iOS 14.5.
Conte conosco.

FAQ

O que é a modelagem probabilística?

A modelagem probabilística é uma técnica estatística que estima o desempenho da campanha e não pode ser usada para identificar exclusivamente um usuário e/ou dispositivo. Ela usa machine learning para estimar o desempenho da campanha sem comprometer a privacidade. Ao contrário do fingerprinting, que visa maximizar os pontos de dados captados de cada usuário para criar um identificador único que possa ser usado para rastrear usuários em sites por um período prolongado, a modelagem probabilística da AppsFlyer busca fazer exatamente o oposto: minimizar os pontos de dados captados e evitar a possibilidade de criação de um identificador único persistente ou permanente que possa ser usado para identificar um usuário e/ou dispositivo.

A modelagem probabilística mensura os detalhes de criativos e campanhas dos desenvolvedores de aplicativos, não os dados dos aplicativos nos quais os anúncios são exibidos. Além disso, na maioria dos casos, o aplicativo no qual o anúncio foi exibido é desconhecido.

Enquanto os fingerprints são usados para criar perfis detalhados de usuários e permitir o direcionamento preciso (em qualquer momento e em qualquer site), a modelagem probabilística é usada com o único propósito de estimar a performance de campanhas de mídia paga e própria (como sites, plataformas de redes sociais, e-mails e recomendações de usuários).

Embora o fingerprinting seja usado como proxy para a performance agregada de campanhas, percebemos que uma mensuração mais precisa pode ser obtida a nível agregado em um mundo não-determinístico, pois o objetivo do machine learning é maximizar a precisão da performance agregada de uma campanha, e não a precisão da atribuição do usuário final.

Ou seja, enquanto o objetivo da atribuição via fingerprinting é tentar minimizar falsos positivos e negativos, a modelagem probabilística pode oferecer uma precisão muito maior sobre a performance agregada das campanhas, e uma privacidade do usuário muito mais adequada. Por isso, janelas de lookback não podem ser definidas nesse modelo.

Qual é a diferença entre o Fingerprinting e a Modelagem Probabilística?

Fingerprinting:

O Fingerprinting (muitas vezes chamado de fingerprinting do navegador – browser fingerprinting) é um termo associado ao processo de coleta de uma ampla gama de informações do computador e do navegador, feito através do navegador da web de um usuário, para identificar exclusivamente um usuário e/ou dispositivo. Fingerprintings são usados para identificar um dispositivo quando outros identificadores persistentes, como os cookies, não podem ser lidos ou armazenados por um site. Um fingerprint é criado através da combinação de vários pontos de dados do seu dispositivo e/ou navegador, que ficam acessíveis a todos os sites quando você visita suas páginas. Isso pode incluir a versão do navegador, extensões do navegador e plug-ins (incluindo suas versões), propriedades de hardware, lista de fontes, canvas e WebGL, benchmarking de HW, idioma, fuso horário, versão do sistema operacional, características da tela e barras de menu.

Estatisticamente, há uma chance muito pequena de que dois ou mais dispositivos tenham instalações e configurações idênticas. Você pode ver o quão únicas são as suas configurações aqui. Fingerprints são especialmente fortes, pois podem detectar um dispositivo por um longo período, mesmo se certos parâmetros de fingerprint forem alterados, como, por exemplo, quando endereços de IP são alterados ou mesmo se escondem por trás de uma VPN.

Embora as técnicas de fingerprinting tenham sido inicialmente criadas como um método para que bancos detectassem fraudes e prevenissem o roubo de identidade, hoje eles são usados para rastrear usuários em sites a fim de compilar registros a longo prazo de históricos de navegação de indivíduos e gerar publicidade direcionada ou exploits direcionados aos usuários; ou seja, esse método levanta sérias questões sobre a privacidade. Por esse motivo, os navegadores (Safari, Chrome e Firefox, dentre outros) começaram a fazer alterações visando limitar a quantidade de dados que eles expõem aos sites, tornando os usuários mais parecidos e criando uma espécie de “imunidade de rebanho”.

A boa notícia é que os navegadores mobile têm maior restrição de compartilhamento de dados, e já oferecem a “imunidade de rebanho” contra o tipo de fingerprinting mais comum em desktops. Dispositivos iOS, especificamente, são muito menos fragmentados, o que os torna bastante imunes contra fingerprinting.

Modelagem Probabilística da AppsFlyer:

A modelagem probabilística é uma técnica estatística que estima o desempenho da campanha e não pode ser usada para identificar exclusivamente um usuário e/ou dispositivo. Ela usa machine learning para estimar o desempenho da campanha sem comprometer a privacidade. Ao contrário do fingerprinting, que visa maximizar os pontos de dados captados de cada usuário para criar um identificador único que possa ser usado para rastrear usuários em sites por um período prolongado, a modelagem probabilística da AppsFlyer busca fazer exatamente o oposto: minimizar os pontos de dados captados e evitar a possibilidade de criação de um identificador único persistente ou permanente que possa ser usado para identificar um usuário e/ou dispositivo.

Enquanto os fingerprints são usados para criar perfis detalhados de usuários e permitir o direcionamento preciso (em qualquer momento e em qualquer site), a modelagem probabilística é usada com o único propósito de estimar a performance de campanhas de mídia paga e própria (como sites, plataformas de redes sociais, e-mails e recomendações de usuários).

A modelagem probabilística mensura os detalhes de criativos e campanhas dos desenvolvedores de aplicativos, não os dados dos aplicativos nos quais os anúncios são exibidos. Além disso, na maioria dos casos, o aplicativo no qual o anúncio foi exibido é desconhecido.

A modelagem probabilística depende de muito poucos pontos de dados, que mudam com frequência. Por esse motivo, técnicas de machine learning e estimativa estatística são usadas (ao contrário da criação e correspondência de IDs exclusivos) e é por isso que as janelas de lookback não podem ser definidas.

Conforme descrito acima, a modelagem probabilística é um método centrado na privacidade que estima a performance de campanhas de anúncios. É muito diferente do fingerprinting. Ela não gera um ID único que é persistente ou permanente ou que pode identificar exclusivamente qualquer dispositivo em sites ou aplicativos por um longo período. Não é usada para segmentação ou criação de perfis. Na verdade, a modelagem probabilística é uma das melhores maneiras de manter a privacidade no processo de atribuição e de estimativa da performance da campanha.

A tabela abaixo mostra uma visualização simples das principais diferenças entre o fingerprinting de navegadores tradicional e a modelagem probabilística:

	Fingerprinting	Modelagem Probabilística da AppsFlyer
Equivalente ao ID único e/ou persistente	Sim	Não
Pode ser usado para identificar exclusivamente um dispositivo	Sim	Não
Pode ser usado para rastrear usuários em sites/apps (rastreamento entre sites)	Sim	Não
Depende de uma grande quantidade de dados do dispositivo do usuário e do navegador	Sim	Não
Pode ser usado para criar perfis	Sim	Não
Pode ser usado para direcionar usuários	Sim	Não
Pode identificar um dispositivo mesmo quando os usuários se escondem por trás de VPNs ou IPs alternativos	Sim	Não
É determinístico?	Sim	Não
Privacidade	Pode ser usado de maneira invasiva	Adequada

A Modelagem Probabilística da AppsFlyer está alinhada com as diretrizes do iOS 14 da Apple?

A AppsFlyer é um software como serviço usado por desenvolvedores de aplicativos e anunciantes como uma extensão de sua estrutura tecnológica, atuando de maneira semelhante a um CRM. A AppsFlyer permite que os desenvolvedores gerenciem, analisem e protejam os dados de seus usuários finais primários, ao mesmo tempo em que cumprem com os regulamentos de privacidade e políticas de diferentes plataformas, como os recentemente introduzidos pela Apple.

A modelagem probabilística da AppsFlyer é uma técnica estatística que faz uma estimativa da performance da campanha e não pode ser usada para identificar exclusivamente um usuário e/ou dispositivo. Ela usa machine learning para prever a performance da campanha sem comprometer a privacidade. Ao contrário do fingerprinting, que visa maximizar os pontos de dados captados de cada usuário para criar um identificador único persistente ou quase permanente, que pode ser usado para rastrear usuários em sites por um período prolongado, a modelagem probabilística da AppsFlyer busca fazer exatamente o oposto: minimizar os pontos de dados captados e evitar a possibilidade de criação de um identificador único persistente ou permanente que pode ser usado para rastrear um usuário.

Embora o fingerprinting seja usado como proxy para a performance agregada de campanhas, percebemos que uma mensuração mais precisa pode ser obtida a nível agregado em um mundo não-determinístico, pois o objetivo do machine learning é maximizar a precisão da performance agregada de uma campanha, e não a precisão da atribuição do usuário final.

Ou seja, enquanto o objetivo da atribuição via fingerprinting é tentar minimizar falsos positivos e negativos, a modelagem probabilística pode oferecer uma precisão muito maior sobre a performance agregada das campanhas, e uma privacidade do usuário muito mais adequada. Por isso, janelas de lookback não podem ser definidas nesse modelo.

A modelagem probabilística busca responder a uma pergunta muito simples: os consumidores encontraram valor em minhas mídias pagas, orgânicas e próprias, como sites, plataformas de redes sociais, e-mails e recomendações de usuários? A modelagem probabilística mensura os detalhes de criativos e campanhas dos desenvolvedores de aplicativos, não os dados dos aplicativos nos quais os anúncios são exibidos. Além disso, na maioria dos casos, o aplicativo no qual o anúncio foi exibido é desconhecido.

De maneira semelhante à SKAdnetwork, a privacidade avançada agregada da AppsFlyer previne o rastreamento entre sites e a capacidade de identificar exclusivamente um usuário ou dispositivo. Além disso, a privacidade avançada agregada da AppsFlyer utiliza os níveis de privacidade da SKAdNetwork como benchmark básico para seus limites de privacidade. Assim, a modelagem probabilística unida à privacidade avançada agregada está em conformidade com as diretrizes do iOS 14.5 da Apple, e é por isso que a estabelecemos como configuração padrão. Dito isso, recomendamos aos nossos clientes que revisem o contrato e as diretrizes do desenvolvedor de aplicativos da Apple, e decidam como serão feitas suas configurações de privacidade avançada agregada, de integrações com parceiros e as políticas de coleta de dados para garantir que seu aplicativo esteja em conformidade com as diretrizes do iOS 14.

O que é a Privacidade Avançada Agregada (AAP)? Ela está de acordo com a diretrizes da Apple?

Demaneira semelhante à SKAdnetwork, a Privacidade Avançada Agregada (AAP) previne o rastreamento entre sites e a capacidade de identificar exclusivamente um usuário ou dispositivo. A Privacidade Avançada Agregada da AppsFlyer utiliza os níveis de privacidade da SKAdNetwork como benchmark básico para seus limites de privacidade.

Embora a atribuição determinística a nível do usuário seja um proxy preciso para a performance agregada de campanhas, percebemos que uma mensuração mais precisa pode ser obtida a nível agregado em um mundo não-determinístico, pois o objetivo do machine learning é maximizar a precisão da performance agregada de uma campanha, e não a precisão da atribuição do usuário final.

Ou seja, enquanto o objetivo da atribuição a nível do usuário é tentar minimizar falsos positivos e negativos, os métodos agregados não se restringem aos limites presentes a nível do usuário e, por isso, podem oferecer precisão muito maior e uma privacidade do usuário muito mais adequada.

A AAP usa uma combinação de modelagem probabilística estatística e machine learning para criar um proxy configurado com o objetivo de estimar o ROI e LTV da performance agregada da campanha. Num futuro próximo, planejamos usar a estimativa da atribuição determinística, amostras de dados e estimativas de cohort para mensurar a performance agregada da campanha, LTV e ROI. Também planejamos adicionar mais limites de privacidade, melhorando a privacidade e tornando o rastreamento entre sites tecnicamente impossível, aprimorando o benchmark de privacidade da SKAdNetwork. A nossa solução de AAP está em conformidade com as diretrizes do iOS 14.5 da Apple, e é por isso que a estabelecemos como configuração padrão. Além disso, a SKAdNetwork traz riscos de fraude, e a AAP é essencial para proteger os desenvolvedores de aplicativos da potencial fraude de anúncios.