[{"data":1,"prerenderedAt":611},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fit\u002Fmarketing\u002Fios-17-attribution-stack-post-skan":13},{"i18nKey":4,"paths":5},"marketing-003-2026-06",{"de":6,"en":7,"es":8,"fr":9,"it":10,"ru":11,"tr":12},"\u002Fde\u002Fmarketing\u002Fios-17-nach-attribution-stack","\u002Fen\u002Fmarketing\u002Fios-17-post-attribution-stack","\u002Fes\u002Fmarketing\u002Fstack-atribucin-post-ios-17","\u002Ffr\u002Fmarketing\u002Fstack-attribution-ios-17-post","\u002Fit\u002Fmarketing\u002Fios-17-sonrasi-attribution-stack","\u002Fru\u002Fmarketing\u002Fios-17-sonrasi-atribucija-stack","\u002Ftr\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stacki",{"_path":14,"_dir":15,"_draft":16,"_partial":16,"_locale":17,"title":18,"description":19,"publishedAt":20,"modifiedAt":20,"category":15,"i18nKey":4,"tags":21,"readingTime":27,"author":28,"body":29,"_type":605,"_id":606,"_source":607,"_file":608,"_stem":609,"_extension":610},"\u002Fit\u002Fmarketing\u002Fios-17-attribution-stack-post-skan","marketing",false,"","iOS 17 dopo ATT: il nuovo stack di attribution","ATT, SKAdNetwork 4 e conversioni modellate: come ricostruire l'attribution su iOS nel 2026. Guida pratica per strategia post-lookback maturity.","2026-06-02",[22,23,24,25,26],"ios-attribution","skadnetwork","att","modeled-conversions","mobile-measurement",9,"Roibase",{"type":30,"children":31,"toc":591},"root",[32,40,47,52,63,73,83,88,94,99,106,111,119,154,159,165,170,175,181,197,203,208,216,250,260,270,276,281,289,322,332,338,343,496,504,532,537,543,551,556,564,569,577,582,586],{"type":33,"tag":34,"props":35,"children":36},"element","p",{},[37],{"type":38,"value":39},"text","Sono passati cinque anni da quando Apple ha lanciato App Tracking Transparency su iOS 14.5. Da allora i presupposti fondamentali del performance marketing mobile sono cambiati radicalmente. L'attribution deterministico a livello utente è morto; i modelli probabilistici e aggregati sono diventati obbligatori. Con iOS 17 e SKAdNetwork 4, il nuovo schema di conversion value, la finestra post-lookback maturity e le conversioni modellate stanno riconfigurando completamente il gioco. In questo articolo spieghiamo come costruire l'attribution su iOS nel 2026: quali segnali usare, in quale ordine, e come integrare MMP + test di incrementalità per una strategia coerente.",{"type":33,"tag":41,"props":42,"children":44},"h2",{"id":43},"lanatomia-dellattribution-dopo-att",[45],{"type":38,"value":46},"L'anatomia dell'attribution dopo ATT",{"type":33,"tag":34,"props":48,"children":49},{},[50],{"type":38,"value":51},"Prima di iOS 14.5, gli MMP (Adjust, AppsFlyer, Kochava) potevano leggere l'IDFA a livello di dispositivo e collegare ogni conversione direttamente a una campagna. Con ATT, questo meccanismo si è chiuso per oltre il 95% degli utenti (dato Statista 2025: opt-in intorno al 7%). Oggi abbiamo tre strati:",{"type":33,"tag":34,"props":53,"children":54},{},[55,61],{"type":33,"tag":56,"props":57,"children":58},"strong",{},[59],{"type":38,"value":60},"1. Deterministico (utenti con IDFA opt-in):",{"type":38,"value":62}," Il 7% che ha concesso il permesso continua a fluire nel classico workflow MMP. Timestamp click\u002Fimpression, install, in-app event — tutto a livello utente. Ma questo segmento ormai non ha più forza rappresentativa.",{"type":33,"tag":34,"props":64,"children":65},{},[66,71],{"type":33,"tag":56,"props":67,"children":68},{},[69],{"type":38,"value":70},"2. SKAdNetwork (postback aggregato):",{"type":38,"value":72}," Il framework privacy-first di Apple. Finestra di attribuzione 0-72 ore; conversion value limitato a 6 bit (0-63). Con SKAdNetwork 4, Apple ha aggiunto il secondo e terzo postback (finestra 8-35 giorni), rendendo ora possibile misurare la retention D7-D30.",{"type":33,"tag":34,"props":74,"children":75},{},[76,81],{"type":33,"tag":56,"props":77,"children":78},{},[79],{"type":38,"value":80},"3. Conversioni modellate:",{"type":38,"value":82}," Dönüşümler che gli MMP prevedono con machine learning. Combinano dati aggregati click\u002Fimpression + conteggio install + segnali SKAN. L'affidabilità è inferiore al deterministico, ma garantisce scala.",{"type":33,"tag":34,"props":84,"children":85},{},[86],{"type":38,"value":87},"Questi tre strati vanno usati insieme. Nessuno singolarmente è sufficiente: IDFA è troppo ristretto, SKAN è aggregato e ritardato, il modeled è basato su previsioni. Costruire uno stack che bilanci questi tre elementi è diventato una core competency.",{"type":33,"tag":41,"props":89,"children":91},{"id":90},"cosa-porta-skadnetwork-4",[92],{"type":38,"value":93},"Cosa porta SKAdNetwork 4",{"type":33,"tag":34,"props":95,"children":96},{},[97],{"type":38,"value":98},"SKAdNetwork 4 (arrivato con iOS 16.1, maturo con iOS 17) introduce tre grandi innovazioni:",{"type":33,"tag":100,"props":101,"children":103},"h3",{"id":102},"gerarchia-di-conversion-value-e-catena-di-postback",[104],{"type":38,"value":105},"Gerarchia di conversion value e catena di postback",{"type":33,"tag":34,"props":107,"children":108},{},[109],{"type":38,"value":110},"Non c'è più un singolo 6-bit, ma tre postback: il primo 0-2 giorni, il secondo 3-7 giorni, il terzo 8-35 giorni. Ogni postback porta il suo valore 6-bit. Questo consente di separare il segnale di IAP precoce (install-to-purchase \u003C48h) dal segnale di retention nel secondo postback (session count D3-D7). Prima dovevamo comprimere tutti i segnali in 64 slot, ora abbiamo 64×3=192 combinazioni (non esattamente 192 per il sequential encoding, ma lo spazio di informazione è triplicato).",{"type":33,"tag":34,"props":112,"children":113},{},[114],{"type":33,"tag":56,"props":115,"children":116},{},[117],{"type":38,"value":118},"Esempio di mapping:",{"type":33,"tag":120,"props":121,"children":122},"ul",{},[123,134,144],{"type":33,"tag":124,"props":125,"children":126},"li",{},[127,132],{"type":33,"tag":56,"props":128,"children":129},{},[130],{"type":38,"value":131},"Postback 1 (0-2 giorni):",{"type":38,"value":133}," Stato IAP D0 (0=nessun evento, 1-10=fascia di ricavi, 11-20=SKU specifico, 21-63=blend personalizzato)",{"type":33,"tag":124,"props":135,"children":136},{},[137,142],{"type":33,"tag":56,"props":138,"children":139},{},[140],{"type":38,"value":141},"Postback 2 (3-7 giorni):",{"type":38,"value":143}," Tier di retention D3-D7 (0=churn, 1-20=fascia conteggio sessioni, 21-40=profondità engagement)",{"type":33,"tag":124,"props":145,"children":146},{},[147,152],{"type":33,"tag":56,"props":148,"children":149},{},[150],{"type":38,"value":151},"Postback 3 (8-35 giorni):",{"type":38,"value":153}," Proxy LTV D30 (0-63=fascia ricavi cumulativi)",{"type":33,"tag":34,"props":155,"children":156},{},[157],{"type":38,"value":158},"Per implementare correttamente questa struttura, devi revisionare il mapping del conversion value ogni settimana. Il segnale più informativo cambia slot al variare del comportamento utente.",{"type":33,"tag":100,"props":160,"children":162},{"id":161},"source-identifier-e-source-id-gerarchico",[163],{"type":38,"value":164},"Source identifier e source ID gerarchico",{"type":33,"tag":34,"props":166,"children":167},{},[168],{"type":38,"value":169},"SKAdNetwork 4 espone gli ID dell'app editore e dei sottoreti di editori in una gerarchia a quattro livelli. Non è più solo \"viene da Meta\", ma \"Meta → Audience Network → App Editore X\" (se la rete di annunci lo espone). Questo consente di confrontare le performance dei sub-publisher.",{"type":33,"tag":34,"props":171,"children":172},{},[173],{"type":38,"value":174},"In pratica, i walled garden come Facebook, TikTok, Google non espongono completamente questo campo, ma su reti programmatiche e video incentivato fa una differenza critica.",{"type":33,"tag":100,"props":176,"children":178},{"id":177},"web-to-app-attribution-support",[179],{"type":38,"value":180},"Web-to-app attribution support",{"type":33,"tag":34,"props":182,"children":183},{},[184,186,195],{"type":38,"value":185},"Con iOS 17.4, SKAdNetwork ha iniziato a supportare click da web. Se un utente clicca da un banner Safari verso l'App Store e installa, questo entra anche nel postback SKAN. Per i brand che eseguono strategie UA cross-channel, è ora possibile combinare questo segnale con campagne ",{"type":33,"tag":187,"props":188,"children":192},"a",{"href":189,"rel":190},"https:\u002F\u002Fwww.roibase.com.tr\u002Fit\u002Fppc",[191],"nofollow",[193],{"type":38,"value":194},"Performance Marketing (PPC)",{"type":38,"value":196}," e calcolare l'incrementalità cross-channel.",{"type":33,"tag":41,"props":198,"children":200},{"id":199},"modeled-conversions-come-funzionano-quando-sono-affidabili",[201],{"type":38,"value":202},"Modeled conversions: come funzionano, quando sono affidabili",{"type":33,"tag":34,"props":204,"children":205},{},[206],{"type":38,"value":207},"Le conversioni modellate sono il meccanismo con cui gli MMP combinano postback SKAN, impression\u002Fclick aggregati e conteggio install per fare attribution probabilistica tramite machine learning. AppsFlyer lo chiama \"predictive analytics\", Adjust \"statistical modeling\" — tecnicamente sono la stessa cosa: regressione + inferenza bayesiana.",{"type":33,"tag":34,"props":209,"children":210},{},[211],{"type":33,"tag":56,"props":212,"children":213},{},[214],{"type":38,"value":215},"Condizioni per l'affidabilità:",{"type":33,"tag":217,"props":218,"children":219},"ol",{},[220,230,240],{"type":33,"tag":124,"props":221,"children":222},{},[223,228],{"type":33,"tag":56,"props":224,"children":225},{},[226],{"type":38,"value":227},"Sufficiente volume di dati:",{"type":38,"value":229}," Almeno 500+ install al giorno, 50+ conversioni per campagna (SKAN o IDFA). Sotto questa soglia il modello overfitting.",{"type":33,"tag":124,"props":231,"children":232},{},[233,238],{"type":33,"tag":56,"props":234,"children":235},{},[236],{"type":38,"value":237},"Coerenza del segnale SKAN:",{"type":38,"value":239}," Il mapping del conversion value deve essere stabile. Se lo modifichi ogni giorno, il modello non riesce a catturare pattern storici.",{"type":33,"tag":124,"props":241,"children":242},{},[243,248],{"type":33,"tag":56,"props":244,"children":245},{},[246],{"type":38,"value":247},"Calibrazione con test di incrementalità:",{"type":38,"value":249}," Almeno un test per trimestre su geo-holdout o time-based holdout. Confronti i numeri modellati con il lift reale e applichi correzione di bias.",{"type":33,"tag":34,"props":251,"children":252},{},[253,258],{"type":33,"tag":56,"props":254,"children":255},{},[256],{"type":38,"value":257},"Esempio di cattivo uso:",{"type":38,"value":259}," Hai lanciato una nuova campagna, in 3 giorni hai ricevuto 20 install, l'MMP dice \"modeled 15 IAP\". È completamente rumore — sample insufficiente. Aspetta almeno 2 settimane.",{"type":33,"tag":34,"props":261,"children":262},{},[263,268],{"type":33,"tag":56,"props":264,"children":265},{},[266],{"type":38,"value":267},"Esempio di buon uso:",{"type":38,"value":269}," In 30 giorni Meta + TikTok + Google UAC hanno portato 50K install complessivamente, da SKAN sono arrivate 3K postback di conversione. L'MMP le ha modellate a 8K. Nello stesso periodo un geo-test holdout (Francia vs Germania) ha mostrato un lift del +12%. Hai rivisto il numero modellato a 8K × 1.12 = 8.96K. È affidabile.",{"type":33,"tag":41,"props":271,"children":273},{"id":272},"post-lookback-maturity-segnali-oltre-i-35-giorni",[274],{"type":38,"value":275},"Post-lookback maturity: segnali oltre i 35 giorni",{"type":33,"tag":34,"props":277,"children":278},{},[279],{"type":38,"value":280},"Il terzo postback di SKAdNetwork 4 trasporta eventi tra 8-35 giorni. Dopo il 35° giorno non arriva nessun postback SKAN. Ma il comportamento reale dell'utente non finisce a 35 giorni: retention D60, LTV D90, rinnovi di abbonamento annuale.",{"type":33,"tag":34,"props":282,"children":283},{},[284],{"type":33,"tag":56,"props":285,"children":286},{},[287],{"type":38,"value":288},"Approcci di soluzione:",{"type":33,"tag":217,"props":290,"children":291},{},[292,302,312],{"type":33,"tag":124,"props":293,"children":294},{},[295,300],{"type":33,"tag":56,"props":296,"children":297},{},[298],{"type":38,"value":299},"Proiezione cohort-based LTV:",{"type":38,"value":301}," Usa dati SKAN + modeled conversions dei primi 35 giorni per adattare una curva di LTV per cohort (tipicamente power law o exponential decay). Estrapoli il LTV a 90-180 giorni. È una stima, ma con cohort sufficientemente grandi la varianza rimane bassa.",{"type":33,"tag":124,"props":303,"children":304},{},[305,310],{"type":33,"tag":56,"props":306,"children":307},{},[308],{"type":38,"value":309},"Holdout cross-channel e incrementalità:",{"type":38,"value":311}," Pausa un canale per 2 settimane, misura i cambiamenti in install organici e revenue in-app. Calcola l'incrementalità netta, utilizza il test per backfill il segnale post-35-giorni. Fai questo trimestralmente.",{"type":33,"tag":124,"props":313,"children":314},{},[315,320],{"type":33,"tag":56,"props":316,"children":317},{},[318],{"type":38,"value":319},"Arricchimento di eventi server-side:",{"type":38,"value":321}," Invia a MMP eventi late-stage non presenti nel postback SKAN (rinnovo abbonamento, IAP high-ticket) via server-to-server. Non è deterministico ma crea pattern in aggregato. L'MMP lo usa come input al modello.",{"type":33,"tag":34,"props":323,"children":324},{},[325,330],{"type":33,"tag":56,"props":326,"children":327},{},[328],{"type":38,"value":329},"Attenzione:",{"type":38,"value":331}," Apple non vieta esplicitamente l'invio di segnali server-side non SKAN, ma l'MMP non può presentarlo come attribution a livello utente. Usarlo come input a modelli aggregate è accettabile.",{"type":33,"tag":41,"props":333,"children":335},{"id":334},"scenario-pratico-di-setup-dello-stack",[336],{"type":38,"value":337},"Scenario pratico di setup dello stack",{"type":33,"tag":34,"props":339,"children":340},{},[341],{"type":38,"value":342},"Supponiamo un'app fitness basata su abbonamento. La tua base install iOS è il 60%, miri a 100K nuovi install mensili. Ecco il tuo stack di attribution:",{"type":33,"tag":344,"props":345,"children":346},"table",{},[347,376],{"type":33,"tag":348,"props":349,"children":350},"thead",{},[351],{"type":33,"tag":352,"props":353,"children":354},"tr",{},[355,361,366,371],{"type":33,"tag":356,"props":357,"children":358},"th",{},[359],{"type":38,"value":360},"Strato",{"type":33,"tag":356,"props":362,"children":363},{},[364],{"type":38,"value":365},"Tool",{"type":33,"tag":356,"props":367,"children":368},{},[369],{"type":38,"value":370},"Ruolo",{"type":33,"tag":356,"props":372,"children":373},{},[374],{"type":38,"value":375},"Intervallo di fiducia",{"type":33,"tag":377,"props":378,"children":379},"tbody",{},[380,404,427,450,473],{"type":33,"tag":352,"props":381,"children":382},{},[383,389,394,399],{"type":33,"tag":384,"props":385,"children":386},"td",{},[387],{"type":38,"value":388},"SKAN Postback",{"type":33,"tag":384,"props":390,"children":391},{},[392],{"type":38,"value":393},"AppsFlyer",{"type":33,"tag":384,"props":395,"children":396},{},[397],{"type":38,"value":398},"Conversion value + source ID primi 35 giorni",{"type":33,"tag":384,"props":400,"children":401},{},[402],{"type":38,"value":403},"95% (Apple verifica)",{"type":33,"tag":352,"props":405,"children":406},{},[407,412,417,422],{"type":33,"tag":384,"props":408,"children":409},{},[410],{"type":38,"value":411},"Modeled Conversions",{"type":33,"tag":384,"props":413,"children":414},{},[415],{"type":38,"value":416},"AppsFlyer Predictive",{"type":33,"tag":384,"props":418,"children":419},{},[420],{"type":38,"value":421},"Attribution probabilistica SKAN + aggregate",{"type":33,"tag":384,"props":423,"children":424},{},[425],{"type":38,"value":426},"70-80% (calibrato con geo-test)",{"type":33,"tag":352,"props":428,"children":429},{},[430,435,440,445],{"type":33,"tag":384,"props":431,"children":432},{},[433],{"type":38,"value":434},"IDFA Opt-in",{"type":33,"tag":384,"props":436,"children":437},{},[438],{"type":38,"value":439},"AppsFlyer raw data",{"type":33,"tag":384,"props":441,"children":442},{},[443],{"type":38,"value":444},"Segmento deterministico 7%",{"type":33,"tag":384,"props":446,"children":447},{},[448],{"type":38,"value":449},"100% (ma bassa rappresentatività)",{"type":33,"tag":352,"props":451,"children":452},{},[453,458,463,468],{"type":33,"tag":384,"props":454,"children":455},{},[456],{"type":38,"value":457},"Incrementalità",{"type":33,"tag":384,"props":459,"children":460},{},[461],{"type":38,"value":462},"GeoLift (Meta) + holdout custom",{"type":33,"tag":384,"props":464,"children":465},{},[466],{"type":38,"value":467},"Misurazione lift a livello canale",{"type":33,"tag":384,"props":469,"children":470},{},[471],{"type":38,"value":472},"90% (statisticamente rigoroso ma costoso)",{"type":33,"tag":352,"props":474,"children":475},{},[476,481,486,491],{"type":33,"tag":384,"props":477,"children":478},{},[479],{"type":38,"value":480},"Proiezione LTV",{"type":33,"tag":384,"props":482,"children":483},{},[484],{"type":38,"value":485},"dbt interno + BigQuery",{"type":33,"tag":384,"props":487,"children":488},{},[489],{"type":38,"value":490},"Fit cohort curve, previsione 90-180 giorni",{"type":33,"tag":384,"props":492,"children":493},{},[494],{"type":38,"value":495},"60-70% (accuratezza modello)",{"type":33,"tag":34,"props":497,"children":498},{},[499],{"type":33,"tag":56,"props":500,"children":501},{},[502],{"type":38,"value":503},"Flusso:",{"type":33,"tag":217,"props":505,"children":506},{},[507,512,517,522,527],{"type":33,"tag":124,"props":508,"children":509},{},[510],{"type":38,"value":511},"Estrai giornalmente postback SKAdNetwork per ogni campagna.",{"type":33,"tag":124,"props":513,"children":514},{},[515],{"type":38,"value":516},"Prendi le conversioni modellate di AppsFlyer, ma lascia un margine di fiducia del 20% nei calcoli CPA a livello campagna.",{"type":33,"tag":124,"props":518,"children":519},{},[520],{"type":38,"value":521},"Esegui un geo-holdout test mensile (ad esempio Meta pause in Spagna, continua in Portogallo). Calcola il lift netto.",{"type":33,"tag":124,"props":523,"children":524},{},[525],{"type":38,"value":526},"Trimestralmente, aggiorna la curva di LTV per cohort. Regredisci la correlazione tra segnale SKAN dei primi 35 giorni e ricavi a 90 giorni.",{"type":33,"tag":124,"props":528,"children":529},{},[530],{"type":38,"value":531},"Alloca il budget come media ponderata di SKAN + modeled + incrementalità.",{"type":33,"tag":34,"props":533,"children":534},{},[535],{"type":38,"value":536},"Questo approccio multi-strato è costoso? Sì. Ma se il traffico iOS rappresenta il 60% e il CAC è $30+\u002Futente, il costo dell'errore di attribution è molto più alto.",{"type":33,"tag":41,"props":538,"children":540},{"id":539},"tradeoff-e-contraddittori",[541],{"type":38,"value":542},"Tradeoff e contraddittori",{"type":33,"tag":34,"props":544,"children":545},{},[546],{"type":33,"tag":56,"props":547,"children":548},{},[549],{"type":38,"value":550},"\"Le conversioni modellate non sono affidabili, perché le usiamo?\"",{"type":33,"tag":34,"props":552,"children":553},{},[554],{"type":38,"value":555},"Perché non c'è alternativa. SKAN è aggregato, IDFA è al 7%, nessun segnale significa volare completamente al buio. Le conversioni modellate sono imperfette ma calibrate. Quando correggi il bias con test holdout, raggiungi il 75-80% di accuratezza — molto meglio di nessun dato.",{"type":33,"tag":34,"props":557,"children":558},{},[559],{"type":33,"tag":56,"props":560,"children":561},{},[562],{"type":38,"value":563},"\"SKAdNetwork 4 è sufficiente, o dovrei aspettare la 5?\"",{"type":33,"tag":34,"props":565,"children":566},{},[567],{"type":38,"value":568},"SKAdNetwork 5 (arrivato con iOS 18, annunciato nell'estate 2024) promette source ID più granulare e finestre di lookback più lunghe, ma l'adozione completa non c'è ancora. La base utenti iOS 17 è oltre il 70%, iOS 18 intorno al 30%. Costruire lo stack su SKAdNetwork 4 e aggiungere incrementalmente le funzionalità della 5 è l'approccio pragmatico.",{"type":33,"tag":34,"props":570,"children":571},{},[572],{"type":33,"tag":56,"props":573,"children":574},{},[575],{"type":38,"value":576},"\"Devo fare test di incrementalità per ogni campagna?\"",{"type":33,"tag":34,"props":578,"children":579},{},[580],{"type":38,"value":581},"No. I test di incrementalità sono costosi e lenti. Un test per trimestre per canale è sufficiente (Meta Q1, TikTok Q2, Google Q3). Per campagne piccole fidati del blend modeled + SKAN; per spostamenti di budget significativi, testa.",{"type":33,"tag":583,"props":584,"children":585},"hr",{},[],{"type":33,"tag":34,"props":587,"children":588},{},[589],{"type":38,"value":590},"L'attribution su iOS non è più deterministico; è ora disciplina probabilistica + aggregata + basata su test. Mappare correttamente la struttura a tre postback di SKAdNetwork 4, calibrare le conversioni modellate con test holdout e proiettare l'LTV post-35-giorni con projection su cohort è lo standard operativo 2026. Se costruisci il tuo stack su questi tre strati — SKAN + modeled + incrementalità — esci dalla navigazione cieca su iOS e fai allocazione di budget basata su dati.",{"title":17,"searchDepth":592,"depth":592,"links":593},3,[594,596,601,602,603,604],{"id":43,"depth":595,"text":46},2,{"id":90,"depth":595,"text":93,"children":597},[598,599,600],{"id":102,"depth":592,"text":105},{"id":161,"depth":592,"text":164},{"id":177,"depth":592,"text":180},{"id":199,"depth":595,"text":202},{"id":272,"depth":595,"text":275},{"id":334,"depth":595,"text":337},{"id":539,"depth":595,"text":542},"markdown","content:it:marketing:ios-17-attribution-stack-post-skan.md","content","it\u002Fmarketing\u002Fios-17-attribution-stack-post-skan.md","it\u002Fmarketing\u002Fios-17-attribution-stack-post-skan","md",1782079499742]