在iOS 14.5的升级率不断提高下，新隐私政策对于广告市场的影响逐渐凸显，不管是买量还是变现端，在数据上都有了比较大的波动。

下图是一组数据，可以看出在今年5月份之前，整个流量市场中iOS 14.5的占有率不到12%。

但是进入6月份之后，一直到现在7月初，整体的升级率已经达到了74%，而且这个比例每天都还在增加，增速是非常快的。

下方图蓝色的线便是LAT(限制广告追踪流量)流量，可以看出相对应的，随着iOS 14.5升级率的提升，LAT流量也开始了迅速的增加。

这意味着什么？广告主和开发者对于下流IDFA的获取变得更加困难了，因为还能够允许使用IDFA的流量占比已经越来越小，SKAN的流量占比已经逐渐成为主流。

那么对于广告主来说，变现的收益和我们的买量的花费上面又有什么样的影响？

下图是Chartboost大盘上的整体数据，可以看到从4月份到7月初变现收益的波动，从整体上来说没有那么的大，只是微小的波动。

但如果分品类来看就会有所不同。一些类别有所上升，而一些却有所下降。

用Social Casino类别来举例，根据Chartboost后台数据上看，此类别在广告主上的变现收益里的填充率上升了，但是因为广告主的出价变得保守，变现填充带过来的收益，并没有弥补掉因为保守而降低的收益，所以整体来说Social Casino的开发者的收益是下降的。

但是在一些其他类别上，因为LAT流量的增加，随着广告填充率的提升，开发者的收益反而是上升的。

其他的像是卡牌等系列上，整体状态是比较平稳，开发者的广告收益没有特别大的波动。

而在非游戏内的，比如说视频或者其他类型的，它整体的收益也是有了一定的上涨。

在现有情况下，广告主所面临的买量挑战具体来看有4个方面。

第一个，因为IDFA的缺失，用于广告优化或者是效果衡量的颗粒度变粗，不太能够准确的衡量营销策略的效果。

第二，目前行业中没有统一的方案，或者说是一个建议、标准来指导大家去做 i不同导向的付费测试，广告主需要自己去结合产品端数据做更多维度的探索。

第三，不同模式适用于不同的产品，但是对于很多人来说并没有准确的概念，不清楚不同模式会为产品带来的效果。

这里分享一个AppsFlyer统计的数据，其中可以看到像Hyper casual、Hardcore以及Social casino这种不同类型的广告主，他们在Revenue和Event模式选择上有很大的不同。

根据Chartboost在后台实际操作的过程中发现，广告主的产品即便是玩法或者说数值模型非常的类似，不同的广告主所选择的SKAN策略去大不相同。

因此目前还无法准确指定游戏类型与适用的SKAN策略模式，这里还是需要广告主去做一些更多的数字项的分析，然后再去判断。

第四，苹果目前还在不停的更新相关政策，比如说在本月推出的iOS 15上，广告主能直接收到渠道端回传的数据，这样的话也会让广告主对于数据的利用产生了更多的可能性。

开发者收益上涨的同时，在买量端我们也会发现iOS和亚马逊也都有各自相应的波动。

上图左侧的数据可以看出，从4月份到7月份iOS端广告主在Chartboost平台上的花费，整体呈现下降趋势，有几乎30%的降幅。但与此同时，CPI却是不降反升，

这一段时间里，iOS端广告主通过变现而来的收益还是较为稳定的，没有出现那种很明显的波动。

而这些主要都是因为SKAN归因带来的影响，因为归因会出现数据的延迟，或者是说会有一些数据回传的不准确。

这其中是因为并非全部的数据都会回传给到苹果，它内部会有一个自己的判断机制，导致一部分自然用户产生了波动，因此也会使得在对广告效果的衡量以及评估上造成一些变化。

那么，iOS端的花费减少了，预算是不是都挪到了GooglePlay上？

从Chartboost平台整个数据来看的话，GooglePlay的花费确实是已经越来越多，CPI也有了微涨，在广告收益也就是通过变现得来的收益，因为量级、填充增多后，整体的安卓端收益也确实有了一定的微涨。

这不仅仅是说广告主将预算从iOS端挪到了GooglePlay，其实还有一部分是因为广告主可能会在安卓端做素材上的测试，或者说去做产品端AB测试，因为在安卓端能够得到快速且精准的反馈，以便于产品的调整，这一些动作都会导致整个安卓端的流量波动。

但是需要注意的是，在增加安卓端的预算的时候，需要保留足够的空间给iOS,因为只有这样才会有长期且持续的SKAN数据，便于更科学的评量iOS端的买量策略。

Chartboost平台作为少数几个既支持亚马逊版本变现，也支持亚马逊版本买量的渠道，在亚马逊平台上也观测到了一些数据变化。

因为亚马逊平台所需功能不多，只要有安卓版本，在做出一些删减之后，很快的就可以在亚马逊平台上线。并且，亚马逊不像安卓版本需要频繁的发包更新，所以会有一个很稳定的变现收益。

同时在亚马逊上，还可以买到很多高价值的付费用户，因为亚马逊用户集中在欧美T1的发达国家，其用户价值很高，而且因为平台自身属性倾向于女性向或者说购物相关，所以用户的付费能力很强。

从数据中可以看出，4月份到7月份时，整个亚马逊版本平台花费有一些波动，但整体上还是趋于稳定。在广告主的收益上有略微的上涨，因为大盘的变化，有一些广告主注意到了亚马逊平台，所以投入也会越来越多。

但整体来说，亚马逊版本的竞争不会像iOS和GooglePlay平台那么多，所以CPI低和RoAS高是亚马逊平台的一个特点。

下面是Chartboost平台上，DSP买量的流程逻辑。

当一个 iOS 14.5用户打开了设备后，就会发送广告填充的请求给到Chartboost的Exchange。广告填充请求中间可能会包括一些很基础的维度，比如说设备的内存、版本、型号等等这些基础维度的信息。

在Chartboost收到填充请求后，就会去综合各个维度的信息给出报价，并且将各个渠道的报价，以Bid request的形式发送到Chartboost的DSP。

在收到了各家渠道的报价之后，通过机器学习的方法，结合广告主给出的KPI，产品的品类以及历史表现等等，通过各个维度的数据去进行匹配之后，最终将竞拍胜出的广告以Bid response的形式返回给Chartboost的Exchange，之后Exchange再让最后胜出的广告以Ad response的形式进行返回，最终呈现在用户的设备上面。

这样就是一个完整的DSP流程。

在这个过程中，如果给到Exchange的信息里，有效的并可用于广告优化的信息维度越多或者是越全面，那么越有利于Exchange做出正确的估价，以及在机器学习上匹配到最适合产品的流量。

简单来说，能够共享给Chartboost的信息越全面越有效，那么针对产品所做出的优化也是越深，效果也会越好。

最后总结一下目前买量上，可能会经常遇到的一些问题以及需要注意的地方。

首先是要确保与MMP以及各个渠道的对接是正确的，重要的那种信息的维度不要缺失或遗漏。

在Chartboost实际的操作过程中，经常会发现有一些客户在测试的时候，APP只回传了一部分信息，这是因为MMP后台设置不太全面，这些会直接影响到机器学习的算法，进而阻碍对产品后续的优化。

其次，现在很多广告主都不是在一个渠道上买量做测试，在不同的渠道上可能会出现数据上的差异，所以一定要综合多方维度的数据，包括MMP，包括各个平台，还要区分开SKAN和非SKAN的数据，这样你才能够全面的去衡量买量策略。

除此之外，因为每一个产品的回收模型、数值系统都不一样，所以最好是选择最合适产品的事件组合，从事件发生的概率、关联性以及它的有效度。像是事件发生的深浅上，如果太深的话，可能会很难触发，数据回传的时候不太有效率。

最后就是上边提到过的，SKAN的策略还比较新，苹果也在不停更新，每一个版本的更新都会有相应的新信息维度可以分享，所以要做好应急预案，这样的话可以提前进行买量相关的布局，保证我们整体数据上的稳定表现。