О моделованим онлајн конверзијама

На основу података који не идентификују појединачне кориснике, моделоване конверзије процењују конверзије које Google не може да запази директно. Тако можете да добијете потпунију евиденцију конверзија.

Моделовањем откривамо сегменте података за које знамо да не можемо да евидентирамо приписивање огласима због заштите корисничке приватности или техничких ограничења. То радимо да би мерење било квалитетно. На овај начин можете да сазнате тачно који је утицај маркетинга и одржавате квалитетно лицитирање да не бисте лицитирали премало или превише.

Када приказује моделоване конверзије у Google Ads-у, Google предвиђа приписане конверзије. У већини случајева Google прима интеракције са огласима и онлајн конверзије, али му недостају везе између њих. Моделовање утврђује да ли је интеракција са Google огласом довела до онлајн конверзије. Не утврђује да ли је конверзија остварена.

Без моделовања би евидентиране конверзије одражавале само видљиви део конверзија уместо стварног учинка кампање.

Како функционишу моделоване онлајн конверзије

Да бисмо моделовали сегмент података које нисмо евидентирали, трудимо се да користимо податке из видљивих сегмената за које знамо да имају исто или веома слично понашање као сегмент који нисмо евидентирали или имамо добар увид у то како се ова два сегмента разликују.

Пример: Рецимо да имате сегмент података о конверзијама које не могу да се евидентирају у једном типу прегледача, али могу у другим типовима прегледача. Моделовање прво сазнаје разлике у трендовима понашања корисника (на пример, између стопа конверзије) у различитим типовима прегледача. Затим на основу видљивих података из мерљивих прегледача, системског фаворизовања и других збирних аспеката (тип уређаја, доба дана, географска локација, оперативни систем и други) предвиђамо вероватноћу да интеракције са огласом из типа прегледача чији подаци нису видљиви доведу до догађаја конверзије.

Моделоване конверзије се евидентирају истом прецизношћу као евидентиране конверзије. То обухвата аспекте као што су укупан број конверзија, путања приписивања и вредности конверзија. У колони „Конверзије“ Google приказује и моделоване и евидентиране конверзије.

Напомена: Увоз офлајн конверзија и кориснички налози са веома мало конверзија недељно можда не подржавају одређене типове моделовања.

Предности моделованих онлајн конверзија

Свеобухватно мерење целокупног саобраћаја огласа: Стекните прецизан увид у исходе оглашавања (повраћај улагања) и комплетан увид у путању до конверзије до које долази због интеракција са огласима на различитим уређајима и каналима.
Ефикасна оптимизација кампање: Моделоване конверзије вам помажу да ефикасније оптимизујете кампање и остварите боље пословне резултате.
- Због прописа о приватности и технолошких ограничења не можемо да евидентирамо одређене кохорте корисника (на пример, кориснике који не дају сагласност или користе одређене типове уређаја или прегледаче). То значи да алгоритми за аутоматско лицитирање морају да доносе одлуке о оптимизацији на основу непотпуних података, што доводи до фаворизованог учења. Због тога аутоматско лицитирање може да смањи приоритет за те кохорте јер имају мањи евидентирани учинак, што доводи до смањења укупног учинка понуђача. Моделовање отклања ово фаворизовање и коригује га у извештавању да би аутоматско лицитирање имало приступ репрезентативнијим подацима о учинку. Сазнајте више о аутоматском лицитирању
Прецизно мерење без угрожавања приватности: На основу података који не идентификују појединачне кориснике, моделоване конверзије процењују конверзије које Google не може да евидентира директно. Тако можете да добијете потпунију евиденцију конверзија. Овај приступ је директно супротан тактикама које не поштују приватност, као што су узимање дигиталног отиска заснованог на хеуристици (нпр. IP адреса) и покушаји идентификовања и праћења појединачних корисника. Google има строге смернице које забрањују узимање дигиталног отиска за персонализацију огласа јер на тај начин корисник не добија разумну контролу и транспарентност.

Google приступ моделовању конверзија

Google решења раде на широком спектру корисника и омогућавају проверу прецизности модела конверзија на великом скупу интеракција са огласима и радњи конверзије за неколико кључних аспеката:

Размера: Имамо приступ многим и разноврсним интеракцијама са огласима на различитим каналима и у различитим деловима тока продаје. Тако добијамо свеобухватне податке о реакцијама различитих корисника на различите типове огласа, без обзира на то где се налазе у току продаје и на свим каналима.
Прецизност: Велика база пријављених корисника омогућава софистицираним техникама моделовања да функционишу независно од колачића или других идентификатора, јер можемо да направимо скуп разних претпостављених података о понашању из репрезентативног скупа корисника који су дали сагласност.
Покривеност: Многи веб-сајтови користе Google ознаке, што значи да се модели конверзија проверавају на великом скупу различитих радњи конверзије. На основу података који не идентификују корисника, моделовање конверзија квантификује конверзије које Google не може да евидентира директно. Модел се затим обучава засебно за сваког оглашавача и генерише јединствене резултате.
Техничка стручност: Стручност Google-а за вештачку интелигенцију је кључна предност која му омогућава најбољи квалитет. Ову технику смо савладали у различитим производима за мерење који користе моделовање годинама (Google Ads аутоматско лицитирање и посете продавници), као и у производима који нису за мерење (нпр. аутомобили без возача и YouTube препоруке).
Практичност: Google моделоване конверзије се приказују у извештајима о кампањама, али су повезане и са оптимизацијом и лицитирањем. То податке чини практичним јер доприносе остваривању пословних циљева.

Примери доступног моделовања за онлајн конверзије

Неки од најважнијих облика моделовања конверзија који су вам доступни су:

Моделовање за ограничења колачића треће стране

Неки прегледачи (на пример, Safari и Firefox) не дозвољавају мерење конверзија помоћу колачића треће стране. Ако мерите конверзије помоћу колачића треће стране, конверзије се моделују у складу са саобраћајем веб-сајтова у тим прегледачима (на рачунарима и мобилним уређајима). Сазнајте како да побољшате моделовање надоградњом на Google ознаку

Моделовање за ограничења директних колачића

Неки прегледачи (на пример, Safari) ограничавају време током ког су дозвољени директни колачићи. Конверзије се моделују у складу са уделом конверзија ван тог периода које нису видљиве. Сазнајте како да побољшате моделовање помоћу побољшаних конверзија

Моделовање за ограничења сагласности за колачиће у ЕУ

Прописи у неким земљама захтевају да оглашавачи добију сагласност за коришћење колачића повезаних са активностима оглашавања. Оглашавачима који су применили режим сагласности се конверзије моделују ако корисници нису дали сагласност. Конверзије се моделују за кориснике без сагласности.

Утицај iOS-а 14

Apple смернице App Tracking Transparency (транспарентност у праћењу апликација – ATT) ће захтевати да програмери траже дозволу када у сврхе оглашавања користе одређене информације из апликација и са веб-сајтова других компанија. Google неће користити информације (као што је идентификатор за оглашаваче) које потпадају под ATT смернице. У складу са тим ће се моделовати конверзије чији огласи потичу од саобраћаја на који утиче ATT. За најбоље моделовање, веб-сајт мора да прихвата произвољне параметре URL-а.

Увођењем Apple ATT смерница, SKAdNetwork – Apple решење за приписивање у апликацијама – постао је важан фактор у процени учинка iOS кампања за оглашаваче апликација. Да бисмо побољшали квалитет и доследност моделованог извештавања у Google Ads корисничком интерфејсу, продубљујемо интеграције са решењем SKAdNetwork. Сазнајте више о најбољим праксама за побољшање мерења и учинка кампања за iOS апликације.

Утицај Google Play смерница

Google Play је најавио нова ажурирања смерница којима побољшава контролу, приватност и безбедност корисника. У оквиру ажурирања Google Play услуга крајем 2021, ИД оглашавања ће бити уклоњен када корисник повуче сагласност за персонализацију која користи ИД оглашавања у подешавањима Android-а. За све покушаје приступа идентификатору приказаће се стринг нула уместо идентификатора. Сазнајте више о ИД-у оглашавања

Због овог ажурирања услуге проширићемо моделоване конверзије на све кампање за апликације. То значи да колоне за конверзије (као и колоне за инсталирања, радње у апликацији и вредност конверзије) могу да садрже моделоване конверзије. У будућности ћемо можда моделовати додатне конверзије у кампањама за апликације да бисмо ублажили утицај до ког може да дође због овог и других потенцијалних ажурирања услуге.

Конверзије на више уређаја

Када корисник интеракцијом са огласом започне путању на једном уређају и оствари конверзију на другом, конверзија можда не може да се припише тој интеракцији са огласом. Анализирањем података великог броја пријављених корисника у Google производима Google екстраполира слично понашање код свих корисника. Моделују се и многе конверзије на више уређаја, укључујући конверзије са уређаја у дневној соби и са рачунара.

Напомена: Удео ових конверзија које можемо да откријемо преко Google Ads-а зависи од количине података које можемо да евидентирамо у свакој ситуацији и репрезентативности тих података (на пример, колико личе на целу корисничку базу одређеног оглашавача). Стопе откривања се разликују у зависности од проблема који решавамо. Што више података видимо, то је квалитет модела бољи. Сазнајте како да побољшате ово применом Google ознаке, режима сагласности и побољшаних конверзија.

Принципи моделовања онлајн конверзија

Стално побољшање квалитета

Као и код свих других производа, аналитичари података стално побољшавају алгоритам да би повећали прецизност и размеру моделовања. Редовно уводимо нове производе који нам пружају нове изворе података које можемо да евидентирамо и прецизно подешавају моделовање (на пример, побољшане конверзије и режим сагласности могу да нам пруже више података које можемо да евидентирамо).

Софистициране технике за проверу тачности

Тачност модела проверавамо помоћу техника као што је потврда задржавањем. На пример, задржавамо део евидентираних конверзија и моделујемо за тај сегмент. Затим упоређујемо моделоване резултате са стварним евидентираним конверзијама које смо задржали, меримо непрецизности и фаворизовање и стално усавршавамо моделе. Сличне методе се често користе у Google вештачкој интелигенцији.

Строге граничне вредности за евидентирање

Евидентирамо моделоване конверзије само када смо потпуно сигурни да су остварене због интеракција са огласом. Избегавамо да системски евидентирамо више конверзија него у стварности и увек настојимо да сузбијемо прекомерно евидентирање. То значи да за неке кориснике не видимо редовно довољно конверзија како бисмо могли да поуздано моделујемо. У тим случајевима не евидентирамо моделоване конверзије.

Сваки недостатак отклањамо помоћу јединствене методологије моделовања

Пошто идентификујемо различите недостатке у мерењу и пошто су неопходни и доступни различити типови података који могу да се евидентирају, имамо различите типове модела за различите типове недостатака. Користимо и технике којима елиминишемо двоструко рачунање у различитим типовима модела. Знамо да се стопе конверзије знатно разликују у зависности од канала за оглашавање, па правимо засебне моделе за сваки канал и тип интеракције са огласом (прикази у односу на кликове).

Исход сваког модела је јединствен за ваше пословање и понашање корисника

Када се утврди алгоритам за опште моделовање који отклања одређени недостатак у евидентирању, примењујемо тај алгоритам на податке сваког оглашавача посебно и добијамо јединствене резултате који одражавају јединствено понашање корисника и стопе конверзије за тог оглашавача. На пример, ако корисници често започну путању на једном уређају и остваре конверзију на другом, број моделованих конверзија на више уређаја у извештају ће бити већи од просечног.

Смернице строго забрањују узимање дигиталног отиска

Технологије за узимање дигиталног отиска су обично засноване на хеуристичким подацима (нпр. IP адресе) који идентификују кориснике на различитим тачкама контакта и уређајима и генеришу „ИД дигиталног отиска“ којим идентификују корисника у будућим интеракцијама. Не генеришемо такве ИД-ове нити покушавамо да идентификујемо појединачне кориснике јер на тај начин корисник не добија разумну контролу и транспарентност. Поред тога, не дозвољавамо другима да уносе податке добијене узимањем дигиталног отиска у наше производе за оглашавање. Уместо тога, вероватноћу догађаја конверзије за скуп корисника који су видели оглас или кликнули на њега предвиђамо комбиновањем података као што су пређашње стопе конверзије, тип уређаја, доба дана и локација.

Објављивање знатних промена у моделовању

Стално спроводимо експерименте пре него што уведемо промене у моделовање. Ако утврдимо знатан утицај ових промена на извештавање и лицитирање, објављујемо податке о томе.

Аутоматска интеграција

Када може, Google прецизно интегрише моделовање конверзија у евиденцију конверзија и оптимизацију конверзија на основу доступних података. У неким случајевима, нпр. када се конверзије не виде за скуп корисника који нису дали сагласност за колачиће, за моделовање конверзија ће нам требати подаци о стопама сагласности.

Сродни линкови

Да ли вам је ово било корисно?

Како то можемо да побољшамо?