המרות לפי מודל מתבססות על נתונים שלא מאפשרים זיהוי אישי של המשתמשים, כדי ליצור אומדן של המרות שהמערכת של Google לא יכולה למדוד באופן ישיר. כך אתם יכולים לקבל דוח מקיף יותר לגבי ההמרות.
המערכת שלנו משתמשת במודלים כדי לאחזר קטעי נתונים במקרים שבהם אנחנו יודעים שאין לנו אפשרות לתעד נתוני המרות ולשייך אותן למודעות בגלל הגנה על פרטיות המשתמשים או מגבלות טכניות. אנחנו עובדים בשיטה הזאת כדי לספק לכם נתוני מדידה איכותיים שיבהירו לכם עד כמה אסטרטגיית השיווק שלכם יעילה ויעזרו לכם להגיש את הצעות המחיר המתאימות (כלומר להימנע מהצעות מחיר נמוכות מדי או גבוהות מדי).
כש-Google מציגה המרות לפי מודל ב-Google Ads, מה שאתם מקבלים למעשה הוא תחזית של נתוני המרות משויכות. ברוב המקרים Google תקבל נתונים על אינטראקציות עם מודעות ועל המרות אונליין, אבל לא יהיו נתונים שיקשרו ביניהן. המערכות שלנו משתמשות במודלים כדי לקבוע אם אינטראקציה עם מודעה של Google הובילה להמרה אונליין. הן לא קובעות אם קרתה או לא קרתה המרה.
בלי המודלים, הדיווח על המרות ישקף רק את ההמרות הגלויות ולא את הביצועים של הקמפיין בפועל.
הסבר על המרות אונליין לפי מודל
כדי ליצור מודלים של נתונים שלא ניתן לתעד, אנחנו משתמשים בקטעי נתונים שכן ניתן לתעד. לשם כך, אנחנו מסתמכים על מקרים שבהם אנחנו יודעים שנתוני ההתנהגות של המשתמשים שלא ניתן לתעד זהים או דומים מאוד לנתוני ההתנהגות שכן ניתן לתעד, או על מקרים שבהם אנחנו מבינים היטב את ההבדלים ביניהם.
דוגמה: נניח שיש קטע של נתוני המרות שלא ניתן לתעד בדפדפן מסוים אבל כן ניתן לתעד בדפדפנים אחרים. כדי ליצור מודל, המערכת מזהה תחילה מגמות בהתנהגות המשתמשים (למשל, שיעורי המרה) בכל סוגי הדפדפנים. לאחר מכן היא תשתמש בנתונים הגלויים מדפדפנים שבהם אפשר לעשות מדידה, תשקלל בהם הטיות שיטתיות, תשלב במודל מדדים שהנתונים שמתועדים עליהם הם מצטברים (כמו סוג המכשיר, השעה ביום, המיקום הגיאוגרפי, מערכת ההפעלה ועוד) ותפיק תחזית לגבי הסבירות של אירועי המרה בעקבות אינטראקציות עם מודעות בסוג הדפדפן שהנתונים ממנו לא גלויים.
המרות לפי מודל מדווחות באותה רמת פירוט כמו המרות שתועדו. דוגמאות לנתונים שיוצגו: נתונים כוללים שקשורים להמרות, נתיב השיוך (Attribution) וערכי המרות. בעמודה 'המרות' יוצגו נתונים ממערכות Google שכוללים גם המרות לפי מודל וגם המרות שתועדו.
היתרונות בדיווח על המרות אונליין לפי מודל
- מדידה מקיפה של כל התנועה ממודעות: המרות לפי מודל נותנות לכם תמונה מדויקת יותר של תוצאות הפרסום (החזר ה-ROI) ותמונה מלאה של נתיב ההמרות שמקורן באינטראקציות עם מודעות במכשירים ובערוצים שונים.
- אופטימיזציה יעילה של הקמפיינים: המרות לפי מודל עוזרות לכם לבצע אופטימיזציה של קמפיינים ביעילות רבה יותר ולשפר את התוצאות העסקיות.
- תקנות להגנה על פרטיות ומגבלות טכנולוגיות מונעות מאיתנו גישה לנתונים על קבוצות מסוימות של משתמשים בעלי מאפיינים משותפים (למשל, משתמשים שלא הביעו הסכמה או כאלה שמשתמשים בסוגים מסוימים של מכשירים או דפדפנים). בגלל המחסור בנתונים האלה, האלגוריתמים שלנו לבידינג אוטומטי יצטרכו לבחור אמצעים לאופטימיזציה על סמך נתונים חלקיים והלמידה שלהם תהיה מוטה. כתוצאה מכך, ייתכן שאותן קבוצות בעלות מאפיינים משותפים (cohort) יקבלו עדיפות נמוכה יותר בבידינג אוטומטי כי הביצועים המדווחים שלהן פחות טובים, מה שיוביל לכך שהביצועים של מגיש הצעות המחיר יהיו פחות טובים באופן כללי. הסתמכות על מודלים פותרת את הבעיות האלה ומתקנת את ההטיות בדיווח הכללי. כך אנחנו יכולים להבטיח שלאלגוריתמים של הבידינג האוטומטי תהיה גישה לנתוני ביצועים מדויקים יותר. מידע נוסף על בידינג אוטומטי
- מדידה מדויקת שממוקדת בשמירה על הפרטיות: המרות לפי מודל מתבססות על נתונים שלא מאפשרים זיהוי אישי של המשתמשים, כדי ליצור אומדן של המרות שהמערכת של Google לא יכולה למדוד באופן ישיר. כך אתם יכולים לקבל דוח מקיף יותר לגבי ההמרות. הגישה הזו הפוכה לחלוטין מהגישה שמאפיינת שיטות שלא שומרות על הפרטיות, כמו יצירה של טביעת אצבע דיגיטלית (fingerprinting), והיא מסתמכת על נתונים כמו כתובת IP כדי לנסות לזהות משתמשים ולעקוב אחריהם. Google קבעה מדיניות מחמירה נגד שימוש ביצירה של טביעת אצבע דיגיטלית לצורך התאמה אישית של מודעות, כי השימוש בשיטה הזאת מבטל את השקיפות ולא מאפשר למשתמשים לקבל רמת שליטה סבירה בנתונים שמועברים.
השיטה של Google לבניית מודלים של המרות
הפתרונות של Google אוספים נתונים ממגוון רחב של משתמשים, וכך מאפשרים לנו לאמת את הדיוק של המודלים לפי קבוצות גדולות של אינטראקציות עם מודעות ופעולות המרה. אנחנו עושים את זה בעזרת מספר מאפיינים מרכזיים:
- קנה מידה גדול: יש לנו גישה למגוון רחב של אינטראקציות עם מודעות בערוצים שונים בשלבים השונים של המשפך. המגוון הרחב הזה מספק לנו נתונים להשוואות בין תגובות של משתמשים שונים לסוגים שונים של מודעות בכל שלבי המשפך ובכל הערוצים.
- דיוק: בסיס המשתמשים הרחב שמחובר לחשבונות של הפלטפורמות שלנו מאפשר לנו להפעיל שיטות מתוחכמות ליצירת מודלים, מבלי להשתמש בקובצי cookie או במזהים אחרים. בעזרת בסיס המשתמשים הזה, אנחנו יכולים להפיק מערכים עשירים של נתונים התנהגותיים מקבוצה מייצגת של משתמשים שהביעו הסכמה לאיסוף שלהם.
- כיסוי: התגים של Google מוטמעים בהרבה אתרים, פירוש הדבר הוא שהמודלים שלנו לדיווח על המרות מאומתים בקבוצה גדולה של פעולות המרה שונות. תהליך בניית המודלים של ההמרות מתבסס על נתונים שלא מאפשרים זיהוי של המשתמשים במטרה לספק הערכות כמותיות לגבי ההמרות ש-Google לא יכולה לתעד באופן ישיר. אחרי איסוף הנתונים, אנחנו מאמנים את המודל באופן ייחודי בהתאם לכל מפרסם, והתוצאות שמתקבלות ייחודיות לאותו מפרסם.
- מומחיות טכנית: המומחיות הייחודית של Google בתחום ה-AI מאפשרת לנו ליצור מודלים באיכות הגבוהה ביותר. המומחיות הזאת משולבת בכל מוצרי המדידה שלנו, שבהם אנחנו בונים מודלים כבר שנים רבות (למשל, שיטות הבידינג האוטומטיות והדיווח על ביקורים בחנות הפיזית ב-Google Ads). אנחנו משתמשים במודלים גם במוצרים שלא קשורים למדידה (לדוגמה, כדי לפתח רכבים אוטונומיים ולהציג המלצות ב-YouTube).
- יישומים פרקטיים על סמך הנתונים: נתוני ההמרות לפי מודל של Google מוצגים בדוחות הקמפיינים, אבל קשורים גם לאופטימיזציה ולבידינג. במילים אחרות, יש יישומים פרקטיים לנתונים שעוזרים לכם להשיג את המטרות העסקיות שהצבתם לעצמכם.
דוגמאות למודלים זמינים של המרות אונליין
ריכזנו כאן רשימה של כמה מהמודלים החשובים ביותר לדיווח על המרות בפלטפורמות שלנו:
בניית מודלים במקרים שבהם יש הגבלות על שימוש בקובצי cookie של צד שלישי
בניית מודלים במקרים שבהם יש הגבלות על שימוש בקובצי cookie מהדומיין הנוכחי
בניית מודלים במקרים שבהם יש הגבלות שקשורות להסכמה לשימוש בקובצי cookie באיחוד האירופי
ההשפעה של iOS 14
השפעת המדיניות של Google Play
הודענו על כמה עדכוני מדיניות חדשים ב-Google Play שנועדו לשפר את רמת הפרטיות, האבטחה והשליטה של המשתמשים. במסגרת העדכון של Google Play Services בסוף שנת 2021, המערכת מסירה את מזהה הפרסום כשמשתמש מבטל בהגדרות של Android את ההסכמה להתאמה אישית של מודעות באמצעות מזהה הפרסום. בכל ניסיון לגשת למזהה יתקבל במקומו רצף של אפסים. מידע נוסף על מזהה הפרסום
בעקבות העדכון הזה בשירותים, נרחיב את ההמרות לפי מודל לכל הקמפיינים לקידום אפליקציות. פירוש הדבר הוא שהעמודה 'המרות' והעמודות 'התקנות', 'פעולות בתוך האפליקציה' ו'ערכי המרות' עשויות לכלול המרות לפי מודל. ייתכן שנוסיף בעתיד עוד המרות לפי מודל בקמפיינים לקידום אפליקציות, במטרה לצמצם את ההשפעה האפשרית של העדכון הזה ושל עדכונים פוטנציאליים אחרים של השירותים.
המרות חוצות-מכשירים
כשמשתמש מתחיל את תהליך ההמרה באינטראקציה עם מודעה במכשיר מסוים ומשלים את ההמרה במכשיר אחר, ייתכן שאי אפשר יהיה לשייך את ההמרה לאותה אינטראקציה עם המודעה. Google קולטת נתונים ממספר גדול של משתמשים שמחוברים למוצרי Google, מה שמאפשר לנו לגבש אומדן שמבוסס על התנהגות דומה של כל המשתמשים. הרבה המרות חוצות-מכשירים משמשות לבניית מודלים גם כן, כולל נתונים מהסלון וממחשבים.
העקרונות של בניית מודלים של המרות אונליין
שיפור מתמיד של האיכות
כמו בכל המוצרים האחרים שלנו, גם כאן מדעני הנתונים שלנו עובדים בלי הפסקה על שיפורים באלגוריתם שיובילו לבנייה של מודלים מדויקים יותר ומקיפים יותר. אנחנו משיקים מוצרים חדשים באופן קבוע כדי שיספקו לנו מקורות חדשים לנתונים שניתן לתעד, ובעזרתם נוכל לשפר את המודלים שלנו (למשל, התכונות 'המרות משופרות' ו'סטטוס הסכמה' משמשות כמקור מצוין לנתונים שניתן לתעד).
שיטות מתוחכמות לבדיקה של רמת הדיוק
אנחנו משתמשים בשיטות כמו שמירת נתונים לצורכי אימות כדי לבחון את רמת הדיוק של המודלים שלנו (לדוגמה, אנחנו שומרים חלק מהנתונים על המרות גלויות ויוצרים מודל שמטרתו לחזות את אותם נתונים ששמרנו). אחרי בניית המודלים, אנחנו משווים בין התוצאות שהתקבלו מהמודלים לבין ההמרות שנמדדו בפועל ונשמרו בנפרד. אנחנו בודקים אם יש אי-דיוקים והטיות, ומשתמשים במידע הזה כדי להמשיך לשפר ולחדד את המודלים. טכנולוגיית ה-AI מבית Google מתבססת על שיטות דומות.
ערכי סף מחמירים לדיווח
המרות לפי מודל נכללות בדיווח רק במקרים שבהם יש סבירות גבוהה שההמרות קרו בפועל כתוצאה מאינטראקציות עם מודעות. אנחנו נמנעים מדיווח שיטתי על מספר גדול יותר של המרות מהמספר שקרה בפועל, והמטרה שלנו היא לצמצם ככל הניתן דיווח יתר. פירוש הדבר הוא שבחלק מהמקרים לא מתועדות מספיק המרות על בסיס קבוע, ולכן אנחנו לא יכולים ליצור מודל שיספק מידת ודאות גבוהה. במקרים כאלה, אנחנו לא מדווחים על המרות לפי מודל.
שימוש במתודולוגיה ייחודית לבניית מודלים לטיפול בכל פער בנתונים
כל מודל מפיק תוצאה ייחודית לעסק ולהתנהגות המשתמשים הרלוונטית
אחרי שנקבע איזה אלגוריתם לבניית מודל מתאים לטיפול בפער הספציפי בנתונים שתועדו, נפעיל את אותו אלגוריתם על הנתונים של כל מפרסם בנפרד כדי להפיק תוצאות ייחודיות שישקפו את התנהגות המשתמשים ושיעורי ההמרות הייחודיים שזוהו אצל כל אחד מהם. לדוגמה, אם רוב המשתמשים שלכם נוטים להתחיל את תהליך ההמרה במכשיר אחד ולהשלים את ההמרה במכשיר אחר, יוצג לכם בדיווחים שיעור גבוה מהממוצע של המרות לפי מודל במכשירים שונים.
מדיניות מחמירה בנושא יצירה של טביעת אצבע דיגיטלית (fingerprinting)
עדכונים על שינויים חשובים במודלים
שילוב אוטומטי
במקרים שבהם אפשר לשמור על דיוק, Google תשתמש בנתונים זמינים כדי לשלב בניית מודל המרות בדיווח על המרות ובאופטימיזציה לפי נתוני ההמרות. במקרים מסוימים – למשל כשנתוני ההמרות של קבוצת משתמשים מסוימת לא גלויים כי אותם משתמשים לא הסכימו לשימוש בקובצי cookie – נצטרך לקבל נתונים על שיעורי ההסכמה כדי לבנות מודל המרות.