Мы постоянно публикуем обновления документации, которые могут быть недоступны на вашем языке. Наиболее актуальные сведения содержатся в версии на английском языке.

Каскад атрибуции

Каскад атрибуции определяет, как Adjust выбирает лучшее вовлечение для присуждения атрибуции. Методология каскада предназначена для отражения точности двух методов атрибуции, которые использует Adjust: детерминированной атрибуции и вероятностного моделирования.

При выполнении атрибуции Adjust следует этому порядку:

  1. Детерминированная атрибуция на основе кликов ИЛИ сопоставление реферера на основе кликов (только для Android)
  2. Вероятностное моделирование на основе кликов  
  3. Детерминированная атрибуция на основе показов
  4. Вероятностное моделирование на основе показов  
  5. органические

Как это работает?

Клики в сравнении с показами

Adjust всегда отдает приоритет кликам, а не показам, даже если показы произошли за несколько минут до установки. Это связано с тем, что мы считаем вовлечение пользователей на основе кликов более осознанным и активным.

Детерминированное и вероятностное моделирование

Детерминированная атрибуция предпочтительнее вероятностного моделирования, поскольку это более надежный и точный метод. Вероятностное моделирование использует множество различных точек данных. Некоторые из них могут меняться, например IP-адрес пользователя.

Каскад в действии

С момента установки Adjust работает в обратном направлении — ищет точки данных в окне атрибуции. Затем точки данных оцениваются, чтобы определить, какие из них содержат наиболее достоверную информацию и могут быть атрибутированы.

  1. Клики с детерминированным соответствием: сначала мы проверяем наличие кликов с тем же идентификатором устройства или рекламным идентификатором, что и у устройства, на котором было установлено приложение.

    • Клик с реферером Android: для устройств под управлением Android мы также проверяем совпадение с реферером Play Store. Если есть два вовлечения, которые происходят одновременно, и в одном из них указан реферер, а в другом — идентификатор устройства, мы отдаем предпочтение клику с реферером.
  2. Клик с вероятностным моделированием: если нет данных о кликах с соответствующими идентификаторами, мы ищем вовлечения с кликами, которые были получены с другими соответствующими точками данных, такими как IP, тип устройства, имя устройства и операционная система. Мы создаем карту показателей для каждого клика и присваиваем атрибуцию клику, который больше других соответствует информации об установке.

  3. Показ с детерминированным сопоставлением: если подходящих кликов нет, мы ищем показы с тем же идентификатором устройства/рекламы, что и у устройства установки.

  4. Показ с вероятностным моделированием: если нет показов с идентификаторами устройств/рекламы, мы проверяем вовлечения с другими совпадающими точками данных. Мы создаем карту показателей и присваиваем атрибуцию вовлечению, которое больше других соответствует информации об установке.

  5. Органический: если мы выполнили все проверки и не нашли ни одного совпадающего вовлечения, пользователь атрибутируется как органический.