App Tracking Transparency (ATT)

Definition: App Tracking Transparency (ATT) ist ein von Apple mit iOS 14.5 (April 2021) eingeführtes Datenschutz-Framework, das alle iOS-Apps verpflichtet, eine explizite Nutzerzustimmung einzuholen, bevor sie den IDFA (Identifier for Advertisers) für Cross-App- und Cross-Website-Tracking verwenden dürfen. Ohne Zustimmung erhalten Apps keinen Zugang zur IDFA – Gerätekennzeichnung wird durch einen Null-String ersetzt. ATT zeigt einen standardisierten Apple-Systemdialog mit der Frage «App XY möchte Ihre Aktivität verfolgen» und zwei Optionen: «Tracking erlauben» oder «Nicht erlauben». Opt-in-Raten liegen branchen- und App-abhängig bei 20–40 %. ATT hat die mobile Werbeindustrie fundamental verändert: Attribution-Genauigkeit auf iOS reduziert, Fingerprinting-Verboten eingeführt und SKAdNetwork als privacy-konformen Standard etabliert.

Erläuterung

ATT war der einschneidenste einzelne Eingriff in das mobile Werbe-Ökosystem seit dem Aufstieg programmatischer Werbung. Meta berichtete im Q4 2021 von ~10 Mrd. USD Jahresumsatzverlust durch ATT. Das Framework zwang die gesamte Industrie zur Neuausrichtung: von deterministischer Einzel-Nutzer-Attribution zu aggregierter, privacy-konformer Messung via SKAdNetwork.

Technische Funktionsweise

ATT-Permission-Request: AppTrackingTransparency.framework in iOS 14.5+; ATTrackingManager.requestTrackingAuthorization(completionHandler:); Systemdialog: einmalig pro App, Nutzer kann in iOS-Einstellungen ändern; Status: .authorized (IDFA verfügbar), .denied (kein IDFA), .restricted (Elternkontrolle), .notDetermined (noch nicht gefragt)
IDFA ohne ATT-Consent: IDFA = «00000000-0000-0000-0000-000000000000» (Null-String); keine Cross-App-Tracking-Möglichkeit; Apps dürfen IDFA-Null nicht für eigene Nutzung verwenden; First-Party-Daten (eigene App-Events ohne Cross-Tracking) weiterhin nutzbar
Was ATT genau regelt: Verboten ohne Consent: IDFA für Werbe-Targeting in anderen Apps; IP-Adresse + Device-Signale kombiniert für Fingerprinting (Apple verbietet explizit); erlaubt: eigenes Analytics (keine Cross-App-Nutzung); SKAdNetwork (Apple-Framework: aggregiert, ohne User-ID); First-Party-Daten innerhalb eigener Apps

Opt-in-Rate-Optimierung

Pre-Permission-Dialog: Eigener Screen vor dem Apple-Systemdialog; erklärt warum Tracking Nutzen bringt («für personalisierte Empfehlungen» / «um weniger irrelevante Werbung zu sehen»); erhöht Opt-in-Rate typisch um 5–15 Prozentpunkte; Apple-Guideline: kein Anreiz (keine Belohnung für Opt-in); darf Nutzen erklären aber nicht beeinflussen
Timing: Nicht beim ersten App-Start (Nutzer kennt App noch nicht → niedrigere Opt-in-Rate); nach positivem Erlebnis oder Aha-Moment; nach Mehrwert-Demonstration; Gaming: nach ersten Level-Abschluss; E-Commerce: nach erstem Browse-Erlebnis; Personalisierungs-Context: «um Ihnen Produkte zu zeigen die zu Ihnen passen»
Benchmarks: Branchen-Opt-in-Raten: Gaming: 20–30 %; E-Commerce: 30–45 %; Health/Fitness: 35–50 %; Finanz-Apps: 25–35 %; höhere Opt-in-Rate bei Apps die von Beginn an Vertrauen aufgebaut haben; Nutzern die eingeloggt sind: höhere Opt-in-Rate (bereits mehr Vertrauen)

Attribution nach ATT

SKAdNetwork (SKAN): Apples privacy-konformes Attributions-Framework; keine User-ID, keine IDFA; aggregierte Postbacks von Apple an Ad-Networks; Conversion Values (0–63) kodieren In-App-Events; Postbacks verzögert (1–3 Tage) und aggregiert; MMPs (AppsFlyer, Adjust) haben SKAN-Dashboards entwickelt
Probabilistisches Matching: Ohne IDFA: IP + User-Agent + Zeitstempel als Matching-Signal; MMPs nutzen aggregierte Signale; Genauigkeit: ~70–80 % vs. 99 %+ bei deterministischer Attribution; Apple verbietet detailliertes Fingerprinting formal; «Privacy-respecting probabilistic» als grauzone; MMPs kommunizieren hierzu unterschiedlich transparent
First-Party-Data-Strategien: Login-Pflicht oder starke Login-Anreize; E-Mail-basiertes Matching (E-Mail-Hash zu Meta/Google); Customer Match / Hashed Audiences; eigene Loyalty-Programme als Daten-Aggregatoren; Subscription-Apps: Abo-Daten ersetzen IDFA teilweise

Auswirkungen auf UA-Kampagnen

Meta App Ads: größter Verlierer durch ATT; CPMs und CPIs gestiegen (~30–50 %); weniger Targeting-Präzision; Advantage+ App Campaigns: ML-Optimierung als ATT-Adaptation; Aggregated Event Measurement; Performance langfristig stabilisiert aber niemals wieder vor-ATT-Level
Google UAC: weniger betroffen als Meta (Google-eigene Ökosystem-Daten aus Search/Chrome/Gmail); On-Device ML für Privacy-Preserving-Matching; Android weiterhin vollständig messbar mit GAID; iOS-Attribution teilweise über SKAdNetwork

Praxistipp: Optimieren Sie den ATT-Opt-in-Zeitpunkt und Pre-Permission-Dialog A/B-Testing: Testen Sie «Beim Start» vs. «Nach erstem Kauf/Level/Feature-Nutzung». Selbst 10 Prozentpunkte mehr Opt-in (z. B. von 25 % auf 35 %) verbessern Attribution-Qualität und damit UA-Kampagnen-Effizienz erheblich. Parallel: Bauen Sie First-Party-Data auf durch Login-Anreize (Sync zwischen Geräten, Fortschritt sichern) – diese Daten sind ATT-unabhängig und ermöglichen E-Mail-basierte Custom Audiences bei Meta und Google die trotz ATT funktionieren.