[{"data":1,"prerenderedAt":250},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fit\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack":13},{"i18nKey":4,"paths":5},"marketing-003-2026-07",{"de":6,"en":7,"es":8,"fr":9,"it":10,"ru":11,"tr":12},"\u002Fde\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack","\u002Fen\u002Fmarketing\u002Fios-17-after-ad-attribution-stack","\u002Fes\u002Fmarketing\u002Fstack-atribucion-ios-posterior-17","\u002Ffr\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack","\u002Fit\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack","\u002Fru\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack","\u002Ftr\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stacki",{"_path":10,"_dir":14,"_draft":15,"_partial":15,"_locale":16,"title":17,"description":18,"publishedAt":19,"modifiedAt":19,"category":14,"i18nKey":4,"tags":20,"readingTime":26,"author":27,"body":28,"_type":244,"_id":245,"_source":246,"_file":247,"_stem":248,"_extension":249},"marketing",false,"","Lo Stack di Attribution per Annunci dopo iOS 17","ATT, SKAdNetwork 4 e modeled conversions: la nuova architettura della misurazione nel mobile performance marketing. Come configurare la misurazione nella fase di maturità post-lookback.","2026-07-28",[21,22,23,24,25],"ios-attribution","skadnetwork","att","mobile-performance","modeled-conversions",8,"Roibase",{"type":29,"children":30,"toc":233},"root",[31,39,44,51,56,61,66,82,88,93,98,103,108,114,119,124,129,134,140,145,150,155,160,165,171,176,181,186,191,196,202,207,212,217,222,228],{"type":32,"tag":33,"props":34,"children":35},"element","p",{},[36],{"type":37,"value":38},"text","Sono passati tre anni da iOS 14.5. ATT (App Tracking Transparency) non è più una \"novità\" — è una realtà consolidata. A metà 2026, la maggior parte dei team di performance cerca ancora con nostalgia lo stack di attribution del passato, ma non c'è ritorno. Con iOS 17, SKAdNetwork 4.0 è completamente adottato, Meta e Google hanno portato le modeled conversions a stabilità production-grade, TikTok ha aperto la propria pipeline probabilistica. Il problema non è più \"non abbiamo dati\" — è \"quale segnale consideriamo affidabile e come integriamo questi segnali\".",{"type":32,"tag":33,"props":40,"children":41},{},[42],{"type":37,"value":43},"In questo articolo esaminiamo i layer tecnici dell'attribution nel mobile advertising dopo iOS 17, i veri limiti di SKAdNetwork 4.0, come funzionano le modeled conversions e l'architettura post-lookback che integra questi tre flussi di dati. L'obiettivo: sapere quale segnale pesare e in che misura quando mostri un annuncio a un utente iOS nel 2026.",{"type":32,"tag":45,"props":46,"children":48},"h2",{"id":47},"i-layer-dei-segnali-dopo-att",[49],{"type":37,"value":50},"I Layer dei Segnali dopo ATT",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"Nell'ambiente iOS 17 esistono tre tipi di segnali diversi: deterministico (SKAdNetwork), probabilistico (modeled conversions) e first-party (server-side events). Ognuno con latenza, granularità e livello di affidabilità differenti.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"SKAdNetwork 4.0 fornisce coarse-grained conversion values (da 0 a 63) ma con un ritardo di 24-48 ore. I timer sono a tre livelli: primi 0-2 giorni, poi 3-7 giorni, infine 8-35 giorni. Per l'ottimizzazione delle campagne le prime due finestre sono critiche perché gli aggiustamenti di bid devono essere quasi in tempo reale. Tuttavia i dati SKAd sono aggregati — nessuna granularità a livello utente, solo volume per ID campagna.",{"type":32,"tag":33,"props":62,"children":63},{},[64],{"type":37,"value":65},"Le modeled conversions sono conversioni stimate dal modello di machine learning della piattaforma (Meta, Google, TikTok). Quando l'utente iOS rifiuta ATT non esiste un segnale deterministico ma la piattaforma stima la probabilità di conversione usando pattern comportamentali (engagement rate, cohort storici, device type). Meta ha iniziato nel 2024 con un mix 30% modeled + 70% observed; a metà 2026 in alcune campagne il rapporto può arrivare a 50-50. Google UAC (Universal App Campaigns) usa un meccanismo simile ma mantiene una finestra di conversione più stretta (7 giorni).",{"type":32,"tag":33,"props":67,"children":68},{},[69,71,80],{"type":37,"value":70},"Lo stream di event first-party server-side significa inviare l'activity dentro l'app direttamente all'MMP (Mobile Measurement Partner) o al CDP. Questo segnale è a livello utente ma senza attribution — non sai da quale annuncio viene, lo usi solo per l'analisi comportamentale della cohort. Per esempio, puoi misurare la retention D7 ma attribuirla a una campagna specifica è complesso. Per saperne di più, vedi ",{"type":32,"tag":72,"props":73,"children":77},"a",{"href":74,"rel":75},"https:\u002F\u002Fwww.roibase.com.tr\u002Fit\u002Fppc",[76],"nofollow",[78],{"type":37,"value":79},"Performance Marketing (PPC)",{"type":37,"value":81},".",{"type":32,"tag":45,"props":83,"children":85},{"id":84},"i-veri-limiti-di-skadnetwork-40",[86],{"type":37,"value":87},"I Veri Limiti di SKAdNetwork 4.0",{"type":32,"tag":33,"props":89,"children":90},{},[91],{"type":37,"value":92},"SKAdNetwork 4.0 ha portato miglioramenti significativi: hierarchical source identifier (struttura campagna a 4 livelli), finestre di conversione multiple, supporto per l'attribution web-to-app. Ma in produzione esistono due ostacoli maggiori: il postback delay e la complessità della codifica del conversion value.",{"type":32,"tag":33,"props":94,"children":95},{},[96],{"type":37,"value":97},"Il postback delay è in media 24-72 ore. La prima finestra (0-2 giorni) ha un timer leggermente più veloce ma comunque impossibile per l'ottimizzazione real-time. Le strategie di bid tipicamente guardano dati di T-2, cioè adeguano il bid di oggi in base alla performance della cohort di due giorni fa. Questo significa reazione lenta ai cambiamenti di trend.",{"type":32,"tag":33,"props":99,"children":100},{},[101],{"type":37,"value":102},"Progettare lo schema del conversion value è un problema di ingegneria a sé stante. Devi comprimere dati multidimensionali (revenue, event type, user quality) in un integer da 0 a 63. Il pattern più comune: i primi 32 valori per event-based (install, registration, first purchase), gli ultimi 32 per revenue bucket. Ma questa codifica deve essere specifica per il brand — lo schema generico non funziona. Per esempio, un'app gaming potrebbe allocare 0-15 per retention signal (critico per D1), 16-31 per IAP events, 32-63 per LTV bucket.",{"type":32,"tag":33,"props":104,"children":105},{},[106],{"type":37,"value":107},"Il crowd anonymity threshold di SKAdNetwork crea problemi anche in produzione. Apple, per proteggere la privacy, sopprime combinazioni di campagna con volumi troppo bassi. Se una campagna di test ha 50 install al giorno potrebbe non ricevere alcun postback SKAd. Questo rende difficili i test di nuove campagne — o devi scalare il volume velocemente o usare targeting più ampio.",{"type":32,"tag":45,"props":109,"children":111},{"id":110},"come-funzionano-le-modeled-conversions",[112],{"type":37,"value":113},"Come Funzionano le Modeled Conversions",{"type":32,"tag":33,"props":115,"children":116},{},[117],{"type":37,"value":118},"Il sistema di modeled conversions di Meta si basa su un modello di attribution statistico. Quando l'utente rifiuta ATT, Meta non può ottenere l'IDFA ma utilizza questi segnali: ad engagement (impression, click), device type, network quality, overlap di targeting delle campagne. Questi feature entrano in un modello di regressione Bayesiana che risponde probabilisticamente a \"questo utente ha convertito\".",{"type":32,"tag":33,"props":120,"children":121},{},[122],{"type":37,"value":123},"L'intervallo di confidenza del modello è generalmente 80-95% — quindi ogni stima ha 5-20% di margine di errore. Meta Ads Manager lo mostra sotto l'etichetta \"Estimated conversions\". L'ottimizzazione del budget della campagna (CBO) usa questo segnale modeled ma con peso inferiore rispetto alle conversioni observed.",{"type":32,"tag":33,"props":125,"children":126},{},[127],{"type":37,"value":128},"Google UAC usa il conversion modeling in modo più aggressivo. Lato Android Google Play Instant permette segnali deterministici ma lato iOS è completamente model-based. Il vantaggio di Google: se hai integrazione Firebase Analytics lo stream di event in-app è più ricco, migliorando l'accuracy del modello. Ma la finestra di lookback rimane limitata — Google modella su 7 giorni, Meta può arrivare a 28.",{"type":32,"tag":33,"props":130,"children":131},{},[132],{"type":37,"value":133},"TikTok ha lanciato il proprio pipeline di attribution probabilistica dalla beta a fine 2025. Usa un approccio ibrido TikTok Pixel + SKAdNetwork. Se l'utente rimane a lungo dentro TikTok (alto engagement) e poi clicca il link dell'app store questo pattern è un segnale forte per il modello. Lo svantaggio di TikTok: la rete non è grande come Meta\u002FGoogle, quindi mancano pattern comportamentali cross-platform.",{"type":32,"tag":45,"props":135,"children":137},{"id":136},"architettura-di-maturità-post-lookback",[138],{"type":37,"value":139},"Architettura di Maturità Post-Lookback",{"type":32,"tag":33,"props":141,"children":142},{},[143],{"type":37,"value":144},"Nel periodo di maturità post-lookback (quando i postback SKAdNetwork sono completati) avviene la vera valutazione della performance. Qui devi integrare tre flussi di dati: SKAdNetwork observed, platform modeled e MMP first-party.",{"type":32,"tag":33,"props":146,"children":147},{},[148],{"type":37,"value":149},"L'architettura funziona così: i postback SKAdNetwork arrivano all'MMP (Adjust, AppsFlyer, Kochava), contemporaneamente le modeled conversions vengono estratte via API dalla piattaforma, e gli in-app event first-party fluiscono nel CDP o data warehouse (BigQuery, Snowflake). Per integrare i tre stream hai bisogno di una chiave comune: campaign ID + install cohort date.",{"type":32,"tag":33,"props":151,"children":152},{},[153],{"type":37,"value":154},"La logica di integrazione deve risolvere queste domande: la modeled conversion si sovrappone con il postback SKAd? Stai contando lo stesso install due volte? Per la deduplicazione gli MMP tipicamente usano SKAd come ground truth e aggiungono le modeled conversions come stima aggiuntiva. Per esempio se SKAd dice 100 install e Meta dice 40 modeled, il totale non è 140 — è 100 confirmed + 40 probabilistic.",{"type":32,"tag":33,"props":156,"children":157},{},[158],{"type":37,"value":159},"Il calcolo dell'LTV (Lifetime Value) viene completamente dal flusso first-party. SKAdNetwork non fornisce LTV, le modeled conversions non stimano revenue. Per questo l'analisi LTV per cohort richiede il raw event stream dall'MMP o CDP. Il flusso tipico: ottieni la cohort di install da SKAd, calcola la revenue D7\u002FD30\u002FD90 di quella cohort da first-party, usa SKAd install count × cohort LTV nel calcolo ROAS a livello campagna.",{"type":32,"tag":33,"props":161,"children":162},{},[163],{"type":37,"value":164},"Costruire questa architettura richiede data pipeline engineering nello stack del performance marketing. Non è solo dashboard — ETL (Extract, Transform, Load), logica di deduplicazione e calibrazione delle soglie di confidence del modello sono critici.",{"type":32,"tag":45,"props":166,"children":168},{"id":167},"incrementalità-e-struttura-dei-test-in-holdout",[169],{"type":37,"value":170},"Incrementalità e Struttura dei Test in Holdout",{"type":32,"tag":33,"props":172,"children":173},{},[174],{"type":37,"value":175},"Le modeled conversions creano un problema di fiducia: ha davvero convertito quell'utente o il modello ha indovinato? Per rispondere è necessaria la incrementality measurement. Il metodo più pulito: test in holdout geo-based.",{"type":32,"tag":33,"props":177,"children":178},{},[179],{"type":37,"value":180},"Il geo-holdout test funziona così: disattivi la campagna in determinate aree geografiche (stato, città, DMA), confronti il tasso di install organico in quella regione con il tasso nelle aree con campagna attiva. La differenza = lift incrementale. Ma fare un geo test con attribution iOS è difficile perché SKAdNetwork non fornisce breakdown geografico. Il test deve essere costruito lato MMP — l'IP di install viene usato per l'inferenza geo ma non è accurato al 100%.",{"type":32,"tag":33,"props":182,"children":183},{},[184],{"type":37,"value":185},"Alternativa: holdout time-based. Disattivi la campagna in giorni specifici della settimana, misuri il calo di volume di install. Questo metodo è semplice ma può introdurre seasonal bias (per esempio la domenica gli install organici sono già alti di base, quindi l'effetto della campagna potrebbe essere sottovalutato).",{"type":32,"tag":33,"props":187,"children":188},{},[189],{"type":37,"value":190},"Meta offre il proprio Conversion Lift test tool. Divide gli utenti in gruppo test\u002Fcontrol, mostra annunci al test, al control group mostra PSA o charity ad. Poi confronta i tassi di conversione. Questo test funziona indipendentemente da SKAdNetwork perché Meta usa il proprio user graph. Ma richiede minimo 200K impression, quindi non è fattibile per campagne piccole.",{"type":32,"tag":33,"props":192,"children":193},{},[194],{"type":37,"value":195},"I risultati dei test di incrementalità possono essere usati per calibrare l'intervallo di confidenza delle modeled conversions. Per esempio se il lift test mostra 60% incrementale ma le modeled conversions rivendicano 80% di conversione, il modello sta overestimando — abbassa il weight del modello.",{"type":32,"tag":45,"props":197,"children":199},{"id":198},"quale-segnale-fidarsi-nellottimizzazione-delle-campagne",[200],{"type":37,"value":201},"Quale Segnale Fidarsi nell'Ottimizzazione delle Campagne",{"type":32,"tag":33,"props":203,"children":204},{},[205],{"type":37,"value":206},"A metà 2026 per l'ottimizzazione delle campagne è necessario un approccio ibrido. Fidarsi solo di SKAdNetwork crea latenza, fidarsi solo delle modeled conversions crea perdita di fiducia.",{"type":32,"tag":33,"props":208,"children":209},{},[210],{"type":37,"value":211},"Strategia consigliata: nelle prime 48 ore usa modeled conversions con peso maggiore (SKAd è in ritardo), poi quando arrivano i postback SKAd ricalibrare il modello. Per esempio in una campagna Meta CBO nei primi due giorni il budget shift tra ad set avviene secondo il segnale modeled, dal giorno 3 il peso delle conversioni observed aumenta.",{"type":32,"tag":33,"props":213,"children":214},{},[215],{"type":37,"value":216},"Per la strategia di bid: invece di puro ROAS-based bidding usa tROAS (target ROAS) + volume cap ibrido. Calcolare ROAS deterministico su iOS è difficile, quindi imposta un target tROAS fisso (per esempio 3.0) ma aggiungi un floor di volume install giornaliero (minimo 500 install\u002Fgiorno). In questo modo mantieni sia redditività che scala.",{"type":32,"tag":33,"props":218,"children":219},{},[220],{"type":37,"value":221},"Il creative testing crea anche problemi di segnale. Per fare A\u002FB test potrebbe non bastare il volume (SKAd crowd anonymity threshold). In questo caso fai sequential test: run creative A per 3 giorni, poi B per 3 giorni, poi confronta quando arrivano i postback SKAd. Questo metodo non è perfettamente pulito (c'è bias di fattore esterno) ma è l'opzione più pragmatica entro i vincoli iOS.",{"type":32,"tag":45,"props":223,"children":225},{"id":224},"conclusione",[226],{"type":37,"value":227},"Conclusione",{"type":32,"tag":33,"props":229,"children":230},{},[231],{"type":37,"value":232},"Lo stack di attribution dopo iOS 17 non è deterministico — è probabilistico, ritardato e multi-layer. SKAdNetwork 4.0 fornisce il segnale di base ma con latenza, le modeled conversions aggiungono velocità ma creano questioni di fiducia, il flusso first-party fornisce il calcolo dell'LTV ma non attribution. Integrare i tre flussi e comprendere l'intervallo di fiducia di ognuno è ora core competency del performance marketing. I team che non costruiscono lo stack correttamente o sottoinvestono (non fidandosi dei segnali modeled e perdendo opportunità) o sovra-investono (non notando l'overestimate del modello e vedendo il CAC esplodere). Nel 2026 vince il team che legittima la complessità dei segnali con disciplina engineering.",{"title":16,"searchDepth":234,"depth":234,"links":235},3,[236,238,239,240,241,242,243],{"id":47,"depth":237,"text":50},2,{"id":84,"depth":237,"text":87},{"id":110,"depth":237,"text":113},{"id":136,"depth":237,"text":139},{"id":167,"depth":237,"text":170},{"id":198,"depth":237,"text":201},{"id":224,"depth":237,"text":227},"markdown","content:it:marketing:ios-17-sonrasi-ad-attribution-stack.md","content","it\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack.md","it\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack","md",1785967479399]