Cómo monetizar mediante IAP en iOS 14.5 y las versiones posteriores

El panorama del mobile marketing cambió drásticamente en abril, cuando Apple presentó las reglas de AppTrackingTransparency (ATT) después de una larga espera.

Para las aplicaciones que generan ingresos por medio de compras in-app, ahora es más difícil asegurarse de tomar decisiones orientadas a los datos, ya que reciben menos datos determinísticos en los que puedan basar sus decisiones.

En cuanto a los ingresos reales, la llegada de iOS 14.5 y las versiones posteriores no debería afectar los montos que los usuarios gastan dentro de la aplicación. Las compras in-app seguirán costando lo mismo, y los usuarios podrán seguir pagando por los productos disponibles in-app, como las monedas de oro o las vidas extra. Sin embargo, la falta de una atribución determinística para los usuarios que no otorgan su autorización podría dificultar que los publishers de aplicaciones sepan exactamente cuántos ingresos generó cada campaña.

Ahora es más difícil relacionar cada compra in-app con una instalación o una reatribución inicial, por lo que puede ser más difícil determinar cuáles son los canales de adquisición de usuarios que tienen un buen rendimiento, y puede ser más difícil predecir el LTV a nivel de usuario.

Sin embargo, existen diferentes estrategias con las que puedes aprovechar al máximo los datos que obtienes en un mundo donde el IDFA es cosa del pasado. Al maximizar el número de usuarios que otorgan su autorización, puedes mantener una línea de base de datos determinísticos para fines de modelado o elaboración de pronósticos. Además, al identificar las señales clave hacia las que puedes orientar tu optimización, puedes lograr que el entorno de trabajo SKAdNetwork de Apple te ayude a alcanzar tus objetivos.

SKAdNetwork para las compras in-app

Apple presentó el entorno de trabajo SKAdNetwork en 2018, pero los niveles de adopción fueron muy bajos en aquel momento. El concepto fundamental de SKAdNetwork es que ofrece un tipo de medición de campañas donde los datos a nivel de usuario no están disponibles. Con la llegada de iOS 14.5 y las versiones posteriores, Apple ha hecho que el entorno de trabajo SKAdNetwork, con algunas funciones expandidas, sea la única opción para acceder a los datos de rendimiento de publicidad en los casos en que los usuarios deciden restringir el acceso de los desarrolladores a su IDFA.

SKAdNetwork ofrece espacio para 6 bits de métrica descendente, es decir, un número entre 0 y 63 (o entre 000000 y 111111 en lenguaje binario), con un temporizador inicial de 24 horas. En este "valor de conversión", se puede asignar cualquier valor que sea posible expresar en lenguaje binario. Cada vez que se actualiza el valor de conversión con un código nuevo de 6 bits definido dentro de la aplicación, la ventana del temporizador se extiende por otras 24 horas.

Cuando vence esta ventana del valor de conversión, comienza la cuenta regresiva de un nuevo temporizador de 24 horas para la atribución. Dentro de esta ventana de 24 horas, SKAdNetwork devuelve los datos de atribución en momentos aleatorios. La idea de este temporizador aleatorio es ocultar la hora de la instalación a fin de que los activadores de eventos no se puedan vincular con usuarios individuales. El sistema de SKAdNetwork comparte estos datos de forma agregada y sin acceso a los datos granulares a nivel de usuario.

Para las aplicaciones que se monetizan por medio de compras in-app, la corta duración de la ventana que les permite visualizar el comportamiento de los usuarios puede ser un problema. Para muchos juegos, el proceso para incorporar a un usuario y explicar el valor de las compras in-app puede requerir más de 24 horas. Si un usuario está dispuesto a pagar para obtener vidas extra, es posible que esa necesidad no se presente sino hasta que el usuario alcance los niveles más difíciles. Es difícil hacer el tracking de estas situaciones con una visión posterior a la instalación de tan solo 24 horas.

Aunque es posible extender el temporizador al utilizar un bit para prolongar la ventana de conversión, el cual simplemente active una actualización del valor de conversión (por ejemplo, de 000001 a 000011 y así sucesivamente) cada cierto tiempo a fin de ganar otras 24 horas, esto requiere que el usuario inicie sesión todos los días para que el activador del valor de conversión se pueda ejecutar con la aplicación en primer plano. Si el usuario no vuelve a abrir la aplicación dentro de la ventana, no se puede actualizar el valor de conversión, por lo que no recibirás los datos que esperabas recopilar al prolongar el temporizador.

Cómo hacer que SKAdNetwork funcione para las compras in-app

Según el nivel de precisión que necesites, tienes dos opciones principales para hacer el tracking del comportamiento de compras in-app (IAP) con SKAdNetwork.

La primera es el uso de un enfoque de "enmascaramiento de bits", con el que cada uno de los 6 bits se asigna a un evento, y el valor de 0 o 1 del bit correspondiente te indica si el evento se presentó o no. Este enfoque está basado en nuestro mapeo de valores de conversión simples.

Si deseas hacer el tracking de seis eventos IAP o menos, puedes utilizar esta técnica, en la que simplemente se vincula un bit con cada evento para hacer el tracking de estas conversiones. Si planeas dirigir tu optimización hacia algunos objetivos clave, como "completar tutorial", "completar el nivel 1", "hacer una compra", etc., el enfoque de enmascaramiento de bits es la mejor opción.

Sin embargo, si deseas obtener información más detallada sobre los rangos o las escalas de los valores, puedes crear buckets de "compras" o de alguna otra métrica. El sistema de valores de conversión basados en buckets te permite definir valores relacionados con los montos que gastan los usuarios durante las primeras 24 horas. Para las verticales de juegos, comercio electrónico, entregas o reservaciones de viajes, el valor promedio de los pedidos (AOV) es un KPI comúnmente utilizado que mide el monto que gastan los usuarios in-app. Si tu optimización está orientada hacia el AOV, puedes utilizar buckets que abarquen diferentes valores de compras totales.

Al utilizar el enfoque basado en buckets, puedes configurar rangos entre 1 y 5 dólares, entre 6 y 10 dólares, etc., y hacer que se devuelva un valor en el postback de valor de conversión, el cual corresponde con cada uno de estos buckets.

La elaboración de modelos predictivos del valor del ciclo de vida (LTV) utiliza el comportamiento de un usuario en el primer día en que utiliza la aplicación para predecir los ingresos que generará a mediano plazo. Esta elaboración de modelos predictivos funciona mejor cuando se usa en buckets o categorías más amplias. La idea es crear definiciones amplias del éxito que se puede alcanzar y filtrar a los usuarios hacia estas definiciones según su comportamiento. Puedes utilizar buckets para hacer clasificaciones generales, como la división de los usuarios en "ballenas" y "no ballenas", con base en los comportamientos iniciales.

Maximizar el número de autorizaciones que obtienes es el primer paso para adquirir datos determinísticos que te permitan elaborar modelos, realizar pronósticos y trabajar de la manera más efectiva con SKAdNetwork. Al contar con estos datos, podrás hacer un tracking exitoso del comportamiento de compras in-app mediante el enmascaramiento de bits o la creación de buckets de compras, según la manera en que configures y definas tu estrategia, y los eventos IAP que elijas para analizar y hacer el tracking.

Para obtener más información acerca de las maneras en que Adjust puede ayudarte a crecer, asegúrate de revisar nuestra guía, o visita nuestro centro de recursos sobre iOS 14.5 y las versiones posteriores aquí.