С iOS 14.5 мобильная атрибуция борется за выживание. iOS 17 и середина 2026 года — это точка, где мы оказались: детерминированные сигналы составляют 15–20%, модельные конверсии — большинство, SKAdNetwork 4 созрел, но не стал стандартом, каждая платформа полагается на собственный прогноз. CMO'ы всё ещё не могут ответить на вопрос «сколько бюджета отдать каждому каналу», потому что стек атрибуции фрагментирован и противоречив. В этой статье разбираем архитектуру мобильного измерения после iOS 17, иерархию надёжности источников сигналов и то, почему инкрементальное тестирование стало важнее самой атрибуции.

Детерминированные сигналы больше не большинство

Когда в iOS 14.5 пришёл ATT (App Tracking Transparency), уровень согласия IDFA упал до 5–15%. В iOS 17 эта полоса выросла до 15–20%, но это всё равно меньшинство. Детерминированная атрибуция — прямое совпадение пользователя, кликнувшего на объявление, с событием в приложении — теперь находится на уровне выборочных данных. Вы можете использовать эту демографию как сегмент, но не можете экстраполировать совокупное производительность, потому что пользователи, согласившиеся на отслеживание, отличаются от тех, кто отказался — они менее защищают приватность и менее устойчивы к объявлениям.

Для оставшихся 80–85% есть три источника сигналов: SKAdNetwork (фреймворк Apple для сохранения приватности), вероятностное совпадение (остатки fingerprinting'а) и моделирование платформы (машинное обучение Meta и Google). Ни один не является детерминированным. SKAdNetwork postback'и агрегируют события, приходят с задержкой 24–144 часа, кодирование conversion value ограничено (6-битное целое число, 0–63). Вероятностное совпадение запрещено Apple — обнаруженная компания удаляется из App Store. Остаётся моделирование — Meta Aggregated Event Measurement (AEM), Privacy Sandbox Google с его механизмами добавления шума — но эти прогнозы не поддаются кросс-платформной сверке.

Вывод: ваш стек атрибуции больше не детерминированный, а вероятностный, и вы должны это принять.

SKAdNetwork 4: созрел, но стандартом не стал

SKAdNetwork перешёл на версию 4 в 2023 году. Главные улучшения: postback'и теперь трёхэтапные (0–2 дня, 3–7 дней, 8–35 дней), добавлена поддержка web-to-app атрибуции (установки из web view'ов с поддержкой SKAdNetwork отслеживаются), иерархический source identifier позволяет определить источник рекламы в 4 слоях (кампания / группа объявлений / креатив). Схема шифрования conversion value не изменилась, но Apple добавила threshold анонимности толпы в postback'и (минимальное число пользователей) — при низком трафике postback может не придти вообще.

По состоянию на середину 2026 года уровень внедрения около 60%. Meta и Google поддерживают SKAdNetwork 4, но сети вроде Unity Ads, ironSource, AppLovin ещё в переходе между версиями. Это означает, что одну и ту же кампанию разные DSP'и измеряют разными версиями SKAdNetwork, что создаёт невозможность сверки в отчётах.

Дополнительная проблема: SKAdNetwork postback'и кредитуют только последний клик (last-click attribution). Никаких просмотров, никаких вспомогательных точек контакта. В многоканальном пути пользователя последний касающийся канал берёт всю conversion value, а промежуточные вклады остаются невидимы.

Пример маппирования conversion value

Postback 0 (0–2 дня):
- conversion_value = 1 → установка
- conversion_value = 2 → первый запуск + завершение онбординга

Postback 1 (3–7 дней):
- conversion_value = 10–20 → encode сумму покупки в приложении за первые 7 дней в диапазоны по $10

Postback 2 (8–35 дней):
- conversion_value = 30–40 → encode прогноз LTV до дня 35 в диапазоны по $50

Из-за 6-битного ограничения вы не можете отправить выручку напрямую — вы определяете схему кодирования, и эта схема может отличаться между кампаниями. Результат: нужен дополнительный слой маппирования для сравнений.

Модельные конверсии: прогноз — это большинство сигнала

Aggregated Event Measurement (AEM) от Meta и Privacy Sandbox Google теперь в центре стека мобильной атрибуции. Эти модели прогнозируют поведение пользователей без IDFA с помощью машинного обучения: пользователь видел кампанию, установил приложение, но детерминированная связь не может быть установлена — модель статистически прогнозирует на основе прошлого поведения пользователей с похожими характеристиками кампании-когорты-демографии.

По отчёту Meta за 2025 год, 70% конверсий установок на iOS являются модельными. На Google Ads этот показатель 60–65%. Значит, большинство ROAS в вашем отчёте — это прогноз. Насколько эти прогнозы близки к реальности? Meta заявляет в своих собственных валидационных тестах 85–90% точность (сравнивая с инкрементальными holdout тестами). Но эта точность на агрегированном уровне — если вы проведёте инкрементальный тест на уровне кампании, вы можете увидеть отклонение ±30% между модельным ROAS и реальным лифтом.

Вторая проблема: модельные конверсии — специфичны для платформы. Модель Meta не разговаривает с моделью Google. Если один и тот же пользователь смоделирован по-разному на обеих платформах, кросс-платформная дедупликация невозможна. Без MMM (Marketing Mix Modeling) или geo-holdout тестов вы не сможете узнать, какая платформа внесла какой вклад.

Третья проблема: ритм обновления модели. Если Meta обновляет модель раз в неделю, а вы остановили кампанию, обучение модели отражается с задержкой 7–14 дней. Это делает тесты типа «остановим кампанию, посмотрим эффект» проблематичными, потому что модель имеет инертность.

Инкрементальное тестирование больше не измерение, а механизм решения

В мире, где модельные конверсии составляют 70% доли, вы не можете полагаться на цифры в отчёте. Решение: инкрементальное тестирование — контролируемые эксперименты, которые измеряют реальный прирост, вызванный кампанией. Два наиболее распространённых метода: geo-holdout и audience holdout.

Geo-holdout: вы отключаете кампанию в определённых географиях, измеряете разницу в установках или выручке. Например, вы отключаете кампанию Meta iOS в 10 штатах, продолжаете в 40 других, через 14 дней смотрите, насколько упал уровень установок в отключённых географиях. Это падение — истинный причинно-следственный эффект кампании. Преимущество geo-holdout: не требует пользовательских данных, независим от ATT. Недостаток: макроэкономические различия между контрольной и тестовой группой (локальные праздники, плотность конкуренции) могут исказить результат.

Audience holdout: вы используете PSA (Public Service Announcement) кампанию или механизм ghost bid для случайного исключения группы пользователей от показов объявлений, сравниваете с другой группой. Meta это предлагает как Conversion Lift тесты, Google как Brand Lift тесты. Если держите holdout группу в 5–10%, для статистической мощности нужен минимум 100.000 пользователей в выборке — это означает, что мелкие кампании не подходят.

Оба метода занимают 14–28 дней, что замедляет итерацию. Но после iOS 17 нет другого способа распределять бюджет без полагания на модельный ROAS. В работе PPC маркетинга мы повторяем инкрементальные тесты каждый квартал, а не только при запуске, чтобы отследить дрейф модели.

Privacy Sandbox и web-to-app атрибуция

iOS 17: правила ITP (Intelligent Tracking Prevention) в Safari ещё строже. Пользователи, направленные из web view в App Store, теперь проходят web-to-app поток SKAdNetwork 4, но здесь окно конверсии ограничено 24 часами. Значит, если пользователь видел кампанию на вебе, а установил приложение через 48 часов, эта атрибуция теряется.

Topics API Google и FLEDGE (First Locally-Executed Decision over Groups Experiment) предлагают альтернативу Privacy Sandbox на веб, но пока не являются стандартом для атрибуции внутри мобильного приложения. По слухам, Apple в 2026 году выпустит собственный API вроде Topics, но официального объявления нет.

Важный момент: цепочки web-to-app атрибуции могут быть безкукисными, но SKAdNetwork postback'и всё равно не могут правильно кредитовать кампанию, потому что вы не можете передать click ID с веба через перенаправление на App Store. Apple тестирует механизм "web attribution token" в StoreKit 2, но это пока не production.

Post-lookback зрелость: достаточно ли 35 дней?

Самое длинное окно postback SKAdNetwork — 35 дней. Но в играх, финансах и приложениях с подписками реальный LTV раскрывается за 90–180 дней. На день 35 вы кодируете прогноз LTV когорты в conversion value, но этот прогноз не захватывает ранний churn или позднюю монетизацию.

Решение: уровень post-attribution модели от MMP'ей (Mobile Measurement Partner — Adjust, AppsFlyer, Singular). Эти инструменты берут SKAdNetwork postback'и и, тренируя модель на своём собственном пуле детерминированных данных (opt-in пользователи), создают прогноз LTV на 90 дней. Но такой прогноз — это снова модель, и если обучающие данные MMP не отражают полностью поведение вашего приложения, прогноз может быть смещён.

Альтернатива: когортный анализ вручную. Берёте SKAdNetwork данные за первые 35 дней, отслеживаете ту же когорту вручную в BI-дашбордах до дня 90, затем ретроспективно корректируете ROAS кампании. Это ручной процесс, но после iOS 17 это метод, ближайший к «ground truth».

Что делать сейчас

Стек атрибуции iOS 17 — это фрагментированная, отложенная и насыщенная прогнозами система. Если вы не доверяете dashboard ROAS — вы реагируете правильно. Следуйте этим шагам: пересмотрите маппирование conversion value SKAdNetwork 4, убедитесь, что события первых 7–14 дней кодируются правильно. Вытащите долю модельных конверсий из MMP-дашбордов — если выше 70%, квартальный инкрементальный тест обязателен. Выбирая между geo-holdout и audience holdout, решайте на основе размера трафика — ниже 1.000 установок в день audience holdout не достигнет статистической значимости. Если у вас есть web-to-app поток, учтите 24-часовое окно атрибуции, рассмотрите перемещение ретаргетинговых кампаний в каналы с более длинным окном. Наконец: не игнорируйте атрибуцию, но не делайте её единственным входом в систему принятия решений — постройте треугольник с MMM, когортным LTV анализом и инкрементальными тестами. После iOS 17 игра выигрывается не детерминированными сигналами, а правильным прогнозом в паре с правильным решением.