Gizlilik açısından güvenli dönüşüm modelleme, müşteri yolculuğundaki bilinmeyen noktaları aydınlatır.
Dönüşüm modelleme, gözlemlenmeyen dönüşümleri herhangi bir kullanıcıyı tanımlamadan tahmin etmek için gözlemlenen dönüşümleri kullanır.
| Gözlemlenen dönüşümler | Modellenmiş dönüşümler |
|---|---|
|
Reklam etkileşimleri ve dönüşümler arasında bağlantı kurmak için çerezleri ve diğer tanımlayıcıları kullanır. |
Çerez ve tanımlayıcıların bulunmadığı durumlarda reklam etkileşimleri ile dönüşümler arasında bağlantı kurmak amacıyla makine öğrenimini kullanır. |
Modellenmiş dönüşümler ne zaman raporlarınıza dahil edilir?
Modellenmiş dönüşümler, yalnızca reklamınızın dönüşümle sonuçlandığına dair yüksek bir güven düzeyine sahip olunduğunda raporlanan toplam dönüşüm sayınıza dahil edilir. Gösterdiğimiz bu özen sayesinde, sistematik olarak fazla raporlama yapılmasının önüne geçmiş oluyoruz. Güvenle modelleme yapmaya yetecek kadar verimizin olmadığı durumlarda dönüşüm modelleme yapılmaz.
Makine öğrenimi alanındaki en iyi uygulamalardan biri olan ayırma doğrulaması, Google modellerinin doğru olmasını sağlar. Gözlemlenen sonuçlara kıyasla modelin ne derece doğru olduğunu anlamak için gözlemlenen dönüşümlerin belli bir kısmına modelleme metodolojisi uygulanır. Bu bilgiler, modeller üzerinde ince ayar yapmak için kullanılır.
Google, modelleme değişikliklerini kullanıma sunmadan önce sürekli olarak denemeler yapar. Verileriniz üzerinde önemli bir etki tespit edersek bununla ilgili bilgileri sizinle paylaşırız.
Dönüşüm modellemenin işleyiş şekli şöyledir:
1. Reklam etkileşimleri iki gruba ayrılır.
Bir grupta, dönüşüme ait net ve gözlemlenebilir bir bağlantının bulunduğu reklam etkileşimleri yer alır. Diğer grup ise dönüşüme ait net ve gözlemlenebilir bir bağlantıya sahip olmayan reklam etkileşimlerini içerir.
2. Gözlemlenen grup alt gruplara ayrılır.
Gözlemlenen dönüşümler, ortak özelliklerine göre alt gruplara ayrılır ve her biri için temel metrikler hesaplanır. Örneğin, Fransa'da sabah gözlemlenen dönüşümlerin belirli bir dönüşüm oranına sahip olduğu, ancak bu oranın akşamları farklı olduğu görülebilir.
3. Gözlemlenmeyen grup, yine aynı alt gruplara ayrılır.
Bu alt gruplar, gözlemlenmeyen reklam etkileşimlerini ve dönüşümleri kategorize etmek için kullanılır.
4. Gözlemlenmeyen reklam etkileşimleri ve dönüşümler birbirine bağlanır.
Makine öğrenimi, bilinen dönüşüm oranlarını ve gözlemlenen alt gruplardaki diğer özellikleri kullanarak uygun olduğu durumlarda, gözlemlenmeyen reklam etkileşimlerini ve dönüşümleri birbirine bağlar. Ardından, gözlemlenen ve modellenmiş dönüşümler, reklam performansı raporunuzla ilgili bilinçli kararlar almanıza yardımcı olmak için dönüşüm verilerinize entegre edilir ve performansınıza dair tarafsız bir görünüm sunmak için teklif verme sürecine aktarılır. Böylece optimizasyon geliştirilmiş olur.
Pratikte, gözlemlenen verilerden yapılan hesaplamalar konum, saat ve tarayıcı gibi çeşitli etmenlere dayanır. Bunlar, modellemeyi daha da hassaslaştırmak için platform API'leri, anketler ve kullanıcı panellerinden alınan verilerle birleştirilir.
Gizlilik odaklı yaklaşım
Google, dijital parmak izi alınmasına veya kullanıcıların bireysel olarak tanımlanmasına yol açabilecek benzer girişimlere izin vermez. Bunun yerine, bir reklamı görüntüleyen veya tıklayan kullanıcıların dönüşüm olasılığını tahmin etmek için geçmişteki dönüşüm oranları, cihaz türü, günün saati ve coğrafi bölge gibi birleştirilmiş verilerden yararlanır.
Ek kaynaklar
- Dönüşüm modelleme ve ölçüm verileri hakkında daha fazla bilgi edinin.
- Google Ads'de dönüşüm modellemeyle ilgili temel kavramlar videosunu izleyin.
- Dönüşüm modellemenin yeni ölçüm verisi kaynaklarıyla pazarlamanızı nasıl iyileştirdiğini öğrenin.
- Dönüşüm modelleme ilkeleri videosunu izleyin.
