Soyez prêts pour iOS 14 avec AppsFlyer

FAQ

Quel est l’impact de l’iOS 14 sur les produits d’AppsFlyer ?

Attribution

L’attribution d’AppsFlyer, centrée sur la protection des données personnelles, offre une visibilité complète à 360 degrés des performances de campagnes pour toutes les versions d’iOS grâce :

1. Aux données déterministes de SKAdNetwork
2. À l’attribution déterministe d’AppsFlyer, basée sur les identifiants permanents des appareils lorsque l’utilisateur final accepte l’ATT sur les apps source et cible.
3. À l’algorithme de modélisation probabiliste d’AppsFlyer, qui fournit des données granulaires sur les performances des campagnes.

L’attribution déterministe basée sur les identifiants permanents des appareils sera toujours disponible lorsque l’utilisateur final acceptera l’ATT sur les apps source et cible. En l’absence de cet identifiant, l’algorithme de modélisation probabiliste d’AppsFlyer fournira des données sur les performances des campagnes. De plus, les clients d’AppsFlyer pourront profiter de SKAdNetwork, qui est basé sur l’attribution déterministe. L’attribution d’AppsFlyer, axée confidentialité, offre une visibilité complète des performances des campagnes, pour toutes les versions d’iOS.

Remarketing et segmentation de l’audience

Avec iOS 14, le remarketing devient de plus en plus complexe. Ceci à cause de l’utilisation de plusieurs identifiants sur différentes plateformes, ainsi que du mécanisme de « remarketing opt-in » récemment introduit par Apple. AppsFlyer Audiences prend entièrement en charge les device-ID supplémentaires, pour la création d’audience même sans IDFA. Cela signifie qu’il est désormais possible de construire des audiences et de les envoyer à ses partenaires, sur la base de tout identifiant que les annonceurs souhaitent utiliser. Nous avons également ajouté une nouvelle couche de gouvernance des données à notre outil Audiences. Ainsi, les annonceurs définissent exactement quels identifiants doivent être envoyés à quel partenaire, en fonction du dernier statut opt-in ATT de l’utilisateur ou de l’utilisatrice. Nous continuons à fournir une solution flexible de gestion de l’audience, alignée avec les critères de targeting de nos partenaires, afin d’accompagner les annonceurs d’applications sur le long terme.

Deep linking et deep linking différé

Pour les campagnes sur les réseaux publicitaires et les médias propres, il n’y aura aucun impact sur le deep linking pour les utilisateurs d’iOS 14. Par défaut, AppsFlyer utilisera l’IDFA lorsqu’il sera disponible. Dans tous les autres cas, c’est la modélisation probabiliste qui sera utilisée. L’iOS 14 peut affecter les deep linking différés des campagnes de réseaux publicitaires qui s’appuient sur l’IDFA.

Aux clients qui souhaitent mettre en place un deep linking différé à partir de réseaux publicitaires et de médias propriétaires, nous conseillons d’utiliser AppsFlyer iOS SDK v.6.1.x, afin atténuer l’impact global. Cela permettra aussi une certaine souplesse dans le consentement à l’ATT (si nécessaire) et des temps de réponse plus rapides.
Les clients qui lancent des campagnes sur des SRN doivent tenir compte du fait que le deep linking et le deep linking différé ne fonctionneront pas lorsque l’IDFA n’est pas disponible. Aux clients qui souhaitent conserver la visibilité de l’attribution des campagnes SRN grâce au deep linking et au deep linking différé, nous recommandons d’utiliser les flux web-to-app.

Travailler avec des partenaires

Nous continuons à offrir une intégration transparente avec plus de 7 000 réseaux publicitaires, partenaires technologiques et partenaires d’analyse. Le tout, en garantissant toujours à nos clients une visibilité totale concernant l’utilisation et le partage de leurs données par les partenaires intégrés.

Nous encourageons nos partenaires à rejoindre notre protocole avancé de partage des données personnelles afin d’optimiser la confidentialité des utilisateurs finaux. Les partenaires qui ont activé la confidentialité avancée, ainsi que les partenaires intégrés à notre solution SKAdNetwork, sont indiqués dans le menu Partenaires intégrés avec des badges dédiés. Nous recommandons à nos clients de minimiser les intégrations user-level avec les partenaires, d’examiner les pratiques en matière de confidentialité des données, et de s’assurer que leurs partenaires sont conformes aux conditions mises à jour d’Apple.

Autres sujets

L’intégration à la solution SKAdNetwork d’AppsFlyer est-elle suffisante pour prendre en charge les modifications d’iOS 14 ?

SKAdNetwork n’est qu’un élément de la solution pour iOS 14. Il comporte encore de nombreuses lacunes (y compris une mauvaise attribution allant jusqu’à 32 % des installations non organiques), car il ne couvre que des flux d’attribution spécifiques dans des conditions spécifiques. La solution iOS 14 complète d’AppsFlyer, en revanche, offre une couverture complète pour l’attribution iOS. Ceci, en alliant SKAdNetwork avec une attribution centrée sur la confidentialité (modélisation probabiliste et attribution déterministe) et des solutions web-to-app.

Quelle est la différence entre le Fingerprinting et la modélisation probabiliste ?

Fingerprinting :
Le Fingerprinting (souvent appelée "browser fingerprinting") est un terme associé au processus de collecte d’un large éventail d’informations relatives à l’ordinateur et au navigateur par le biais du navigateur web d’un utilisateur, afin d’identifier de manière unique un utilisateur et/ou un appareil. Le Fingerprinting est utilisé pour identifier un appareil lorsque d’autres identifiants permanents, tels que les cookies, ne peuvent pas être lus ou stockés par un site web. Un "fingerprint" est créé en combinant différents points de données de votre appareil et/ou de votre navigateur qui sont accessibles à chaque site web lorsque vous visitez sa page. Cela peut inclure la version du navigateur, les extensions de navigateur installées et les plugins (y compris leurs versions), les propriétés du hardware, la liste des polices, le canevas et le WebGL, l’évaluation comparative HW, la langue, les fuseaux horaires, la version du système d’exploitation, les caractéristiques de l’écran et les barres de menu.

Statistiquement, il existe une très faible chance que deux ou plusieurs appareils aient des configurations identiques. Vous pouvez voir à quel point vos configurations et vos réglages sont uniques ici. Les Fingerprints sont particulièrement puissants, car ils peuvent détecter un appareil sur une période prolongée, même si certains paramètres du Fingerprint sont modifiés, avec des adresses IP modifiées ou même cachées par un VPN.

Les techniques de Fingerprinting ont été créées initialement pour permettre aux banques de détecter les fraudes et d’éviter le vol d’identité. Elles sont aujourd’hui utilisées pour suivre les utilisateurs sur tous les sites web, afin de compiler des enregistrements à long terme des historiques de navigation des individus, et de diffuser des publicités ciblées aux utilisateurs. Cela soulève de graves préoccupations en matière de confidentialité. C’est pour cette raison que les navigateurs (Safari, Chrome et Firefox pour n’en citer que quelques-uns) ont récemment commencé à apporter des modifications visant à limiter la quantité de données exposées aux sites web, et à donner une apparence similaire aux utilisateurs, créant ainsi une sorte d’« immunité de groupe ».

Modélisation probabiliste d’AppsFlyer :
La modélisation probabiliste est une technique statistique permettant d’estimer les performances des campagnes. Elle ne peut pas être utilisée pour identifier de manière unique un utilisateur et/ou un appareil. Elle exploite le machine learning pour estimer les performances des campagnes, sans compromettre la protection des données personnelles. Le Fingerprinting cherche à maximiser les points de données capturés de chaque utilisateur ou utilisatrice pour créer un identifiant unique, qui peut être utilisé pour suivre les utilisateurs sur une période prolongée et sur les sites web. La modélisation probabiliste d’AppsFlyer, au contraire, cherche à minimiser les points de données capturés et à empêcher la création d’un identifiant permanent, pouvant être utilisé pour identifier un utilisateur et/ou un appareil.

Les Fingerprints sont utilisés pour créer des profils détaillés d’utilisateurs afin de permettre un targeting précis (à tout moment et sur tout site). Au contraire, la modélisation probabiliste est employée dans le seul but d’estimer les performances des campagnes des médias payants et propriétaires (tels que les sites web, les plateformes de réseaux sociaux, les e-mails et les recommandations d’utilisateurs)

La modélisation probabiliste mesure les détails de la création et de la campagne des développeurs d’apps, et non les données des apps dans lesquelles les publicités sont diffusées. De plus, dans la plupart des cas, l’app dans laquelle la publicité a été diffusée est inconnue.
La modélisation probabiliste repose sur très peu de points de données, qui changent fréquemment. C’est pourquoi des techniques de learning machine et d’estimation statistique sont utilisées (par opposition à la création et à la correspondance d’identifiants uniques). C’est aussi la raison pour laquelle les fenêtres de retour ne peuvent pas être définies.
Comme décrit ci-dessus, la modélisation probabiliste est une méthode centrée sur la vie privée pour estimer les performances des campagnes publicitaires. Elle est très différente de la technique de Fingerprinting. Elle ne génère pas d’identifiant unique qui soit permanent ou qui puisse identifier de manière unique un appareil sur l’ensemble des sites ou des apps sur une période prolongée. Elle n’est pas utilisée pour le targeting ou le profilage. En fait, la modélisation probabiliste est l’une des façons les plus respectueuses de la vie privée pour attribuer et estimer les performances des campagnes.

Le tableau suivant présente un moyen simple de visualiser les différences significatives entre le Fingerprinting traditionnel des navigateurs et la modélisation probabiliste :

	Fingerprinting	Modélisation probabiliste d’AppsFlyer
Équivaut à une pièce d’identité unique et/ou permanente	Oui	Non
Peut être utilisée pour identifier un appareil de manière unique	Oui	Non
Peut être utilisée pour suivre les utilisateurs sur tous les sites/applications (cross-site tracking)	Oui	Non
Dépend d’une grande quantité de données provenant des appareils et des navigateurs des utilisateurs	Oui	Non
Peut être utilisée pour créer des profils	Oui	Non
Peut être utilisée pour cibler les utilisateurs	Oui	Non
Peut identifier un appareil même lorsque les utilisateurs se cachent derrière des VPN ou d’autres adresses IP	Oui	Non
Déterministe	Oui	Non
Confidentialité	Peut être exploitée de manière intrusive	En faveur

La modélisation probabiliste d’AppsFlyer est-elle conforme aux directives de l’iOS 14 d’Apple ?

AppsFlyer est un logiciel SaaS “first-party” utilisé par les développeurs d’apps et les annonceurs comme une extension de leurs outils technologiques, similaire à un CRM. AppsFlyer permet aux développeurs de gérer, d’analyser et de sécuriser les données de leurs utilisateurs finaux, tout en respectant les règles de confidentialité et les politiques de la plateforme, telles que celles récemment introduites par Apple.

La modélisation probabiliste d’AppsFlyer est une technique statistique permettant d’estimer les performances des campagnes. Elle ne peut pas être utilisée pour identifier de manière unique un utilisateur et/ou un appareil. Elle exploite le machine learning pour estimer les performances des campagnes sans compromettre la protection de la vie privée. Le Fingerprinting cherche à maximiser les points de données capturés de chaque utilisateur pour créer un identifiant unique, qui peut être utilisé pour suivre les utilisateurs sur une période prolongée et sur les sites web. La modélisation probabiliste d’AppsFlyer, au contraire, cherche à minimiser les points de données capturés et à empêcher la création d’un identifiant permanent, pouvant être utilisé pour identifier un utilisateur et/ou un appareil.

La modélisation probabiliste consiste à répondre à une question très simple : les consommateurs et consommatrices ont-ils trouvé de la valeur dans mes médias payants, earned et propres tels que les sites web, les plateformes de réseaux sociaux, les e-mails, les parrainages d’utilisateurs ? La modélisation probabiliste mesure le message publicitaire et les détails de la campagne, et non les données des apps dans lesquelles les publicités sont diffusées. De plus, dans la plupart des cas, l’app dans laquelle la publicité a été diffusée est inconnue.
La modélisation probabiliste combinée à notre système d’attribution centré sur la vie privée , qui permet l’intégration de données d’attribution agrégées avec les partenaires, est conforme aux orientations de l’iOS 14 d’Apple. Ceci dit, nous recommandons à nos clients de consulter le contrat et les directives pour les développeurs d’apps Apple, les intégrations de leurs partenaires et les politiques de collecte de données pour s’assurer que leur application est conforme aux directives de l’iOS 14.