O modeliranih spletnih konverzijah

Za ocenjevanje konverzij, ki jih Google ne more neposredno opazovati, modelirane konverzije uporabljajo podatke, ki ne identificirajo posameznih uporabnikov. S tem lahko zagotovimo celovitejše poročilo o konverzijah.

Z modeliranjem obnovimo odseke podatkov, za katere ne moremo določiti dodelitve oglasov zaradi varovanja zasebnosti uporabnikov ali tehničnih omejitev. To storimo z visokokakovostnimi meritvami, da boste natančno razumeli vpliv trženja in ohranili visokokakovostne ponudbe, ki ne bodo ne prenizke in ne previsoke.

Ko Google v programu Google Ads prikaže modelirane konverzije, predvidimo dodeljene konverzije. V večini primerov Google prejme interakcije z oglasi in konverzije v spletu, vendar manjka povezava med njimi. Naše modeliranje ugotovi, ali je interakcija z Googlovim oglasom privedla do konverzije v spletu. Ne ugotovi, ali je prišlo do konverzije ali ne.

Brez modeliranja bi zabeležene konverzije odražale samo opazovan del konverzij in ne dejanske uspešnosti oglaševalske akcije.

Kako delujejo modelirane konverzije v spletu

Da bi lahko v modeliranje vključili neopazovan odsek podatkov, si prizadevamo uporabiti podatke iz opazovanih odsekov, pri katerih vemo, da je vedenje enako ali zelo podobno neopazovanemu odseku, ali pa smo dobro seznanjeni z razlikami med njima.

Primer: Recimo, da imate odsek konverzij, ki jih ni mogoče opazovati v eni vrsti brskalnika, v drugih pa je to mogoče. Naš model se bo najprej seznanil s trendi vedenja uporabnikov (npr. stopnje konverzij) v različnih vrstah brskalnikov. Nato uporabimo opazovane podatke iz merljivih brskalnikov ter skupaj z morebitnimi sistematičnimi vplivi vključimo tudi druge združene razsežnosti, kot so vrsta naprave, ura, geografska lokacija, operacijski sistem in druge, da predvidimo verjetnost za dogodke konverzij iz interakcij z oglasi v vrsti brskalnika, ki ne omogoča opazovanja.

Za modelirane konverzije se poroča na enaki stopnji razdrobljenosti kot za opazovane konverzije. To vključuje razsežnosti, kot so skupno število konverzij, pot dodelitve in vrednosti konverzij. V stolpcu »Konverzije« Google poroča tako o modeliranih kot tudi o opazovanih konverzijah.

Opomba: Uvozi konverzij zunaj spleta in uporabniški računi, ki imajo zelo malo tedenskih konverzij, ne morejo vključevati določenih vrst modeliranja.

Prednosti modeliranih konverzij v spletu

Celovito merjenje za ves promet oglasov: Pridobite natančnejšo sliko v zvezi z rezultati oglaševanja (donosnost naložbe) in popolno sliko v zvezi s potjo konverzije v napravah ter kanalih, ki so rezultat interakcij z oglasi.
Učinkovita optimizacija oglaševalske akcije: Modelirane konverzije vam lahko pomagajo učinkoviteje optimizirati oglaševalske akcije in doseči boljše poslovne rezultate.
- Zaradi pravil o zasebnosti in omejitev tehnologije ne moremo več opazovati določenih kohort uporabnikov (na primer uporabnikov, ki niso podali privolitve, ali uporabnikov, ki uporabljajo določene vrste naprav oziroma brskalnikov). To pomeni, da bodo morali naši algoritmi samodejnega ponujanja sprejeti odločitve glede optimizacije na podlagi nepopolnih podatkov, kar bo vplivalo na učenje. Posledično samodejne ponudbe morda ne bodo prioritetno obravnavale teh kohort, ker so z vidika poročanja manj uspešne, to pa bo vodilo v slabšo splošno uspešnost ponudnika. Modeliranje rešuje te vplive in jih popravi v splošnih poročilih, da samodejnemu ponujanju zagotovi dostop do bolj reprezentativnih podatkov o uspešnosti.Preberite več o samodejnih ponudbah.
Natančna meritev, osredotočena na zasebnost: Za ocenjevanje konverzij, ki jih Google ne more neposredno opazovati, modelirane konverzije uporabljajo podatke, ki ne identificirajo posameznih uporabnikov. S tem lahko zagotovimo celovitejše poročilo o konverzijah. Ta pristop je v neposrednem nasprotju s pristopi, ki niso varni z vidika zasebnosti (ki uporabljajo hevristične podatke, kot je naslov IP) in poskušajo prepoznati posamezne uporabnike ter jim slediti. Google ima strog pravilnik glede prepovedi uporabe zbiranja prstnih odtisov za osebno prilagajanje oglasov, saj to ne omogoča razumnega nadzora s strani uporabnikov in preglednosti.

Googlov pristop k modeliranju konverzij

Googlove rešitve delujejo v širokem obsegu uporabnikov, kar zagotavlja natančnost naših modelov konverzij, ki so preverjeni v obsežnem naboru interakcij z oglasi in dejanj konverzij z vidika številnih ključnih razsežnosti:

Obseg: Dostopamo lahko do širokega obsega raznolikih interakcij z oglasi v različnih kanalih in na različnih delih toka. To nam zagotavlja izčrpne podatke o tem, kako se različni uporabniki odzivajo na različne vrste oglasov, ne glede na to, v katerem delu toka so, in sicer za vse kanale.
Natančnost: Z obsežno bazo prijavljenih uporabnikov lahko naše dodelane tehnike modeliranja delujejo neodvisno od piškotkov ali drugih identifikatorjev, saj lahko določimo pester nabor podatkov glede vedenja za predstavitveni nabor prijavljenih uporabnikov.
Pokritost: Številna spletna mesta uporabljajo Googlove oznake, kar pomeni, da so naši modeli konverzij preverjeni v velikem naboru različnih dejanj konverzij. Modeliranje konverzij uporablja podatke, na podlagi katerih ni mogoče prepoznati uporabnikov, da izmeri konverzije, ki jih Google ne more neposredno opazovati. Naš model se nato uči z vidika posameznega oglaševalca, s čimer ustvarja edinstvene rezultate.
Tehnično strokovno znanje: Googlovo strokovno znanje s področja umetne inteligence je ključnega pomena, da lahko zagotovimo modeliranje najvišje kakovosti. To smo dosegli v vseh izdelkih za merjenje, v katerih že več let uporabljamo modeliranje (samodejne ponudbe programa Google Ads in obiski trgovine), in tudi v izdelkih, ki niso osredotočeni na merjenje (na primer avtomobili brez voznika in priporočila za YouTube).
Možnost ukrepanja: Googlove modelirane konverzije so prikazane v poročilih za oglaševalske akcije, povezane pa so tudi z optimizacijo in ponujanjem. Tako upodobljeni podatki omogočajo ukrepanje, saj to deluje skladno z vašimi poslovnimi cilji.

Primeri razpoložljivega modeliranja za konverzije v spletu

Med najpomembnejšimi razpoložljivimi možnostmi modeliranja konverzij so naslednje:

Modeliranje z vidika omejitev za piškotke tretjih oseb

Nekateri brskalniki (na primer Safari in Firefox) ne dovoljujejo merjenja konverzij na podlagi piškotkov tretjih oseb. Če za merjenje konverzij uporabljate piškotke tretjih oseb, bo modeliranje konverzij skladno s prometom spletnih mest v teh brskalnikih (namizni računalniki in mobilne naprave). Več o izboljšanju modeliranja prek nadgradnje na Googlovo oznako

Modeliranje z vidika omejitev lastnih piškotkov

Nekateri brskalniki (na primer Safari) imajo omejen čas za lastne piškotke. Modeliranje konverzij bo v tem primeru skladno z vašim deležem prikritih konverzij, ki so zunaj tega časovnega okvira. Preberite, kako lahko izboljšate modeliranje z izboljšanimi konverzijami.

Modeliranje za omejitve pridobivanja privolitve za piškotke v EU

Predpisi v nekaterih državah zahtevajo, da oglaševalci pridobijo privolitev za uporabo piškotkov, povezanih z oglaševalskimi dejavnostmi. Modeliranje konverzij bo za oglaševalce, ki so uporabili način na podlagi privolitve, prilagojeno glede na uporabnike, ki niso podali privolitve. Konverzije so modelirane za uporabnike, ki niso podali privolitve.

Vpliv sistema iOS 14

Applov pravilnik glede preglednosti sledenja za aplikacije (ATT) bo zahteval, da bodo morali razvijalci, kadar bodo želeli posamezne podatke iz aplikacij ali s spletnih mest drugih podjetij uporabiti za oglaševalske namene, prositi za dovoljenje. Google ne bo uporabljal podatkov (na primer IDFA), za katere velja pravilnik ATT. Skladno s tem se bo za konverzije, katerih oglasi izhajajo iz prometa, na katerega vpliva ATT, izvedlo modeliranje. Za najboljše modeliranje poskrbite, da vaše spletno mesto lahko sprejema poljubne parametre URL-ja.

Z uvedbo Applovega pravilnika ATT je ogrodje SKAdNetwork, ki je Applova rešitev za aplikacije, postalo pomemben vir, s katerim lahko oglaševalci aplikacij ocenjujejo uspešnost svojih oglaševalskih akcij za iOS. Za izboljšanje kakovosti in doslednosti modeliranega poročanja v uporabniškem vmesniku programa Google Ads bomo poglobili integracije z ogrodjem SKAdNetwork. Preberite več o najboljših postopkih za spodbujanje boljših meritev in uspešnosti za oglaševalske akcije za aplikacije za iOS.

Vpliv pravilnikov za Google Play

Google Play je napovedal nekaj novih posodobitev pravilnikov za okrepitev nadzora, zasebnosti in varnosti uporabnikov. V okviru posodobitev Storitev Google Play proti koncu leta 2021 bo oglaševalski ID odstranjen, kadar bo uporabnik v nastavitvah za Android onemogočil osebno prilagajanje z oglaševalskim ID-jem. Ob vsakršnem poskusu dostopanja do identifikatorja boste namesto tega prejeli niz ničel. Več o oglaševalskem ID-ju

Zaradi te posodobitve storitev bomo modelirane konverzije razširili na vse oglaševalske akcije za aplikacije. To pomeni, da lahko stolpec s konverzijami (kot tudi stolpci z namestitvami, dejanji v aplikaciji in vrednostmi konverzij) vsebuje modelirane konverzije. V prihodnje bomo v oglaševalske akcije za aplikacije morda vključili dodatne modelirane konverzije za ublažitev vpliva te in drugih potencialnih posodobitev storitev.

Konverzije med napravami

Če uporabnik na primer začne raziskovanje v eni napravi z interakcijo z oglasom in nato dokonča konverzijo v drugi napravi, te konverzije ne bo mogoče pripisati tej interakciji z oglasom. Google opazuje podatke od velikega števila prijavljenih uporabnikov v Googlovih izdelkih, da ekstrapolira podobno vedenje na vse uporabnike. Modelirane so tudi številne konverzije med napravami, vključno z vrstama »Dnevna soba« in »Namizni računalniki«.

Opomba: Delež teh konverzij, ki jih je mogoče obnoviti s programom Google Ads, je odvisen od količine opazovanih podatkov, ki jih imamo na voljo v posameznem primeru, in reprezentativnosti teh opazovanih podatkov (na primer kako realistično so podobni celotni bazi uporabnikov določenega oglaševalca). Stopnje obnovitve so odvisne od zadevne težave. Natančneje kot je podatke mogoče opazovati, boljša bo kakovost modela. Preberite, kako lahko to izboljšate z implementacijo Googlove oznake, načina na podlagi privolitve in izboljšanimi konverzijami.

Načela modeliranja konverzij v spletu

Nenehno izboljševanje kakovosti

Enako kot za vse druge izdelke naši podatkovni znanstveniki tudi v tem primeru stalno izboljšujejo algoritme, da bi izboljšali natančnost in obseg modeliranja. Redno uvajamo nove izdelke, ki nam zagotavljajo nove vire opazovanih podatkov, da lažje izboljšujemo modeliranje (način na podlagi privolitve in izboljšane konverzije nam lahko na primer zagotovijo več opazovanih podatkov).

Napredne tehnike za preverjanje natančnosti

Za preverjanje natančnosti modeliranja uporabljamo tehnike, kot je preverjanje zadržanega dela (zadržimo na primer del opazovanih konverzij in modeliranje izvedemo za ta odsek). Nato primerjamo modelirane rezultate z dejanskimi opazovanimi konverzijami, ki smo jih zadržali, in izmerimo nepravilnosti ter vplive in na podlagi teh podatkov stalno prilagajamo naše modele. Podobne metode se obsežno uporabljajo pri Googlovi umetni inteligenci.

Strogi pragovi za poročanje

Modelirane konverzije vključimo v poročanje samo, če smo močno prepričani, da so konverzije dejansko posledica interakcij z oglasi. Izogibamo se sistematičnemu poročanju o več konverzijah, kot jih je v resnici, in se stalno trudimo čim bolj zmanjšati obseg prekomernega poročanja. To pomeni, da za nekatere uporabnike nimamo stalno na voljo dovolj konverzij, da bi lahko izvedli zanesljivo modeliranje. V takih primerih ne poročamo o modeliranih konverzijah.

Vsaka vrzel se obravnava z enolično metodiko modeliranja

Ker prepoznamo različne vrzeli v merjenju in ker se zahtevajo ter obstajajo različne vrste opazovanih podatkov, smo razvili različne vrste modelov za različne vrste vrzeli. Prav tako uporabljamo tehnike, ki izločijo podvojeno štetje med različnimi vrstami modelov. Zavedamo se, da se stopnje konverzij bistveno razlikujejo med različnimi oglaševalskimi kanali, zato smo za vsak kanal in vrsto interakcije z oglasi razvili ločen model (prikazi v primerjavi s kliki).

Rezultat vsakega modela je edinstven za vaše podjetje in vedenje uporabnikov

Ko se določi splošni algoritem za modeliranje, ki se bo uporabil za določeno vrzel pri opazovanju, uporabimo ta algoritem ločeno za podatke posameznega oglaševalca in tako dosežemo edinstvene rezultate, ki odražajo vedenje enoličnega uporabnika in stopnje konverzije za danega oglaševalca. Primer: Če vaši uporabniki zelo pogosto začnejo pot v eni napravi in nato konverzijo izvedejo v drugi, boste v poročilih videli nadpovprečno število modeliranih konverzij med napravami.

Strog pravilnik o nedovoljenem zbiranju prstnih odtisov

Tehnologije za zbiranje prstnih odtisov običajno uporabljajo hevristične podatke, kot so naslovi IP, ki identificirajo uporabnike na različnih točkah dotika ter v različnih napravah, in ustvarijo »ID prstnega odtisa«, da identificirajo uporabnika med prihodnjimi interakcijami. Mi takih ID-jev ne ustvarjamo in ne poskušamo prepoznati posameznih uporabnikov, saj to ne omogoča razumnega nadzora s strani uporabnikov ter preglednosti. Prav tako ne dovolimo, da drugi uporabijo podatke zbiranja prstnih odtisov v naših izdelkih za oglaševanje. Namesto tega združimo podatke, kot so pretekle stopnje konverzij, vrsta naprave, ura in lokacija, da predvidimo verjetnost dogodkov konverzij v skupini uporabnikov, ki so si ogledali ali kliknili oglas.

Obveščanje o pomembnih spremembah glede modeliranja

Nenehno izvajamo preizkuse, preden uvedemo kakršne koli spremembe modeliranja, in če opazimo, da je to bistveno vplivalo na poročanje in ponujanje, vam to tudi sporočimo.

Samodejna integracija

Če je to mogoče, Google uporabi razpoložljive podatke, da zagotovi integrirano modeliranje konverzij v vaših poročilih in optimizaciji za konverzije. V nekaterih primerih, na primer ko ni mogoče opazovati konverzij za skupino uporabnikov, ki niso sprejeli piškotkov, bomo potrebovali podatke o stopnjah privolitve, da bomo lahko zagotovili modeliranje konverzij.

Sorodne povezave

Je bilo to uporabno?

Kako lahko to izboljšamo?