одном значении, схема слишком грубая и не помогает оптимизации.

Выигрывает не тот, кто «видит SKAN», а тот, кто умеет читать задержку, распределение CV и расхождение между источниками как один набор сигналов.