Google, ऐसे ऑनलाइन कन्वर्ज़न का अनुमान लगाने के लिए मॉडलिंग का इस्तेमाल करता है जिनकी सीधे तौर पर निगरानी नहीं की जा सकती. उदाहरण के लिए, उपयोगकर्ता की निजता, तकनीकी सीमाओं या उपयोगकर्ताओं का किसी एक डिवाइस से दूसरे पर जाना जैसी वजहों से कन्वर्ज़न को सीधे तौर पर मॉनिटर करना संभव नहीं हो पाता है. मॉडलिंग की मदद से, उपयोगकर्ताओं की पहचान किए बिना सटीक तरीके से कन्वर्ज़न एट्रिब्यूशन किया जा सकता है. अनुमानित कन्वर्ज़न शामिल करने से, Google ज़्यादा सटीक रिपोर्टिंग कर सकता है, विज्ञापन कैंपेन ऑप्टिमाइज़ कर सकता है, और ऑटोमेटेड बिडिंग (बोली अपने-आप सेट होना) को बेहतर बना सकता है.
इस पेज पर इन विषयों के बारे में बताया गया है
- अनुमानित कन्वर्ज़न के काम करने का तरीका
- अनुमानित ऑनलाइन कन्वर्ज़न के फ़ायदे
- Google के कन्वर्ज़न मॉडलिंग के तरीके
- ऑनलाइन कन्वर्ज़न के लिए उपलब्ध अनुमानों के उदाहरण
- अनुमानित ऑनलाइन कन्वर्ज़न के सिद्धांत
अनुमानित कन्वर्ज़न के काम करने का तरीका
Google के मॉडल, सीधे तौर पर निगरानी किए गए कन्वर्ज़न और बिना सीधी निगरानी वाले कन्वर्ज़न के बीच के रुझानों को खोजते हैं. उदाहरण के लिए, अगर एक ब्राउज़र पर एट्रिब्यूट किए गए कन्वर्ज़न, किसी दूसरे ब्राउज़र पर एट्रिब्यूट नहीं किए गए कन्वर्ज़न की तरह हैं, तो मशीन लर्निंग मॉडल पूरे एट्रिब्यूशन का अनुमान लगाएगा. इस अनुमान के आधार पर, रिपोर्ट किए गए कन्वर्ज़न को इस तरह अपडेट किया जाता है कि उनमें मॉडल किए गए और Google Ads के ट्रैक किए कन्वर्ज़न, दोनों को शामिल किया जा सके.
अनुमानित ऑनलाइन कन्वर्ज़न के फ़ायदे
- आपके सभी विज्ञापन ट्रैफ़िक का पूरा मेज़रमेंट: अपने विज्ञापन नतीजों यानी अपनी लागत पर मुनाफ़े (आरओआई) की ज़्यादा बेहतर जानकारी पाएं. साथ ही, डिवाइसों और चैनलों पर विज्ञापन इंटरैक्शन की वजह से बने कन्वर्ज़न पाथ की पूरी जानकारी पाएं.
- असरदार कैंपेन ऑप्टिमाइज़ेशन: अनुमानित कन्वर्ज़न की मदद से अपने कैंपेन को ज़्यादा असरदार तरीके से ऑप्टिमाइज़ करके, कारोबार के लिए बेहतर नतीजे पाए जा सकते हैं.
- निजता से जुड़े कानूनों और टेक्नोलॉजी से जुड़ी सीमाओं का मतलब है कि हम एक जैसे उपयोगकर्ताओं के कुछ ग्रुप जैसे कि सहमति न देने वाले उपयोगकर्ता या खास तरह के डिवाइस या ब्राउज़र का इस्तेमाल करने वाले उपयोगकर्ता से होने वाले कन्वर्ज़न को मॉनिटर नहीं कर पाते हैं. इसका मतलब है कि हमारा ऑटोमेटेड बिडिंग (बोली अपने-आप सेट होना) एल्गोरिदम अधूरे डेटा के आधार पर ऑप्टिमाइज़ेशन के फ़ैसले लेता है. इस वजह से, मिलने वाले नतीजे सही नहीं होते हैं. इस वजह से, ऑटोमेटेड बिडिंग में हो सकता है कि ऐसे लोग (समानता रखने वाले लोग) शामिल न किए जाएं जिनकी परफ़ॉर्मेंस रिपोर्ट कम दर्ज की गई है. ऐसा होने पर, बोली लगाने वाले की पूरी परफ़ॉर्मेंस खराब हो सकती है. मॉडलिंग की मदद से इन गड़बड़ियों को कुल रिपोर्टिंग में ठीक कर लिया जाता है, ताकि यह पक्का हो सके कि ऑटोमेटेड बिडिंग को परफ़ॉर्मेंस से जुड़ा बेहतर डेटा मिले. Search Ads 360 के नए वर्शन में ऑटोमेटेड बिडिंग के बारे में ज़्यादा जानें.
Google के कन्वर्ज़न मॉडलिंग के तरीके
हमारे पास कन्वर्ज़न मॉडलिंग (कन्वर्ज़न का अनुमान लगाने के लिए मशीन लर्निंग का इस्तेमाल करना) के कुछ अहम तरीके उपलब्ध हैं. इनके बारे में यहां बताया गया है:
सटीक होने की जांच करना और बदलावों के बारे में बतानाहोल्डबैक वैलिडेशन, मशीन लर्निंग के सबसे सही तरीकों में से एक है. यह Google के मॉडल को सटीक बनाए रखता है. Google Ads के ट्रैक किए कन्वर्ज़न (पुष्टि करने के लिए डेटा) के एक हिस्से को अलग रखा जाता है और उसे बांटा जाता है. इसके बाद, एक हिस्से को मॉडल को देकर अनुमान लिए जाते हैं. मिले अनुमानों की तुलना, पुष्टि करने के लिए इकट्ठा उस डेटा से की जाती है जिसे मॉडल ने प्रोसेस नहीं किया है. पुष्टि के नतीजों का इस्तेमाल, यह पता करने के लिए किया जाता है कि मॉडल कितना सटीक है. साथ ही, मॉडल को और बेहतर कैसे बनाया जा सकता है.
अनुमानित कन्वर्ज़न सिर्फ़ तब शामिल किए जाते हैं, जब उनकी क्वालिटी के बेहतर होने का पूरा भरोसा हो. अगर मॉडल की लर्निंग के लिए ज़रूरत के मुताबिक ट्रैफ़िक नहीं है, तो अनुमानित कन्वर्ज़न को विज्ञापन इंटरैक्शन को एट्रिब्यूट नहीं किया जाता है. इसके अलावा, Google Analytics के मामले में, अनुमानित कन्वर्ज़न "डायरेक्ट" चैनल को एट्रिब्यूट किए जाते हैं. इस तरीके का इस्तेमाल करके Google, जांचने की क्षमता में हुए नुकसान की भरपाई करता है और ज़रूरी और सटीक अनुमान लगाता है.
आपके कारोबार की अलग ज़रूरतों और ग्राहकों व्यवहार या पैटर्न के हिसाब से, Google का सामान्य मॉडलिंग एल्गोरिदम आपके डेटा पर अलग से लागू किया जाता है.
Google फ़िंगरप्रिंट की सुविधा इस्तेमाल करने की अनुमति नहीं देता है. साथ ही, अलग-अलग उपयोगकर्ताओं की पहचान करने के दूसरे तरीके इस्तेमाल करने की भी अनुमति नहीं देता. इसके बजाय, Google पिछले कन्वर्ज़न रेट, डिवाइस का टाइप, दिन का समय, भौगोलिक स्थिति वगैरह जैसे डेटा को इकट्ठा करता है. ऐसा इसलिए किया जाता है, ताकि किसी विज्ञापन इंटरैक्शन से कन्वर्ज़न की संभावना का अनुमान लगाया जा सके.
ऑनलाइन कन्वर्ज़न के लिए उपलब्ध अनुमानों के उदाहरण
हमारे पास कन्वर्ज़न मॉडलिंग के कुछ अहम तरीके उपलब्ध हैं. इनके बारे में यहां बताया गया है:
तीसरे पक्ष की कुकी की सीमाओं के लिए अनुमान लगानाSafari और Firefox जैसे कुछ ब्राउज़र, तीसरे पक्ष की कुकी का इस्तेमाल करके कन्वर्ज़न मेज़र करने की अनुमति नहीं देते. अगर आप कन्वर्ज़न मेज़रमेंट के लिए तीसरे पक्ष की कुकी इस्तेमाल करते हैं, तो आपको डेस्कटॉप और मोबाइल ब्राउज़र पर अपनी वेबसाइटों के ट्रैफ़िक के साथ, कन्वर्ज़न मॉडलिंग देखने को मिलेगी. Google टैग पर अपग्रेड करके मॉडलिंग की प्रोसेस को बेहतर बनाने का तरीका जानें
Safari जैसे कुछ ब्राउज़र, एक तय समयावधि तक पहले-पक्ष की कुकी का इस्तेमाल करने की अनुमति देते हैं. आपको कन्वर्ज़न विंडो से आगे, देर से होने वाले कन्वर्ज़न शेयर के साथ-साथ कन्वर्ज़न मॉडलिंग देखने को मिलेगी. बेहतर कन्वर्ज़न ट्रैकिंग का इस्तेमाल करके, मॉडलिंग को बेहतर बनाने का तरीका जानें
कुछ देशों के नियमों के मुताबिक, विज्ञापन देने वालों को विज्ञापन से जुड़ी गतिविधियों में कुकी का इस्तेमाल करने की सहमति लेना ज़रूरी होता है. विज्ञापन देने वाले जिन लोगों ने सहमति मोड अपनाया है वे अपने बिना सहमति वाले उपयोगकर्ताओं के साथ, कन्वर्ज़न मॉडलिंग का अनुभव करेंगे. बिना सहमति वाले उपयोगकर्ताओं के लिए कन्वर्ज़न के अनुमान लगाए जाते हैं.
Apple की App Tracking Transparency (ATT) नीति के मुताबिक, डेवलपर को विज्ञापन दिखाने के मकसद से दूसरी कंपनियों के ऐप्लिकेशन और वेबसाइटों की खास तरह की जानकारी का इस्तेमाल करने के लिए, अनुमति लेना ज़रूरी होगा. Google ऐसी जानकारी (जैसे, IDFA) का इस्तेमाल नहीं करेगा जो ATT नीति के दायरे में आती है. इसी तरह, ATT के असर वाले ट्रैफ़िक पर दिखने वाले विज्ञापनों के कन्वर्ज़न के लिए अनुमान लगाए जा सकेंगे. सबसे अच्छे अनुमानों के लिए, पक्का करें कि आपकी वेबसाइट , आर्बिट्ररी यूआरएल पैरामीटर स्वीकार कर सके.
Apple की ATT नीति के लॉन्च होने के बाद, Apple का ऐप्लिकेशन एट्रिब्यूशन सलूशन SKAdNetwork, ऐप्लिकेशन विज्ञापन देने वालों के लिए एक अहम इनपुट बन गया है. इससे, उन्हें iOS कैंपेन की परफ़ॉर्मेंस का आकलन करने में मदद मिलती है. Google Ads के यूज़र इंटरफ़ेस (यूआई) में, अनुमानित डेटा वाली रिपोर्टिंग की क्वालिटी और निरंतरता को बेहतर बनाने के लिए, हम SKAdNetwork डेटा के साथ इंटिग्रेशन को और बेहतर बना रहे हैं. अपने iOS ऐप्लिकेशन कैंपेन की परफ़ॉर्मेंस को बेहतर तरीके से मेज़र करने और परफ़ॉर्मेंस बढ़ाने के सबसे सही तरीकों के बारे में ज़्यादा जानें.
Google Play ने उपयोगकर्ता के कंट्रोल, निजता, और सुरक्षा से जुड़ी बेहतर सेवा देने के लिए, नीति से जुड़े कुछ नए अपडेट का एलान किया. साल 2021 के आखिर में आने वाले Google Play सेवाओं के अपडेट के तहत, अगर कोई उपयोगकर्ता Android की सेटिंग में जाकर, विज्ञापन आईडी का इस्तेमाल करके मनमुताबिक बनाने की सुविधा से ऑप्ट आउट करता है, तो उस उपयोगकर्ता का विज्ञापन आईडी हटा दिया जाएगा. अगर आइडेंटिफ़ायर को ऐक्सेस करने की कोशिश की जाती है, तो इसके बजाय कई शून्य दिखेंगे. विज्ञापन आईडी के बारे में ज़्यादा जानें.
इस सर्विस अपडेट के बाद, हम सभी ऐप्लिकेशन कैंपेन के लिए अनुमानित कन्वर्ज़न की सुविधा उपलब्ध कराएंगे. इसका मतलब है कि आपके कन्वर्ज़न कॉलम के साथ-साथ, इंस्टॉल, ऐप्लिकेशन में हुई गतिविधि, और कन्वर्ज़न वैल्यू कॉलम में अनुमानित कन्वर्ज़न हो सकते हैं. इस अपडेट और दूसरे संभावित सर्विस अपडेट के असर को कम करने के लिए, हो सकता है कि आने वाले समय में ऐप्लिकेशन कैंपेन में ज़्यादा अनुमानित कन्वर्ज़न शामिल किए जाएं.
जब कोई उपयोगकर्ता, विज्ञापन इंटरैक्शन के साथ किसी एक डिवाइस पर अपना सफ़र शुरू करता है और किसी दूसरे डिवाइस पर कन्वर्ज़न पूरा करता है, तो हो सकता है कि विज्ञापन इंटरैक्शन को कन्वर्ज़न एट्रिब्यूट नहीं किया जा सके. Google, सभी उपयोगकर्ताओं के समान व्यवहार का पता लगाने के लिए, Google प्रॉपर्टीज़ पर साइन-इन करने वाले उपयोगकर्ताओं की बड़ी संख्या के डेटा की निगरानी करता है. लिविंग रूम और डेस्कटॉप समेत, कई क्रॉस-डिवाइस कन्वर्ज़न भी मॉडल किए जाते हैं.
अनुमानित ऑनलाइन कन्वर्ज़न के सिद्धांत
क्वालिटी में लगातार सुधारअन्य सभी प्रॉडक्ट की तरह, Google के डेटा साइंटिस्ट भी मॉडलिंग को सटीक और बड़े पैमाने पर इस्तेमाल के लायक बनाने के लिए एल्गोरिदम में लगातार सुधार कर रहे हैं. नियमित तौर पर नए प्रॉडक्ट लॉन्च किए जा रहे हैं, ताकि मॉनिटर किए जा सकने वाले डेटा के ऐसे नए सोर्स मिल सकें जो Google की मॉडलिंग को बेहतर बना सकें. उदाहरण के लिए, बेहतर कन्वर्ज़न ट्रैकिंग और सहमति मोड से, मॉनिटर किया जा सकने वाला ज़्यादा डेटा मिल सकता है.
Google, मॉडलिंग कितनी सटीक है इसकी जांच करने के लिए, होल्डबैक वैलिडेशन जैसी तकनीकों का इस्तेमाल करता है. उदाहरण के लिए, Google, Google Ads के ट्रैक किए कन्वर्ज़न के एक हिस्से को रोकता है और बाकी के हिस्से के आधार पर मॉडल बनाता है. इसके बाद, मॉडल से मिले नतीजों और Google Ads के ट्रैक किए उन कन्वर्ज़न के बीच तुलना की जाती है जिन्हें रोका गया था. तुलना से यह पता चलता है कि मॉडल कितने सटीक तरीके से अनुमान दे रहा है और कहां गड़बड़ी हो रही है. इसके आधार पर मॉडल को लगातार बेहतर बनाया जाता है. Google के एआई में इन्हीं से मिलते-जुलते तरीकों का ज़्यादा इस्तेमाल किया जाता है.
Google अपनी रिपोर्टिंग में अनुमानित कन्वर्ज़न सिर्फ़ तब शामिल करता है, जब उसे पूरा भरोसा हो जाता है कि कन्वर्ज़न, विज्ञापन इंटरैक्शन की वजह से हुए हैं. Google, असल से ज़्यादा कन्वर्ज़न को रिपोर्ट करने से बचता है और हमेशा ओवर-रिपोर्टिंग को कम करने की कोशिश करता है. इसका मतलब है कि कुछ उपयोगकर्ताओं के लिए, सटीक अनुमान लगाने के लिए उसके पास नियमित रूप से ज़रूरत के मुताबिक कन्वर्ज़न नहीं होते. ऐसे मामलों में, Google किसी भी अनुमानित कन्वर्ज़न को रिपोर्ट नहीं करता.
Google, कई अलग-अलग वजहों से कन्वर्ज़न को सीधे तौर पर मेज़र नहीं कर पाता है. साथ ही, इस तरह के मेज़रमेंट के लिए मॉनिटर किए जा सकने वाले अलग-अलग तरह के डेटा की ज़रूरत होती है और यह डेटा उपलब्ध होना चाहिए. इसलिए, अलग-अलग तरह के गैप के लिए, Google के पास अलग-अलग तरह के मॉडल हैं. Google ऐसी तकनीकों का भी इस्तेमाल करता है जिनकी मदद से अलग-अलग तरह के मॉडल में कन्वर्ज़न को दोबारा गिनने की आशंका खत्म हो जाती है. Google को पता है कि विज्ञापन के लिए चैनल के आधार पर कन्वर्ज़न रेट में काफ़ी अंतर आता है. इसलिए, वह हर चैनल और विज्ञापन इंटरैक्शन टाइप जैसे कि इंप्रेशन और क्लिक के लिए अलग-अलग मॉडल बनाता है.
जब किसी कन्वर्ज़न को मॉनिटर करना संभव नहीं होता है, तो सामान्य एल्गोरिदम तय करने के बाद, Google उस एल्गोरिदम को विज्ञापन देने वाले हर व्यक्ति या कंपनी के डेटा पर अलग-अलग लागू करते हैं. इससे यूनीक नतीजे मिलते हैं जिनसे उस विज्ञापन देने वाले व्यक्ति या कंपनी के लिए यूनीक उपयोगकर्ता व्यवहार और कन्वर्ज़न रेट का पता चलता है. उदाहरण के लिए, अगर आपके उपयोगकर्ता अक्सर एक डिवाइस पर विज्ञापन देखने के बाद दूसरे डिवाइस पर खरीदारी करते हैं, तो आपको रिपोर्ट में औसत से ज़्यादा क्रॉस-डिवाइस अनुमानित कन्वर्ज़न दिखेंगे.
ट्रैफ़िक के कुछ सेगमेंट के लिए, Google अन्य सिग्नल का इस्तेमाल करके यह मेज़र करेगा कि कन्वर्ज़न कहां हुए हैं. उदाहरण के लिए, कन्वर्ज़न का अनुमान लगाने के लिए आईपी पते का इस्तेमाल करना, इन सिग्नल में शामिल है.
मॉडलिंग में किए गए किसी भी बदलाव को लॉन्च करने से पहले, Google लगातार एक्सपेरिमेंट करता है. अगर उसे पता चलता है कि रिपोर्टिंग और बिडिंग पर बड़ा असर पड़ रहा है, तो वह उस हिसाब से आपको सूचना देता है.
जहां Google सटीक तरीके से ऐसा कर सकता है, वहां वह आपकी कन्वर्ज़न रिपोर्टिंग और ऑप्टिमाइज़ेशन में इंटिग्रेट की गई कन्वर्ज़न मॉडलिंग (कन्वर्ज़न का अनुमान लगाने के लिए मशीन लर्निंग का इस्तेमाल करना) उपलब्ध कराने के लिए उपलब्ध डेटा का इस्तेमाल करेगा. कुछ मामलों में, जैसे कि जब कुकी की सहमति न देने वाले उपयोगकर्ताओं के किसी ग्रुप के लिए कन्वर्ज़न को मॉनिटर नहीं किया जा सकता, उसे सहमति की दरों के डेटा की ज़रूरत होगी, ताकि वह आपको अनुमानित कन्वर्ज़न की जानकारी दे सके.