プライバシーに配慮したコンバージョン モデリングによって、カスタマー ジャーニーにおける未知の要素を把握できます。
コンバージョン モデリングでは、測定コンバージョンを使用して、個人を特定することなく、非測定コンバージョンを予測します。
| 測定コンバージョン | 推定コンバージョン |
|---|---|
|
Cookie とその他の ID を使用して、広告インタラクションとコンバージョンを関連付けます。 |
Cookie と ID を使用できなかった場合、機械学習を使用して広告インタラクションとコンバージョン間のリンクを割り当てます。 |
推定コンバージョンがレポートに含まれる場合
レポートされた合計コンバージョン数に推定コンバージョンが含まれるのは、広告がコンバージョンにつながったという確信が高い場合のみです。この厳密性により、コンバージョン数が実際より多くレポートされるのを防ぐことができます。また、正確にモデリングするのに十分なデータがない場合も、コンバージョン モデリングは提供されません。
Google のモデルは、ホールドバック検証（機械学習のベスト プラクティス）によってその精度が維持されています。測定コンバージョンのサブセットにモデリング手法を適用し、測定結果と比較することでモデルの精度を把握します。この情報はモデルの微調整に使用されます。
Google では、モデリングの変更をロールアウトする前に、常にテストを実施します。また、データに大きな影響が及ぶことがわかった場合は、都度お知らせします。
コンバージョン モデリングの流れ
1. 広告のインタラクションが 2 つのグループに分けられる
一方のグループには、コンバージョンへの明確で測定可能なリンクがある広告インタラクションが含まれます。もう一方のグループには、コンバージョンへの明確で測定可能なリンクがない広告インタラクションが含まれます。
2. 測定グループがサブグループに分けられる
測定コンバージョンは、共通する特性に基づいてサブグループに分けられ、それぞれについて主な指標が計算されます。たとえば、フランスで午前中に測定コンバージョンには一定のコンバージョン率があることがわかっていますが、夕方のコンバージョン率は異なる可能性があります。
3. 非測定グループが同じサブグループに並べ替えられる
これらのサブグループは、測定されていない広告インタラクションとコンバージョンを並べ替えるために使用されます。
4. 測定されていない広告インタラクションとコンバージョンがリンクされる
測定されたサブグループの既知のコンバージョン率とその他の特性に基づいて、測定されていない広告インタラクションとコンバージョンが機械学習によって適宜リンクされます。コンバージョンと推定コンバージョンはコンバージョン データに統合されます。このデータは広告のパフォーマンス レポートについて十分な情報に基づく判断を下すのに役立ちます。また、入札に取り込まれるため、パフォーマンスを偏りなく把握できます。これにより、最適化の精度が向上します。
実際には、データからの計算は、地域、時間、ブラウザなど、さまざまなディメンションに基づいて行われます。これらを、プラットフォームの API、アンケート、ユーザーパネルの各データと組み合わせて、モデリングをさらに改良します。
プライバシーを重視したアプローチ
Google はフィンガープリントを許可しておらず、個々のユーザーを識別するその他の行為も許可していません。Google ではこのような手法は使用せず、集計データ（過去のコンバージョン率、デバイスの種類、時間帯、地域など）を使用して、広告を表示またはクリックしたユーザーによってコンバージョンが発生する見込みを予測します。
