Hangi uygulama kazanım cohort'ları gerçekten kendini geri ödüyor? Onları aynı yaşta, proceeds üzerinden karşılaştırın.

Aynı kampanyadan iki kurulum haftası alın, her birinde 10.000 $ harcama ve 2.000 kurulum olsun. Eski hafta bugüne kadar %78 ROAS gösteriyor, yeni hafta %57. Analizi orada bırakan bir dashboard yeni haftayı kesilecek hafta olarak okur. İki haftanın da ulaştığı her yaşta yeni hafta yaklaşık %30 önde. Bugüne kadarki gelir size her cohort’un ne kadar eski olduğunu söyledi. Hangisinin daha iyi olduğunu söylemedi.

Paid cohort’ları üç şekilde okurum. Aynı yaşta. Proceeds üzerinden, yani mağaza, vergi ve refund’lardan sonra. Bir şey ifade edecek kadar satın alması olan hücrelerde. Aşağıdaki hesap rakamları yayımladığım çalışmalardan geliyor, her biri tek bir hesaba ait. Çözümlü örnekteki her rakam, açıkça belirtilmiş bir varsayım üzerinde yapılan aritmetiktir.

Bugüne kadarki gelir neden yanıltır?

Gelir zamanla birikir. 56 gün önce kurulan bir cohort’un ödemeye, renewal’a ve reklam izlemeye 56 günü oldu. 14 gün önce kurulanın ise 14 günü. Toplamlarını karşılaştırırsanız performansa yaş eklemiş olursunuz. Çözüm, her cohort’u kurulumdan bu yana geçen güne göre indekslemek ve yalnızca ikisinin de ulaştığı yaşlarda karşılaştırmak.

Araçlar zaten bu şekilde çalışıyor, bu yüzden böyle çalışmayan her rapora güvenmem. Apple’ın App Store Connect Analytics’i her indirme cohort’u için Day 1, Day 7 ve Day 35 download to paid değerlerini raporluyor. AppsFlyer’ın cohort dashboard’u kullanıcıları kazanım tarihine göre gruplar, o tarihi gün 0 sayar ve cohort günlerini kurulum zaman damgasına göre değil, takvim günlerine göre hesaplar. Bu yüzden 23:50’de kurulum yapan bir kullanıcının gün 0’ında on dakikası vardır. İki araç yalnızca bu yüzden D0 gelirinde birbirinden farklı çıkabilir.

Kontrol noktaları birer uzlaşımdır. Apple 35 günü seçti, SKAN 35’te bitiyor, birçok ekip 28’i kullanıyor. Uzlaşım olmayan, bunların altındaki kuraldır. Aynı yaş, ya da karşılaştırma yok. Kendi rutinim MMP cohort raporunda erken okuma için D0 ve D7, karar için D28. D28, gün 0’ı karşılaştırdığım yaştır. 606K $’lık çalışmada gün 0 ROAS, 38 Meta kampanyasını gün 28 ile neredeyse aynı şekilde sıraladı, rank korelasyonu +0,96 çıktı ve bunun bir kısmı yapısal, çünkü gün 0 geliri gün 28 gelirinin bir parçası. Bu yüzden cohort’ları birbirine göre sıralamak için D0’a güveniyorum, hedefle karşılaştırılan mutlak rakam için D28’i bekliyorum.

Aynı yaşta bir karşılaştırma nasıl görünür?

Aynı yaşta, yeni kurulum haftası ulaştığı her kontrol noktasında yaklaşık %30 önde, bugüne kadarki geliri daha kötü görünse de. Bu bölümdeki her rakam örnektir. Aynı kampanyadan iki kurulum haftası, her birinde 10.000 $ harcama ve 2.000 kurulum, yani 5,00 $ CPI. A haftası bugün 56 günlük, B haftası 14 günlük. Hücrelerdeki değerler, mağaza komisyonu, vergi ve refund’lardan sonra kalan, kurulum başına kümülatif proceeds’tir.

Yanlış okuma son sütun. A haftası 7.800 $ geri getirdi, B haftası ise 5.700 $. Bu yüzden A haftası daha iyi hedeflemeye ya da daha iyi creative’e sahip görünüyor, B haftası ise kesilecek aday gibi duruyor. A haftasının kazanmak için dört katı kadar zamanı oldu.

Doğru okuma, iki haftanın da doldurduğu herhangi bir sütun. D0’da B %33 önde. D7’de %31 önde. D14’te 2,85 $’a karşı 2,20 $, yani %30 önde, bu da %57 ROAS’a karşı %44. B haftası ulaştığı her yaşta daha iyi cohort, naif okuma ise hükmü tersine vermişti.

Yukarıdaki tablodan örnek cohort'lar, 5,00 $ CPI. Soldaki grafik performansa yaşı ekler. Sağdaki grafik yalnızca performansı karşılaştırır.

B haftası 14 günlük, karar yaşım ise 28, yani ikinci bir soru var. İki hafta boyunca onun harcamasıyla ne yaparım? Eski cohort’lardan öngörürüm. A haftası D14’te 2,20 $’dan D28’de 3,00 $’a çıktı, çarpan 1,36. Bunu B haftasının 2,85 $’ına uygulayınca D28’de kurulum başına yaklaşık 3,89 $ çıkar, yani %78 ROAS. Tek bir eski cohort bir tahmindir, bu yüzden D14’ten D28’e giden bu çarpanın aralığını eski cohort’lar genelinde alırım. Ülke ve creative karışımı benzer olan cohort’ları kullanın. Aralığın 1,25 ile 1,45 arasında olduğunu varsayalım. O zaman B haftası D28’de 3,56 $ ile 4,13 $ arasına, yani %71 ile %83 ROAS arasına düşer.

Bu bandın bir şeye karar verdirip vermediği hedefe bağlı. D28 hedefi %70 ise iki uç da onu geçer ve B haftası şimdi ölçeklenebilir. %75 ise band çizginin iki yanına düşer, B haftası sabit harcamayla izlemede kalır ve D28’de yeniden okurum. Çarpanlar yalnızca ürün, fiyatlandırma, paywall ve kanal karışımı eski cohort’lara yakın kaldığı sürece geçerli. Bir paywall testinden ya da yeni bir pazardan sonra aralığa baştan başlayın.

Hangi gelir paradır?

Kârlılık veya geri ödeme kararı için cohort’ları proceeds üzerinden ölçün, yani mağaza komisyonu, vergi ve refund’lardan sonra size ulaşan tutar üzerinden. Para için RevenueCat proceeds’ini kullanırım. Kampanya kırılımı için MMP gelirini kullanırım ve onu sıralama için brüt bir rakam sayarım, asla nakit saymam.

Apple, Sales’i müşterilere faturalanan toplam tutar, Proceeds’i ise sizin aldığınız tutar olarak tanımlıyor, Sales and Trends içindeki proceeds’in kesin olmadığı konusunda uyarıyor ve ABD doları tutarlarını önceki ayın döviz kurlarıyla tahmin ediyor. İkisi arasındaki fark komisyondur, fiyat vergiyi içeriyorsa vergi de. Refund’lar ikisinden de düşer. Mağaza komisyonunun, verginin ve refund’ların proceeds’i ayrı ayrı nasıl oynattığını CPA tavanı yazısında anlattım. Komisyon mağazaya, programa, bölgeye ve subscriber’ın abonelik süresine göre %30, %26, %15 ya da %10 artı %5 faturalandırma ücreti olur. Google Play’in 2026 ücret tablosu oranlar arasındaki farkı daha da açtı.

RevenueCat katmanları ayrı tutuyor. Revenue chart’ı proceeds’e ulaşmak için önce refund’ları düşüyor, sonra vergi ve komisyonu tahmin ediyor. Uzlaştırma kılavuzu ise Apple’ın müşteri fiyatını kendi gelir rakamıyla, Apple’ın partner payını kendi proceeds’iyle eşleştiriyor. İki uyarı. Vergi ve komisyon RevenueCat’in tahminleri, mağazanın mali raporu değil. Ayrıca Charts v3 bir refund’ı gerçekleştiği gün düşüyor, cohort okumasında ise refund’ın geri aldığı satın almaya atanması gerekiyor, bu yüzden haftaları karşılaştırmadan önce refund’ları ait oldukları cohort’a taşıyın.

MMP rakamı farklı bir şey. Adjust ve AppsFlyer, SDK’nın ya da sunucunun gönderdiği geliri, kurulumunuza göre brüt ya da net, olduğu gibi raporlar ve ben onu brüt sayarım. Bunu kendi attribution kuralları ve pencereleri içinde yaparlar. RevenueCat LTV’sini Adjust ROAS’ıyla karşılaştırmak iki temeli birden karşılaştırmaktır. Meta, RevenueCat ve Adjust arasındaki üç karşılaştırmayı ve bir farkı güvenilir kılan kontrolleri yazdım. Bu yazı için kural, analizin her seviyesinde tek bir temel, tek bir para birimi, tek bir takvim.

Bir hücre ne kadar küçülünce rakam anlamını yitirir?

Bir hücre, ben okumadan önce 50 satın almaya ulaşmalı, çünkü eklediğiniz her kırılım hücreleri çoğaltır ve her birindeki kullanıcıları böler. 10 ülke, 2 mağaza ve 5 creative genelinde 2.000 kurulumu olan bir kampanya, 20’şer kurulumluk 100 hücre demektir. %3 payer oranında bu, hücre başına bir payer’dan azdır.

Rakamı ölçtüğüm tek bir hesaptan aldım, 22 haftada 1,2M $. Orada bir reklamın bir haftadaki ROAS’ı, reklam o hafta 50 veya daha fazla satın almaya ulaştığında sonraki haftanın ROAS’ını en iyi öngördü ve o zaman bile korelasyon 0,44’tü. 50’nin altında hücreyi okumam. Onu, eşiği geçene kadar haftaları ya da ülkeleri tier’lar halinde birleştirerek yukarı toplarım.

İstatistik aynı şeyi başka bir dilde söylüyor. Payer oranı bir orandır ve hata payı için standart formül küçük sayılarda tutarsız davranır, bu yüzden Brown, Cai ve DasGupta onun yerine Wilson aralığını öneriyor. 1.000 kurulumda %3 payer oranının, yani 30 payer’ın, %95’lik Wilson aralığı yaklaşık %2,1 ile %4,3 arasındadır. 100 kurulumda aynı %3’ün, yani 3 payer’ın aralığı yaklaşık %1,0’dan %8,5’e uzanır. İkinci hücre güçlü bir ülkeyi zayıf bir ülkeden ayıramaz ve ona ne kadar bakarsanız bakın bu değişmez.

Küçük hücrelerin size yalan söylemesini önleyen iki alışkanlık daha var. Karar yaşını bakmadan önce belirleyin, çünkü her gün kontrol edip bir cohort çizgiyi ilk geçtiği anda harekete geçmek, A/B testi yapanların zaten bildiği optional stopping problemidir. Ve küçük bir hücredeki şaşırtıcı kazananı bir hipotez olarak ele alın. Gelman ve Loken soruna çatallanan patikalar bahçesi diyor. Yeterince kırılımla bir hücre tesadüfen harika görünür ve farklı bir veri seti farklı bir hücrenin harika görünmesini sağlardı. Bir alt grup sonucu, bir sonraki bağımsız cohort haftasında tekrarlandığında geçerli sayılır.

Cohort analizini doğru şekilde nasıl yaparım?

Kurulum haftasına göre tüm işletmeyle başlayın, sonra yalnızca hücrede hâlâ 50 veya daha fazla satın alma olduğu yere kadar aşağı inin.

1. Tüm işletme, kurulum haftasına göre proceeds, aynı yaş. Önce mağaza ve RevenueCat toplamlarıyla uzlaştırın.
2. Mağazaya göre. Komisyon tarifeleri, attribution rejimleri ve refund kuralları farklıdır, bu yüzden iOS ve Android’i birleştirmeden önce ayrı ayrı okuyun.
3. Kanala göre, MMP temelinde, platform rakamının MMP rakamına oranını bir kalibrasyon katsayısı olarak izleyerek.
4. Kanal içinde kampanyaya göre.
5. Kampanya içinde ülkeye göre, yalnızca ülkenin eşiği geçtiği yerde.
6. Creative’e göre, en gürültülü seviye. Onu yön olarak okuyun ve haftalar genelinde birleştirin.

Ülkeler arasında ROAS’ı adil biçimde nasıl karşılaştırırım?

Ülkeleri aynı cohort yaşında, kurulum başına proceeds üzerinden, tek bir mağaza içinde, yanında payer oranı ve aralığıyla karşılaştırın, çünkü ülkeler, reklamların ne kadar iyi çalıştığındaki herhangi bir farktan önce bir payer’ın değeri bakımından farklılaşır. Apple, vergi ve döviz kurlarının hesaba katıldığı 175 storefront genelinde karşılaştırılabilir fiyatlar belirliyor ve geliştiriciler bunların herhangi birini elle değiştirebiliyor. Fiyat KDV içeriyorsa mağaza, komisyonu vergi düşüldükten sonra hesaplar. Mağaza komisyonu bölgeye göre değişebilir. Plan karışımı farklıdır, bu yüzden aynı fiyatta bile payer başına proceeds farklıdır.

Bir de karışım var. İki kampanya her ülkenin içinde bir şekilde, blended olarak ise tersi şekilde sıralanabilir. Bu da Edward Simpson’ın 1951 tarihli makalesinden adını alan Simpson paradoksunun bir medya planına uygulanmış hâli. Örnek: X kampanyası Tier 1’de 8.000 $ harcamayla %70 ROAS, Tier 3’te 2.000 $ harcamayla %130 ROAS yapıyor, blended %82 ediyor. Y kampanyası Tier 1’de 2.000 $ harcamayla %60, Tier 3’te 8.000 $ harcamayla %120 yapıyor, blended %108 ediyor. X her tier’da Y’yi geçiyor ve blended kaybediyor, yalnızca harcamanın nereye gittiği yüzünden. Doğru karşılaştırma, ölçekte gerçekten hangi karışımı satın alabileceğinize bağlı ve bunu ancak içine bakarak öğrenirsiniz.

383K $’lık Meta tROAS harcamasına yaptığım audit’te bir ülke, blended %70 gösteren bir kampanyanın içinde üç ay boyunca %28 ROAS ile çalışmıştı ve kampanya seviyesinde hiçbir şey kıpırdamadı. Her ülkeyi D0 ve All ROAS üzerinden kampanyanın kendi hedefine göre puanladım, herhangi bir şeyi hariç tutmadan önce üç ay bekledim ve önce bir harcama eşiği belirledim, çünkü arkasında 80 $ olan bir ülkenin ROAS’ı gürültülüdür, bir hüküm değildir. O audit karışım sorununu ülke seviyesinde gösteriyor. Bu yazının eklediği şey aynı yaş kuralı ve satın alma eşiği.

MMP’nin organic dediği gelir ne olacak?

Bir kısmı, MMP’nin izleyemediği paid gelirdir. ATT altında iOS paid gelirinin bir payı için izlenecek bir tıklama yoktur, bu yüzden organic’e düşer ve bir cohort tablosu yalnızca atfedebildiğiniz geliri gösterir. Bir hesabın 103 günlük organic ve paid iOS kurulumlarında, paid iOS kurulumlarının 100 fazla olduğu günlerde yaklaşık 28 organic iOS kurulumu daha göründü, iOS’ta eğim 0,277, install referrer’ın hâlâ çalıştığı Android’de ise 0,059. O hesapta paid iOS cohort’ları bir taban gibi duruyordu ve iki eğim arasındaki fark, bir holdout ile boyutlandırılması gereken kısım.

SKAN tabanı hem düşürür hem geciktirir. SKAN 4’te bir kampanya gün 0 ila 2, gün 3 ila 7 ve gün 8 ila 35’i kapsayan en fazla üç postback alır, fine conversion value yalnızca ilkinde gelir ve en düşük crowd anonymity tier’ında hiçbir value gelmez. Bir dashboard’un bir iOS kampanyasına atadığı gün 35 sonrasındaki her gelir modellenmiştir. Meta’nın raporlaması kendi pencerelerine göre işler ve Meta’nın geliştirici dokümantasyonu, Facebook’un çoğu mobile measurement partner’dan genellikle daha geniş bir attribution penceresine sahip olduğunu söylüyor. Bu yüzden üç katmanı tek bir ROAS’ta toplamak yerine ayrı tutun. Deterministik olarak atfedilmiş proceeds, paid için taban. Modellenmiş ya da olasılıksal proceeds, yöntemle etiketli. Atfedilmemiş proceeds, kendi başına raporlanır ve paid’e yalnızca ölçülmüş bir halo ya da bir holdout sonucu gibi belirtilmiş bir varsayım üzerinden atanır.

Organic etkileşiminin yönü de belli değil ve onun sizin lehinize olduğunu varsaymazdım. eBay’de Blake, Nosko ve Tadelis paid search getirilerinin attribution’ın söylediğinin küçük bir kesri olduğunu, marka anahtar kelimesi reklamlarının kısa vadede ölçülebilir bir fayda göstermediğini buldu. Büyük bir ABD mobil oyun geliştiricisinde ise Ju, Zhao ve Aral ters işareti buldu. Reklamlarını dünya genelinde kapatmak organic kurulumları %20 ila %30 azalttı ve her 100 $ harcama yaklaşık 32 paid ve 2 organic kurulumla birlikte gitti, bunu da paid kurulumların mağaza sıralamalarını yükseltmesine bağlıyorlar. Bu, tek bir şirkete ait, Temmuz 2026’da revize edilmiş bir preprint ve rakamlar sürümler arasında değişti. Farklı kanal, farklı ürün, farklı cevap. Hesabınızın kendi rakamı var ve onu aramaya iOS organic yazımdaki iki raporla başlarım.

Bir cohort değerlendirilecek yaşa ne zaman gelir?

Üç test var ve bir cohort hepsini geçmeli.

Pencereler kapandı. 35 günlük SKAN penceresi artı postback gecikmesi, platformun attribution penceresi, refund’ların büyük kısmının gelebileceği süre ve mağazanın proceeds’i kesinleştirmesi. Bundan önce rakamın bir kısmı hâlâ geliyor.

Gelir event’lerinin gerçekleşmeye zamanı oldu. Yıllık bir plan, trial dönüştükten kısa süre sonra okunabilir ve bir sonraki bilinmeyen, bir yıl sonraki renewal’dır. Aylık bir planın renewal’ı D28’e kadar gerçekleşmemiş olur, bu yüzden o geliri eski cohort’ların eğrisinden alır ve kararı aşağıdaki banda bırakırım. Satın alma ve reklam geliri olan oyunlar para kazanmaya devam eder, bu yüzden olgunluk bir yargı meselesidir ve bu yargıyı aşağıdaki üçüncü testte veririm. Ne kadar bekleyebileceğiniz tavanın işidir ve tavan, cohort oluşmadan önce belirlenir.

Sonradan gelecek gelir kararı değiştirmez. Çözümlü örnekteki band. Eski cohort’lardan gelen düşük ve yüksek çarpanlar yeni cohort’u hedefin aynı tarafına düşürüyorsa karar verilmiştir ve beklemek, değişmeyecek bir hükme hassasiyet katar. Hedefin iki yanına düşüyorlarsa cohort izlemede kalır.

Bir cohort tablosu size neyi söyleyemez?

Harcamanın neye neden olduğunu söyleyemez. Attribution, tek bir sistemin kuralları altında kimin neyle eşleştirildiğinin defteridir. Gordon, Zettelmeyer, Bhargava ve Chapsky 15 Facebook reklam deneyini, 1,6 milyar impression’ı, ekiplerin her gün kullandığı gözlemsel yöntemlerle karşılaştırdı ve bu yöntemlerin, kapsamlı koşullandırma yapılsa bile, deneylerin ölçtüğünü çoğu zaman yakalayamadığını buldu. Yazarlardan ikisi Facebook’ta çalışıyordu, veriler Facebook’a ait ve deneyler uygulama kurulumları değil, 2015’teki ABD Facebook kampanyalarıydı. Bu, onu dikkatle okumak için bir neden, göz ardı etmek için bir neden değil. Nedensellik sorusunu yalnızca bir holdout ya da geo deneyi cevaplar ve onlar bile gürültülü. Lewis ve Rao, 25 saha deneyinde bireysel satın almaların reklam maliyetine kıyasla o kadar oynak olduğunu, bilgi veren aralıkların devasa örneklemler gerektirdiğini gösterdi. Testi bir network için nasıl yürüteceğimi AppLovin incrementality yazısında anlattım.

Gün 35’ten sonraki ya da anonymity eşiğinin altındaki SKAN gelirinin kaynağını söyleyemez. Bir fiyat değişikliğinden, yeni bir paywall’dan, yeni bir pazardan ya da yeni bir komisyon tablosundan sonra bir cohort’un ne yapacağını söyleyemez, çünkü çarpanlar geleceğin eski cohort’lara benzeyeceğini varsayar. Sistemler arasındaki uzlaştırma da aralarındaki farkları açıklar ama hangi sistemin attribution’ının doğru olduğunu söylemez. Her biri farklı bir soru için doğrudur: nakit için mağaza, subscription durumu için RevenueCat, network’ler arası kredi için MMP, kendi optimizasyon sinyali için reklam platformu. Soru hangi cohort’un daha iyi olduğu değil de bir cohort’un neden kötüleştiğiyse, o da yükselen CPI ve durağanlaşan ROAS için teşhis yöntemim ve cohort tablosundan değil, değişiklik kaydından başlar.

Bir cohort’a kârlı demeden önce neyi kontrol etmelisiniz?

1. Aynı yaş. Her karşılaştırma, iki cohort’un da ulaştığı bir günde, sıralamak için D0 ve D7, karar vermek için D28.
2. Proceeds. Komisyon, vergi ve refund’lardan sonra, refund’lar geldikleri cohort’a geri taşınmış, tek bir para biriminde ve tek bir takvimde.
3. Satın alma eşiği. Hücrede 50 satın alma, yoksa hücreyi birleştirin.
4. Önce mağaza, sonra blend. iOS ve Android, birleşik herhangi bir rakamdan önce ayrı okunur.
5. Karışım kontrolü. Kazanan, her ülke tier’ının içinde de hâlâ kazanıyor mu?
6. Tekrar. Şaşırtıcı bir hücre, bir sonraki cohort haftasında tekrarlanmalı.
7. Band. Yeni cohort’lar için eski cohort’lardan bir düşük ve bir yüksek çarpan, ve karar yalnızca ikisi de hedefin aynı tarafına düştüğünde.
8. Organic katmanı. Deterministik, modellenmiş ve atfedilmemiş proceeds ayrı tutulur.

Bu sekiz satırı hesabınız için dolduramıyorsanız, growth audit içinde bir hesabın cohort’larını okuyup eşikleri uyguluyorum ve audit’i her harcama seviyesinde tek başına alabilirsiniz.

Kaynaklar ve kapsam

Hepsi 5 Ekim 2026’da kontrol edildi. Platform dokümantasyonu haber verilmeden değişir, bu yüzden bir pencereyi ya da ücreti aktarmadan önce tarihe bakın. Çözümlü örnek, Simpson paradoksu örneği ve Wilson aralıkları, açıkça belirtilmiş varsayımlar üzerinde yapılan aritmetiktir, bir hesabın rakamları değil. Bağlantısını verdiğim hesap rakamlarının her biri tek bir hesaba ait, gözlemsel ve deneysel değil.

• Apple: Analytics dashboard, App Store Connect Analytics Help.
• Apple: View units, proceeds, sales, and pre-orders, App Store Connect Help.
• Apple: Manage pricing for auto renewable subscriptions, App Store Connect Help.
• AppsFlyer: Cohort and retention dashboard, AppsFlyer Help Center.
• Adjust: How SKAdNetwork 4 works, Adjust Help Center.
• Apple: Changes for apps in the European Union, son güncelleme 18 Ağustos 2026, App Store içindeki %26 oranı için.
• Google: Service fees, Play Console Help.
• Meta: App Events API, Meta for Developers.
• RevenueCat: Revenue chart, Charts v3 ve Reconciling with App Store Financial Reports, RevenueCat Docs.
• Brown, Cai ve DasGupta: Interval Estimation for a Binomial Proportion, Statistical Science 16(2), 2001.
• Gelman ve Loken: The Statistical Crisis in Science, American Scientist 102(6), 2014.
• Simpson: The Interpretation of Interaction in Contingency Tables, Journal of the Royal Statistical Society, Series B 13(2), 1951.
• Stanford Encyclopedia of Philosophy: Simpson’s Paradox, açıklayıcı kaynak olarak.
• Gordon, Zettelmeyer, Bhargava ve Chapsky: A Comparison of Approaches to Advertising Measurement, Marketing Science 38(2), 2019, 15 ABD Facebook deneyi, yazarlardan ikisi Facebook’ta.
• Blake, Nosko ve Tadelis: Consumer Heterogeneity and Paid Search Effectiveness, Econometrica 83(1), 2015, eBay, yazarlar o dönemde eBay’e bağlıydı.
• Ju, Zhao ve Aral: Advertising Spillovers in Mobile Apps: Evidence from Ad Shutoffs and Store Rankings, arXiv preprint, Nisan 2025’te gönderildi, Temmuz 2026’da revize edildi, tek bir ABD oyun geliştiricisi.
• Lewis ve Rao: The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics 130(4), 2015.