Om modellerade onlinekonverteringar

Med modellerade konverteringar används anonymiserad data för att beräkna konverteringar som Google inte kan observera direkt. Detta kan ge en mer komplett rapport om dina konverteringar.

Vi modellerar för att fylla datasegment där vi vet att vi inte kan observera annonsmärkning på grund av användarnas integritet eller tekniska begränsningar. Vi gör detta för att kunna erbjuda mätning av hög kvalitet så att du kan se effekten av din marknadsföring, och för att bibehålla budgivning av hög kvalitet med bud som varken är för låga eller för höga.

När Google visar modellerade konverteringar i Google Ads förutser vi tillskrivna konverteringar. I de flesta fall tar Google emot annonsinteraktioner och onlinekonverteringar, men kopplingen mellan dem saknas. Modelleringen visar om en interaktion med en Google-annons ledde till en onlinekonvertering. Den visar inte om en konvertering skedde eller inte.

Utan modellering skulle konverteringsrapporten bara visa den del av konverteringarna som går att observera, inte det verkliga kampanjresultatet.

Så fungerar modellerade onlinekonverteringar

För att kunna skapa modeller av datasegment som inte går att observera strävar vi efter att använda data från segment som går att observera och där vi vet att beteendet är detsamma eller mycket likt segmentet som inte går att observera, eller där vi har goda kunskaper om hur de skiljer sig åt.

Exempel: Anta att du har ett segment med konverteringar som inte går att observera i en webbläsartyp men som kan observeras i andra webbläsartyper. Modelleringen börjar med att undersöka trenderna i användarbeteende (till exempel konverteringsfrekvens) för olika webbläsartyper. Sedan använder vi data från webbläsare som kan observeras och mätas tillsammans med eventuella systematiska polariseringar, och lägger till andra sammanställda dimensioner, som enhetstyp, tid på dagen, geografisk plats, operativsystem, för att förutse sannolikheten för konverteringshändelser från annonsinteraktioner i webbläsartypen som inte kan observeras.

Modellerade konverteringar rapporteras med samma detaljnivå som observerade konverteringar. Detta omfattar dimensioner som konverteringssummor, attributionsvägar och konverteringsvärden. I kolumnen Konverteringar rapporterar Google både modellerade och observerade konverteringar.

Obs! Det kan hända att offlinekonverteringsimporter och användarkonton med mycket få konverteringar per vecka inte innefattar alla typer av modellering.

Fördelar med modellerade onlinekonverteringar

Holistisk mätning av all annonstrafik: Du får en mer exakt bild av annonseringsresultatet (avkastningen på investeringen) och en fullständig bild av konverteringsvägen från annonseringsinteraktioner på olika enheter och kanaler.
Effektiv kampanjoptimering: Modellerade konverteringar hjälper dig att optimera dina kampanjer mer effektivt och nå bättre resultat.
- Integritetsbestämmelser och tekniska begränsningar gör att vissa användarkohorter inte går att observera (till exempel användare som inte gett sitt samtycke och användare med vissa typer av enheter eller webbläsare). Det gör att våra algoritmer för automatisk budgivning måste fatta optimeringsbeslut grundade på ofullständig data, vilket leder till en polariserad inlärning. Automatisk budgivning kan då prioritera ned dessa kohorter eftersom de har ett sämre rapporterat resultat, vilket leder till allmänt sämre resultat för budgivningssystemet. Modelleringen kompenserar för denna polarisering och korrigerar den i den övergripande rapporteringen så att den automatiska budgivningen kan utgå från mer rättvisande resultat. Läs mer om automatisk budgivning
Korrekta mätningar som tar hänsyn till användarnas integritet: Med modellerade konverteringar används anonymiserad data för att beräkna konverteringar som Google inte kan observera direkt. Detta kan ge en mer komplett rapport om dina konverteringar. Den här metoden skiljer sig också från metoder som hotar användarnas integritet, till exempel signaturinsamling, och som förlitar sig på heuristisk information som IP-adresser för att identifiera och spåra enskilda användare. Google har en strikt policy mot signaturinsamling för annonsanpassning, eftersom denna metod fråntar användarna rimlig kontroll och insyn.

Googles metod för konverteringsmodellering

Googles lösningar fungerar för ett stort urval av användare och gör det möjligt att verifiera konverteringsmodelleringarnas precision för ett stort antal annonsinteraktioner och konverteringsåtgärder med hjälp av flera olika nyckeldimensioner:

Skala: Vi har tillgång till en mycket stor och varierad mängd annonsinteraktioner via olika kanaler och i olika delar av tratten. Det ger oss heltäckande data om hur olika användare reagerar på olika typer av annonser, oavsett var de befinner sig i tratten och i alla kanaler.
Precision: Vår stora inloggade användarbas medger avancerade modelleringstekniker som fungerar oberoende av cookies och andra identifierare, eftersom vi kan samla in en stor mängd beteendedata från en representativ grupp användare som har gett sitt medgivande till detta.
Täckning:: Många webbplatser använder Google-taggar, vilket innebär att våra konverteringsmodeller valideras för ett stort antal olika konverteringsåtgärder. Konverteringsmodelleringen använder data som inte identifierar användarna i syfte att kvantifiera konverteringar som Google inte kan observera direkt. Modellen tränas sedan specifikt på varje annonsör för att ge unika resultat.
Teknisk expertis: Googles expertis inom AI är avgörande för att vi ska kunna skapa modeller av högsta kvalitet. Vi har utvecklat denna expertis i arbetet med våra mätningsprodukter, där modellering har använts i många år (automatisk budgivning och butiksbesök i Google Ads) och med andra produkter (till exempel förarlösa bilar och YouTube-rekommendationer).
Möjliggör konkreta åtgärder: Googles modellerade konverteringar visas i kampanjrapporterna men är också kopplade till optimering och budgivning. Det betyder att data kan användas som underlag för att hjälpa dig att nå dina verksamhetsmål.

Exempel på tillgänglig modellering för onlinekonverteringar

Här är några av de viktigaste konverteringsmodelleringarna vi erbjuder:

Modellering för begränsningar i samband med cookies från tredje part

I vissa webbläsare (till exempel Safari och Firefox) går det inte att mäta konverteringar med tredjepartscookies. Om du förlitar dig på tredjepartscookies för konverteringsmätning sker konverteringsmodelleringen i linje med din webbplatstrafik i dessa webbläsare (datorer och mobila enheter). Läs mer om hur du förbättrar modelleringen genom att uppgradera till Google-taggen

Modellering för begränsningar i samband med ursprungsplatsens cookies

I vissa webbläsare (till exempel Safari) är tiden som förstapartscookies tillåts begränsad. Konverteringsmodelleringen sker då i linje med andelen latenta konverteringar utanför denna tidsperiod. Läs mer om hur du förbättrar modelleringen genom att använda förbättrade konverteringar

Modellering för begränsningar av samtycke till cookies i EU

Enligt lagstiftningen i vissa länder måste annonsörer inhämta samtycke för att använda cookies som är relaterade till annonseringsaktiviteter. För annonsörer som har implementerat samtyckesläget sker konverteringsmodelleringen baserat på användare som inte ger sitt samtycke. Konverteringarna modelleras utifrån användare som inte ger sitt samtycke.

Inverkan från iOS 14

Apples ATT-policy (App Tracking Transparency) innebär att utvecklare måste begära tillstånd för att använda viss information från andra företags appar och webbplatser i marknadsföringssyfte. Google använder inte information (till exempel IDFA) som omfattas av ATT-policyn. Därför tillämpas modellering på konverteringar där annonsen ursprungligen visades i trafik som omfattas av ATT. Se till att din webbplats godtar godtyckliga webbadressparametrar för att få bästa möjliga resultat av modelleringen.

Med lanseringen av Apples ATT-policy SKAdNetwork har Apples appattributionslösning blivit en viktig källa till information för appannonsörer när de utvärderar resultatet av sina iOS-kampanjer. För att förbättra kvaliteten och enhetligheten i våra modellerade rapporter i Google Ads-gränssnittet fördjupar vi vår integrering med SKAdNetwork. Läs mer om metodtips för att förbättra mätningen och resultatet av dina iOS-appkampanjer.

Effekten av Google Play-policyer

I Google Play har några policyuppdateringar införts för att förbättra användarkontroll, integritet och säkerhet. Som ett led i uppdateringen av Google Play-tjänster i slutet av 2021 tas reklam-id:n bort när en användare väljer bort annonsanpassning med hjälp av reklam-id:t i Android-inställningarna. Alla som försöker komma åt identifieraren ser en rad med nollor i stället för identifieraren. Läs mer om reklam-id

Som ett resultat av denna uppdatering utvidgar vi modellerade konverteringar till alla appkampanjer. Det innebär att konverteringskolumnen (och kolumnerna för installation, åtgärd i app och konverteringsvärde) kan innehålla modellerade konverteringar. Vi kan komma att införa ytterligare modellerade konverteringar i appkampanjer för att minska effekten av denna och eventuella andra uppdateringar av tjänsten.

Konverteringar över flera enheter

Om en användare inleder sin kundresa med en annonsinteraktion på en enhet och slutför konverteringen på en annan, kan konverteringen inte alltid tillskrivas annonsinteraktionen. Google observerar data från det stora antal användare som är inloggade på Googles tjänster för att extrapolera liknande användarbeteenden. Många konverteringar över flera enheter modelleras också, bland annat från vardagsrum och dator.

Obs! Hur stor andel av dessa konverteringar som kan fyllas via Google Ads beror på den mängd data vi har tillgång till och kan observera i varje situation och hur representativ denna data är (till exempel hur väl den liknar en annonsörs hela användarbas). Mängden data som kan fyllas varierar beroende på det aktuella problemet. Ju mer data som kan observeras desto bättre blir modelleringskvaliteten. Läs om hur du kan förbättra detta genom att implementera den Google-taggen, samtyckesläget och förbättrade konverteringar.

Principerna för modellering av onlinekonvertering

Kontinuerlig förbättring av kvaliteten

Som med alla andra produkter arbetar våra data scientists kontinuerligt med att förbättra algoritmerna för att öka modelleringens precision och skala. Vi lanserar regelbundet nya produkter för att få fler källor till data som går att observera (till exempel förbättrade konverteringar och samtyckesläget), så att vi kan finjustera modelleringen.

Avancerade tekniker för precisionskontroll

Vi använder tekniker som omdirigering och validering av innehållna data för att kontrollera modelleringens precision. Till exempel omdirigerar vi vissa observerade konverteringar för att skapa modelleringar av segment). Sedan jämför vi de modellerade resultaten med de verkliga observerade konverteringar som vi omdirigerade och mäter felaktigheter och polariseringar för att kontinuerligt finjustera våra modeller. Liknande metoder används i stor utsträckning i Googles AI.

Strikta gränser för rapportering

Vi inkluderar modellerade konverteringar i rapporterna bara om vi är mycket säkra på att konverteringarna faktiskt var ett resultat av annonsinteraktioner. Vi undviker systematiskt att rapportera fler konverteringar än vad som faktiskt har skett och strävar alltid efter att minimera överrapportering. Det betyder att vi för vissa användare inte regelbundet kan observera tillräckligt många konverteringar för att skapa säkra modelleringar. I sådana fall rapporterar vi inga modellerade konverteringar.

Varje lucka åtgärdas med en unik modelleringsmetod.

Eftersom vi identifierar olika luckor i mätningarna och eftersom vi har tillgång till och behöver olika typer av data för observation, använder vi olika typer av modellering för olika typer av luckor. Vi använder också tekniker som eliminerar dubbelräkning i olika typer av modelleringar. Vi vet att konverteringsfrekvensen varierar avsevärt mellan olika annonseringskanaler. Därför bygger vi separata modeller för varje kanal och typ av annonsinteraktion (exponeringar kontra klick).

Resultatet av varje modellering är unik för ditt företag och dina användares beteende

När en generell modelleringsalgoritm har fastställts för en viss observationslucka tillämpar vi den separat på varje annonsörs data och får unika resultat som reflekterar annonsörens specifika användarbeteenden och konverteringsfrekvens. Om dina användare till exempel har en stark tendens att påbörja sin kundresa på en enhet och sedan byta till en annan enhet, rapporteras en större mängd modellerade konverteringar över flera enheter.

Strikt policy mot signaturinsamling

Signaturinsamling utgår vanligtvis från heuristisk information, som IP-adresser, för att identifiera användare vid olika kontaktpunkter och enheter i syfte att generera ett signatur-id som sedan identifierar användarna vid framtida interaktioner. Vi genererar inga sådana id:n och vi försöker inte identifiera fysiska personer, eftersom detta fråntar användarna rimlig kontroll och insyn. Vi tillåter inte heller att andra använder signaturinsamlingsdata i våra annonseringsprodukter. I stället använder vi samlad data, till exempel tidigare konverteringsfrekvens, enhetstyp, tid på dagen och geografisk plats, för att förutse sannolikheten för konverteringar hos användare som har visat eller klickat på en annons.

Information om betydelsefulla förändringar i modelleringen

Vi kör alltid experiment innan vi lanserar förändringar i modelleringen. Om vi upptäckter betydande effekter på rapporteringen och budgivningen informerar vi om detta.

Automatisk integrering

Där det är möjligt att göra det på ett korrekt sätt använder Google tillgänglig data för att tillhandahålla integrerad konverteringsmodellering i rapportering av och optimering för konverteringar. I vissa fall, till exempel när det inte är möjligt att observera konverteringar för en viss grupp användare som inte samtyckt till användning av cookies, behöver vi data om samtyckesfrekvens för att kunna tillhandahålla konverteringsmodellering.

Relaterade länkar

Var det här till hjälp?

Hur kan vi förbättra den?