A modellezett online konverziók

A modellezett konverziók az egyéni felhasználók azonosítására nem alkalmas adatok segítségével becsülik meg azon konverziók számát, amelyeket a Google nem tud közvetlenül megfigyelni. Ily módon a felhasználó teljesebb képet kaphat a konverziókról.

A modellezést azért végezzük, hogy visszanyerhessük az adatok azon hányadát, amelynél tudjuk, hogy a felhasználói adatvédelem vagy technikai korlátok miatt nem lehetséges megfigyelés alapján a hirdetéshez való hozzárendelés. Erre azért van szükség, hogy jó minőségű méréseket biztosítsunk, és Ön pontosan felmérhesse a marketingtevékenysége hatását, illetve hatékony ajánlattétellel elkerülhesse a túlzottan magas vagy alacsony ajánlatokat.

Amikor a Google modellezett konverziókat tüntet fel a Google Ads szolgáltatásban, tulajdonképpen előre jelzi a hozzárendelt konverziókat. A legtöbb esetben a Google megkapja a hirdetéssel végzett műveleteket és az online konverziókat, de hiányzik a kettő közötti kapcsolat. Modellezési módszerünk meghatározza, hogy a Google-hirdetéssel végzett művelet vezetett-e az online konverzióhoz. A szolgáltatás nem határozza meg, hogy megtörtént-e konverzió.

Modellezés nélkül a jelentett konverziók csak a konverziók megfigyelhető részét tükröznék, nem pedig a valós kampányteljesítményt.

A modellezett online konverziók működése

A nem megfigyelt adathányad modellezése érdekében igyekszünk olyan megfigyelhető hányadokból származó adatokat használni, amelyekről tudjuk, hogy a nem megfigyelt hányaddal azonos vagy ahhoz nagyon hasonló viselkedés jellemző rájuk, illetve amelyeknél jól átlátjuk a különbségeket.

Példa: Tegyük fel, hogy van a konverzióknak egy olyan hányada, amely nem megfigyelhető egy adott böngészőtípuson, ám más böngészőtípusokon igen. Modellezési módszerünk először elemzi a felhasználói viselkedés (pl. a konverziós arányok) különböző böngészőtípusok között mutatkozó trendjeit. Ezután alapul vesszük a mérhető böngészőkből származó adatokat, megtisztítjuk őket az esetleges szisztematikus torzításoktól, belefoglalunk a számításba olyan egyéb összesített dimenziókat, mint például az eszköztípus, a napszak, a földrajzi hely és az operációs rendszer, és ez alapján jelezzük előre a nem megfigyelhető böngészőtípusban végzett hirdetésinterakciókból származó konverziós események valószínűségét.

A modellezett konverziók a megfigyelt konverziókkal megegyező részletességgel szerepelnek a jelentésekben. Ez olyan dimenziókra is igaz, mint a konverziók teljes száma, a hozzárendelési útvonal és a konverziós érték. A „Konverziók” oszlopban a Google a modellezett és a megfigyelt konverziókat is megjeleníti.

Megjegyzés: Az importált offline konverziók és a nagyon kevés heti konverzióval rendelkező felhasználói fiókok nem biztos, hogy tartalmazzák bizonyos modellezési típusok adatait.

A modellezett online konverziók előnyei

A hirdetési forgalom teljes körű mérése: Pontosabb képet kaphat a hirdetési eredményekről (ROI), és teljes egészében átláthatja a hirdetésekkel végzett műveletekből induló, eszközökön és csatornákon átívelő konverziós útvonalat.
Hatékony kampányoptimalizálás: A modellezett konverziók segítségével hatékonyabban optimalizálhatja a kampányokat, és jobb üzleti eredményeket érhet el.
- Az adatvédelmi szabályok és a technológiai korlátok miatt nem tudunk megfigyeléseket végezni bizonyos felhasználói kohorszok esetében (ilyenek például a beleegyezésüket nem adó felhasználók, illetve egyes eszköztípusok vagy böngészők felhasználói). Ez azt jelenti, hogy automatikus ajánlattételi algoritmusainknak hiányos adatok alapján kell optimalizálási döntéseket hozniuk, ami torzított tanulást eredményez. Ennek eredményeként az automatikus ajánlattétel hátrébb sorolhatja ezeket a kohorszokokat – a gyengébb jelentett teljesítményből kiindulva –, ami ronthatja az ajánlattevő átfogó teljesítményét. A modellezés fényt derít ezeknek a torzításoknak a mértékére, és az összesített jelentésben korrigálja az eltéréseket, így az automatikus ajánlattétel reprezentatívabb teljesítményadatokkal dolgozhat.További információ az automatikus ajánlattételről.
Pontos, adatvédelem-központú mérés: A modellezett konverziók az egyéni felhasználók azonosítására nem alkalmas adatok segítségével becsülik meg azon konverziók számát, amelyeket a Google nem tud közvetlenül megfigyelni. Ily módon a felhasználó teljesebb képet kaphat a konverziókról. Ennek a módszernek a megközelítésmódja éppen ellentétes az olyan, adatvédelmi szempontból aggályos eljárásokkal, mint például az ujjlenyomat-készítés, amely heurisztikus módszerekkel (többek között IP-címekkel) dolgozik, és megkísérli azonosítani és nyomon követni az egyéni felhasználókat. A Google szigorú irányelvekkel igyekszik elejét venni a hirdetések ujjlenyomatokkal való személyre szabásának, mivel ez a módszer nem biztosít észszerű mértékű rendelkezési jogot és átláthatóságot a felhasználónak.

A Google konverziómodellezési megközelítése

A Google megoldásai a felhasználók széles körére alkalmazhatók, így a konverziós modellek pontosságának nagyszámú hirdetéssel végzett műveleten és konverziós műveleten alapuló ellenőrzését teszik lehetővé többféle kulcsdimenzió mentén is:

Alkalmazhatóság: Nagy mennyiségű és sokféle hirdetéssel végzett művelethez férünk hozzá számos csatornán és a csatornák különböző részeiben. Így átfogó adatokkal rendelkezünk arról, hogy a különböző felhasználók hogyan reagálnak a különböző típusú hirdetésekre, függetlenül attól, hogy hol tartózkodnak a csatornában, illetve melyik csatornán találkoztunk velük.
Pontosság: Kifinomult modellezési módszereink – bejelentkezett felhasználói bázisunknak köszönhetően – cookie-któl és egyéb azonosítóktól függetlenül tudnak működni, mivel a bejelentkezett felhasználók reprezentatív mintájából széles körűen használható viselkedési adatkészletet vagyunk képesek következtetés útján előállítani.
Lefedettség: Számos webhely használ Google-címkéket, ami azt jelenti, hogy konverziós modelljeinket a különféle konverziós műveletek óriási halmazával vethetjük össze. A konverziómodellezés a felhasználót nem azonosító adatok segítségével számszerűsíti az olyan konverziókat, amelyeket a Google közvetlenül nem tud megfigyelni. A modellünket ezután minden hirdetőnél egyedileg tanítjuk be, így az előálló eredmények is egyediek lesznek.
Műszaki szakértelem: A a Google mesterséges intelligencia terén való jártassága kulcsfontosságú tudás, amely lehetővé teszi, hogy a legjobb minőségben tudjunk modellezni. Ezt a képességünket részben olyan mérési termékeken fejlesztettük tökélyre, amelyek már évek óta alkalmaznak modellezést (jelesül a Google Ads automatikus ajánlattételén és bolti látogatásokon), de a mérésen túlmutató termékek (például az önvezető autók és a YouTube ajánlórendszere) is gyarapították tapasztalatainkat.
Gyakorlati hasznosság: A Google modellezett konverziói megjelennek a kampányjelentésekben, de az optimalizáláshoz és az ajánlattételhez is szorosan kapcsolódnak. Ily módon az adatok gyakorlati hasznosságra tesznek szert, mivel az üzleti célok elérését segítik.

Példák az online konverziók modellezési lehetőségeire

Az alábbiakban felsorolunk néhányat a legfontosabb, már igénybe vehető konverziómodellezési fejlesztéseink közül:

A külső cookie-k korlátait kiküszöbölő modellezés

Egyes böngészők (például a Safari és a Firefox) tiltják a konverziók harmadik féltől származó cookie-kkal való mérését. Ha Ön harmadik féltől származó cookie-kat használ a konverzióméréshez, a konverziómodellezés révén olyan adatokhoz juthat, amelyek összhangban állnak a webhelyei ilyen böngészőkhöz köthető forgalmával (beleértve a számítógépen és a mobileszközön futó böngészőket is). További információ a modellezés Google-címkére történő frissítéssel történő tökéletesítésével kapcsolatban

A belső cookie-k korlátait kiküszöbölő modellezés

Egyes böngészők (például a Safari) korlátozzák a belső cookie-k használati idejét. A konverziómodellezés biztosítja, hogy adatai tükrözzék ezeket a „rejtőzködő” konverziókat az időkeret lejártát követően. További információ a modellezés kibővített konverziók használatával történő hatékonyabbá tételéről.

Modellezés a cookie-kra vonatkozó, EU-beli beleegyezési korlátozások esetén

A hatályos szabályozás egyes országokban megköveteli a hirdetőktől, hogy a hirdetési tevékenységekkel kapcsolatos cookie-k használatára vonatkozó beleegyezést kérjenek. A beleegyezési módot alkalmazó hirdetők azt fogják tapasztalni, hogy a rendszer a beleegyezésüket nem adó felhasználóknak megfelelően alkalmazza a konverziómodellezést. A rendszer modellezni fogja a konverziókat a beleegyezést nem adó felhasználóknál.

Az iOS 14 rendszerrel bevezetett módosítások hatása

Az Apple App Tracking Transparency (ATT) nevű irányelve meg fogja követelni, hogy a fejlesztők engedélyt kérjenek, ha bizonyos, más cégek alkalmazásából vagy webhelyéről származó információkat használnak fel hirdetési célokra. A Google nem használ fel az ATT-irányelv hatálya alá eső információkat (pl. IDFA). Ennek megfelelően a modellezés ki fog terjedni azokra a konverziókra is, amelyeknél a hirdetés ATT által érintett forgalomhoz kötődik. A lehető legjobb modellezés biztosítása érdekében győződjön meg arról, hogy a webhely elfogadja a tetszőleges URL-paramétereket.

Az Apple ATT irányelvének (SKAdNetwork) bevezetésével az Apple alkalmazás-hozzárendelési megoldása fontos információforrás lett az alkalmazáshirdetők számára az iOS-kampányok teljesítményének felmérése szempontjából. A Google Ads felhasználói felületén megjelenő modellezett jelentésünk minőségének és következetességének javítása érdekében elmélyítjük a SKAdNetwork adataival való integrációt. További információ az iOS-alkalmazáskampányok mérésének és teljesítményének javítására vonatkozó bevált módszerekről.

A Google Play irányelveinek hatása

A Google Play bejelentett néhány, a felhasználói döntéseket és az adatvédelmet, valamint a biztonságot elősegítő irányelvfrissítést. A Google Play-szolgáltatásokat érintő, 2021 végén érkező frissítés részeként eltávolítjuk a hirdetésazonosítót, amikor az adott felhasználó leiratkozik a hirdetésazonosítót használó személyre szabásról az Android beállításaiban. Ha Ön ezután megpróbál hozzáférni az azonosítóhoz, csak nullákból álló karakterlánc jelenik meg helyette. További információ a hirdetésazonosítóról

A szolgáltatás frissítéseként a modellezett konverziókat kiterjesztjük az összes alkalmazáskampányra. Emiatt a konverziókat megjelenítő oszlop (valamint a telepítéseket, az alkalmazáson belüli műveleteket és a konverziós értéket megjelenítő oszlop) modellezett konverziókat is tartalmazhat. A későbbiekben az alkalmazáskampányokban további modellezett konverziók is előfordulhatnak, mivel ez enyhítheti a jelen és egyéb potenciális szolgáltatásfrissítések okozta hatást.

Eszközökön keresztüli konverziók

Ha a felhasználó egy adott eszközön végrehajtott hirdetésinterakcióval kezdi meg az útját, és a konverziót egy másik eszközön végzi el, nem biztos, hogy hozzá lehet rendelni a konverziót a hirdetésinterakcióhoz. A Google megfigyeli a szolgáltatásaiba bejelentkezett nagyszámú felhasználótól származó adatokat, és így extrapolál hasonló viselkedést az összes felhasználóra vonatkozólag. A rendszer számos eszközökön keresztüli konverziót is modellez, például a nappaliból és az asztali számítógépen végzett konverziókat is.

Megjegyzés: A Google Ads szolgáltatással visszanyerhető konverziók aránya az egyes szituációkhoz rendelkezésre álló, megfigyelhető adatok mennyiségétől, valamint ezen megfigyelhető adatok reprezentativitásától függ (azaz attól, hogy mennyire hűen tükrözik az adott hirdető teljes felhasználói bázisát). A visszanyerési arány más és más a különböző megoldandó problémáknál. Minél több megfigyelhető adat áll rendelkezésre, annál jobb a modell minősége. Ismerje meg, hogyan léphet előre ezen a téren a Google-címke, a beleegyezési mód és a kibővített konverziók használatával.

Az online konverziók modellezésének alapelvei

Állandó minőségfejlesztés

Hasonlóan a más termékeknél követett gyakorlatunkhoz, adattudósaink folyamatosan fejlesztik az algoritmusokat, hogy modelljeink minél pontosabbá és minél szélesebb körben alkalmazhatóvá váljanak. Rendszeresen vezetünk be új termékeket, hogy adatainkat új megfigyelhető forrásokkal egészíthessük ki, és ezáltal még tovább finomíthassuk a modellezést (például a kibővített konverziók és a beleegyezési mód használata több adat megfigyelését teheti lehetővé).

Kifinomult módszerek a pontosság ellenőrzésére

Különféle olyan technikákat alkalmazunk, amelyek segítenek a modellezés pontosságának vizsgálatában: a visszatartásos ellenőrzés keretében például visszatartjuk a megfigyelt konverziók egy részét, és modellezzük ezt a hányadot. Ezután összehasonlítjuk a modellezett eredményeket a visszatartott, ténylegesen megfigyelt konverziókkal, majd feltérképezzük a pontatlanságokat és a torzításokat, és ennek megfelelően finomítunk a modellen. A Google mesterséges intelligenciája is nagyjából ilyen módszereket használ.

Szigorú jelentési küszöbértékek

A jelentésekbe csak akkor foglalunk modellezett konverziókat, ha nagy bizonyossággal tudjuk, hogy a konverziókra valóban a hirdetéssel végzett műveletek eredményeként került sor. Nem törekszünk arra, hogy szisztematikusan több konverziót jelentsünk a valóságosnál, és minden esetben igyekszünk elkerülni a túljelentést. Ez egyes felhasználóknál abban nyilvánulhat meg, hogy nem figyelünk meg rendszeresen elegendő konverziót a megbízható modellezéshez. Ilyen esetben egyáltalán nem jelentünk modellezett konverziókat.

Minden hézagot egyedi modellezési módszerrel töltünk ki

Mivel a mérésekben eltérő típusú hézagok fordulhatnak elő, és a szükséges, illetve rendelkezésre álló megfigyelhető adatok típusa is eltérő, a különböző típusú hézagoknál más-más típusú modellekkel dolgozunk. Olyan módszereket is alkalmazunk, amelyek kiküszöbölik a kétszeres számlálást a különféle modellek esetén. Tisztában vagyunk azzal, hogy az egyes hirdetési csatornák konverziós aránya nagyban eltér egymástól, ezért külön modellt fejlesztünk minden csatornához, illetve a hirdetésinterakciók különböző típusaihoz (a megjelenítésekhez és a kattintásokhoz).

Az egyes modellek kimenetele csak az adott vállalkozásra és felhasználói viselkedésre jellemző

Amint egy általános modellezési algoritmusról megállapítottuk, hogy alkalmas egy adott megfigyelési hézag kitöltésére, az algoritmust külön-külön alkalmazzuk az egyes hirdetők adataira, így olyan egyedi eredményeket kapunk, amelyek az adott hirdetőnél jellemző felhasználói viselkedést és konverziós arányokat tükrözik. Ha például a felhasználók rendkívül hajlamosak arra, hogy az egyik eszközön kezdjék meg az útjukat, majd egy másik eszközön konvertáljanak, akkor a jelentésekben az átlagosnál magasabb lesz a modellezett, eszközökön keresztüli konverziók száma.

Az ujjlenyomat-készítést szigorúan tiltó irányelv

Az ujjlenyomat-készítési technológiák általában olyan heurisztikus módszerekre – például IP-címek begyűjtésére – támaszkodnak, amelyek azonosítják a felhasználókat a különböző érintkezési pontokon és eszközökön, és generálnak egy „ujjlenyomat-azonosítót” a felhasználók későbbi interakciók alkalmával való azonosításához. Mi nem generálunk ilyen azonosítókat, illetve nem kíséreljük meg azonosítani az egyes felhasználókat, mivel ez a módszer nem biztosítana észszerű mértékű rendelkezési jogot és átláthatóságot a felhasználónak. Továbbá másoknak sem tesszük lehetővé, hogy ujjlenyomat-készítésre alkalmas adatokat juttasson a hirdetési termékeinkbe. Ehelyett összesítünk különböző adatokat – például a korábbi konverziós arányokat, az eszköz típusát, a napszakot és a helyet –, hogy megbecsüljük a konverziós események valószínűségét azon felhasználók körében, akik megtekintettek egy hirdetést, illetve rákattintottak.

Értesítés a modellezés jelentős változásairól

A modellezést érintő változtatások bevezetése előtt kiterjedt kísérleteket futtatunk, és amennyiben a jelentett adatokra és az ajánlattételre gyakorolt jelentős hatást tapasztalunk, megfelelő tájékoztatást biztosítunk.

Automatikus integráció

Ahol ez pontatlanság nélkül lehetséges, a Google integrált konverziómodellezést biztosít a konverziós jelentésekben és az optimalizálási funkciókban a rendelkezésre álló adatok felhasználásával. Bizonyos esetekben – például ha a konverziókat nem tudjuk megfigyelni egy olyan felhasználókból álló csoportnál, akik nem egyeztek bele a cookie-k használatába –, adatokra lesz szükségünk a beleegyezési arányokról, hogy biztosítani tudjuk a konverziómodellezési szolgáltatást.

Kapcsolódó linkek

Hasznosnak találta?

Hogyan fejleszthetnénk?