AdChampagne вместе с коллегами из AdSkill внимательно посмотрели на то, как меняется динамика тестов в TikTok. Если раньше хватало пары дней и первых $100, чтобы понять судьбу запуска, то теперь ситуация стала куда сложнее. Воронки с продуктовой стороны усложняются, а значит, первые осмысленные данные появляются не так быстро. Параллельно сами платформы меняют правила игры: TikTok внедряет SAN-атрибуцию, Apple обновляет SKAN, алгоритмы все больше полагаются на machine learning. Все это приводит к тому, что привычный формат «быстрых тестов» уходит в прошлое. Как можно решить эту проблему, команда проекта поделилась с Sostav.
Главная причина, почему старые подходы к тестированию перестали работать, связана с двумя ключевыми изменениями: обновлениями Apple SKAN и переходом TikTok на SAN-атрибуцию.
Изменения на уровне индустрии: SKAN 4.0
Это касается не только TikTok, а всей индустрии. Apple постоянно обновляет SKAN атрибуцию для защиты конфиденциальности пользователей. SKAN работает с задержкой по атрибуции — данные о действиях пользователей поступают не мгновенно, а через определенные промежутки времени.
После каждого обновления SKAN источникам требуется время на то, чтобы обучиться работать с новой версией. В последней версии окно атрибуции расширено до трех периодов: 0−2 дня, 7 дней и месяц. Лучше, чем ничего, но не идеально.
Раньше алгоритм TikTok получал данные о конверсиях практически мгновенно — кликнул пользователь на рекламу, установил приложение, система сразу это видела. Сейчас алгоритм «слепой» первые дни и начинает «видеть» только к концу первой недели.
Изменения именно в TikTok: переход на SAN атрибуцию
Параллельно с этим TikTok, наряду с другими крупными источниками (Google, Meta* (*признана экстремистской и террористической организацией в России)), перешел на SAN атрибуцию (Self-Attributing Network). Что это значит: алгоритмы TikTok теперь полагаются на свои собственные данные о действиях пользователей.
SAN — это модель атрибуции, при которой сама рекламная сеть (TikTok) выступает источником данных о конверсиях и «самостоятельно» сообщает MMP (Mobile Measurement Partner — AppsFlyer, Adjust, Singular и тому подобное.), что именно она стала источником установки или действия.
Чем отличается от прошлых методов:
- До SAN использовался last-click/last-touch принцип: MMP сравнивал все трекеры (IDFA, GAID, фингерпринтинг и так далее) и сам решал, какая сеть получала установку. TikTok и другие сети лишь отдавали данные, а право финального выбора принадлежало MMP. Для корректности нужно было интегрировать клики и показы всех сетей.
- При SAN TikTok больше не передает весь массив данных — он принимает решения самостоятельно на основе своих алгоритмов. В обычной ситуации трекеры передают данные источникам, а в случае TikTok он сам атрибуцирует пользователей и их действия без участия MMP, и только после сопоставляет с данными трекера.
Представьте, что вы пытаетесь настроить радио, но слышите результат своих действий только через несколько дней, и при этом радио само решает, какую станцию вы хотели поймать. Именно так сейчас работает система TikTok.
Фаза обучения: почему алгоритму нужно время
У TikTok есть понятие «фазы обучения» — это период, когда алгоритм изучает, кому показывать вашу рекламу. Чтобы выйти из этой фазы, по рекомендациям TikTok, системе нужно получить 50 конверсий за 3−7 дней. Если за первые 10 дней набирается меньше 20 конверсий, кампания скорее всего провалится.
Это объясняет странное поведение, которое мы наблюдаем: реклама может показывать не самые высокие результаты первые 3−5 дней, а потом резко «выстрелить». Или наоборот — хорошо стартовать, но потом ухудшиться, когда алгоритм получит больше данных и поймет, что изначально показывал не тем людям.
Практический пример: как это выглядит в реальности
Недавно тестировали приложение для инвестиций. Бюджет $2000, цель — CPA не выше $15.
Если бы мы остановили кампанию на 3-й день, как делали раньше, то потеряли бы эффективный канал. Терпение стало конкурентным преимуществом.
Новые метрики, которые меняют все
Индустрия стала выделять больше категорий метрик и фокусироваться на вовлеченности пользователей. AppsFlyer выделил в отдельный блок Engaged View-Through Attribution — часть того, что раньше входило в обычные клики и просмотры. TikTok тоже использует EVTA — конверсии от людей, которые посмотрели рекламу больше 6 секунд, но не кликнули.
Таких конверсий много — до 40% от общего числа. Проблема в том, что эти данные приходят с задержкой. В первые дни вы видите только прямые клики, а через неделю «всплывают» дополнительные конверсии от просмотров. CPA может упасть в 2−3 раза.
TikTok также ввел ADC (Advanced Dedicated Campaign) — продвинутые кампании с фокусом на конфиденциальность. Эти кампании используют дополнительные алгоритмы для определения качества взаимодействий, что требует больше времени на обучение.
Это усложняет воронку: теперь надо фокусироваться на вовлеченности пользователя, а не просто набирать клики или просмотры. Алгоритму требуется больше времени, чтобы понять, какие взаимодействия приводят к качественным конверсиям.
Как адаптировать процессы
Опираясь на опыт работы с обновленными алгоритмами TikTok, AdChampagne сформулировали ключевые принципы адаптации:
Экспертиза AdSkill: как ускорить и сделать тесты эффективнее
Smart+ 2.0 — союзник медиабайера
Наш опыт показывает, что при работе с TikTok важно не просто запускать креативы, а сразу подключать автоматизацию. Smart+ 2.0 позволяет загружать несколько версий видео и текстов, а система сама подбирает лучшие сочетания для разных сегментов аудитории. В результате мы быстрее выходим из фазы обучения, сокращаем стоимость лида и избегаем ситуации, когда кампания «сгорает» в первые дни.
Совет: готовьте не менее 10 креативов для одного теста и уделяйте внимание их разнообразию — короткие динамичные ролики, истории с UGC, с юмором и без, варианты с разным CTA.
Главный инсайт.
Сегодня терпение и глубина тестов — это конкурентное преимущество. Чем больше вариантов вы даете алгоритму, чем внимательнее анализируете вовлеченность, а не только CPA, тем выше шанс построить устойчивый канал привлечения пользователей.
Заключение: тесты — не про скорость, а про устойчивость.
Мир перформанс-маркетинга стал сложнее, но и интереснее. Алгоритмы TikTok, SKAN-окна, новые модели атрибуции — все это требует от нас не импульсивных решений, а системной работы. Сегодня выигрывают не те, кто быстрее выключит «неэффективную» кампанию, а те, кто выдержит фазу обучения, накопит данные и правильно их интерпретирует.
В AdSkill и AdChampagne мы верим, что тестирование — это не одноразовый спринт, а повторяющийся процесс оптимизации. Каждая новая кампания — это возможность обучить не только алгоритм, но и команду: лучше понимать свою аудиторию, пробовать смелые форматы, искать точки роста. Если раньше главным активом были бюджеты, то теперь — аналитика, креативность и умение ждать.
Ключевые выводы
- Терпение важнее скорости: Ранее результаты тестов были видны через 1−2 дня, сейчас алгоритм TikTok требует больше времени для обучения, особенно из-за усложненной воронки и SAN атрибуции.
- Фаза обучения алгоритма: Для выхода из неё TikTok требует около 50 конверсий за 3−7 дней. Кампания может «не впечатлять» первые дни, а затем резко улучшиться.
- Apple SKAN 4.0: Задержка данных по конверсиям теперь фиксирована (0−2 дня, 7 дней, 1 месяц), алгоритмы «слепы» первые дни.
- Переход на SAN атрибуцию: TikTok самостоятельно решает, какие действия пользователей засчитывать, MMP видит уже агрегированные данные.
- Новые метрики вовлеченности: EVTA и ADC показывают конверсии пользователей, которые посмотрели рекламу, но не кликнули. Эти данные приходят с задержкой и могут снижать CPA в 2−3 раза.
- Управление креативами: Рекомендуется сразу тестировать минимум 10 вариантов видео и текстов, использовать автоматизацию Smart+ 2.0 для быстрого выхода из фазы обучения и оптимизации кампании.
- Фокус на устойчивость: Сегодня важны не быстрые решения, а системный подход: анализ вовлеченности, разнообразие креативов, терпение и постоянная оптимизация.
- Главный инсайт: Конкурентное преимущество — это терпение, глубина тестов и аналитика, а не скорость запуска и мгновенные выводы.