Mesure du marketing de jeux : ce que chaque source vous dit, et ce qu'elle ne dit pas

Cette page a été traduite automatiquement pour faciliter votre expérience. Nous ne pouvons pas garantir l'exactitude ou la fiabilité du contenu traduit. Si vous avez des doutes quant à la qualité de cette traduction, reportez-vous à la version anglaise de la page web.
Vous avez une décision budgétaire à prendre aujourd'hui, et aucun de vos sources d'installation n'est d'accord.
Votre Mobile Measurement Partner (MMP) indique qu'un réseau a généré 1 200 installations la semaine dernière. Le tableau de bord du réseau indique 1 500. Vos retours d'appels SKAdNetwork renvoient un chiffre partiel, retardé et agrégé qui ne correspond à aucun des deux.
Toutes ces sources répondent à des questions différentes dans des systèmes qui sont cloisonnés et déconnectés. Votre objectif est de savoir quelle question chaque source répond, où chaque personne est aveugle, et quelle combinaison vous permet de défendre une décision. C'est là que la mesure du marketing de jeu entre en jeu.
Qu'est-ce que la mesure du marketing de jeux ?
La mesure du marketing de jeux est l'ensemble des méthodes que les studios utilisent pour déterminer quelles dépenses génèrent des installations, des revenus et une valeur de joueur. Les méthodes d'exemple incluent l'attribution, les tests d'incrémentalité, la modélisation du mix média et l'analyse par cohorte ou Lifetime Value (LTV).
Dans cet article, nous expliquerons comment fonctionne la mesure du marketing de jeux afin que vous puissiez comprendre ce que chaque source apporte, puis ce qu'il faut corriger dans votre propre configuration pour que les systèmes qui optimisent en votre nom travaillent à partir de l'image globale plutôt que d'un fragment de celle-ci.
Aucune de vos sources d'installation ne s'accorde
L'identité conditionnelle au consentement, le reporting agrégé et différé de la plateforme, et les règles de crédit différentes contribuent tous à un suivi incohérent. Le tableau ci-dessous explique comment :
Apprenez les raisons courantes pour lesquelles le suivi peut sembler incohérent
Cause structurelle
Identité conditionnelle au consentement
Qu'est-ce qui se passe
Lorsqu'un système ne peut pas identifier quelqu'un, il estime à la place. Chaque système estime de sa propre manière, ils arrivent donc à des réponses différentes pour la même semaine.
Qu'est-ce qui se passe
Différentes règles de crédit
Qu'est-ce qui se passe
Un réseau avec une fenêtre de sept jours prétend que votre MMP est déjà crédité ailleurs. Chacun applique ses propres règles correctement, c'est pourquoi les deux totaux semblent corrects aux personnes qui les rapportent.
Cause structurelle
Qu'est-ce qui se passe
Identité conditionnelle au consentement
Lorsqu'un système ne peut pas identifier quelqu'un, il estime à la place. Chaque système estime de sa propre manière, ils arrivent donc à des réponses différentes pour la même semaine.
Différentes règles de crédit
Un réseau avec une fenêtre de sept jours prétend que votre MMP est déjà crédité ailleurs. Chacun applique ses propres règles correctement, c'est pourquoi les deux totaux semblent corrects aux personnes qui les rapportent.
Attribution mobile 101
L'attribution marketing attribue le mérite d'une conversion aux points de contact marketing qui l'ont causée. Pour mobile attribution, cela signifie faire correspondre une installation ou un événement dans l'application à un clic, une impression, une campagne et une création spécifiques, afin que vous puissiez comparer le coût par résultat entre les sources et décider où va le prochain dollar.
Qu'est-ce que les MMP ?
Un partenaire de mesure mobile (MMP) est un tiers neutre qui reçoit les données d'installation et d'événements du SDK de votre application, applique un ensemble cohérent de règles d'attribution sur tous les réseaux que vous achetez, et renvoie des retours aux réseaux afin que leurs modèles d'optimisation apprennent de vos résultats. Il gère également le deep linking, détection de fraude publicitaire, et une couche de reporting. Lorsqu'un identifiant partagé existe, il peut faire correspondre une installation à un clic, ce qui est un appariement déterministe. Là où cela n'est pas le cas, il déduit la correspondance à partir de signaux tels que l'adresse IP et l'horodatage, ce qui est probabiliste et fiable en agrégat mais pas par joueur.
Qu'est-ce que l'attribution multi-touch ?
L'attribution multi-touch (MTA) répartit le crédit sur les points de contact qui ont précédé une conversion au lieu de tout attribuer au dernier clic, ce qui nécessite une vue raisonnablement complète de ce qu'une personne a vu. Par exemple, si quelqu'un voit une publicité sur les réseaux sociaux, lit un article de blog, ouvre un e-mail, puis clique sur une annonce de recherche payante et s'inscrit. Les modèles à simple touche donnent 100 % du crédit au premier ou au dernier de ceux-ci. MTA le répartit sur les quatre.
Compte tenu de l'importance de la confidentialité des données, MTA s'appuie de plus en plus sur les données des utilisateurs consentants et les événements de première partie que vous collectez vous-même, sous réserve de la loi applicable et des exigences de la plateforme.
Ce qu'indique les tests d'incrémentalité et ce que cela coûte
Les tests d'incrémentalité montrent combien d'installations vos publicités ont réellement causées. Pour le tester, vous retenez les publicités d'un groupe de joueurs, vous les comparez à un groupe similaire qui a vu les publicités, et la différence entre les deux est votre augmentation incrémentale.
Le hic, c'est que vous payez la réponse en revenus perdus. Parce que vous ne faites pas de publicité auprès des personnes qui auraient installé, vous renoncez à ce qu'elles auraient dépensé. Cet échange n'en vaut la peine que sur un grand canal, où la réponse pourrait avoir un impact sur des décisions budgétaires réelles.
Comprendre la modélisation du mix média
La modélisation du mix média, également appelée modélisation du mix marketing, utilise la régression statistique pour estimer la contribution de chaque canal aux résultats globaux tels que les installations ou les revenus. Il répond bien à deux questions : où le budget devrait aller, et où un canal cesse de rentabiliser.
Comment les trois s'assemblent
La configuration mature est un ensemble de méthodes qui se vérifient mutuellement, fonctionnant sur des horloges différentes, chacune couvrant le point aveugle de l'autre.
Comprendre ce que chaque type de données montre et où il est insuffisant
Méthode
La question à laquelle il répond
Ce qu'il ne peut pas voir
Test d'incrémentalité
La question à laquelle il répond
Ce qu'il ne peut pas voir
La question à laquelle il répond
Ce qu'il ne peut pas voir
Méthode
La question à laquelle il répond
Ce qu'il ne peut pas voir
Test d'incrémentalité
Où se trouvent vos propres données de joueur
Les trois méthodes ci-dessus lisent les résultats. Mais les données qu'ils lisent sont la couche que vous possédez entièrement, et c'est là que la plupart des studios ont le plus de marge de manœuvre.
Les studios ont aujourd'hui un problème de fragmentation des données, ce qui signifie que leurs données sont réparties dans de nombreux systèmes qui ne sont pas connectés. Par exemple, les MMP aident à relier l'activité d'acquisition aux installations et aux conversions, les plateformes d'Analytics fournissent des informations sur le comportement des joueurs et les systèmes d'achat capturent les informations relatives aux transactions. Pour les jeux faits avec Unity, les données Runtime éligibles peuvent offrir un contexte supplémentaire depuis l'expérience de jeu elle-même.
Ces sources peuvent se chevaucher, mais chacune peut apporter différents niveaux de détails, de couverture et de contexte. Le défi est de garantir que des signaux pertinents et fiables sont disponibles pour les systèmes responsables de la mesure et de l'optimisation, sous réserve des autorisations et des exigences techniques appropriées.
Pour résumer, chaque source est utile, mais aucune d'entre elles ne décrit seule votre joueur dans son ensemble ni toutes ses actions. En raison de cette fragmentation, les décisions sont prises avec des aperçus qui sont cloisonnés et difficiles à relier.
En conséquence, des modèles d'optimisation tels que Unity Vector peuvent apprendre à partir d'une image incomplète et agir sur seulement une partie de l'histoire.
Alors comment pouvez-vous combattre cela ?
Identifier les signaux précieux que vos modèles d'optimisation pourraient manquer
Examiner quels signaux vos intégrations existantes fournissent et où des lacunes significatives subsistent. Certains signaux liés à l'engagement, à l'achat ou au jeu peuvent offrir un contexte supplémentaire, mais leur disponibilité et leur utilité dépendent de la manière dont ils sont collectés, configurés et partagés.
Commencez par identifier les signaux pertinents pour vos objectifs d'optimisation, puis évaluez si une intégration existante peut les fournir ou si une source de données supplémentaire est nécessaire.
Envoyez les résultats quelle que soit leur origine
Il est tentant de ne transmettre que les événements que votre MMP a crédités à une source payante. Mais les joueurs organiques et non attribués sont aussi des résultats réels, et si Unity Vector ne les voit jamais, il pourrait apprendre à partir d'un échantillon filtré de vos meilleures informations. Partagez ces signaux uniquement là où cela est autorisé par la loi applicable et le consentement du joueur.
Donner à Unity Vector le cycle de vie complet
Réglez votre fenêtre de postback sur toute la durée (si disponible) afin que les cohortes qui remboursent le plus lentement et les plus importantes apparaissent, et pas seulement les joueurs qui ont converti durant leur première semaine. Ce sont souvent les retardataires qui représentent votre valeur vie réelle.
Traitez les autorisations de partage comme un levier de performance
Les modèles qui enchérissent en votre nom ne peuvent apprendre que de ce que vous leur montrez, donc ce que vous partagez peut avoir un impact sur la performance. Il est facile d'accepter ce qui a été configuré lors de l'intégration et de ne jamais le revoir. Mais au lieu de cela, revenez dans ces paramètres et assurez-vous que tous les signaux requis sont configurés, conformément à la loi applicable, à vos divulgations de confidentialité et au consentement des joueurs. Un modèle avec des signaux plus complets et de haute qualité peut être mieux équipé pour reconnaître les schémas parmi vos joueurs les plus précieux.
Apprenez quels signaux peuvent donner à Unity Vector l'avantage supplémentaire
Obtenir la vue d'ensemble complète
Aucun de vos chiffres n'est la vérité, et la poursuite d'une seule source de vérité est ce qui fait stagner les projets de mesure. L'objectif est plus étroit et plus réalisable : un cadre dont vous pouvez expliquer les désaccords. Lorsque votre MMP et votre réseau divergent, vous devez savoir pourquoi, de combien, et lequel utiliser pour la décision qui vous est présentée.
Alors commencez par l'écart plutôt que par l'outil. Nommer la seule chose que votre configuration actuelle est structurellement incapable de voir, puis ajouter la méthode la plus pratique qui peut la voir. L'autre moitié est ce que vous renvoyez. Une meilleure couverture du signal peut soutenir une optimisation mieux informée, ce qui est là où une plateforme d'acquisition d'utilisateurs gagne sa place dans la pile plutôt que de simplement y être présente.
Questions les plus fréquentes
*Source: Google, « Identifiant publicitaire », Aide à la console Google Play (consulté le 16 novembre 2026 ; sujet à modification par Google à tout moment), https://support.google.com/googleplay/android-developer/answer/6048248
**Source: Apple, « Réception des postbacks dans plusieurs fenêtres de conversion », Documentation Apple Developer (consulté le 16 novembre 2026 ; reflète SKAdNetwork 4 et ultérieur ; sujet à modification par Apple à tout moment), https://developer.apple.com/documentation/storekit/receiving-postbacks-in-multiple-conversion-windows
Image de présentation : « Trois cercles qui se chevauchent pour l'attribution, l'incrémentalité et la modélisation du mix média, avec une zone commune où les sources sont d'accord » Image générée par Anthropic, Claude (Claude Sonnet 5.5), Date : 18 novembre 2026