博客 用户信任和许可的正确打开方式:iOS 14.5+ 端 A/B 测试最佳做法

用户信任和许可的正确打开方式:iOS 14.5+ 端 A/B 测试最佳做法

本篇博文最初发布于 2020 年 10 月。随后,Adjust 团队通过调研发现了更多高效做法和技巧,持续帮助客户提高用户许可率和监测 iOS 端推广表现,我们也基于这些发现对博文进行了更新。

从 2020 年 Apple 首次宣布推出 iOS 14,到 2021 年 4 月 iOS 14.5 的落地,再到最近亮相的 iOS 16,Adjust 一直在马不停蹄地研究应对策略,打造能切实为客户创造价值的解决方案。整个行业已经调整方向,拥抱以隐私安全为核心的数据分析和归因模型,寻找能提高用户许可率的最佳做法,通过各种方法帮助客户发挥 SKAdNetwork (SKAN) 和转化值模型的最大潜力。

在本系列博文中,我们将研究用户许可的相关话题,了解如何针对许可率进行优化。高 ATT 许可率带来的不仅仅是可用于精细数据分析的授权数据。用户授予许可后,您便可以读取其 IDFA 并提取特定设备信息,为 SKAN 整体策略夯实基础并进一步优化转化值和预测型数据分析。

今天,我们就来看看 A/B 测试与用户许可的关系。如果想快速回顾一下相关基础知识,我们推荐您查看用户许可系列博文的前两篇:《许可请求设计入门须知》《如何鼓励用户分享数据》

用户对数据隐私的态度

研究显示,许多消费者对个性化营销的接受度比起初预想的更高。Oxford Economics 在 2018 年开展的一项研究发现,约 70% 的消费者愿意选择加入个性化广告体验。数据显示,只有少数人反对个性化更高的定向营销体验,其中:

  • 仅有 17% 的人不愿看到个性化优惠推荐
  • 仅有 15% 的人不愿接收个性化产品和服务

用户是否允许应用跟踪取决于他们是否信任应用。Salesforce 开展的另一项研究就 "信任是什么"这一问题询问了超过 8,000 位消费者。其中 75% 的人认为,信任意味着 "隐私";对于 70% 的人来说,信任意味着 "透明"。由此可见,隐私以及隐私政策的透明度与用户信任是息息相关的。

对于移动营销人员来说,让用户理解授予许可的价值是一个关键环节。大部分消费者对个性化广告的接受度相当高,而授予数据跟踪许可后,用户看到的广告会更少,相关度更高,整体体验更加个性化,您可以在许可请求文本中突出强调这一点。Adjust 数据显示,用户许可率正在逐渐升高。由此可见,营销行业越来越擅长解释授权价值,同时越来越多的消费者理解 了 ATT 弹窗究竟是什么。

隐私声明的最佳做法

公司和企业一般会使用隐私声明阐释其处理个人数据的方法,以及《通用数据保护条例》(GDPR) 等不同数据保护政策的适用情况。

为了更好地理解隐私声明在移动端的呈现方式,Adjust 对一系列常见做法进行了评估,发现了信息呈现方面的三个趋势:

  1. 部分应用会提供最精细的许可选项,赋予用户完全数据控制权
  2. 部分应用在列出合作伙伴时有所保留,限制用户的数据控制权
  3. 第三组应用使用 "全部允许" 或 "全部拒绝" 的方法,只留给用户两个选择:要么允许与所有相关方分享数据,要么全部拒绝。

我们始终建议客户选择第一种方法,尽可能地做到公开透明,让用户能完全控制自己的数据。您可以使用具有说服力的文案和插图,并列出选择加入的优势,解释数据收集的原因,鼓励并支持用户授予许可。

捆绑隐私声明

iOS 14 首次公布时,许多品牌都有一个疑惑:ATT 弹窗请求是否能与其他隐私声明捆绑在一起展示?预授权弹窗可以定制,但 ATT 弹窗本身不行,您只能修改和调整弹窗第二行内容,且无法添加额外声明。不过还有一点需要注意:按照 GDPR 规定,您不能预先勾选许可选项,也不能将选择加入的 CTA 设为主要按钮,引诱用户选择给定的回应。

一项研究显示,使用恰当的方式框出许可请求信息能提高选择加入率。如下方图例所示,如果提供两个许可选项,并恰当地框出信息,用户选择加入的可能性会更高。除了许可请求之外,这种框出信息的方法对其他隐私声明的展示也大有裨益,能够突出显示用户可获得的优势和福利。

评估您的理念:A/B 测试

通过 A/B 测试,您可以比较两个不同的许可请求策略并衡量其效果,是评估解决方案效果的极好方法。

首先,我们建议您通过 A/B 测试评估不同做法:一种做法是在预授权节点将许可请求信息与 GDPR 隐私声明捆绑在一起显示,另一种是单独呈现许可请求信息。如果用户接受了许可请求信息,别忘了模拟 Apple 的 ATT 弹窗。

我们在下方列出了针对不同方面的测试轮次建议,帮助您制定调研计划。

二轮测试

您可以以这些成果为基础,加入更多变量,进行进一步的研究。例如,如果包含 Apple 许可请求的捆绑隐私声明效果更好,您还可以引入不同的文案和设计,探索这些因素对选择加入率的影响。如果单独显示许可请求 (例如预授权弹窗或 Apple 弹窗) 的效果更好,您则可以测试显示弹窗的时机。

如果您的用户群规模较大,手上也有足够的资源,也可以考虑使用对数线性分析,评估多个变量对选择加入率的影响。对于那些最初没有选择加入的用户,我们还推荐测试再次显示许可请求的频率,以求用户转变心意。

您也可以研究不同用户群组的表现是否会有显著区别。例如,新用户的选择加入率或许高于现有用户,某些地区的选择退出率会明显高于其他地区等。有了这些信息,就可以更进一步,动态调整策略,获得更高的选择加入率。

在进行任何 A/B 测试后,都应当计算置信区间,以分析获得的数据。如果所有应用用户都参与了测试,那么计算置信区间有助于了解真实的选择加入率范畴。

预测选择加入率:预测模型

预测模型会使用数据统计方法预测特定的用户行为。其中有两种模型有助于 A/B 测试分析:

  • 回归分析能揭示不同变量的关系,可根据预测变量来预测结果变量的值。
  • 决策树分析会根据观察到的输入变量情况,预测目标变量的结果。

使用这些数据分析方法可以了解哪些变量在预测用户响应时影响力更大。配合特定的背景信息,就能预测一位用户可能做出哪种选择 (选择加入或选择退出)。下面是预测变量的一些示例,您可以将其用作训练数据集:

逻辑回归和决策树分析都是解决分类问题的好方法。如果您认为自己的数据集能以线性方式分为两部分,一部分与选择加入决定有关,另一部分与选择退出有关,那么逻辑回归一般是更好的选择。如果预测变量是连续的,那么也应当选择回归分析。

但是,如果不确定数据集是否线性可分,那么选择决策树更合适。此外,如果数据集不够均衡,或包含许多异常值和缺失值,决策树一般也是更好的选择。

我们建议先同时使用两种方法,然后决定哪个模型的效果更好。下一步,您可以分别评估每个预测变量的影响力,了解哪些变量 (例如安装类型、地区、人群等) 对用户决策的影响最大。

与用户交流,了解消费者动机

A/B 测试和回归分析会揭示可能提高用户选择加入率的因素,但您无法借此了解特定方法为何会奏效、某些变量为何比其他变量更重要。要搞清楚这些问题,最终还是要与用户交流,开展深度访谈,将定量研究成果化为实打实的决策路线。无论用户是选择加入还是选择退出,您都要利用访谈得来的信息,进一步优化动态许可策略。

总结

数据和用户隐私是当今移动和应用营销行业中具有变革性的话题。在 Adjust,我们坚信每家公司在处理数据和与消费者互动时,都应当以数据和用户隐私为核心。归根结底,清晰透明的数据处理方式能帮助您的应用建立用户信任,让用户更愿意分享 IDFA。

自 iOS 14.5 落地已过去一年半。在这段时间里,总体用户许可率在缓慢但稳健地攀升。测试并找到适当的许可请求流程优化方法,就有更多机会加深对用户的理解,不断提高许可率。要了解更多信息,欢迎联系您的 Adjust 代表!

想了解 Adjust 的最新消息?