Durch die datenschutzkonforme Conversion-Modellierung werden unbekannte Aspekte des Kaufprozesses erfasst.
Bei der Conversion-Modellierung werden erfasste Conversions verwendet, um nicht erfassbare Conversions vorherzusagen, ohne einzelne Personen zu identifizieren.
| Erfasste Conversions | Geschätzte Conversions |
|---|---|
|
Es werden Cookies und andere Kennungen genutzt, um Anzeigeninteraktionen und Conversions zu verknüpfen. |
Es wird maschinelles Lernen genutzt, um eine Verbindung zwischen Anzeigeninteraktionen und Conversion-Ereignissen herzustellen, wenn Cookies und Kennungen nicht verfügbar sind. |
Wann werden geschätzte Conversions in Ihren Berichten berücksichtigt?
Geschätzte Conversions werden nur dann in den gesamten erfassten Conversions berücksichtigt, wenn es sehr wahrscheinlich ist, dass Ihre Anzeige zu Conversions geführt hat. Durch diese Maßnahme werden zu viele Berichtsdaten systematisch vermieden. In Fällen, in denen nicht genügend Daten für eine zuverlässige Modellierung vorliegen, steht keine Conversion-Modellierung zur Verfügung.
Dank der Holdback-Validierung (Best Practice im Bereich Maschinelles Lernen) wird die Genauigkeit der Google-Modelle gewahrt. Die Modellierungsmethode wird auf eine Teilmenge der erfassten Conversions angewendet, um die Genauigkeit des Modells durch den Vergleich mit den erfassten Ergebnissen zu verstehen. Diese Daten können zur Feinabstimmung der Modelle verwendet werden.
Wenn Google Änderungen an der Modellierung vornimmt, werden sie vor der Einführung ausgiebig getestet. Falls wir dabei erhebliche Auswirkungen auf Ihre Daten feststellen, informieren wir Sie entsprechend.
So funktioniert die Conversion-Modellierung:
1. Die Anzeigeninteraktionen werden in zwei Gruppen unterteilt.
Eine Gruppe enthält Anzeigeninteraktionen, bei denen ein eindeutiger, erkennbarer Zusammenhang zu einer Conversion besteht. Die andere Gruppe enthält Anzeigeninteraktionen, bei denen kein entsprechender eindeutiger, Zusammenhang erfasst wurde.
2. Die erfasste Gruppe wird in Untergruppen aufgeteilt.
Die beobachteten Conversions werden auf der Grundlage gemeinsamer Merkmale in Untergruppen unterteilt, für die jeweils wichtige Messwerte berechnet werden. So wird beispielsweise festgestellt, dass Conversions, die morgens in Frankreich erfasst werden, eine bestimmte Conversion-Rate haben. Diese Rate kann am Abend abweichen.
3. Auch die Gruppe mit den erfassten Klicks und Aufrufen wird in Untergruppen eingeteilt.
Diese Untergruppen werden für die Sortierung nicht erfasster Anzeigeninteraktionen und Conversions verwendet.
4. Nicht erfasste Anzeigeninteraktionen und Conversions werden verknüpft.
Anhand bekannter Conversion-Raten und anderer Merkmale der beobachteten Untergruppen werden vom maschinellen Lernen gegebenenfalls Zusammenhänge zwischen Anzeigeninteraktionen und Conversions hergestellt. Die erfassten und modellierten Conversions werden dann in Ihre Conversion-Daten eingebunden, um fundierte Entscheidungen zur Anzeigenleistung zu treffen. Sie werden dann in die Gebote einbezogen, um einen objektiven Überblick über die Leistung zu ermöglichen. Das führt zu einer besseren Optimierung.
In der Praxis basieren die Berechnungen aus den erfassten Daten auf verschiedenen Dimensionen, z. B. Standort, Zeit und Browser. Um die Modellierung weiter zu verfeinern, werden sie mit Daten aus Plattform-APIs, Umfragen und Nutzerpanels kombiniert.
Datenschutzorientierter Ansatz
Fingerprinting oder andere Verfahren, um einzelne Nutzer zu identifizieren, sind bei Google nicht zulässig. Stattdessen verwendet Google aggregierte Daten (wie bisherige Conversion-Raten, Gerätetyp, Tageszeit und Geografie), um die Wahrscheinlichkeit von Conversions für Nutzer vorherzusagen, die eine Anzeige angesehen oder darauf geklickt haben.
