Waarom zijn mijn iOS-attributiegegevens onnauwkeurig?

De attributiegegevens van iOS zijn onnauwkeurig, voornamelijk omdat Apple's App Tracking Transparency (ATT)-framework, geïntroduceerd met iOS 14, de toegang tot de IDFA voor de meeste gebruikers heeft verwijderd. Zonder de IDFA kunnen advertentienetwerken individuele installaties niet langer deterministisch volgen. Dit betekent dat uw app-installatiecijfers, ROAS-cijfers en campagnedata gebaseerd zijn op een combinatie van geaggregeerde signalen en statistische modellen, in plaats van op één-op-één gebruikerstracking. Als uw trackingcijfers niet overeenkomen op verschillende platforms, of als uw app-installaties plotseling zijn gedaald na een iOS-update, is dit vrijwel altijd de oorzaak. De onderstaande secties leggen precies uit hoe elk onderdeel van deze puzzel werkt.

Wat is er in iOS 14 veranderd waardoor de toeschrijving niet meer werkt?

iOS 14 introduceerde het App Tracking Transparency-framework, dat vereist dat apps gebruikers expliciet om toestemming vragen voordat ze toegang krijgen tot hun IDFA (Identifier for Advertisers). Vóór deze wijziging was de IDFA standaard beschikbaar en konden advertentienetwerken advertentieklikken zeer nauwkeurig koppelen aan app-installaties. Toen de meeste gebruikers tracking begonnen te weigeren, stortte die nauwkeurige koppelingsgraad in en raakten de attributiegegevens vrijwel van de ene op de andere dag gefragmenteerd.

De IDFA was jarenlang de ruggengraat van mobiele attributie. Wanneer een gebruiker op een advertentie klikte en een app installeerde, stelde de IDFA het advertentienetwerk en uw mobiele meetpartner (MMP) in staat om de match te bevestigen. Nu de opt-in-percentages in de meeste appcategorieën ver onder de 50% liggen, vinden de meeste installaties plaats zonder dat er een IDFA aanwezig is. Die lacune is de oorzaak van de discrepantie in de attributiegegevens die u vandaag de dag in uw dashboards ziet.

Apple heeft de attributie niet volledig afgeschaft. Ze hebben de op IDFA gebaseerde tracking vervangen door SKAdNetwork, hun eigen privacyvriendelijke attributiekader. Maar SKAdNetwork werkt heel anders, en dat verschil is de bron van de meeste verwarring waarmee marketeers in 2026 te maken krijgen.

Welke invloed heeft SKAdNetwork op uw campagnedata?

SKAdNetwork is Apple's privacyvriendelijke attributie-framework dat geaggregeerde, vertraagde conversiesignalen naar advertentienetwerken stuurt zonder individuele gebruikersgegevens bloot te leggen. In plaats van een realtime installatie te rapporteren die aan een specifieke gebruiker is gekoppeld, stuurt SKAdNetwork na een bepaalde vertraging een bericht terug naar het advertentienetwerk, met beperkte gegevens over de conversiewaarde en zonder identificatiegegevens op gebruikersniveau.

Verschillende kenmerken van SKAdNetwork hebben direct invloed op de nauwkeurigheid en volledigheid van uw campagnedata:

• Vertraagde rapportage: SKAdNetwork-postbacks worden verzonden nadat een timervenster is afgelopen, niet in realtime. Dit betekent dat installatie- en conversiegebeurtenissen later in uw gegevens verschijnen dan ze daadwerkelijk hebben plaatsgevonden.
• Beperkte conversiewaarden: SKAdNetwork staat toe dat er per installatie slechts één conversiewaarde wordt doorgegeven, waardoor er een beperkte tijd is om relevant gedrag na de installatie vast te leggen voordat de timer stopt.
• Geen gegevens op gebruikersniveau: Je kunt niet zien welke individuele gebruikers tot conversie zijn overgegaan, wat doelgroepsegmentatie en retargeting op iOS aanzienlijk moeilijker maakt.
• Limieten voor het aantal campagnes: Eerdere versies van SKAdNetwork hanteerden strikte limieten voor het aantal campagnes dat per netwerk kon worden gevolgd, wat leidde tot consolidatie en een verminderde detailweergave.

SKAdNetwork 4.0 introduceerde verbeteringen, waaronder hiërarchische bronidentificaties en meer genuanceerde conversiewaarden, maar de fundamentele beperking blijft: iOS-attributie is geaggregeerd en vertraagd, niet individueel en realtime.

Waarom verschillen de cijfers tussen advertentienetwerken en uw MMP?

De cijfers verschillen tussen advertentienetwerken en uw MMP, omdat elk platform installaties en conversies telt met behulp van verschillende methoden, attributievensters en gegevensbronnen. Advertentienetwerken rapporteren op basis van hun eigen klik- en impressiegegevens, terwijl uw MMP zijn eigen attributielogica, deduplicatieregels en SKAdNetwork-postbackverwerking toepast. Deze verschillen versterken elkaar, waardoor de discrepantie in attributiegegevens groot kan lijken, zelfs als beide bronnen technisch correct zijn.

De meest voorkomende oorzaken van het verschil zijn:

• Attributie op basis van weergave versus klikgedrag: Sommige advertentienetwerken tellen installaties mee die volgen op een advertentievertoning, zelfs zonder klik. Jouw MMP telt deze mogelijk niet op dezelfde manier.
• Verschillen in toewijzingsvenster: Een netwerk hanteert mogelijk een klikvenster van 30 dagen, terwijl uw MMP een venster van 7 dagen gebruikt. Installaties die buiten het MMP-venster vallen, worden nog steeds meegeteld in het netwerk.
• Ontdubbeling: Als een gebruiker vóór de installatie advertenties van twee netwerken heeft gezien, wijst het MMP de installatie toe aan één bron. Het is mogelijk dat beide netwerken dezelfde installatie onafhankelijk van elkaar hebben geregistreerd.
• Tijdstip van SKAdNetwork-postback: MMP's ontvangen SKAdNetwork-postbacks met een vertraging. Als u gegevens vergelijkt voordat het postback-venster sluit, zullen de getallen niet overeenkomen.

Het is nuttiger om te weten welke bron betrouwbaar is voor welke beslissing, dan om te proberen de cijfers exact te laten overeenkomen. Uw MMP is de enige betrouwbare bron voor gededupliceerde, vergelijkbare attributiegegevens over alle kanalen.

Wat is probabilistische attributie en wanneer is deze van toepassing?

Probabilistische attributie is een methode om advertentieklikken te koppelen aan app-installaties op basis van gedeelde signalen zoals IP-adres, apparaattype, besturingssysteemversie en tijdstempel, in plaats van een unieke identificatiecode zoals de IDFA. Wanneer een exacte match niet mogelijk is, berekent het attributiesysteem de waarschijnlijkheid dat een bepaalde installatie afkomstig is van een specifieke klik en kent de credits dienovereenkomstig toe.

Op iOS wordt probabilistische toewijzing toegepast wanneer een gebruiker geen toestemming voor ATT heeft verleend en er geen IDFA beschikbaar is. In die gevallen kan uw MMP geen deterministische match bevestigen en valt deze terug op probabilistische matching. De nauwkeurigheid van deze methode hangt af van hoe uniek de combinatie van beschikbare signalen is. Een match op basis van een uniek IP-adres en een smal tijdsvenster is redelijk betrouwbaar. Een match op basis van een gedeeld IP-adres van een bedrijfsnetwerk met veel apparaten is veel minder betrouwbaar.

Het is belangrijk om te weten dat Apple's richtlijnen beperkingen opleggen aan het gebruik van apparaatvingerafdrukken voor attributiedoeleinden. Veel MMP's zijn daarom overgestapt op gemodelleerde of geaggregeerde benaderingen in plaats van probabilistische vingerafdrukken om aan de richtlijnen te blijven voldoen. Dit is een andere reden waarom installaties zonder attributie, oftewel "geen overeenkomende bron", vaker voorkomen in iOS-rapportages, en waarom uw totale aantal toegeschreven installaties op iOS lager kan lijken dan het in werkelijkheid is.

Hoe kun je de nauwkeurigheid van iOS-attributie verbeteren?

Je kunt de nauwkeurigheid van de iOS-attributie verbeteren door de ATT-opt-in-percentages te verhogen, de conversiewaarden van SKAdNetwork strategisch te configureren en ervoor te zorgen dat je MMP correct is ingesteld om iOS-signalen te verwerken. Geen enkele oplossing herstelt de nauwkeurigheid van vóór iOS 14, maar door deze benaderingen te combineren krijg je een aanzienlijk duidelijker beeld van de campagneprestaties.

Verhoog uw ATT-aanmeldingspercentage

De meest directe manier om de nauwkeurigheid van de attributie te verbeteren, is door meer gebruikers toestemming te laten geven voor het volgen van gebruikers. Dit kunt u doen door een prompt te tonen vóór het officiële ATT-dialoogvenster, waarin duidelijk wordt uitgelegd waarvoor de tracking wordt gebruikt en wat de voordelen voor de gebruiker zijn. Timing is ook belangrijk: vragen na een positief moment in de app, zoals het voltooien van de onboarding of het behalen van een doel, leidt doorgaans tot een hoger acceptatiepercentage dan vragen bij de eerste keer dat de app wordt geopend.

Configureer de conversiewaarden van SKAdNetwork met intent.

De conversiewaarden van SKAdNetwork zijn beperkt, dus u moet van tevoren bepalen welke gebeurtenissen na de installatie het belangrijkst zijn en deze koppelen aan de beschikbare waarden op een manier die u bruikbare data oplevert. Als u het conversiewaardevenster alleen gebruikt om installaties vast te leggen en belangrijke engagement-signalen negeert, verliest u de mogelijkheid om campagnes te optimaliseren voor gebruikers die daadwerkelijk activeren of converteren. Door samen met uw MMP een conversiewaardeschema te definiëren dat is afgestemd op uw belangrijkste in-app-gebeurtenissen, maakt u een wezenlijk verschil in de kwaliteit van uw campagnesignalen.

Valideer uw MMP-configuratie

Een onjuiste MMP-configuratie is een veelvoorkomende en vaak over het hoofd geziene oorzaak van onnauwkeurige rapportage bij het bijhouden van iOS-installaties. Zorg ervoor dat uw SKAdNetwork-postback-URL's correct zijn geregistreerd, dat uw attributievensters consistent zijn op alle platforms en dat uw conversiewaardeschema actief wordt bijgewerkt. Platforms zoals Adjust, AppsFlyer en Branch hebben elk specifieke vereisten voor de iOS-configuratie, en hiaten in de configuratie leiden direct tot niet-toegeschreven installaties en ontbrekende gegevens.

Moet je op conversiemodellen vertrouwen bij het nemen van beslissingen over iOS-campagnes?

Ja, je zou gemodelleerde conversies moeten gebruiken voor beslissingen over iOS-campagnes, maar zorg er wel voor dat je goed begrijpt wat ze precies inhouden. Gemodelleerde conversies zijn statistische schattingen die de lacunes opvullen die ontstaan door ontbrekende SKAdNetwork-gegevens en lage ATT-opt-in-percentages. Het zijn geen verzonnen cijfers; het zijn onderbouwde projecties gebaseerd op waargenomen patronen bij gebruikers die toestemming hebben gegeven voor tracking. Voor optimalisatie op campagneniveau zijn ze momenteel het beste beschikbare signaal op iOS.

De sleutel is om gemodelleerde data consistent en vergelijkend te gebruiken in plaats van als absolute telling. Als uw ROAS niet overeenkomt met de werkelijkheid of als uw marketingcijfers niet kloppen wanneer u iOS met Android vergelijkt, is een deel van dat verschil structureel: Android ondersteunt nog steeds meer gedetailleerde attributie, terwijl iOS-data inherent geaggregeerd is. Het rechtstreeks vergelijken van de twee zonder hiermee rekening te houden, zal altijd tot verwarring leiden.

Gebruik gemodelleerde conversies om trends te identificeren, campagnes binnen hetzelfde kanaal met elkaar te vergelijken en budgettoewijzingsbeslissingen te onderbouwen. Vermijd het gebruik ervan om precieze uitspraken te doen over exacte installatieaantallen of omzet per gebruiker, waar de foutmarge te groot is om betekenisvol te zijn. De marketeers die iOS-attributie goed beheersen, zijn degenen die de beperkingen van de data accepteren en besluitvormingskaders bouwen die binnen die beperkingen werken in plaats van ertegenin te gaan.

Als je nog steeds grote, onverklaarbare hiaten in je iOS-gegevens ziet, ligt het probleem meestal aan een van de volgende drie dingen: een lager dan gemiddeld ATT-aanmeldingspercentage voor jouw categorie, een verkeerd geconfigureerd conversiewaardeschema of een mismatch in de attributieperiode tussen je advertentienetwerken en MMP. Elk van deze problemen is op te lossen met de juiste configuratie en de juiste expertise.

Bij Wuzzon werken we dagelijks aan precies deze uitdagingen. Ons team heeft praktische ervaring met Adjust, AppsFlyer en Branch, en we weten hoe we iOS-attributie-instellingen moeten configureren om u een zo helder mogelijk beeld te geven van de prestaties van uw campagne. Als uw app-installatiecijfers niet kloppen of uw attributiegegevens verschillende kanten op wijzen, dan kan ons team u helpen. app-groeiservices zijn ontworpen om precies dit soort problemen te diagnosticeren en op te lossen. Je kunt ook Vraag een gratis consult aan om uw specifieke iOS-attributie-instellingen met een van onze specialisten te bespreken.

Gerelateerde artikelen

• Hoe weet ik of we betalen voor app-trackingfuncties die we niet gebruiken?
• Moet je je app vóór of na de lancering promoten?
• 5 essentiële stappen om je app te promoten vóór de lanceringsdag
• Hoe promoot je een app met behulp van influencer marketing?
• Hoe meet je het rendement op je investering (ROI) van app store-optimalisatie?
• Hoe reageer je op negatieve recensies in de app store?
• Leiden app-previewvideo's tot meer app-downloads?
• De complete checklist voor app store-optimalisatie voor iOS en Android.
• Wat is de relatie tussen Apple Search Ads en organische optimalisatie in de App Store?
• 5 sjablonen voor het reageren op negatieve recensies in de app store