Безопасното за поверителността моделиране на реализациите попълва неизвестните в пътя на клиента.
Моделирането на реализациите използва наблюдавани реализации, за да предвижда ненаблюдаваните реализации, без да идентифицира конкретни лица.
| Наблюдавани реализации | Моделирани реализации |
|---|---|
|
Функцията използва „бисквитки“ и други идентификатори за свързване на взаимодействията с рекламите и реализациите. |
Функцията използва машинно обучение, за да задава връзки между взаимодействията с реклами и реализациите, като отчита случаите, когато „бисквитките“ и идентификаторите не са били налице. |
Кога моделираните реализации се включват в отчитането Ви
Моделираните реализации се включват в общия брой отчетени реализации само когато има голяма увереност, че рекламата Ви е довела до реализации. Тази строгост гарантира, че се избягва систематично прекомерно отчитане. А в случаите, когато не разполагаме с достатъчно данни, за да можем да извършим надеждно моделиране, не предоставяме моделиране на реализациите.
Функцията за потвърждаване чрез задържане (най-добра практика за машинно обучение) поддържа точността на моделите на Google. Методологията за моделирането се прилага към подмножество от наблюдаваните реализации, за да се установи точността на модела в сравнение с наблюдаваните резултати. Тази информация се използва за прецизиране на моделите.
Google непрекъснато провежда експерименти, преди да въведе промени в моделирането. Ако установим, че дадена промяна ще окаже значително въздействие върху данните Ви, я обявяваме по съответния начин.
Моделирането на реализациите работи по следния начин:
1. Взаимодействията с рекламите се разделят в две групи
Едната група съдържа взаимодействия с реклами, които имат ясна, наблюдаема връзка с реализация. Другата група съдържа взаимодействия с реклами, които нямат ясна, наблюдаема връзка с реализация.
2. Групата с наблюдаваните реализации се разделя в две подгрупи
Наблюдаваните реализации се разделят в подгрупи въз основа на споделените характеристики, като за всяка се изчисляват ключови показатели. Например реализациите, които се наблюдават сутрин във Франция, имат определен процент на реализация, който може да се различава от този през вечерта.
3. Групата с ненаблюдаваните реализации се сортира в същите две подгрупи
Тези подгрупи се използват за сортиране на ненаблюдаваните взаимодействия с реклами и реализации.
4. Ненаблюдаваните взаимодействия с реклами и реализации се свързват
Като използва известните проценти на реализация и други характеристики от подгрупите с наблюдаваните реализации, машинното обучение свързва ненаблюдаваните взаимодействия с реклами и реализации, където е уместно. След това наблюдаваните и моделираните реализации се интегрират в данните за реализациите, за да Ви помогнат да вземате информирани решения относно отчитането на ефективността на рекламите, и се добавят към оферирането, за да осигурят безпристрастна оценка на ефективността Ви. Това води до по-добро оптимизиране.
На практика изчисленията от наблюдаваните данни се основават на голям брой величини, включително местоположение, час и браузър. Те се комбинират с данни от API на платформите, анкети и потребителски панели, за да се прецизира допълнително моделирането.
Ориентиран към поверителността подход
Google не допуска идентифициране чрез отпечатък или други опити за идентифициране на отделни потребители. Вместо това Google използва обобщени данни (като например процент на реализация за минали периоди, тип устройство, час от денонощието, географско местоположение и други), за да прогнозира вероятността за реализации от потребителите, които са видели или кликнали върху реклама.
