노이즈 실험실

이 문서에 관한 정보

이 문서의 내용은 다음과 같습니다.

  • 요약 보고서를 생성하기 전에 어떤 전략을 생성해야 하는지 이해합니다.
  • 다양한 노이즈 매개변수의 효과를 파악하고 다양한 노이즈 관리 전략을 빠르게 탐색하고 평가할 수 있는 도구인 Noise Lab을 소개합니다.
를 통해 개인정보처리방침을 정의할 수 있습니다. <ph type="x-smartling-placeholder">
</ph> <ph type="x-smartling-placeholder">Noise Lab 스크린샷</ph>
노이즈 실험실

의견 공유하기

이 문서에서는 요약 보고서를 사용할 때 적용되는 몇 가지 원칙을 요약하지만, 노이즈 관리에 대한 여러 접근 방식에 여기에서 확인하세요. 제안, 추가사항, 질문 사항은 언제든지 환영합니다.

시작하기 전에

  1. 소개는 기여도 보고: 요약 보고서기여도 보고 전체 시스템 개요를 참고하세요.
  2. 이 가이드를 최대한 활용하려면 노이즈 이해집계 키 이해하기를 참고하세요.

설계 결정

핵심 설계 원칙

서드 파티 쿠키와 요약 보고서의 작동 방식에는 근본적인 차이가 있습니다. 한 가지 주요 차이점은 노이즈가 요약 보고서의 측정 데이터에 추가되었습니다. 또 다른 방법은 보고서를 예약하는 방법입니다.

신호 대 노이즈가 더 높은 요약 보고서 측정 데이터에 액세스하기 위해 비율, 수요측 플랫폼 (DSP), 광고 측정 제공업체는 광고주와 협력하여 소음 관리 전략을 개발합니다. 이러한 전략을 개발하려면 DSP와 측정 제공업체가 설계와 관련된 결정을 내려야 합니다. 이러한 결정은 한 가지 필수 개념을 중심으로 이루어집니다.

분포 노이즈 값은 절대적으로 말하자면 두 가지 매개변수에서만 도출되지만 엡실론과 기여 예산은 출력 측정 데이터의 신호 대 잡음비.

반복적인 프로세스가 최상의 의사결정으로 이어지리라 예상하지만, 이러한 결정을 내릴 때마다 구현 방식이 약간 달라집니다. 따라서 각 코드 반복을 작성하기 전에 (그리고 광고를 게재하기 전에) 이러한 결정을 내려야 합니다.

결정: 측정기준 세부사항

Noise Lab에서 사용해 보기

  1. 고급 모드로 이동합니다.
  2. 매개변수 측면 패널에서 내 전환 데이터를 찾습니다.
  3. 기본 매개변수를 확인합니다. 기본적으로 매일 TOTAL 기여 가능 전환수는 1,000입니다. 이는 구독당 평균 기본 설정을 사용하는 경우 버킷의 다른 버킷 수준에서 각 측정기준에 대해 서로 다른 값이 사용될 수 있음). 키 전략 A). 관찰 입력된 일일 평균 기여 가능 전환수의 값이 40임 버킷당
  4. 기본 매개변수로 시뮬레이션을 실행하려면 '시뮬레이션'을 클릭하세요.
  5. 매개변수 측면 패널에서 측정기준을 찾습니다. 이름 바꾸기 지리도시로 설정하고 가능한 서로 다른 값의 수를 50으로 변경합니다.
  6. 이에 따라 일일 평균 기여 전환수가 어떻게 달라지는지 관찰합니다. 버킷당 개수입니다. 이제 훨씬 낮아졌습니다. 이는 이 측정기준에서 가능한 값의 개수를 변경하지 않고 그 외의 경우에는 버킷 수를 변경하지 않고 각 버킷에 속하는 전환 이벤트 수
  7. '시뮬레이션'을 클릭합니다.
  8. 결과 시뮬레이션의 노이즈 비율을 관찰합니다. 노이즈 비율은 이전 시뮬레이션보다 높아졌습니다.

핵심 설계 원칙에 따라 작은 요약 값은 노이즈가 더 많다는 것을 의미합니다. 따라서 선택한 구성 옵션은 각 버킷에 포함되는 기여 전환 이벤트 수에 영향을 미칩니다. 그렇지 않으면 집계 키라고 함), 이 수량은 최종 출력 요약 보고서

기여 전환 이벤트 수에 영향을 주는 하나의 설계 결정 측정기준의 세부사항입니다. 다음 예시를 고려하세요. 다음과 같습니다.

  • 접근 방식 1: 대략적인 측정기준이 포함된 하나의 키 구조: 국가 x 광고 캠페인 (또는 가장 큰 캠페인) 집계 버킷) x 제품 유형 (가능한 10개의 제품 유형 중)
  • 방법 2: 크기가 세분화된 키 구조 1개: 도시 x 광고 소재 ID x 제품 (가능한 제품 100개 중)

도시국가보다 더 세부적인 측정기준입니다. 광고 소재 ID가 더 세분화됨 (캠페인 대비) 및 ProductProduct type보다 더 세분화되어 있습니다. 따라서 방법 2는 버킷당(= 키)가 표시됩니다. 노이즈에 추가된 노이즈를 출력은 버킷의 이벤트 수, 측정 데이터 접근 방식 2를 사용하면 요약 보고서에 더 많은 노이즈가 적용될 것입니다. 광고주별로 다양한 유형의 키 설계의 세밀도 절충점을 조정하여 확인할 수 있습니다

결정: 키 구조

Noise Lab에서 사용해 보기

단순 모드에서는 기본 키 구조가 사용됩니다. 고급 다양한 키 구조로 실험해 볼 수 있습니다. 예시 측정기준 포함되어 있습니다. 수정할 수도 있습니다

  1. 고급 모드로 이동합니다.
  2. 매개변수 측면 패널에서 키 전략을 찾습니다. 관찰 도구에서 A라고 하는 기본 전략은 하나의 세분화된 키를 사용합니다. 모든 측정기준이 포함된 구조: 지역 x 캠페인 ID x 제품 카테고리입니다.
  3. '시뮬레이션'을 클릭합니다.
  4. 결과 시뮬레이션의 노이즈 비율을 관찰합니다.
  5. 키 전략을 B로 변경합니다. 그러면 추가 관리 기능이 표시됩니다. 키 구조를 구성할 수 있습니다
  6. 키 구조 구성. 예: 방법은 다음과 같습니다. <ph type="x-smartling-placeholder">
      </ph>
    1. 키 구조 수: 2
    2. 키 구조 1 = 지역 x 제품 카테고리
    3. 키 구조 2 = 캠페인 ID x 제품 카테고리
  7. '시뮬레이션'을 클릭합니다.
  8. 이제 측정 목표 유형당 두 개의 요약 보고서가 표시됩니다. (구매 횟수에 2, 구매 가치에 2) 두 개의 서로 다른 키 구조로 구성됩니다. 노이즈 비율을 관찰합니다.
  9. 자체 맞춤 측정기준으로도 이 기능을 사용해 볼 수 있습니다. 방법은 다음과 같습니다. 측정기준을 선택합니다. 예시를 삭제해 보세요. 측정기준, 추가/삭제/재설정을 이용해 맞춤 측정기준 만들기 버튼을 클릭합니다.

기여 전환수에 영향을 줄 다른 설계 결정 하나의 버킷에 있는 핵심 구조와 사용할 수 있습니다 집계 키의 다음 예를 고려하세요.

  • 모든 측정기준이 포함된 하나의 키 구조 이것을 '주요 전략 A'라고 하겠습니다.
  • 2개의 키 구조(각각 측정기준 하위 집합 포함) 이걸로 부르자 주요 전략 B.
다이어그램:

전략 A는 더 간단하지만 특정 통계에 액세스하려면 요약 보고서가 포함된 노이즈 요약 값에 롤업 (합계)해야 할 수 있습니다. 이러한 값을 합산하면 노이즈도 합산됩니다. 전략 B의 경우 요약에 노출된 요약 값 보고서를 통해 이미 필요한 정보를 확인할 수 있습니다. 즉, 전략 B는 전략 A보다 신호 대 노이즈 비율이 더 높을 가능성이 있습니다. 그러나 노이즈는 전략 A에서 이미 허용 가능할 수 있으므로 편의상 전략 A를 사용합니다. 두 전략을 간략히 설명하는 상세 예시에서 자세히 알아보기

키 관리는 심도 있는 주제입니다. 여러 가지 정교한 기법이 신호 대 노이즈 비율을 개선하기 위해 고려됩니다. 방법은 고급 키 관리를 참조하세요.

결정: 일괄 처리 빈도

Noise Lab에서 사용해 보기

  1. 단순 모드 (또는 고급 모드)로 이동합니다. 두 모드 모두 이는 일괄 처리 빈도도 마찬가지입니다.
  2. 매개변수 측면 패널에서 집계 전략 > 빈도 일괄 처리 이는 각 포드의 일괄 처리 빈도를 집계 가능한 보고서를 단일 작업을 모두 수행했습니다
  3. 기본 일괄 처리 빈도 준수: 기본적으로 일일 일괄 처리는 시뮬레이션된 결과입니다.
  4. '시뮬레이션'을 클릭합니다.
  5. 결과 시뮬레이션의 노이즈 비율을 관찰합니다.
  6. 일괄 처리 빈도를 주 단위로 변경합니다.
  7. 결과 시뮬레이션의 노이즈 비율을 관찰합니다. 노이즈 비율은 이전 시뮬레이션보다 더 낮아졌습니다.

기여 전환수에 영향을 줄 다른 설계 결정 이벤트 수는 일괄 처리 빈도입니다. 이 일괄 처리 빈도는 집계 가능한 보고서를 처리하는 빈도입니다.

집계가 더 자주 (예: 매시간) 예약된 보고서는 빈도가 낮은 동일한 보고서에 포함된 전환 이벤트가 더 적음 집계 일정 (예: 매주) 따라서 시간별 보고서에는 더 많은 노이즈가 포함됩니다.``` 빈도가 낮은 동일한 보고서에 포함된 전환 이벤트가 더 적음 집계 일정 (예: 매주) 따라서 시간별 보고서에는 주간 보고서보다 신호 대 잡음비가 낮고 나머지는 모두 동일합니다. 다양한 주파수에서 보고 요구사항을 실험하고 각각에 대한 신호 대 잡음비를 평가합니다.

자세히 알아보기: 일괄 처리긴 기간에 걸쳐 집계하는 것이 좋습니다.

결정: 기여 전환에 영향을 미치는 캠페인 변수

Noise Lab에서 사용해 보기

이는 예측하기 어려울 수 있고 계절성 효과 외에도 일일 이벤트 발생 횟수를 원터치 기여도를 10: 10, 100, 1,000명 또는 10,000명입니다.

  1. 고급 모드로 이동합니다.
  2. 매개변수 측면 패널에서 내 전환 데이터를 찾습니다.
  3. 기본 매개변수를 확인합니다. 기본적으로 매일 TOTAL 기여 가능 전환수는 1,000입니다. 이는 구독당 평균 기본 설정을 사용하는 경우 버킷의 다른 버킷 수준에서 각 측정기준에 대해 서로 다른 값이 사용될 수 있음). 키 전략 A). 관찰 입력된 일일 평균 기여 가능 전환수의 값이 40임 버킷당
  4. 기본 매개변수로 시뮬레이션을 실행하려면 '시뮬레이션'을 클릭하세요.
  5. 결과 시뮬레이션의 노이즈 비율을 관찰합니다.
  6. 이제 일일 기여 가능 전환수 총합을 100으로 설정합니다. 이렇게 하면 기여 요인 일일 평균 값이 낮아집니다. 버킷당 전환수입니다.
  7. '시뮬레이션'을 클릭합니다.
  8. 이제 노이즈 비율이 더 높다는 것을 알 수 있습니다. 이는 노이즈가 버킷당 전환수가 줄어듦 있습니다.

중요한 차이점은 한 가지 전환에 대해 가능한 총 전환수입니다. 기여가 발생할 수 있는 총 전환수의 비율을 비교합니다. 이 이는 요약 보고서의 노이즈에 영향을 미칩니다. 기여 분석 전환수는 전체 전환의 하위 집합으로, 캠페인에 발생할 가능성이 높은 광고 예산이나 광고 타겟팅과 같은 변수가 있을 수 있습니다. 예를 들어 기여 전환수가 1천만 달러짜리 광고에 비해 1,000만 달러가 되는 광고 캠페인에 대한 기여도가 더 높음 다른 모든 조건이 동일합니다.

고려 사항:

  • 원터치 동일한 기기와 비교하여 기여 전환 평가하기 기여 분석 모델(요약 보고서의 범위에 속함) Attribution Reporting API를 통해 수집됩니다.
  • 최악의 시나리오 수와 최적 시나리오 수를 모두 고려합니다. 사용할 수 있습니다. 예를 들어, 다른 모든 조건이 동일하다면 광고주에 대해 가능한 최소 및 최대 캠페인 예산 두 결과에 대한 기여 전환을 살펴보겠습니다
  • Google Cloud 콘솔의 Android 개인 정보 보호 샌드박스 크로스 플랫폼 기여 전환을 고려합니다.

결정: 확장 사용

Noise Lab에서 사용해 보기

  1. 고급 모드로 이동합니다.
  2. 매개변수 측면 패널에서 집계 전략 > 크기 조정. 기본적으로 '예'로 설정되어 있습니다.
  3. 확장이 노이즈에 미치는 긍정적인 영향을 이해하기 위해 먼저 '크기 조절'을 '아니요'로 설정합니다.
  4. '시뮬레이션'을 클릭합니다.
  5. 결과 시뮬레이션의 노이즈 비율을 관찰합니다.
  6. 확장을 예로 설정합니다. Noise Lab은 디코더에서 다음 범위 (평균 및 최댓값)가 주어진 측정 목표를 설정할 수 있습니다. 실제 시스템 또는 오리진 트라이얼에서 배율을 직접 계산하여 구현하는 것이 좋습니다.
  7. '시뮬레이션'을 클릭합니다.
  8. 이번 1초 동안 노이즈 비율이 더 낮아지는 것을 관찰합니다. 살펴보겠습니다 확장을 사용하고 있기 때문입니다.

핵심 설계 원칙에 따라 추가된 노이즈는 기여 예산의 함수입니다.

따라서 신호 대 잡음비를 높이기 위해 전환 이벤트 중에 수집된 가치를 기여 예산 (집계 후 확장)을 축소합니다. 확장을 사용하여 신호 대 잡음비를 늘립니다.

결정: 측정 목표 수와 개인 정보 보호 예산 분할

이는 확장과 관련이 있습니다. 자세한 내용은 사용 방법 확장을 참조하세요.

Noise Lab에서 사용해 보기

측정 목표는 전환 이벤트에서 수집되는 별개의 데이터 포인트입니다.

  1. 고급 모드로 이동합니다.
  2. 매개변수 측면 패널에서 추적하려는 데이터를 찾습니다. 측정 목표. 기본적으로 구매라는 두 가지 측정 목표가 있습니다. 가치 및 구매 건수입니다.
  3. 기본 목표로 시뮬레이션을 실행하려면 '시뮬레이션'을 클릭하세요.
  4. '삭제'를 클릭합니다. 마지막 측정 목표 (구매)가 삭제됩니다. 이 경우).
  5. '시뮬레이션'을 클릭합니다.
  6. 이제 구매 가치의 노이즈 비율이 더 낮은 것을 관찰합니다. 두 번째 시뮬레이션에서 결과가 더 나아집니다. 이는 단일 측정 목표에 대해 후원 예산으로 사용됩니다.
  7. 재설정을 클릭합니다. 이제 구매라는 두 가지 측정 목표가 생겼습니다. 가치 및 구매 건수입니다. 노이즈 랩은 자동으로 해당 범위 (평균 및 최댓값)에 따라 측정 목표를 설정할 수 있습니다. 기본적으로 Noise Lab은 측정 목표 전반에 걸쳐 균등하게 예산을 할당합니다.
  8. '시뮬레이션'을 클릭합니다.
  9. 결과 시뮬레이션의 노이즈 비율을 관찰합니다. 다음 배율을 조정합니다.
  10. 이제 개인 정보 보호 예산 분할을 맞춤설정하여 신호 대 잡음비입니다.
  11. 각 측정 목표에 할당된 예산 비율(%)을 조정합니다. 기본값이 측정 목표 1, 즉 구매 가치는 더 넓은 범위 (0~1, 000)로 설정할 수 있습니다. 1과 1 사이, 항상 1과 같음). 이유: '확장할 공간이 더 많아야'합니다. 즉, 한 번에 더 많은 예산을 측정 목표 2보다 측정 목표 1에 배정하여 보다 효율적으로 수직 확장할 수 있으므로 (확장 참조)
  12. 예산의 70% 를 측정 목표 1에 할당합니다. 측정에 30% 할당 목표 2.
  13. '시뮬레이션'을 클릭합니다.
  14. 결과 시뮬레이션의 노이즈 비율을 관찰합니다. 구매 노이즈 비율이 이전보다 현저히 낮아 (개선) 살펴보겠습니다 구매 건수는 거의 변동이 없습니다.
  15. 여러 측정항목 간에 예산 분할을 계속 조정합니다. 어떤 영향을 미치는지 관찰 있습니다.

참고로 자체 맞춤 측정 목표는 추가/제거/재설정 버튼.


전환 이벤트에서 하나의 데이터 포인트(측정 목표)를 측정하는 경우(예: 해당 데이터 포인트에서 모든 참여 예산을 얻을 수 있습니다 (65536). 전환 이벤트에 대해 여러 측정 목표를 설정하는 경우 측정하려는 경우 해당 데이터 포인트는 후원 예산을 공유합니다. 즉, 규모에 맞게 확장하거나 축소할 수 있는 값으로 사용됩니다.

따라서 측정 목표가 많을수록 신호 대 잡음비가 낮아집니다. 가능성이 높습니다 (노이즈가 높음).

측정 목표와 관련해 해야 할 또 다른 결정은 예산 분할입니다. 기여 예산을 두 데이터 포인트에 균등하게 분할하면 각 데이터 포인트에 65536/2 = 32768입니다. 이는 최적화 정도에 따라 각 데이터 포인트에 대해 가능한 최대값입니다. 예를 들어 구매 건수가 1인 구매 건수, 최소 1에서 최대 120까지 설정할 경우 구매 가치가 '더 넓은 공간' 즉, 주어진 입력 시퀀스에 대해 후원 예산으로 사용됩니다. 일부 측정 목표를 우선순위에 두어야 하는지 확인할 수 있습니다. 노이즈가 미치는 영향과 관련되어 있습니다.

결정: 이상점 관리

Noise Lab에서 사용해 보기

측정 목표는 전환 이벤트에서 수집되는 별개의 데이터 포인트입니다.

  1. 고급 모드로 이동합니다.
  2. 매개변수 측면 패널에서 집계 전략 > 크기 조정.
  3. 확장이 '예'로 설정되어 있는지 확인합니다. Noise Lab은 사용할 배율을 자동으로 계산합니다. 범위 (평균 및 최댓값)를 표시합니다.
  4. 역대 최대 구매 금액이 2, 000달러라고 가정해 보겠습니다. 대부분의 구매가 $10-$120 범위에서 발생합니다. 먼저 리터럴 확장 방식을 사용하는 경우 (권장되지 않음): 구매값의 최댓값입니다.
  5. '시뮬레이션'을 클릭합니다.
  6. 노이즈 비율이 높은지 확인합니다. 이는 우리의 확장이 2, 000달러를 기준으로 계산하는데 실제로는 구매 가치가 그보다 현저히 낮을 것입니다
  7. 이제 좀 더 실용적인 확장 접근 방식을 사용해 보겠습니다. 최대 120달러로 설정할 수 있습니다
  8. '시뮬레이션'을 클릭합니다.
  9. 두 번째 시뮬레이션에서 노이즈 비율이 더 낮고 (더 나음) 관찰합니다.

배율을 구현하려면 일반적으로 특정 전환 이벤트에 대해 가능한 최대 가치 (이 예에서 자세히 알아보기)

그러나 이 배율을 계산하는 데 리터럴 최댓값을 사용하지 마세요. 이렇게 하면 신호 대 잡음비가 악화되기 때문입니다. 대신 이상점을 제거하고 실용적인 최댓값을 사용하세요

이상점 관리는 매우 중요한 주제입니다. 여러 가지 정교한 기법이 신호 대 노이즈 비율을 개선하기 위해 고려됩니다. 그 중 하나는 고급 이상점 관리.

다음 단계

이제 사용 사례에 대한 다양한 노이즈 관리 전략을 평가했습니다. 실제 Google 애널리틱스 데이터를 수집하여 요약 보고서를 실험할 오리진 트라이얼을 통한 측정 데이터 API 사용해 보기 가이드 및 도움말을 검토합니다.

부록

Noise Lab 빠르게 둘러보기

Noise Lab은 소음 관리 전략을 평가하고 비교합니다. 다음과 같은 용도로 사용할 수 있습니다.

  • 노이즈에 영향을 미칠 수 있는 주요 매개변수와 있습니다.
  • 주어진 출력 측정 데이터에 대한 노이즈의 영향 시뮬레이션 설계할 수 있습니다. 원하는 목표에 도달할 때까지 신호 대 잡음비를 추출할 수 있습니다
  • 요약 보고서의 유용성에 대한 의견을 공유해 주세요. 엡실론 및 노이즈 매개변수의 값 중 어느 것이 효과가 없나요? 어디에 있나요? 어떻게 해야 할까요?

이를 준비 단계로 생각하세요. 노이즈 실험실 는 학습한 데이터를 토대로 요약 보고서의 결과를 시뮬레이션하는 측정 데이터를 있습니다. 유지되거나 데이터를 공유하지 않습니다.

Noise Lab에는 두 가지 모드가 있습니다.

  1. 단순 모드: 기본적인 컨트롤 이해 잡음을 얻는 것입니다.
  2. 고급 모드: 다양한 소음 관리 전략을 테스트하고 사용 사례에 가장 적합한 신호 대 잡음비를 생성합니다.

상단 메뉴의 버튼을 클릭하여 두 버튼 간에 전환할 수 있습니다. (아래 스크린샷에서 1번)

단순 모드
  • 단순 모드에서는 왼쪽의 탐색 메뉴에서 또는 #2. 아래 스크린샷)(예: Epsilon)에서 노이즈에 미치는 영향을 확인해 보세요.
  • 각 매개변수에는 도움말 (`?` 버튼)이 있습니다. 클릭하여 각 매개변수에 대한 설명 (아래 스크린샷에서 3번)
  • 시작하려면 '시뮬레이션' 출력의 모양을 관찰합니다. (아래 스크린샷에서#4)
  • 출력 섹션에서 다양한 세부정보를 볼 수 있습니다. 다소 유용함 요소 옆에 `?` 가 있습니다. 천천히 각 `?` 를 클릭하여 다양한 정보에 대한 설명입니다.
  • 출력 섹션에서 세부정보 전환을 클릭합니다. 표의 확장된 버전을 확인하려는 경우 (#5. 아래 스크린샷 참조)
  • 출력 섹션의 각 데이터 표 아래에는 오프라인으로 사용할 표를 다운로드하세요. 또한 하단의 오른쪽 모서리에 모든 데이터 표를 다운로드하는 옵션이 있습니다 (#6. 아래 스크린샷 참조)
  • 매개변수 섹션에서 매개변수의 다양한 설정 테스트 '시뮬레이션'을 클릭하여 출력에 미치는 영향을 확인합니다. <ph type="x-smartling-placeholder">
    </ph> 소음
    단순 모드의 Noise Lab 인터페이스
상급자 모드
  • 고급 모드에서는 매개변수를 보다 세부적으로 관리할 수 있습니다. 나 맞춤 측정 목표 및 측정기준을 추가할 수 있음 (#1 및 #2. 스크린샷) 아래 참조)
  • 매개변수 섹션에서 아래로 스크롤하여 키를 확인합니다. 전략 옵션 다양한 키 구조를 테스트하는 데 사용할 수 있음 (#3. 아래 스크린샷에서) <ph type="x-smartling-placeholder">
      </ph>
    • 다양한 키 구조를 테스트하려면 키 전략을 'B'로 전환하세요.
    • 사용하려는 다양한 키 구조의 수를 입력하세요. (기본값은 '2'로 설정됨)
    • Generate Key Structures(키 구조 생성)를 클릭합니다.
    • 다음을 클릭하면 키 구조를 지정하는 옵션이 표시됩니다. 각 키 구조에 포함하려는 키 옆의 체크박스
    • 시뮬레이션을 클릭하여 출력을 확인합니다. <ph type="x-smartling-placeholder">
      </ph> 고급 모드에서는 측정 목표 및 추적할 측정기준에 대한 컨트롤이 사이드바에 강조 표시되어 있습니다.
      고급 모드용 Noise Lab 인터페이스
      를 통해 개인정보처리방침을 정의할 수 있습니다. <ph type="x-smartling-placeholder">
      </ph> <ph type="x-smartling-placeholder">고급 모드는 사이드바의 매개변수 섹션에 있는 주요 전략 옵션이기도 합니다.</ph>
      고급 모드용 Noise Lab 인터페이스

노이즈 측정항목

핵심 개념

개별 사용자 개인 정보를 보호하기 위해 노이즈가 추가됩니다.

노이즈 값이 높으면 버킷/키가 희소하고 제한된 수의 민감한 사건에서 발생한 기여 포함 완료되었습니다. '무리 속에 숨길' 수 있는 기능을 제공하며 또는 즉, 제한된 개인의 이익을 보호하기 위해 더 많은 데이터를 노이즈를 더한 것입니다.

노이즈 값이 낮다는 것은 데이터 설정이 이러한 방식으로 설계되었다는 것을 나타냅니다. '군중 속에 숨길' 수 있는 기능을 제공합니다. 즉, 버킷에 충분한 수의 이벤트에서 발생한 기여가 포함되므로 개인의 사용자 개인 정보가 보호됩니다.

이 문장은 평균 백분율 오차 (APE)와 및 RMSRE_T (임곗값이 있는 제곱 평균 제곱 상대 오차)

APE (평균 오류 비율)

APE는 신호에 대한 노이즈의 비율, 즉 실제 요약 값입니다.p> APE 값이 작을수록 신호 대 잡음비가 개선됩니다.

수식

특정 요약 보고서에서 APE는 다음과 같이 계산됩니다.

<ph type="x-smartling-placeholder">
</ph>
APE에 대한 방정식입니다. 노이즈가 음수일 수 있으므로 절댓값이 필요합니다.

True는 실제 요약 값입니다. APE는 각 노이즈의 평균입니다. 요약 보고서의 모든 항목에 대한 평균을 낸 참 요약 값입니다. Noise Lab에서는 이 값을 100으로 곱하여 백분율을 제공합니다.

장단점

버킷 크기가 작을수록 APE의 최종 값에 불균형한 영향을 미칩니다. 이는 노이즈를 평가할 때 오해의 소지가 있을 수 있습니다. 이러한 이유로 APE의 이러한 제한을 완화하기 위해 설계된 또 다른 측정항목인 RMSRE_T를 추가했습니다. 자세한 내용은 를 참고하세요.

코드

소스 코드 검토 APE 계산에 사용될 수 있습니다.

RMSRE_T (임곗값이 있는 제곱 평균 제곱 상대 오차)

RMSRE_T (임곗값이 있는 제곱 평균 제곱 상대 오차)는 노이즈의 또 다른 척도입니다.

RMSRE_T 해석 방법

RMSRE_T 값이 작을수록 신호 대 잡음비가 개선됩니다.
예를 들어 사용 사례에 허용되는 노이즈 비율이 20%이고 RMSRE_T가 0.2이면 노이즈 수준이 허용 범위 내에 있다고 확신할 수 있습니다.

수식

특정 요약 보고서에서 RMSRE_T는 다음과 같이 계산됩니다.

<ph type="x-smartling-placeholder">
</ph> 수식
RMSRE_T의 방정식입니다. 노이즈가 음수일 수 있으므로 절댓값이 필요합니다.
장단점

RMSRE_T는 APE보다 이해하기가 조금 더 복잡합니다. 하지만 경우에 따라 요약 보고서의 노이즈를 분석하는 데 APE보다 더 적합하다는 몇 가지 이점이 있습니다.

  • RMSRE_T가 더 안정적입니다. 'T' 임곗값입니다. 'T' 는 RMSRE_T 계산에서 전환수가 적고 크기가 작아 노이즈에 더 민감한 버킷에 더 낮은 가중치를 부여하는 데 사용됩니다. T를 사용하면 전환수가 거의 없는 버킷에서 측정항목이 급증하지 않습니다. T가 5인 경우 전환수가 0인 버킷에서 1만큼 작은 노이즈 값은 1보다 큰 것으로 표시되지 않습니다. 대신 T는 5이므로 0.2(1/5에 해당)로 제한됩니다. 노이즈에 더 민감한 작은 버킷에 가중치를 적게 부여하여 이 측정항목이 더 안정적이며, 따라서 두 시뮬레이션을 쉽게 비교할 수 있습니다.
  • RMSRE_T를 사용하면 쉽게 집계할 수 있습니다. 여러 버킷의 RMSRE_T를 실제 개수와 함께 알면 합계의 RMSRE_T를 계산할 수 있습니다. 또한 이러한 조합된 값에 대해 RMSRE_T에 대해 최적화할 수 있습니다.

APE의 경우 집계가 가능하지만 공식은 라플라스 노이즈 합계의 절대값을 포함하기 때문에 상당히 복잡합니다. 이렇게 하면 APE를 최적화하기가 더 어려워집니다.

코드

RMSRE_T 계산을 위한 소스 코드를 검토합니다.

버킷 세 개가 있는 요약 보고서:

  • 버킷_1 = 노이즈: 10, trueSummaryValue: 100
  • 버킷_2 = 노이즈: 20, trueSummaryValue: 100
  • 버킷_3 = 노이즈: 20, trueSummaryValue: 200

APE = (0.1 + 0.2 + 0.1) / 3 = 13%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,200))^2) / 3) =  sqrt( (0.01 + 0.04 + 0.01) / 3) =  0.14 

버킷 세 개가 있는 요약 보고서:

  • 버킷_1 = 노이즈: 10, trueSummaryValue: 100
  • 버킷_2 = 노이즈: 20, trueSummaryValue: 100
  • 버킷_3 = 노이즈: 20, trueSummaryValue: 20

APE = (0.1 + 0.2 + 1) / 3 = 43%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,20))^2) / 3)  =  sqrt( (0.01 + 0.04 + 1.0) / 3) =  0.59

버킷 세 개가 있는 요약 보고서:

  • 버킷_1 = 노이즈: 10, trueSummaryValue: 100
  • 버킷_2 = 노이즈: 20, trueSummaryValue: 100
  • 버킷_3 = 노이즈: 20, trueSummaryValue: 0

APE = (0.1 + 0.2 + 무한) / 3 = 무한

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2  +
(20/max(5,0))^2) / 3) =  sqrt( (0.01 + 0.04 + 16.0) / 3) =  2.31

고급 키 관리

DSP 또는 광고 측정 회사는 수천 개의 글로벌 광고를 다양한 업계, 통화, 구매 가격을 아우르는 고객층 가능성이 있습니다. 즉, 프로젝트당 하나의 집계 키를 만들고 매우 비현실적일 수 있습니다. 또한 집계 가능한 최대 값과 집계 예산을 전 세계 광고주 수천 명의 노이즈 영향을 제한하세요. 대신 다음 시나리오를 고려해 보겠습니다.

주요 전략 A

광고 기술 제공업체는 자사의 광고 고객에게 제공할 수 있습니다. 모든 광고주와 모든 통화에 대해 소량, 고가, 저가 등 다양한 형태의 제품 판매 구매. 그러면 다음과 같은 키가 생성됩니다.

키 (여러 통화)
최대 집계 가능한 값 5,000,000
구매 금액 범위 [120~5000000]
주요 전략 B

광고 기술 제공업체는 모든 기기에서 두 개의 키를 만들고 관리하기로 결정합니다. 광고 고객에게 제공할 수 있습니다. 키를 통화별로 구분하기로 합니다. 전체 통화별 구매 범위는 소액, 고가치 구매부터 저가형 구매까지 다양한 형태가 있습니다. 통화를 기준으로 분류하면 2개의 키를 생성합니다.

키 1 (USD) 키 2 (¥)
최대 집계 가능한 값 $40,000 5,000,000엔
구매 금액 범위 [120~40,000] [15,000~5,000,000]

주요 전략 B는 주요 전략 A보다 결과에서 노이즈가 더 적습니다. 통화 값이 여러 통화에 균일하게 분배되지 않습니다. 예를 들어 엔화로 표시된 구매액과 엔화로 표시된 구매가 USD가 기본 데이터를 변경하고 이에 따라 노이즈가 많은 출력을 생성합니다.

주요 전략 C

광고 기술 제공업체는 통화 x 광고주로 구분 업종:

키 1
(USD x 고급 보석 광고주)
키 2
(고급 보석 광고주 엔화 x원)
키 3
(USD x 의류 소매업체 광고주)
키 4
(의류 소매업체 광고주 ¥ x)
최대 집계 가능한 값 $40,000 5,000,000엔 $500
구매 금액 범위 [10,000~40,000명] [1,250,000~5,000,000] [120~500] [15,000~65,000명]

주요 전략 C는 주요 전략 B보다 결과에서 노이즈가 더 적습니다. 광고주 구매 가치가 광고주 간에 균일하게 분산되지 않습니다 대상 예를 들어 고급 주얼리 구매가 구매와 어떻게 혼합되는지 야구 모자의 경우 기본 데이터가 변경되고 결과적으로 노이즈가 많은 출력이 표시됩니다.

공유된 최대 집계 값과 공유 배율을 만드는 것이 좋습니다. 노이즈를 줄이기 위해 여러 광고주의 공통점을 찾기 위해 출력됩니다. 예를 들어, 지역 비즈니스 광고를 게재하기 위해 광고주:

  • 통화 (USD, ¥, CAD 등)로 구분된 전략 1개
  • 하나의 전략은 광고주 업종 (보험, 자동차, 소매업 등)
  • 유사한 구매 가치 범위 ([100], [1000], [10000] 등)

광고주의 공통점, 핵심 요소 및 더 쉽게 관리할 수 있으며 신호 대 잡음비는 더 높습니다. 다양한 광고주를 대상으로 다양한 전략 실험 코드에 비해 노이즈 영향을 극대화하는 데 있어 변곡점을 찾기 위한 공통점 관리할 수 있습니다


고급 이상점 관리

광고주 2명의 시나리오를 고려해 보겠습니다.

  • 광고주 A:
    • 광고주 A의 사이트에 있는 모든 제품에 대한 구매 가격 [$120 - $1,000] 사이이며, 범위는 $880입니다.
    • 구매 가격이 $880 범위에 균등하게 배분됩니다. 평균 구매 가격에서 두 표준 편차를 벗어나지 않는 이상점이 없습니다
  • 광고주 B:
    • 광고주 B의 사이트에 있는 모든 제품에 적용되는 구매 가격 [$120 - $1,000] 사이이며, 범위는 $880입니다.
    • 구매 가격이 120~500달러 사이로 크게 치우쳐 있습니다. 50~1,000달러 범위에서 이루어지는 구매는 5% 에 불과합니다.

주어진 참여 예산 요건 최종 결과에 노이즈를 적용하는 방법론에 따라 광고주 B는 기본적으로 다른 모델보다 노이즈가 이상점이 광고 캠페인에 영향을 미칠 가능성이 더 크므로 광고주 A는 계산에 의존합니다

특정 키 설정으로 이 문제를 완화할 수 있습니다. 주요 전략 테스트 이상점 데이터를 관리하고 구매 가치를 보다 균등하게 배분하는 데 도움이 됩니다. 전체 키-값 쌍이 적용됩니다

광고주 B의 경우 두 개의 서로 다른 키를 캡처하기 위해 두 개의 선택할 수 있습니다 이 예에서 광고 기술은 500,000원보다 높은 가격에 표시됩니다 광고주:

  • 키 구조 1: 120~500달러 범위 (총 구매량의 약 95%)
  • 키 구조 2: 500달러 이상의 구매만 캡처하는 키 (총 구매량의 약 5% 차지)

이 핵심 전략을 구현하면 광고주 B와 요약 보고서에서 유용성을 극대화할 수 있습니다. 새로운 키 A와 키 B의 데이터가 보다 균일하게 분포되어 이전 단일 키에서 발생한 것입니다. 이렇게 하면 노이즈에 대한 영향이 더 적다는 것을 의미합니다.