Modellenmiş online dönüşümler hakkında

Modellenmiş dönüşümlerde, Google'ın doğrudan gözlemleyemediği dönüşümleri tahmin etmek amacıyla kullanıcıları ayrı ayrı tanımlamayan verilerden yararlanılır. Bu sayede, dönüşümlerinizle ilgili daha kapsamlı bir rapor sunulabilir.

Kullanıcı gizliliğinin korunması veya teknik sınırlamalar nedeniyle reklam ilişkilendirmelerini gözlemleyemediğimizi bildiğimiz veri dilimlerini kurtarmak için modelleme yaparız. Modellemeyi, pazarlama çalışmalarınızın etkisini doğru olarak anlamanız için yüksek kaliteli ölçüm sağlamak ve tekliflerin yüksek kalitesini korumak için düşük veya yüksek teklif verilmesini önlemek amacıyla yaparız.

Google, Google Ads'de modellenmiş dönüşümler sunarken, ilişkilendirilen dönüşümlere dair tahminde bulunur. Çoğu durumda Google, reklam etkileşimleri ve online dönüşümler alır, ancak ikisi arasındaki bağlantı konusunda bilgisi yoktur. Modellememiz, bir Google reklam etkileşiminin online dönüşümle sonuçlanıp sonuçlanmayacağını tahmin eder. Bir dönüşümün gerçekleşip gerçekleşmediğini etkilemez.

Modelleme yapılmadığında, raporlanan dönüşümler gerçek kampanya performansı yerine yalnızca dönüşümlerin gözlemlenebilir kısmını yansıtır.

Modellenmiş online dönüşümlerin işleyiş şekli

Gözlemlenmeyen bir veri dilimiyle ilgili modelleme yapmak için, gözlemlenmeyen dilimle aynı veya ona çok benzer davranış gösterdiğini bildiğimiz ya da aralarında ne gibi farklar olduğunu tespit ettiğimiz gözlemlenen dilimlerde yer alan verileri mümkün olan en iyi şekilde kullanmaya çalışırız.

Örnek: Bir tarayıcı türünde gözlemlenemeyen ancak diğer tarayıcı türlerinde gözlemlenebilir olan bir dönüşüm diliminizin olduğunu varsayalım. Modellememiz öncelikle farklı tarayıcı türlerinde kullanıcıların davranışlarındaki trendleri (örneğin, dönüşüm oranları) saptar. Ardından, ölçüm yapılabilen tarayıcılardaki gözlemlenebilir verilerimizi, sistematik sapmaları hesaba katarak ve cihaz türü, günün saati, coğrafi konum, işletim sistemi gibi diğer toplu boyutları da ekleyerek, gözlemlenemeyen tarayici türündeki reklam etkileşimlerinin dönüşüm etkinliğiyle sonuçlanma olasılığını tahmin ederiz.

Modellenmiş dönüşümler, gözlemlenen dönüşümlerle aynı ayrıntı düzeyinde raporlanır. Bu ayrıntılar arasında dönüşüm toplamları, ilişkilendirme yolu ve dönüşüm değerleri gibi boyutlar bulunur. Google, "Dönüşümler" sütununda, hem modellenmiş hem de gözlemlenen dönüşümleri raporlar.

Not: Çevrimdışı dönüşüm içe aktarma işlemlerinde ve haftalık dönüşüm sayısı çok düşük olan kullanıcı hesaplarında belirli modelleme türleri kullanılamayabilir.

Modellenmiş online dönüşümlerin avantajları

Reklam trafiğinizin tamamının bütünsel ölçümü: Reklam sonuçlarınız (YG) hakkında daha doğru bilgiler elde edebilir, cihaz ve kanallarda reklam etkileşimlerinin sonucu olarak ortaya çıkan dönüşüm yolunu eksiksiz şekilde görebilirsiniz.
Etkili kampanya optimizasyonu: Modellenmiş dönüşümler, kampanyalarınızı daha etkili şekilde optimize etmenize ve daha iyi ticari sonuçlar almanıza yardımcı olur.
- Gizlilikle ilgili yönetmelikler ve teknoloji sınırlamaları, belirli kullanıcı gruplarını (örneğin, izin vermeyen kullanıcılar veya belirli cihaz türlerini ya da tarayıcıları kullananlar) gözlemlememize izin vermez. Bu, otomatik teklif algoritmalarımızın optimizasyon kararlarını eksik verilere göre alması gerekeceği ve dolayısıyla, öğrenmede sapmalar ortaya çıkacağı anlamına gelir. Sonuç olarak, bu grupların raporlanan performansı daha düşük olduğu ve bu nedenle teklif verenin genel performansı düşeceği için, otomatik teklif bu grupların öncelik düzeyini düşürebilir. Modelleme, otomatik teklif vermenin daha doğru performans verilerine erişmesini sağlamak için bu sapmaları giderir ve bunları tüm raporlarda düzeltir.Otomatik teklif hakkında daha fazla bilgi edinin.
Gizlilik odaklı doğru ölçüm: Modellenmiş dönüşümlerde, Google'ın doğrudan gözlemleyemediği dönüşümleri tahmin etmek amacıyla kullanıcıları ayrı ayrı tanımlamayan verilerden yararlanılır. Bu sayede, dönüşümlerinizle ilgili daha kapsamlı bir rapor sunulabilir. Bu yaklaşım, dijital parmak izi gibi, bulgulara (ör. IP adresi) dayandığı ve kullanıcıları ayrı ayrı tanımladığı ve izlediği için gizliliği korumayla ilgili açıkları bulunan taktiklerle taban tabana zıttır. Google, makul düzeyde kullanıcı kontrolü ve şeffaflık sağlamadığından reklam kişiselleştirme için dijital parmak izi kullanımına karşı katı bir politikaya sahiptir.

Google'ın dönüşüm modelleme yaklaşımı

Google çözümleri, çok çeşitli özelliklerdeki kullanıcılara ait verileri kullanır. Bu sayede, dönüşüm modellerimizin doğruluğu birkaç önemli boyut üzerinden çok sayıda reklam etkileşimi ve dönüşüm işleminde doğrulanmış olur:

Ölçek: Dönüşüm hunisinin çeşitli bölümlerinde bulunan kanallardaki geniş çeşitlilik içeren çok sayıda reklam etkileşimine erişimimiz vardır. Bu sayede, dönüşüm hunisinin ve kanalların neresinde olursa olsunlar farklı kullanıcıların farklı reklam türlerine nasıl tepki verdiği hakkında kapsamlı veriler elde ederiz.
Doğruluk: Oturum açmış geniş kullanıcı tabanımız, gelişmiş modelleme tekniklerimizin çerezlerden veya diğer tanımlayıcılardan bağımsız şekilde çalışmasına olanak tanır. Bunu sağlayan, bu özelliği etkinleştirmiş kullanıcılarımızı temsil eden bir kümeden farklı davranışlara dair zengin veriler elde etmemizdir.
Kapsam: Birçok web sitesi Google etiketlerini kullanır. Diğer bir deyişle, dönüşüm modellerimiz geniş çeşitlilikteki farklı dönüşüm işlemlerinde doğrulanır. Dönüşüm modelleme, Google'ın doğrudan gözlemleyemediği dönüşümleri ölçmek için kullanıcıyı tanımlamayan verilerden yararlanır. Modelimiz daha sonra her reklamverende benzersiz bir şekilde eğitilerek benzersiz sonuçlar üretir.
Teknik uzmanlık: Google'ın yapay zeka alanındaki uzmanlığı, en yüksek kalitede modelleme yapılmasını sağlayan temel bir olanaktır. Modellemeden yıllar boyunca yararlanan tüm ölçüm ürünlerimiz (Google Ads otomatik teklif ve mağaza ziyaretleri) ve ölçüm dışındaki ürünlerimizde (ör. sürücüsüz arabalar ve YouTube önerileri) bu uzmanlığı en yüksek düzeye çıkardık.
İşlem Yapılabilirlik: Google'ın modellenmiş dönüşümleri kampanya raporlarında gösterilir. Ancak, optimizasyon ve teklif verme süreciyle de bağlantılıdır. Böylece, veriler iş hedefleriniz doğrultusunda işlem yapılmaya uygun hale getirilir.

Online dönüşümler için kullanılabilen modelleme örnekleri

Sunduğumuz en önemli dönüşüm modelleme çalışmalarından bazıları şunlardır:

Üçüncü taraf çerez sınırlamaları için modelleme

Bazı tarayıcılar (ör. Safari ve Firefox), üçüncü taraf çerezlerini kullanan dönüşüm ölçümüne izin vermez. Dönüşüm ölçümü için üçüncü taraf çerezleri kullanıyorsanız bu tarayıcılarda (masaüstü ve mobil) dönüşüm modellemeniz, web sitelerinizin trafiğine göre yapılacaktır. Google etiketine geçerek modellemeyi nasıl iyileştirebileceğinizi öğrenin.

Birinci taraf çerez sınırlamaları için modelleme

Bazı tarayıcılar (ör. Safari), birinci taraf çerezlerine izin verilen süreyi sınırlar. Dönüşüm modellemeniz, bu sürenin bitiminden sonra gerçekleşebilecek gizli dönüşümlerin payına göre yapılacaktır. Gelişmiş dönüşümleri kullanarak modellemeyi nasıl iyileştirebileceğinizi öğrenin.

AB çerez izni sınırlamaları için modelleme

Bazı ülkelerdeki yönetmelikler, reklamverenlerin reklamcılık faaliyetleriyle alakalı çerezlerin kullanımı için izin almasını gerektirir. İzin modunu benimseyen reklamverenler için dönüşüm modelleme, izin vermeyen kullanıcılara göre yapılacaktır. Dönüşümler, izin vermeyen kullanıcılar için modellenir.

iOS 14'ün etkisi

Apple'ın Uygulama İzleme Şeffaflığı (ATT) politikası, geliştiricilere diğer şirketlerin uygulamalarından ve web sitelerinden alınan belirli bilgileri reklamcılık amacıyla kullandıklarında izin isteme zorunluluğu getirir. Google, ATT politikası kapsamına giren bilgileri (IDFA gibi) kullanmaz. Buna uygun olarak, reklamları ATT'den etkilenen trafikten kaynaklanan dönüşümler için modelleme yapılır. Web sitenizin en iyi modelleme için isteğe bağlı URL parametrelerini kabul edebildiğinden emin olun.

Apple'ın ATT politikası olan SKAdNetwork'ün kullanıma sunulmasıyla birlikte Apple'ın uygulama ilişkilendirme çözümü, uygulama reklamverenlerine iOS kampanyalarının performansını değerlendirmeleri açısından önemli bir girdi haline geldi. Google Ads kullanıcı arayüzünde modellenmiş raporlamamızın kalitesini ve tutarlılığını artırmak için SKAdNetwork ile entegrasyonumuzu daha da güçlendiriyoruz. iOS uygulama kampanyalarınızda daha iyi ölçüm ve performans elde etmeyi sağlayacak en iyi uygulamalar hakkında daha fazla bilgi edinin.

Google Play politikalarının etkisi

Google Play kullanıcı denetimini, gizliliğini ve güvenliğini güçlendirmeye yönelik yeni politika güncellemelerini duyurdu. 2021'in sonlarına doğru yapılacak Google Play Hizmetleri güncellemesi kapsamında kullanıcı, Android Ayarları'nda reklam kimliğini kullanarak kişiselleştirmeyi devre dışı bıraktığında reklam kimliği kaldırılacaktır. Tanımlayıcıya erişmeye çalışıldığında, tanımlayıcı yerine sıfırlardan oluşan bir dize alınacak. Reklam kimliği hakkında daha fazla bilgi edinin.

Bu hizmet güncellemesiyle birlikte, modellenmiş dönüşümleri tüm uygulama kampanyalarında sunacağız. Diğer bir deyişle, dönüşüm sütununuzun yanı sıra yükleme, uygulama içi işlem ve dönüşüm değeri sütunlarınızda da modellenmiş dönüşümler yer alabilir. İleride, bu güncellemenin ve diğer olası hizmet güncellemelerinin oluşturacağı etkiyi hafifletmek amacıyla uygulama kampanyalarına daha fazla modellenmiş dönüşüm eklenebilir.

Cihazlar arası dönüşümler

Bir kullanıcı, yolculuğuna bir cihazda reklam etkileşimiyle başlayıp dönüşümü başka bir cihazda tamamladığında, dönüşümü reklam etkileşimiyle ilişkilendirmek mümkün olmayabilir. Google, kullanıcılar genelinde benzer bir davranış saptamak için, Google mülklerinde oturum açmış çok sayıda kullanıcıdan elde edilen verileri gözlemler. Oturma odasında kullanılan cihazlar ve masaüstü bilgisayarlar de dahil olmak üzere birçok cihazlar arası dönüşüm de modellenir.

Not: Google Ads yoluyla kurtarılabilen bu dönüşümlerin payı, her bir durum için sahip olduğumuz gözlemlenebilir veri miktarına ve bu gözlemlenebilir verilerin doğruluk düzeyine (örneğin, belirli bir reklamverenin kullanıcı tabanının tamamını ne kadar gerçekçi temsil ettikleri) bağlıdır. Kurtarma oranları, ele aldığımız soruna göre değişir. Verilerin gözlemlenebilirlik düzeyi ne kadar yüksek olursa model kalitesi de o kadar artar. Google etiketini, izin modunu ve gelişmiş dönüşümleri uygulayarak bunu nasıl iyileştirebileceğinizi öğrenin.

Online dönüşüm modelleme ilkeleri

Kaliteyi sürekli artırma

Diğer tüm ürünlerde olduğu gibi, veri bilimcilerimiz modellemenin doğruluğunu artırmak ve ölçeğini genişletmek için sürekli olarak algoritma iyileştirmeleri yapmaktadır. Modellememizi hassaslaştıracak yeni gözlemlenebilir veri kaynakları sağlamaları için sürekli olarak yeni ürünler kullanıma sunuyoruz (örneğin, gelişmiş dönüşümler ve izin modu bize daha fazla miktarda gözlemlenen veri sağlayabilir).

Doğruluk kontrolü için gelişmiş teknikler

Modelimizin doğruluğunu kontrol etmek için ayırma doğrulaması gibi teknikler kullanırız (örneğin, gözlemlenen dönüşümlerin bir kısmını ayırarak bu dilim için modelleme yaparız). Ardından, modellenmiş sonuçları, ayırdığımız gözlemlenen gerçek dönüşümlerle karşılaştırır, yanlışları ve sapmaları ölçerek modellerimizde sürekli ayarlamalar yaparız. Benzer yöntemler Google Yapay Zeka'da yaygın olarak kullanılır.

Raporlamada katı eşikler

Modellenmiş dönüşümleri raporlarımıza yalnızca dönüşümlerin reklam etkileşimleri sonucunda gerçekleştiğinden emin olduğumuz durumlarda dahil ederiz. Sistematik olarak gerçekte elde edilenden daha fazla dönüşüm raporlamaktan kaçınırız ve gerçeğinden yüksek sayılar raporlamayı her zaman en aza indirmeyi amaçlarız. Bazı kullanıcılar açısından bu, kendimizden emin şekilde model oluşturabilmek için düzenli olarak yeterli sayıda dönüşüm gözlemlemediğimiz anlamına gelir. Böyle durumlarda, modellenmiş dönüşüm raporlanmaz.

Her bilgi eksiği benzersiz bir modelleme yöntemi kullanılarak giderilir

Ölçümde farklı bilgi eksiklikleri tespit ettiğimizden ve farklı türlerde gözlemlenebilir veri gerektiğinden ve mevcut olduğundan, farklı boşluklar türleri için farklı model türlerimiz vardır. Ayrıca, çeşitli model türlerinde çift sayımı ortadan kaldıran teknikler kullanırız. Dönüşüm oranlarının reklamcılık kanalına göre önemli ölçüde değişiklik gösterdiğini biliyoruz. Bu nedenle, her bir kanal ve reklam etkileşimi türü (gösterimler ve tıklamalar) için ayrı modeller oluştururuz.

Her bir modelin sağladığı sonuç, işletmenize ve kullanıcı davranışınıza özgüdür

Belirli bir gözlem boşluğunu gidermek için genel bir modelleme algoritması belirlendiğinde, bu algoritmayı her bir reklamverenin verilerine ayrı ayrı uygularız ve o reklamverene özgü benzersiz kullanıcı davranışını ve dönüşüm oranlarını yansıtan benzersiz sonuçlar ederiz. Örneğin, kullanıcılarınızın yolculuklarına bir cihazda başlayıp başka bir cihazda dönüşüm gerçekleştirme eğilimi çok güçlüyse, sizin için raporlanan cihazlar arası modellenmiş dönüşümlerin sayısı ortalamadan yüksek olacaktır.

Dijital parmak iziyle ilgili sıkı politika

Dijital parmak izi teknolojileri genellikle, çeşitli temas noktalarında ve cihazlarda kullanıcıları tanımlayan IP adresleri gibi bulgulardan yararlanır ve kullanıcıyı gelecekteki etkileşimlerde tanımlamak için bir "parmak izi kimliği" oluşturur. Makul düzeyde kullanıcı kontrolüne ve şeffaflığa olanak tanımadığı için bu tür kimlikler üretmeyiz veya bireysel kullanıcıları tanımlamaya çalışmayız. Ayrıca, başkalarının reklamcılık ürünlerimize dijital parmak izi verisi getirmesine de izin vermeyiz. Bunun yerine, geçmiş dönüşüm oranları, cihaz türü, günün saati ve konum gibi verileri toplu hale getirerek, reklam görüntülemiş veya tıklamış kullanıcı grubu içinde bir dönüşüm etkinliğinin gerçekleşme olasılığını tahmin ederiz.

Önemli modelleme değişikliklerini bildirme

Herhangi bir modelleme değişikliğini kullanıma sunmadan önce sürekli olarak denemeler çalıştırırız ve raporlama ile teklif vermede önemli bir etki tespit edersek bununla ilgili bilgileri sizinle paylaşırız.

Otomatik entegrasyon

Google, doğru şekilde yapabileceği durumlarda, dönüşümlerinizin raporlaması ve optimizasyonunda entegre dönüşüm modellemesi sağlamak için mevcut verileri kullanır. Çerezlere izin vermemiş kullanıcı gruplarında dönüşümlerin gözlemlenememesi gibi bazı durumlarda, dönüşüm modellemesi sağlayabilmemiz için izin oranlarınızla ilgili verilere ihtiyaç duyarız.

İlgili bağlantılar

Bu size yardımcı oldu mu?

Bunu nasıl iyileştirebiliriz?