После того как компания Apple внедрила протокол конфиденциальности App Tracking Transparency (ATT) и фреймворк SKAdNetwork, мобильный маркетинг на платформе iOS кардинально усложнился. Около 70% владельцев iPhone запрещают приложениям отслеживать свои действия в рекламных целях. Для индустрии performance-маркетинга это означало исчезновение сквозных идентификаторов пользователей (IDFA) и превращение большей части платежеспособного трафика в условно «слепую» зону.
Особенно остро эта проблема встала перед сервисами городской мобильности с длинным циклом принятия решения. Каршеринг «Делимобиль» совместно с агентством «РОКАПП» и международной programmatic-платформой Bidease реализовал шестимесячный проект по привлечению пользователей на iOS. Ключевая сложность заключалась в том, что бизнесу требовались не просто дешевые скачивания приложения, а реальные водители с высоким жизненным циклом (LTV) и оплатой по жесткой модели CPA — за факт совершения первой поездки.
Проблема короткого окна атрибуции
В каршеринге путь от установки приложения до первой аренды машины редко бывает мгновенным. Пользователю необходимо загрузить фотографии паспорта и водительского удостоверения, дождаться проверки службы безопасности, привязать банковскую карту и дойти до автомобиля.
Политики приватности iOS накладывают жесткие ограничения на тайминги атрибуции: если конверсионное событие не зафиксировано в первые 24–72 часа, рекламная система теряет связь между показом баннера и действием клиента. Если бы команда оценивала эффективность каналов по классической модели прямых установок, самые окупаемые источники трафика были бы ошибочно отключены еще на первой неделе.
Оптимизация рекламной закупки на уровне «установка приложения» на iOS приводит к массовому привлечению немотивированной аудитории, которая удаляет сервис до завершения регистрации. Единственный способ удержать экономику — обучать алгоритм на глубоких поведенческих событиях.
Трехэтапная предиктивная оптимизация воронки
Чтобы преодолеть ограничения закрытой экосистемы Apple, платформа Bidease применила трехступенчатую стратегию машинного обучения, синхронизированную с трекером мобильной аналитики AppsFlyer:
- Насыщение выборки на широком охвате. На старте кампании таргетинги намеренно не сужали узкими демографическими рамками. Алгоритм закупал дешевые показы и установки, собирая массив сырых контекстных сигналов: категории приложений, типы устройств, геолокацию и время суток.
- Переключение на валидацию аккаунтов. Накопив достаточную базу взаимодействий, нейросетевая модель сменила ориентир с инсталлов на завершенные регистрации с подтвержденными документами.
- Предиктивный скоринг первой поездки. Финальная модель обучалась на промежуточных микрособытиях внутри приложения — открытие карты автопарка, применение промокода, поиск ближайшей машины, бронирование. Алгоритм научился вычислять вероятность первой поездки еще до того, как водитель нажал кнопку «Начать аренду».
Принципы работы с programmatic-закупкой на iOS
- Обеспечить бесшовную передачу микрособытий из трекера (AppsFlyer) в рекламную платформу в реальном времени.
- Не зажимать таргетинг на старте: дать модели собрать контекстные данные в широком пуле инвентаря.
- Оценивать воронку через когортный анализ с окном не менее 7–14 дней.
- Учитывать внешние сезонные шоки (погодные аномалии, сбои связи) при оценке конверсии.
- Масштабировать закупку только после стабилизации стоимости целевого действия (CPA).
Результаты кампании, охватившей 13 крупнейших городов присутствия Делимобиля, доказали жизнеспособность предиктивного подхода. Конверсия из подтвержденной регистрации в первую поездку за 7 дней достигла 49%.
При этом привлеченная аудитория продемонстрировала выдающийся ретеншн: на каждые 100 первых поездок система зафиксировала 226 повторных заказов в течение первого месяца. Алгоритмы машинного обучения успешно адаптировались даже к внешним помехам — зимним аномальным снегопадам и весенним сбоям городской спутниковой навигации, сохранив стабильный поток поездок по целевой цене.