Google utiliza la modelización para estimar las conversiones online que no se pueden observar directamente. La modelización permite atribuir las conversiones de forma precisa sin necesidad de identificar a los usuarios. Por ejemplo, por motivos de privacidad de los usuarios, por limitaciones técnicas o cuando los usuarios cambian de dispositivo. Al incluir las conversiones modelizadas, Google puede ofrecer informes más precisos, optimizar las campañas publicitarias y mejorar la puja automática.
Secciones de esta página:
- Cómo funcionan las conversiones modelizadas
- Ventajas de las conversiones online estimadas mediante modelos
- Enfoque de Google relativo a la modelización de conversiones
- Ejemplos de técnicas disponibles para estimar las conversiones online
- Principios de la estimación de conversiones online
Cómo funcionan las conversiones modelizadas
Los modelos de Google buscan tendencias coincidentes entre las conversiones que se han observado directamente y las que no. Por ejemplo, si las conversiones atribuidas de un navegador son parecidas a las conversiones no atribuidas de otro navegador, el modelo de aprendizaje automático predecirá la atribución global. En función de esta predicción, las conversiones registradas se actualizan para incluir las conversiones modelizadas y las observadas.
Ventajas de las conversiones online estimadas mediante modelos
- Medición integral de todo el tráfico de los anuncios: puedes obtener una perspectiva más precisa de tus resultados publicitarios (retorno de inversión), así como información completa sobre la ruta de conversión derivada de las interacciones con anuncios en distintos dispositivos y canales.
- Optimización de campañas eficiente: las conversiones modelizadas le permiten optimizar las campañas de forma más eficaz y conseguir mejores resultados.
- Debido a las normativas de privacidad y a las limitaciones tecnológicas, no podemos observar determinadas cohortes de usuarios (por ejemplo, los usuarios sin consentimiento o los que utilizan determinados tipos de navegadores o dispositivos). En esos casos, los algoritmos de puja automática deben tomar decisiones de optimización basadas en datos incompletos, lo que se traduce en un aprendizaje sesgado. Por ello, es posible que la puja automática dé menos prioridad a estas cohortes, ya que registran un rendimiento más bajo, y esto podría disminuir el rendimiento del postor. La modelización busca solucionar estos sesgos y los corrige en los informes generales para que la puja automática tenga acceso a datos de rendimiento más representativos. Consulte más información acerca de la puja automática en la nueva experiencia de Search Ads 360.
Enfoque de Google relativo a la modelización de conversiones
Estas son algunas de las prácticas importantes de modelización de conversiones que tenemos disponibles:
Comprobar la precisión y comunicar los cambiosLa validación por división del conjunto de datos, que es una práctica común de aprendizaje automático, permite que los modelos de Google sigan siendo precisos. Se retiene y se divide una parte de las conversiones observadas (datos de validación). A continuación, los datos de la validación que se hayan modelizado se comparan con los que no. Los resultados de la validación se utilizan para comprobar si hay inexactitudes y para ajustar aún más el modelo.
Las conversiones modelizadas solo se incluyen cuando se tiene la certeza de que son de calidad. Si no hay suficiente tráfico como para proporcionar datos al modelo, las conversiones modelizadas no se atribuirán a las interacciones con anuncios (o, en el caso de Google Analytics, se atribuirán al canal directo). Mediante este enfoque, Google compensa la pérdida de observabilidad y, además, evita que se hagan predicciones demasiado optimistas.
El algoritmo de modelización más general de Google se aplica de forma independiente a sus datos para reflejar el comportamiento único de su empresa y de los clientes.
Google no permite que se utilicen huellas digitales u otros métodos para identificar a usuarios concretos. En vez de eso, agrega datos (como el historial de tasas de conversión, el tipo de dispositivo, la hora del día o la información geográfica) para predecir la probabilidad de que se completen conversiones a partir de una interacción específica con un anuncio.
Ejemplos de técnicas disponibles para estimar las conversiones online
Estas son algunas de las técnicas importantes de modelización de conversiones que tenemos disponibles:
Estimación cuando hay limitaciones de cookies de tercerosAlgunos navegadores, como Safari y Firefox, no permiten medir las conversiones mediante cookies de terceros. Si te basas en las cookies de terceros para medir las conversiones, la modelización de conversiones se basará en el tráfico que recibe tu sitio web en esos navegadores (desde ordenadores y dispositivos móviles). Consulte cómo mejorar la modelización pasándose a la etiqueta de Google.
Algunos navegadores, como Safari, limitan el tiempo de almacenamiento de las cookies propias. En estos casos, fuera de ese periodo la modelización de conversiones se basará en tu tasa de conversiones latentes. Consulte cómo mejorar la modelización con la función Conversiones mejoradas.
Las normativas de algunos países exigen que los anunciantes obtengan consentimiento para usar de cookies relacionadas con actividades publicitarias. A los anunciantes que hayan implementado el modo de consentimiento se les aplicará la modelización de conversiones para completar la información referente a los usuarios sin consentimiento. Cuando los usuarios no dan su consentimiento, las conversiones se estimarán mediante modelos.
La política de transparencia en el rastreo de aplicaciones (App Tracking Transparency, ATT) de Apple obliga a los desarrolladores a solicitar permiso para utilizar determinada información de aplicaciones y sitios web de otras empresas con fines publicitarios. Google no utilizará información que entre en el ámbito de la política de ATT (como el IDFA). En consecuencia, se estimarán mediante modelos aquellas conversiones que se originen a partir de anuncios cuyo tráfico proceda de aplicaciones y sitios afectados por la política ATT. Tu sitio web debe aceptar parámetros de URL arbitrarios para que la estimación sea lo más precisa posible.
Con el lanzamiento de la política de transparencia en el rastreo de aplicaciones (ATT) de Apple, SKAdNetwork, la solución de atribución para aplicaciones de Apple se ha convertido en un factor importante para los anunciantes de aplicaciones a la hora de evaluar el rendimiento de sus campañas de iOS. Para mejorar la calidad y la coherencia de nuestros informes modelizados en la interfaz de usuario de Google Ads, estamos profundizando en nuestras integraciones con SKAdNetwork. Consulte las prácticas recomendadas para mejorar la medición y el rendimiento de las campañas de aplicación iOS.
Google Play ha anunciado algunas actualizaciones nuevas de las políticas para mejorar la privacidad, la seguridad y el control que tienen los usuarios. Como parte de la actualización de Servicios de Google Play a finales del 2021, se eliminará el ID de publicidad cuando un usuario inhabilite la personalización usando un ID de publicidad en los ajustes de Android. Si se intenta acceder al identificador, se recibirá una cadena de ceros en su lugar. Consulte más información sobre el ID de publicidad.
Debido a esta actualización del servicio, vamos a implementar las conversiones modelizadas en todas las campañas de aplicaciones. Esto significa que podrán aparecer conversiones modelizadas en la columna de conversiones, así como en la de descargas, en la de acciones en la aplicación y en la de valor de conversión. Puede que en el futuro se añadan otras conversiones modelizadas a las campañas de aplicaciones para mitigar el impacto de esta y otras actualizaciones que pueda haber.
Si un usuario inicia su recorrido interactuando con un anuncio en un dispositivo y completa la conversión en otro, es posible que esa conversión no pueda atribuirse a la interacción con el anuncio. Google tiene en cuenta datos de un gran número de usuarios que han iniciado sesión en propiedades de Google para extrapolar comportamientos similares a todos los usuarios. También se modelizan muchas conversiones multidispositivo, como las que se producen en dispositivos que suelen estar en el salón o en ordenadores.
Principios de la estimación de conversiones online
Mejora constante de la calidadAl igual que con el resto de los productos, los científicos de datos de Google mejoran continuamente los algoritmos para aumentar la precisión y la escala de la modelización. Introducimos productos nuevos periódicamente para contar con nuevas fuentes de datos observables que nos permitan mejorar nuestra modelización. Por ejemplo, Conversiones mejoradas y el modo de consentimiento pueden obtener más datos observados.
Google utiliza técnicas como la validación por división del conjunto de datos para comprobar la precisión de su modelización. Por ejemplo, Google divide una parte de las conversiones observadas y modeliza esa porción. Después, se comparan los resultados modelizados con las conversiones observadas que se han dividido, se miden las inexactitudes y los sesgos, y los modelos se ajustan continuamente. En la IA de Google se usan métodos similares.
Google solo incluye las conversiones modelizadas en sus informes si tiene la certeza de que las conversiones se han producido como resultado de interacciones con anuncios. Google evita registrar sistemáticamente más conversiones de las que se producen en realidad. Esto significa que, en el caso de algunos usuarios, Google no observa suficientes conversiones de forma constante para poder crear modelizaciones precisas. En esos casos, Google no registra ninguna conversión modelizada.
Puesto que las mediciones no siempre ofrecen información completa y Google necesita distintos tipos de datos observables, se utilizan diferentes tipos de modelos en función del tipo de datos que se quieren obtener. Google también utiliza técnicas que evitan que las conversiones se contabilicen por duplicado en varios tipos de modelos. Google sabe que las tasas de conversión varían de forma significativa en función del canal publicitario y, por ello, crea modelos distintos para cada tipo de canal y de interacción con los anuncios (impresiones y clics).
Una vez que se determina un algoritmo de modelización general para compensar la falta de datos de un tipo concreto, Google lo aplica a los datos de cada anunciante por separado y obtiene resultados individualizados que reflejan el comportamiento de los usuarios y las tasas de conversión del anunciante. Por ejemplo, si tus usuarios suelen iniciar el recorrido de compra en un dispositivo y completar la conversión en otro, el número de conversiones multidispositivo estimadas mediante modelos de tus informes será superior a la media.
En el caso de determinados segmentos de tráfico, Google se basará en señales adicionales para medir dónde se han producido las conversiones. Entre estas señales se incluye, por ejemplo, el uso de la dirección IP para estimar las conversiones.
Google lleva a cabo experimentos constantemente antes de implementar cambios en la modelización. Además, informa a los usuarios si detecta un impacto significativo en los informes y en las pujas.
Siempre que sea posible hacerlo con precisión, Google usará los datos disponibles para integrar la modelización de conversiones en los informes de conversiones y en la optimización. En algunos casos, como cuando no se pueden observar las conversiones de un conjunto de usuarios que no han dado su consentimiento para usar cookies, Google necesitará información sobre las tasas de consentimiento para poder modelizar las conversiones.
