[{"data":1,"prerenderedAt":250},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fru\u002Fmarketing\u002Fios-17-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-ad-attribution-stack","\u002Fen\u002Fmarketing\u002Fios-17-ad-attribution-stack","\u002Fes\u002Fmarketing\u002Fstack-atribucion-ios-posterior-17","\u002Ffr\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stack","\u002Fit\u002Fmarketing\u002Fios-17-post-attribution-stack","\u002Fru\u002Fmarketing\u002Fios-17-ad-attribution-stack","\u002Ftr\u002Fmarketing\u002Fios-17-sonrasi-ad-attribution-stacki",{"_path":11,"_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,"","Стек атрибуции iOS 17: детерминированные сигналы, модельные конверсии и необходимость тестирования инкрементальности","ATT, SKAdNetwork 4, modeled conversions: как изменилась архитектура мобильной атрибуции после iOS 17, какие источники сигналов надежны, почему инкрементальное тестирование стало обязательным.","2026-07-09",[21,22,23,24,25],"ios-attribution","skadnetwork","att","mobile-measurement","incrementality",8,"Roibase",{"type":29,"children":30,"toc":231},"root",[31,39,46,51,56,61,67,72,77,82,89,99,104,110,115,120,125,130,136,141,152,162,178,184,189,194,199,205,210,215,220,226],{"type":32,"tag":33,"props":34,"children":35},"element","p",{},[36],{"type":37,"value":38},"text","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.",{"type":32,"tag":40,"props":41,"children":43},"h2",{"id":42},"детерминированные-сигналы-больше-не-большинство",[44],{"type":37,"value":45},"Детерминированные сигналы больше не большинство",{"type":32,"tag":33,"props":47,"children":48},{},[49],{"type":37,"value":50},"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.",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"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.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"Вывод: ваш стек атрибуции больше не детерминированный, а вероятностный, и вы должны это принять.",{"type":32,"tag":40,"props":62,"children":64},{"id":63},"skadnetwork-4-созрел-но-стандартом-не-стал",[65],{"type":37,"value":66},"SKAdNetwork 4: созрел, но стандартом не стал",{"type":32,"tag":33,"props":68,"children":69},{},[70],{"type":37,"value":71},"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 \u002F группа объявлений \u002F 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.",{"type":32,"tag":33,"props":73,"children":74},{},[75],{"type":37,"value":76},"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.",{"type":32,"tag":33,"props":78,"children":79},{},[80],{"type":37,"value":81},"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.",{"type":32,"tag":83,"props":84,"children":86},"h3",{"id":85},"пример-маппирования-conversion-value",[87],{"type":37,"value":88},"Пример маппирования conversion value",{"type":32,"tag":90,"props":91,"children":93},"pre",{"code":92},"Postback 0 (0–2 дня):\n- conversion_value = 1 → установка\n- conversion_value = 2 → первый запуск + завершение онбординга\n\nPostback 1 (3–7 дней):\n- conversion_value = 10–20 → encode сумму покупки в приложении за первые 7 дней в диапазоны по $10\n\nPostback 2 (8–35 дней):\n- conversion_value = 30–40 → encode прогноз LTV до дня 35 в диапазоны по $50\n",[94],{"type":32,"tag":95,"props":96,"children":97},"code",{"__ignoreMap":16},[98],{"type":37,"value":92},{"type":32,"tag":33,"props":100,"children":101},{},[102],{"type":37,"value":103},"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.",{"type":32,"tag":40,"props":105,"children":107},{"id":106},"модельные-конверсии-прогноз-это-большинство-сигнала",[108],{"type":37,"value":109},"Модельные конверсии: прогноз — это большинство сигнала",{"type":32,"tag":33,"props":111,"children":112},{},[113],{"type":37,"value":114},"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.",{"type":32,"tag":33,"props":116,"children":117},{},[118],{"type":37,"value":119},"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.",{"type":32,"tag":33,"props":121,"children":122},{},[123],{"type":37,"value":124},"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.",{"type":32,"tag":33,"props":126,"children":127},{},[128],{"type":37,"value":129},"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.",{"type":32,"tag":40,"props":131,"children":133},{"id":132},"инкрементальное-тестирование-больше-не-измерение-а-механизм-решения",[134],{"type":37,"value":135},"Инкрементальное тестирование больше не измерение, а механизм решения",{"type":32,"tag":33,"props":137,"children":138},{},[139],{"type":37,"value":140},"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.",{"type":32,"tag":33,"props":142,"children":143},{},[144,150],{"type":32,"tag":145,"props":146,"children":147},"strong",{},[148],{"type":37,"value":149},"Geo-holdout:",{"type":37,"value":151}," 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.",{"type":32,"tag":33,"props":153,"children":154},{},[155,160],{"type":32,"tag":145,"props":156,"children":157},{},[158],{"type":37,"value":159},"Audience holdout:",{"type":37,"value":161}," 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.",{"type":32,"tag":33,"props":163,"children":164},{},[165,167,176],{"type":37,"value":166},"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 ",{"type":32,"tag":168,"props":169,"children":173},"a",{"href":170,"rel":171},"https:\u002F\u002Fwww.roibase.com.tr\u002Fru\u002Fppc",[172],"nofollow",[174],{"type":37,"value":175},"PPC маркетинга",{"type":37,"value":177}," мы повторяем инкрементальные тесты каждый квартал, а не только при запуске, чтобы отследить дрейф модели.",{"type":32,"tag":40,"props":179,"children":181},{"id":180},"privacy-sandbox-и-web-to-app-атрибуция",[182],{"type":37,"value":183},"Privacy Sandbox и web-to-app атрибуция",{"type":32,"tag":33,"props":185,"children":186},{},[187],{"type":37,"value":188},"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.",{"type":32,"tag":33,"props":190,"children":191},{},[192],{"type":37,"value":193},"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.",{"type":32,"tag":33,"props":195,"children":196},{},[197],{"type":37,"value":198},"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.",{"type":32,"tag":40,"props":200,"children":202},{"id":201},"post-lookback-зрелость-достаточно-ли-35-дней",[203],{"type":37,"value":204},"Post-lookback зрелость: достаточно ли 35 дней?",{"type":32,"tag":33,"props":206,"children":207},{},[208],{"type":37,"value":209},"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.",{"type":32,"tag":33,"props":211,"children":212},{},[213],{"type":37,"value":214},"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.",{"type":32,"tag":33,"props":216,"children":217},{},[218],{"type":37,"value":219},"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».",{"type":32,"tag":40,"props":221,"children":223},{"id":222},"что-делать-сейчас",[224],{"type":37,"value":225},"Что делать сейчас",{"type":32,"tag":33,"props":227,"children":228},{},[229],{"type":37,"value":230},"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.",{"title":16,"searchDepth":232,"depth":232,"links":233},3,[234,236,239,240,241,242,243],{"id":42,"depth":235,"text":45},2,{"id":63,"depth":235,"text":66,"children":237},[238],{"id":85,"depth":232,"text":88},{"id":106,"depth":235,"text":109},{"id":132,"depth":235,"text":135},{"id":180,"depth":235,"text":183},{"id":201,"depth":235,"text":204},{"id":222,"depth":235,"text":225},"markdown","content:ru:marketing:ios-17-ad-attribution-stack.md","content","ru\u002Fmarketing\u002Fios-17-ad-attribution-stack.md","ru\u002Fmarketing\u002Fios-17-ad-attribution-stack","md",1785103547440]