最近發(fā)現一個有趣的現象：

觀察某個產品我們服務器來源的iOS新用戶數據和廣告平臺數據對比，當GG預算投放占比最大的時候，賬戶投放總單價變貴了，服務器上總新增是高的，回收價值也是比較好的。

但是同樣的預算，投放占比最大的改為TT上，賬戶單價看起來是更便宜的，賬戶面板上似乎獲得的推廣新增也變多了，一開始我們還很高興同樣的預算買到更多的安裝，而后面慢慢觀察下來，實際的服務器獲取到的全渠道總新增反而比起GG漲量的時候降低很多，且全渠道新用戶回收對比起來有所下降。

同樣的預算之前也有放在FB上去嘗試過，確實都會有一些變化。主流媒體這樣輪流觀察下來，同等預算下，對比廣告平臺數據和服務器數據，變化差異最大的是谷歌。

然后就一直在想為什么會有這種情況出現，最明顯的答案是iOS14政策，仔細去考慮一下，單獨將最明顯的TT和GG對比為例子，想到一些原因列出來有以下幾點：

首先想到是在老用戶歸因層面的區(qū)別。

公司服務器數據是會對用戶進行用戶ID和設備ID層級的永久排重的。所以新增數據相對來說更多的是新用戶群體，卸載了很久再回來的設備不會被算進去。如果老用戶比較多的話，就會有一種情況是，平臺收費了也算安裝了，但是服務器新用戶是沒有太大變化的。

如果產品投放比較久，老用戶占比較多的話，GG是比TT的新用戶占比大的。實際上我們GG投放時間和總體預算都比TT要就久很多，除非TT覆蓋到的都是GG曾經獲取的老用戶，分析兩個平臺在當地的用戶群體屬性區(qū)別的話，這種原因的可能性不會太大。

其次是不同平臺的面板歸因差異，可能導致自歸因的谷歌iOS實力可能被低谷了。

谷歌面板的數據是采用SKAN+數據模型模擬的形式進行數據處理的，iOS SKAN對于影片瀏覽轉化的歸因是不會計算在內的，谷歌會進行這方面的統(tǒng)計；且接收到SKAN數據以后，GG的歸因到用戶瀏覽或者點擊廣告當天，數據有可能在多次處理下產生誤差和延時，導致在評估谷歌iOS的投放效果的時候有偏差。

明明帶來的用戶可能有100個，但是用自家的模型歸因預測出來的面板顯示可能只有90個，這差異造成部分廣告系列層級用戶數據本來就受到隱私政策限制，大概率回收數據到后期也會被三方歸因到自然來源的那部分，

而Tiktok平臺作為SKAN能力比較強的一個平臺，對于iOS安裝用戶的歸因能力較強，且更多的是用SKAN數據進行面板的數據顯示，比起GG面板來說幾乎是沒有什么誤差的。

另外一個歸因的區(qū)別就是，TT對于SKAN回傳的延遲數據是歸因到回傳時間當天，不會去回溯更新前幾天的數據，比起GG是會歸因到用戶瀏覽或者點擊廣告當天，回傳時間上也會導致數據有差別。

所以如果站在這個層面上，看賬戶數據不客觀的原因之一可能是因為對iOS的歸因能力和面板歸因方式不同導致同樣的預算，谷歌賬面上的數據會顯得更低，一開始就不在一個歸因水平線去衡量它的流量了。

除了對用戶定義和數據歸因方面本身的區(qū)別之外，蘋果發(fā)布的iOS14政策本身也是有很多細節(jié)限制的。

其中最明顯的就是SKAN數據分系列層級歸因數據丟失，也就是會出現null值，是由于在campaign-level, cv -level, source_app_id-level都有隱私閥值限制。

基于以上不同數據層級的限制，谷歌需要一個campaign一天至少有128個用戶，且Admob的版位占比多少直接影響null值的比例。

TT也需要一個campaign一天至少不低于88-128左右（具體多少數值沒有找官方確認）的新增數據。

隱私閥值的限制和基于此不同的應對方式也會使數據有明顯的誤差。比如說谷歌是有很多的產品，在進行用戶匹配的時候，有用YouTube登陸信息去匹配其他平臺的信息，然后歸因到iOS的Campaign，如果在信息匹配的時候沒有足夠的信息去匹配到，可能也會造成差異。最近中東取消掉Youtube流量的版位以后，發(fā)現中東系列谷歌面板和三方的數據差異明顯減小了不少。

另一種可能性就是GG為其他渠道帶來的助攻會比較多。比如說對ASM和FB等渠道的助攻等?；谶@一點拉了一下曲線，發(fā)現在GG渠道量級上漲的時候，ASM這個渠道的量級確實會多一些，而且TT在同等預算下沒有達到這么明顯的效果。

助攻這個概念也很好理解，比如AF是基于Last Click歸因的，而很多時候，用戶可能從幾個平臺上看到了廣告，最終是自己搜索關鍵詞，或者點擊了最后看到的那個平臺的廣告，這樣之前幾個平臺的廣告就是助攻的成分。

當一個渠道投放的足夠大，用戶覆蓋量級比較多，當時不一定能及時受益，但是品牌效應大出去了，對其他平臺的流量和轉化也會有所助益。

當然助攻這個事情估計也分地區(qū)和不同的平臺，基于目前這個產品和數據情況觀察到的是GG助攻確實比較明顯一些，具體的真實性目前暫時沒有數據考究，姑且作為可能性之一，這也是Last Click歸因局限性的地方-----只能看到最后決定性行為的歸屬，無法衡量之前的路徑價值。

當我控制TT的花費往下走的時候，明顯沒有控制GG的花費往下走對自然流量的影響更大?？赡懿皇撬挟a品都是這樣 ，大家如果有機會，可以測試一下不同渠道的量級變化對同一個產品自然流量走勢的影響趨勢。

兩個平臺在目標區(qū)域的的用戶屬性和用戶價值區(qū)別。

一個是搜索引擎平臺，當然也有YouTube和商店等其他平臺，另外一個是短視頻平臺，本身平臺的屬性不同也會吸引不同目標的用戶群體，比如說歐美區(qū)域，用GG的是什么年齡層的人，用TT是什么年齡的用戶比較多，對比下來同一個區(qū)域不同平臺的用戶也會有差別的，這個差別可能就決定了回收的差別。

還有CPM區(qū)別，同一個區(qū)域在不同平臺上的CPM不一樣，用戶展示價值也會隨著大盤，素材，廣告設置等各方面的變化而波動，一開始兩個平臺同等預算下能獲取到的新增就是有差異的。而且兩個平臺對于虛假流量惡意點擊等情況的規(guī)避可能也會根據平臺有一些不同，這一點沒有細節(jié)去研究，感興趣的也可以去問問對應的AM，這也是會造成數據細微差異的點。

產品&測試本身對數據對比的影。

除了上面提到的歸因和平臺方面的差異，本身這個產品的測試對比現象也并不算特別嚴謹，起量的周期不同，產品內活動可能不同，不過新用戶運營活動變化不算太大，也還有一些更新方面的技術以及外部的節(jié)日因素影響等，這期間的變量也一直在產生。

所以觀察到的現象也只是自己基于手頭的產品預算不斷地調整測試發(fā)現的一個變化，不準確的點也有很多，可能換一個產品，換一個地區(qū)，都不一定是同樣的觀察結果，不過這并不妨礙我們對iOS數據的研究和對策略的不斷嘗試。

以上都是基于個人觀察和理解的一些想法，不代表完全正確無誤。

不過通過和服務器數據的對比，確實是發(fā)現只對比各平臺面板數據就顯得特別的不準確，因為數據歸因模式，平臺和產品等因素影響，導致一開始就不是一場公平的對比。

如果單純只看三方的數據，也不太能滿足需求，畢竟廣告平臺還是需要參考面板數據趨勢做出預算調整，而且效果衡量方面，應用內數據一般更加信任自家的數據。

下拉推薦菜單可查看更多精彩內容↓