Allow Tracking
Ask App Not to Track
mobile no iOS 14
O guia do profissional de marketing
para garantir o opt-in
Conteúdos
Sumário executivo
... 3
Definindo sua estratégia de UX
... 4Atitudes do usuário em relação à privacidade de dados ... 4
Criando um prompt de pré-permissão persuasivo ... 5
Evitando padrões obscuros ...12
Agrupamento ...12
Definindo sua estratégia para testes A/B
...13Rodadas de testes ...13
Estimando o opt-in: Modelo preditivo ...15
Motivações do consumidor ...18
As mudanças de privacidade propostas pela Apple no iOS 14 estão fazendo os profissionais de marketing reavaliar completamente suas estratégias de aquisição de usuários e direcionamento. Atualmente marcadas para entrar em vigor no início de 2021, de acordo com a Apple, essas mudanças darão aos usuários mais controle sobre como seus dados são coletados e mais trans-parência sobre o que acontece com esses dados. As atualizações de privacidade da Apple tam-bém mudarão drasticamente a forma de os anunciantes direcionarem usuários no iOS: a maior mudança será que os aplicativos precisarão pedir o consentimento do usuário para monitorar os dados do usuário por meio de mensagens pop-up dentro do aplicativo - como parte do que é conhecido como o framework AppTrackingTransparency da Apple.
Por isso, é fundamental que as marcas otimizem para confirmar o consentimento - e é altamente recomendado que os profissionais de marketing usem o que chamamos de "prompt de pré-per-missão", colocando o pop-up da Apple atrás do seu próprio prompt interno. Esse prompt interno é totalmente seu, você pode personalizar o design, o timing e a mensagem como melhor for para o seu aplicativo - e, por fim, mostrar aos usuários as vantagens de fazer o opt-in.
Para que você tenha mais chances de sucesso, a Adjust tem pesquisado exaustivamente difer-entes prompts de opt-in - e este guia é o resultado das nossas pesquisas. Neste relatório, você conhecerá a melhor abordagem de UX para garantir o consentimento do usuário, como executar testes A/B nos seus prompts e prever as taxas de opt-in por meio do modelo preditivo.
Ainda restam muitas dúvidas em relação à data exata da atualização da Apple e como alguns as-pectos da mensuração mobile funcionarão no iOS -, mas nós estamos confiantes de que
a indústria mobile pode usar essa oportunidade para criar um futuro sustentável para os desenvol-vedores de aplicativos, anunciantes e usuários finais.
Atitudes do usuário em relação à privacidade de dados
No momento, pouquíssimas pessoas acreditam que os usuários optariam por dar acesso aos dados deles com a mensagem que o AppTrackingTransparency irá introduzir. Os usuários são, compreen-sivelmente, cautelosos em compartilhar mais dados do que o necessário, especialmente se o pop-up fornecer pouco contexto sobre como esses dados serão usados.
Contudo, nossa pesquisa indica que muitos consumidores se sentem mais confortáveis com a publi-cidade personalizada do que se supõe geralmente. Um estudo 1 realizado pelo Oxford Economics em 2018 revelou que cerca de 70% dos consumidores estão dispostos a fazer o opt-in para ganhar uma experiência personalizada. Esses dados mostram que apenas uma pequena minoria se opõe a uma experiência mais personalizada e direcionada:
• Somente 17% se sentem desconfortáveis com ofertas personalizadas
• Apenas 15% se sentem desconfortáveis com produtos e serviços personalizados
Confiança é um fator enorme que influencia quão confortável um usuário se sente para fazer o opt-in. Outro estudo 2, conduzido pela Salesforce, perguntou a 8 mil consumidores o que significa-va "confiança". "Prisignifica-vacidade" foi a resposta de 75% dos entrevistados e "transparência", de 70% - mostrando até que ponto a confiança está interligada à privacidade e à clareza com que a política de privacidade é comunicada.
Esses insights ressoam com os testes dos prompts de pré-permissão nos quais nós, da Adjust, temos trabalhado com os nossos clientes. Sem o prompt de pré-permissão, nossos clientes observam taxas de opt-in entre 20% e 40%. Com a adição dos prompts de pré-permissão, observamos taxas mais positivas, algumas chegando até 70%. Nós continuamos conduzindo testes para deduzir a significân-cia entre dimensões e categorias diferentes, entretanto, temos observado um bom desempenho em aplicativos financeiros e lifestyle. No caso dos aplicativos financeiros, em especial, isso provavel-mente ocorre devido à confiança implícita que os consumidores associam com os fornecedores de serviços bancários e de pagamento.
1 https://us.nttdata.com/en/-/media/assets/reports/digital-oxford-economics-future-of-data-report.pdf?la=en-us
Criando um prompt de pré-permissão persuasivo
Para definir sua estratégia de UX, recomendamos começar criando um mapa com os
microcomportamentos dos usuários. Em um aplicativo de jogos, por exemplo, isso pode ser a jornada até um evento de compra no aplicativo. É necessário ter clareza sobre onde na jornada do usuário você quer pedir o consentimento, a fim de testar diferentes posicionamentos e avaliar a eficácia de cada um. Isso pode ser feito durante a configuração, quando outras permissões são requisitadas, ou após certa ação, como depois de passar determinado tempo no aplicativo ou completar uma atividade.
É essencial ter o prompt de pré-permissão certo, pois é uma oportunidade de despertar confiança nos usuários e fazê-los entender melhor como seus dados serão usados. No exemplo abaixo, você pode ver como isso funciona.
Após buscar oportunidades para mostrar o pedido de consentimento durante a experiência do usuário no aplicativo, você pode agora identificar chances para aplicar métodos persuasivos no nível da interface. Para isso, nós utilizamos o framework CREATE 3 de Stephen Wendel, que
descreve as pré-condições necessárias para persuadir os usuários a agir.
Deixa: Seus usuários precisam encontrar algo que os faça pensar sobre dar o consentimento. Isso pode ser, por exemplo, um título significante e chamativo, uma ilustração fácil de entender ou uma animação - como mostrado no exemplo abaixo. Para apoiar isso, você pode fazer o seguinte:
• Dar uma deixa para a ação - Diga com clareza aos usuários que eles devem dar o consentimento.
• Reforçar o poder da deixa - Comunique claramente onde o consentimento deve ser dado.
• Remover distrações - Livre-se de quaisquer distrações na tela do aplicativo.
Reação: Seus usuários vão reagir intuitivamente, decidindo se darão ou não o consentimento em segundos. A reação intuitiva dos usuários levará em consideração se a atividade é agradável, interessante ou importante. Você precisa criar um design capaz de superar a reação sem que os usuários rejeitem o prompt de consentimento. Um bom resultado seria despertar um sentimento positivo usando o centro de notificações do aplicativo. Para conseguir superar uma reação negativa, você pode tentar o seguinte:
• Gerar confiança - Crie uma tela esteticamente agradável, demonstrando que dar o consentimento é a decisão certa.
• Aumentar a confiança através da aprovação social - Comunique aprovação social incorporando a decisão como parte de um ato social, por exemplo, juntando-se a uma comunidade maior, conforme mostrado abaixo.
Avaliação: Seus usuários avaliarão conscientemente os prós e os contras do consentimento. A ação e os passos necessários para dar o consentimento devem ser mais vantajosos do que outras ações que o usuário poderia tomar nesse ponto. Por exemplo, seus usuários podem decidir dar consentimento porque eles sabem que terão menos distrações, como anúncios aleatórios e não personalizados - você pode verificar uma maneira de comunicar isso no gráfico abaixo. Para apoiar o processo de avaliação, você também pode tentar o seguinte:
• Construir a motivação - Antes de chegarem ao seu prompt de pré-permissão, prepare seus usuários com associações relevantes.
• Aumentar a motivação - Compare as decisões dos seus usuários com as decisões de outros usuários.
Habilidade: Seus usuários devem ter a oportunidade de realizar a ação naquele momento. Você precisa comunicar, de maneira eficaz, o que seus usuários devem fazer, como eles podem superar obstáculos e que eles serão bem-sucedidos. Por exemplo, você pode mostrar uma animação simples que comunica o ato de consentir com uma visualização simplificada do pop-up do iOS e um dedo indicador clicando em "Permitir".
Aqui, você pode:
• Predefinir o máximo possível - Predefina a ação desejada se você puder.
Timing: Também recomendamos comunicar o valor de consentir o mais cedo possível. Você pode, por exemplo, enfatizar que dar o consentimento é mais importante para a experiência do usuário agora, não daqui a algumas semanas. Aqui você também pode usar os efeitos da aversão à perda e informar os usuários sobre o que eles podem perder se não derem consentimento.
• Construir um senso de urgência - Escreva um texto focado nos benefícios a curto prazo.
Esses prerrequisitos devem ser desenvolvidos de forma que os usuários executem o ato de dar consentimento. E, nos casos em que os usuários precisem passar por várias etapas para consentir, você precisa checar se todas as condições foram atendidas para cada uma dessas etapas. Você também pode experimentar combinando diversos aspectos dentro do mesmo prompt, conforme o exemplo abaixo.
Agrupamento
ou tornar a tomada de decisões mais difícil de ser implementada do que deveria. Um exemplo de um Padrão Obscuro é quando o período de teste grátis de um serviço chega ao fim e o cartão de crédito do usuário é cobrado silenciosamente, sem aviso prévio.
Não é preciso nem dizer que nós acreditamos que os aplicativos devem evitar empregar padrões obscuros para levar os usuários a dar consentimento. Seus usuários devem estar totalmente cientes do que eles estão consentindo e quais são os custos e os benefícios para eles. Usar padrões obscuros pode aumentar a falta de confiança no seu produto e na sua marca toda, o que acabará tendo o efeito contrário do que você queria alcançar.
Muitas marcas também estão se questionando se o pedido da Apple pode ser agrupado a outros avisos sobre o privacidade. Quando os avisos sobre o privacidade são agrupados, você tem o potencial de aumentar a taxa de opt-in posicionando o aviso no final da tela e apresentando duas opções: "Aceitar" ou "Rejeitar". Contudo, de acordo com GDPR, os usuários não podem orientados a dar uma respostas pré-selecionando caixas de seleção de opt-in ou tornando o CTA do opt-in o botão principal.
Um estudo mostrou que enquadrar bem a mensagem de consentimento tem um impacto positivo nas taxas de opt-in: se há duas opções para dar o consentimento e a mensagem for positiva, os usuários têm a tendência de fazer o opt-in - como no exemplo abaixo.
Embora alguns clientes tenham registrado taxas de opt-in de 20%-40% ao exibir o pop-up da Apple sozinho, nós recomendados usar o tempo que ainda resta para testar rigorosamente diferentes estratégias de opt-in nos seus usuários, incluindo o agrupamento de avisos sobre a privacidade. Depois que você tiver decidido sobre sua abordagem de UX com o quando, o onde e o como você quer que seus usuários deem o consentimento, o trabalho ainda não está terminado. Cada aplicativo é diferente, assim como sua base de usuários e o contexto do uso. Nós defendemos testes e experimentações rigorosas com abordagens comuns usadas em pesquisa de design, como testes A/B e experimentos randomizados controlados.
Na segunda parte deste guia, reunimos as melhores práticas para executar testes A/B, com sug-estões sobre o que avaliar em cada rodada e o que procurar na sua análise. Para começar, vamos analisar as visões dos usuários em relação à privacidade de dados e como você pode usá-las para informar sua estratégia de opt-in.
testes A/B
Avaliando suas ideias - Testes A/B
Rodadas de teste
Testes A/B são uma ótima maneira de avaliar sua solução comparando duas estratégias de opt-in e medopt-indo o sucesso de cada uma. Para começar, recomendamos executar testes A/B tanto na sua mensagem de opt-in agrupada aos avisos de privacidade do GDPR quanto na mensagem independente. Se o usuário aceitar sua mensagem de opt-in, não se esqueça de também simular o pop-up do ATT da Apple.
Abaixo, descrevemos rodadas de testes com diferentes aspectos que podem ajudá-lo a definir seu plano de pesquisa.
Depois você pode partir desses resultados introduzindo mais variáveis. Por exemplo, se um aviso sobre a privacidade agrupado que incluiu um pedido da Apple for mais bem-sucedido, você pode explorar o impacto de um texto ou um design diferente nas taxas de opt-in. Por outro lado, se você descobrir que exibir uma mensagem independente (p.ex., um prompt de pré-permissão ou um pop-up da Apple) funciona melhor, você pode avaliar qual é o momento ideal para mostrá-la. Primeira rodada de testes:
Se você tiver uma base de usuários grande e recursos suficientes, também pode considerar avaliar os efeitos de mais de uma variável nas taxas de opt-in usando a análise de log-linear. Também é recomendado avaliar novamente a frequência com que a mensagem de opt-in é exibida para os usuários que não tiverem feito o opt-in no prompt de pré-permissão.
Você pode investigar se há efeitos estatisticamente significantes para diferentes segmentos de usuários. Talvez você descubra que as taxas de opt-in são maiores nos usuários novos do que nos já existentes ou que os usuários de certa região fazem mais opt-out do que os de outra. Com esse conhecimento, consegue adaptar dinamicamente sua estratégia para continuar crescendo suas taxas de opt-in.
Depois do teste A/B, você deve calcular um intervalo de confiança para interpretar os dados. Isso ajuda a determinar qual é a margem real da taxa de opt-in se o teste tiver sido conduzido com todos os usuários do seu aplicativo.
Estimando o opt-in: Modelo preditivo
O modelo preditivo usa técnicas estatísticas para estimar certos comportamentos do usuário. Há dois tipos que podem ser úteis para analisar seus testes A/B:
• Análise de regressão investiga a relação entre variáveis e pode ser usada para estimar o valor de uma variável de desfecho com base em variáveis de precisão. Conforme explica a Harvard Business Review 4, esse método é
uma maneira de "organizar matematicamente quais variáveis têm impacto. Ele responde perguntas tais como: Quais são os fatores mais importantes? Quais podem ser ignorados? Como esses fatores interagem uns com os outros? E, talvez o mais importante, quão certos nós estamos sobre esses fatores?"
Por exemplo, quando nós falamos sobre fazer o opt-in, o texto do prompt de pré-permissão pode não ter valor preditivo em relação à ação do usuário, enquanto o design pode ter um grande impacto na decisão dele. Os profissionais de marketing devem testar todas as variáveis para avaliar quais conseguem estimar melhor se o usuário fará o opt-in e, depois, ajustar a estratégia.
• Análise de árvore de decisão é usada para estimar o resultado de uma variável-alvo com base em observações de variáveis de entrada. Antes de mapear sua árvore de decisão, você precisa identificar primeiro os pontos de decisão e as alternativas disponíveis em cada ponto. Você também precisa estimar as probabilidades de eventos e resultados de ações diferentes, além dos custos e dos ganhos de diversos eventos e ações.
Com esses método analíticos, você pode investigar quais variáveis influenciam mais na estimativa da resposta dos usuários. Com certas informações contextuais, isso permite prever a qual das duas categorias (opt-in vs. opt-out) o usuário pertence. A seguir, encontram-se alguns exemplos de variáveis de previsão que podem ser usados como conjuntos de dados de treinamento:
Tanto a regressão logística quanto a análise de árvore de decisão são bons métodos para resolver problemas de classificação. Geralmente, a regressão logística é a melhor abordagem se você acredita que seu conjunto de dados pode ser dividido, de modo linear, em duas partes: uma parte associada à decisão de fazer o opt-in e a outra, à decisão de fazer o opt-out. Você também deve usar a análise de regressão se os valores das variáveis de previsão forem contínuos.
Porém, se você não estiver seguro com a separação de dados, o melhor é usar a árvore de decisões. Se seu conjunto de dados tiver muitos casos atípicos, valores faltantes ou estiver distorcido, a árvore de decisão costuma ser a melhor opção (veja o gráfico na página seguinte).
Recomendamos começar usando ambos os métodos para depois decidir qual modelo traz os melhores resultados. Como próximo passo, você pode avaliar a contribuição individual das variáveis de precisão para ver quais variáveis (p.ex., tipo de instalação, região, demografia etc.) influenciam mais a decisão dos usuários. Alguns clientes também perguntam por quanto tempo eles devem executar testes A/B. Isso depende, em grande parte, de quantos usuários foram alocados a cada grupo e às suas respectivas células. Normalmente, a contagem de células não deve ser inferior a 5, então também depende do número de usuários testado - mas você não precisa necessariamente de muitos usuários em uma amostra para executar testes e descobrir tendências. Para tornar os testes mais rápidos, é recomendado executar múltiplos testes em paralelo, em diferentes amostras de usuários, para alcançar resultados estatisticamente significantes com mais rapidez.
Testes A/B e análise de regressão revelarão muitos fatores que devem aumentar a taxa de opt-in dos usuários - mas esses métodos não dizem por que certa abordagem funciona e por que algumas variáveis específicas são mais importantes do que outras. No final das contas, isso acontece quando você conversa com seus usuários e conduz entrevistas aprofundadas que transformam descobertas quantitativas em caminhos de decisão definidos. Os insights dessas entrevistas, tanto com usuários propensos a fazer o opt-in quanto com aqueles propensos a fazer o opt-out, possibilitarão melhorar sua estratégia dinâmica de opt-in ainda mais.
Interessante notar que muitos clientes nos disseram que eles descobriram ser importante incluir uma fila de mensagem no prompt de pré-permissão - ou seja, mostrar aos usuários como é o pop-up da Apple e o que fazer no próximo passo, oferecendo mais contexto para a mensagem da Apple, como observado no exemplo abaixo.
Com apenas alguns meses até a introdução das novas regras de privacidade da Apple no iOS 14, agora é o momento de executar testes pormenorizados e definir como otimizar seu fluxo de sentimento. Quanto mais você fizer para se preparar, mais chances você terá de continuar con-struindo uma relação forte com seus usuários e garantindo taxas de opt-in altas. No fim, usar uma abordagem clara e transparente ajuda a ganhar a confiança dos usuários do seu aplicativo e os torna mais dispostos a fazer o opt-in e compartilhar o IDFA.
No nível prático, recomendamos fortemente que todos os clientes da Adjust façam a atualização para o nosso SDK mais recente, se eles ainda não o tiverem feito. O novo SDK dá suporte a frame-works essenciais do iOS 14 para uma transição tranquila ao futuro lançamento do iOS 14. Entre as adições mais importantes, estão sólido suporte ao AppTrackingTransparency e suporte aos dados e fluxos de trabalho da SKAdNetwork.
Nós continuaremos compartilhando nossas descobertas sobre o iOS 14 no blog até o lançamento, por isso fique ligado no blog da Adjust para mais informações. Para perguntas sobre o mobile mar-keting no iOS 14, escreva para ios14@adjust.com. Nós ficamos felizes de oferecer nosso suporte para garantir que sua estratégia esteja impecável e que suas campanhas sejam bem-sucedidas.
trabalham com a Adjust. Marcas líderes mundiais, como Procter & Gamble, Rocket Internet e Tencent Games, implementaram as soluções da Adjust para assegurar seus orçamentos e melhorar seus resultados.
Quer saber como podemos ajudá-lo? Entre em contato conosco agora para descobrir como nós podemos ajudar no seu caso específico.
www.adjust.com adjust.com @adjustcom
marcella@adjust.com Oliver Hill
Pesquisador de UX oliver.hill@adjust.com
Nadia Salam
Designer Gráfica Sênior DESIGNER
