นอยซ์แล็บ

เกี่ยวกับเอกสารนี้

เมื่อคุณอ่านเอกสารนี้ คุณจะ:

  • ทำความเข้าใจกลยุทธ์ที่ควรสร้างก่อนสร้างรายงานสรุป
  • ขอเชิญรู้จักกับ Noise Lab ซึ่งเป็นเครื่องมือที่ช่วยให้เข้าใจผลกระทบของพารามิเตอร์เสียงรบกวนต่างๆ รวมถึงช่วยให้สำรวจและประเมินกลยุทธ์การจัดการเสียงรบกวนต่างๆ ได้อย่างรวดเร็ว
ภาพหน้าจอของ Noise Lab
ห้องทดลองเสียงรบกวน

แชร์ความคิดเห็น

แม้ว่าเอกสารนี้จะสรุปหลักการ 2-3 ข้อในการทำงานกับรายงานสรุป การจัดการเสียงรบกวนมีอยู่หลายวิธีด้วยกันที่อาจยังไม่เห็น ที่นี่ เรายินดีรับฟังคำแนะนำ ข้อมูลเสริม และคำถามของคุณ

  • หากต้องการแสดงความคิดเห็นแบบสาธารณะเกี่ยวกับกลยุทธ์การจัดการเสียงรบกวน ให้เปิด ยูทิลิตีหรือความเป็นส่วนตัวของ API (epsilon) และแชร์การสังเกตการณ์ของคุณเมื่อ จำลองด้วย Noise Lab: แสดงความคิดเห็นเกี่ยวกับปัญหานี้
  • แสดงความคิดเห็นแบบสาธารณะเกี่ยวกับ Noise Lab (ถามคำถาม รายงานข้อบกพร่อง ขอฟีเจอร์): สร้างรายการใหม่ที่นี่
  • หากต้องการแสดงความคิดเห็นแบบสาธารณะเกี่ยวกับอีกแง่มุมหนึ่งของ API ให้ทำดังนี้ สร้างรายการใหม่ที่นี่

ก่อนจะเริ่ม

  1. อ่านข้อมูลเบื้องต้นเกี่ยวกับการรายงานการระบุแหล่งที่มา: รายงานสรุป และภาพรวมระบบแบบเต็มของการรายงานการระบุแหล่งที่มา
  2. สแกนทำความเข้าใจสัญญาณรบกวนและทำความเข้าใจคีย์การรวมเพื่อใช้คู่มือนี้ให้เกิดประโยชน์สูงสุด

การตัดสินใจออกแบบ

หลักการออกแบบหลัก

มีความแตกต่างพื้นฐานระหว่างวิธีการทำงานของคุกกี้ของบุคคลที่สามและรายงานสรุป ความแตกต่างที่สำคัญอย่างหนึ่งคือ noise ลงในข้อมูลการวัดผลในรายงานสรุป อีกวิธีหนึ่งคือการตั้งเวลารายงาน

เพื่อเข้าถึงข้อมูลการวัดรายงานสรุปที่มีสัญญาณรบกวนสูงกว่า แพลตฟอร์มฝั่งซื้อ (DSP) และผู้ให้บริการวัดผลโฆษณาจะต้อง ทำงานร่วมกับผู้ลงโฆษณาเพื่อพัฒนากลยุทธ์การจัดการเสียงรบกวน เพื่อพัฒนากลยุทธ์เหล่านี้ DSP และผู้ให้บริการการวัดผลต้องเป็นผู้ตัดสินใจเรื่องการออกแบบ การตัดสินใจเหล่านี้เกี่ยวข้องกับแนวคิดสำคัญอย่างหนึ่ง นั่นคือ

แม้ว่าระบบจะดึงค่าสัญญาณรบกวนจากการกระจายมา แต่จริงๆ แล้วจะขึ้นอยู่กับ 2 พารามิเตอร์เท่านั้นค่ะ ⏤epsilon และงบประมาณการสนับสนุน⏤ คุณมีการควบคุมอื่นๆ มากมายซึ่งจะส่งผลต่อ อัตราส่วนสัญญาณต่อสัญญาณรบกวนของข้อมูลการวัดเอาต์พุต

แม้ว่าเราจะคาดหวังว่ากระบวนการปรับปรุงจะนำไปสู่การตัดสินใจที่ดีที่สุด แต่การเปลี่ยนแปลงแต่ละครั้งของการตัดสินใจเหล่านี้ นำไปสู่การติดตั้งที่แตกต่างกันเล็กน้อย จึงต้องทำการตัดสินใจเหล่านี้ก่อนที่จะเขียนโค้ดซ้ำ (และก่อนที่จะแสดงโฆษณา)

การตัดสินใจ: รายละเอียดมิติข้อมูล

ลองใช้งานใน Noise Lab

  1. ไปที่โหมดขั้นสูง
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหาข้อมูล Conversion ของคุณ
  3. สังเกตพารามิเตอร์เริ่มต้น โดยค่าเริ่มต้น เมตริก TOTAL ต่อวัน จำนวน Conversion ที่ระบุแหล่งที่มาได้คือ 1000 ซึ่งค่าเฉลี่ยจะอยู่ที่ประมาณ 40 ที่เก็บข้อมูลหากคุณใช้การตั้งค่าเริ่มต้น (มิติข้อมูลเริ่มต้น, จํานวนเริ่มต้นของ ค่าที่แตกต่างกันได้สำหรับแต่ละมิติข้อมูล กลยุทธ์คีย์ A) สังเกต ค่าเป็น 40 ในข้อมูลป้อนจำนวน Conversion ที่ระบุแหล่งที่มาได้รายวันโดยเฉลี่ย ต่อที่เก็บข้อมูล
  4. คลิก "จำลอง" เพื่อเรียกใช้การจำลองด้วยพารามิเตอร์เริ่มต้น
  5. ในแผงด้านข้างของพารามิเตอร์ ให้มองหามิติข้อมูล เปลี่ยนชื่อ ภูมิศาสตร์เป็นเมือง และเปลี่ยนจำนวนค่าที่แตกต่างกันที่เป็นไปได้เป็น 50
  6. สังเกตว่าการเปลี่ยนแปลงนี้เปลี่ยนแปลง Conversion ที่ระบุแหล่งที่มาได้รายวันโดยเฉลี่ยอย่างไร จำนวน PER BUCKET ตอนนี้ลดต่ำลงมากแล้ว เพราะหากคุณเพิ่มปริมาณ จำนวนค่าที่เป็นไปได้ภายในมิติข้อมูลนี้โดยไม่เปลี่ยนแปลง ผลลัพธ์อื่น ก็จะเป็นการเพิ่ม จำนวนที่เก็บข้อมูลทั้งหมด โดยไม่มีการเปลี่ยนแปลง จำนวนเหตุการณ์ Conversion ที่จะอยู่ในที่เก็บข้อมูลแต่ละชุด
  7. คลิก "จำลอง"
  8. สังเกตอัตราส่วนสัญญาณรบกวนในการจำลองที่ได้ อัตราส่วนสัญญาณรบกวนคือ สูงกว่าการจำลองก่อนหน้านี้

เมื่อพิจารณาจากหลักการออกแบบหลัก ค่าสรุปสั้นๆ มีแนวโน้มที่จะเป็น รบกวนมากกว่าค่าสรุปขนาดใหญ่ ดังนั้น ตัวเลือกการกำหนดค่า ส่งผลต่อจํานวนเหตุการณ์ Conversion ที่มีการระบุแหล่งที่มาซึ่งลงท้ายด้วยแต่ละที่เก็บข้อมูล (มิเช่นนั้น เรียกว่าคีย์การรวมของคุณ) และจำนวนนั้นจะส่งผลต่อข้อมูลรบกวนใน รายงานสรุปผลลัพธ์สุดท้าย

การตัดสินใจออกแบบ 1 ข้อที่ส่งผลต่อจํานวนเหตุการณ์ Conversion ที่มีการระบุแหล่งที่มา ภายในที่เก็บข้อมูลเดียวคือรายละเอียดมิติข้อมูล ลองดูตัวอย่างต่อไปนี้ ของคีย์การรวมและมิติข้อมูล

  • วิธีที่ 1: โครงสร้างหลักเดียวที่มีขนาดคร่าวๆ ได้แก่ ประเทศ x แคมเปญโฆษณา (หรือแคมเปญที่ใหญ่ที่สุด ที่เก็บข้อมูลรวม) x ประเภทผลิตภัณฑ์ (จากประเภทผลิตภัณฑ์ที่เป็นไปได้ 10 ประเภท)
  • วิธีที่ 2: โครงสร้างหลักเดียวที่มีมิติข้อมูลแบบละเอียด ได้แก่ เมือง x รหัสครีเอทีฟโฆษณา x ผลิตภัณฑ์ (จากผลิตภัณฑ์ที่เป็นไปได้ 100 รายการ)

เมืองเป็นมิติข้อมูลที่ละเอียดกว่าประเทศ รหัสครีเอทีฟโฆษณาจะละเอียดยิ่งขึ้น Campaign และ Product มีรายละเอียดมากกว่า Product type ดังนั้น วิธีที่ 2 จะมีจํานวนเหตุการณ์ (Conversion) ต่อที่เก็บข้อมูลน้อยกว่า (= ต่อ ) ในผลลัพธ์ของรายงานสรุปมากกว่าวิธีที่ 1 เมื่อพิจารณาจากเสียงที่เพิ่มเข้าไป ผลลัพธ์ไม่เกี่ยวข้องกับจำนวนเหตุการณ์ในที่เก็บข้อมูล ข้อมูลการวัด ในรายงานสรุปจะมีความยุ่งยากมากขึ้นเมื่อใช้วิธีที่ 2 สำหรับผู้ลงโฆษณาแต่ละราย ให้ทดสอบด้วยตัวแปรต่างๆ รายละเอียดในการออกแบบของคีย์เพื่อให้มีคุณประโยชน์สูงสุด ผลลัพธ์

การตัดสินใจ: โครงสร้างหลัก

ลองใช้งานใน Noise Lab

ในโหมดเรียบง่าย ระบบจะใช้โครงสร้างคีย์เริ่มต้น ขั้นสูง คุณสามารถทำการทดสอบกับโครงสร้างหลักที่แตกต่างกันได้ ตัวอย่างมิติข้อมูลบางส่วน ที่มีอยู่ ซึ่งคุณสามารถแก้ไขสิ่งเหล่านี้ได้

  1. ไปที่โหมดขั้นสูง
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์คีย์ สังเกตการณ์ กลยุทธ์เริ่มต้นที่ชื่อว่า A ในเครื่องมือ ใช้คีย์แบบละเอียด 1 คีย์ โครงสร้างที่รวมมิติข้อมูลทั้งหมด ได้แก่ ภูมิศาสตร์ x รหัสแคมเปญ x ผลิตภัณฑ์ หมวดหมู่
  3. คลิก "จำลอง"
  4. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
  5. เปลี่ยนกลยุทธ์คีย์เป็น B การดำเนินการนี้จะแสดงการควบคุมเพิ่มเติม เพื่อให้คุณกำหนดค่าโครงสร้างคีย์ได้
  6. กำหนดค่าโครงสร้างคีย์ เช่น ดังนี้
    1. จำนวนโครงสร้างหลัก: 2
    2. โครงสร้างหลัก 1 = ภูมิศาสตร์ x หมวดหมู่ผลิตภัณฑ์
    3. โครงสร้างคีย์ 2 = รหัสแคมเปญ x หมวดหมู่ผลิตภัณฑ์
  7. คลิก "จำลอง"
  8. สังเกตว่าตอนนี้คุณจะได้รับรายงานสรุป 2 ฉบับต่อ 1 ประเภทเป้าหมายการวัดผล (2 สำหรับจำนวนการซื้อ 2 สำหรับมูลค่าการซื้อ) เนื่องจากคุณใช้ 2 โครงสร้างหลักที่แตกต่างกัน สังเกตอัตราส่วนสัญญาณรบกวน
  9. หรือคุณจะลองทำกับมิติข้อมูลที่กำหนดเองก็ได้ โดยดูที่ สำหรับข้อมูลที่คุณต้องการติดตาม: มิติข้อมูล ลองนำตัวอย่างออก มิติข้อมูล และการสร้างมิติข้อมูลของคุณเองโดยใช้การเพิ่ม/นำออก/รีเซ็ต ใต้มิติข้อมูลสุดท้าย

การตัดสินใจออกแบบอีกแบบหนึ่งที่จะส่งผลต่อจํานวน Conversion ที่มีการระบุแหล่งที่มา เหตุการณ์ภายในที่เก็บข้อมูลเดียว โครงสร้างหลัก ที่คุณเลือกใช้ ลองดูตัวอย่างต่อไปนี้ของคีย์การรวม

  • โครงสร้างหลักเดียวที่มีมิติข้อมูลทั้งหมด เราจะเรียกกลยุทธ์นี้ว่า "กลยุทธ์หลัก A"
  • โครงสร้างหลัก 2 โครงสร้าง โดยแต่ละโครงสร้างมีส่วนย่อยของมิติข้อมูล มาเรียกสิ่งนี้ว่า กลยุทธ์หลัก ข.
แผนภาพ:

กลยุทธ์ ก ทำได้ง่ายขึ้น แต่คุณอาจต้องรวม (ผลรวม) ค่าสรุปที่รบกวนซึ่งประกอบไปด้วยรายงานสรุปเพื่อเข้าถึงข้อมูลเชิงลึกบางอย่าง การสรุปค่าเหล่านี้ถือเป็นการสรุปสัญญาณรบกวนด้วย สำหรับกลยุทธ์ B จะแสดงค่าสรุปในข้อมูลสรุป อาจให้ข้อมูลที่คุณต้องการอยู่แล้ว ซึ่งหมายความว่ากลยุทธ์ B จึงมีแนวโน้มที่จะทำให้ได้อัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีกว่ากลยุทธ์ ก อย่างไรก็ตาม สัญญาณรบกวนอาจใช้ได้กับกลยุทธ์ A อยู่แล้ว คุณจึงอาจตัดสินใจที่จะยึดตาม กลยุทธ์ ก เพื่อความเรียบง่าย ดูข้อมูลเพิ่มเติมในตัวอย่างโดยละเอียดซึ่งอธิบายกลยุทธ์ 2 รายการนี้

การจัดการที่สำคัญเป็นหัวข้อที่ลึกมาก มีเทคนิคที่ละเอียดประณีตดังต่อไปนี้ พิจารณาเพื่อปรับปรุงอัตราส่วนของสัญญาณต่อสัญญาณรบกวน มีคำอธิบายอยู่ในคีย์ความปลอดภัย การจัดการ

ผลการตัดสิน: ความถี่ในการเผยแพร่แบบกลุ่ม

ลองใช้งานใน Noise Lab

  1. ไปที่โหมดแบบง่าย (หรือโหมดขั้นสูง — ทั้ง 2 โหมดสามารถใช้ ในลักษณะเดียวกันเมื่อพูดถึงความถี่การจัดกลุ่ม)
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์การรวบรวมข้อมูลของคุณ > ความถี่ในการแบบกลุ่ม หมายถึงความถี่แบบกลุ่มของ รายงานที่รวบรวมได้ซึ่งประมวลผลด้วยบริการรวมข้อมูลใน งานเดียว
  3. สังเกตความถี่ในการจัดกลุ่มเริ่มต้น: โดยค่าเริ่มต้น การจัดกลุ่มรายวัน มีการจำลองความถี่
  4. คลิก "จำลอง"
  5. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
  6. เปลี่ยนความถี่ในการจัดกลุ่มเป็นรายสัปดาห์
  7. สังเกตอัตราส่วนสัญญาณรบกวนในการจำลองที่ได้ อัตราส่วนสัญญาณรบกวนคือ จะต่ำกว่า (ดีกว่า) การจำลองก่อนหน้านี้

การตัดสินใจออกแบบอีกแบบหนึ่งที่จะส่งผลต่อจํานวน Conversion ที่มีการระบุแหล่งที่มา เหตุการณ์ภายในที่เก็บข้อมูลเดียวคือความถี่ในการจัดกลุ่มที่คุณตัดสินใจจะใช้ ความถี่ในการจัดกลุ่มคือความถี่ที่คุณประมวลผลรายงานที่รวบรวมได้

รายงานที่มีการตั้งเวลาไว้ในการรวบรวมข้อมูลบ่อยขึ้น (เช่น ทุกชั่วโมง) จะ มีเหตุการณ์ Conversion รวมน้อยกว่ารายงานเดียวกันที่มีความถี่น้อยกว่า กำหนดการรวมข้อมูล (เช่น ในแต่ละสัปดาห์) ด้วยเหตุนี้ รายงานรายชั่วโมงจะมีความผันผวนเพิ่มขึ้น" มีเหตุการณ์ Conversion รวมน้อยกว่ารายงานเดียวกันที่มีความถี่น้อยกว่า กำหนดการรวมข้อมูล (เช่น ในแต่ละสัปดาห์) ดังนั้น รายงานรายชั่วโมงจะมี อัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำกว่ารายงานรายสัปดาห์ แต่สิ่งอื่นๆ ทั้งหมดเท่ากัน ทดสอบกับข้อกำหนดการรายงานที่ความถี่ต่างๆ และประเมินอัตราส่วนสัญญาณต่อสัญญาณรบกวนในแต่ละช่วง

ดูข้อมูลเพิ่มเติมใน การรวมกลุ่ม และการรวบรวมข้อมูลในระยะเวลาที่ยาวนานขึ้น

การตัดสินใจ: ตัวแปรของแคมเปญที่ส่งผลต่อ Conversion ที่ระบุแหล่งที่มาได้

ลองใช้งานใน Noise Lab

แม้ว่านี่อาจเป็นเรื่องที่คาดเดาได้ยาก และ อาจมีตัวแปรที่มีนัยสำคัญใน นอกเหนือจากผลกระทบตามฤดูกาล ให้พยายามประมาณจำนวน Conversion จากการแตะครั้งเดียวที่ระบุแหล่งที่มาได้ยกกำลัง 10: 10, 100 ที่ใกล้เคียงที่สุด 1,000 หรือ 10,000

  1. ไปที่โหมดขั้นสูง
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหาข้อมูล Conversion ของคุณ
  3. สังเกตพารามิเตอร์เริ่มต้น โดยค่าเริ่มต้น เมตริก TOTAL ต่อวัน จำนวน Conversion ที่ระบุแหล่งที่มาได้คือ 1000 ซึ่งค่าเฉลี่ยจะอยู่ที่ประมาณ 40 ที่เก็บข้อมูลหากคุณใช้การตั้งค่าเริ่มต้น (มิติข้อมูลเริ่มต้น, จํานวนเริ่มต้นของ ค่าที่แตกต่างกันได้สำหรับแต่ละมิติข้อมูล กลยุทธ์คีย์ A) สังเกต ค่าเป็น 40 ในข้อมูลป้อนจำนวน Conversion ที่ระบุแหล่งที่มาได้รายวันโดยเฉลี่ย ต่อที่เก็บข้อมูล
  4. คลิก "จำลอง" เพื่อเรียกใช้การจำลองด้วยพารามิเตอร์เริ่มต้น
  5. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
  6. จากนั้นตั้งค่าจำนวน Conversion ที่ระบุแหล่งที่มาได้รายวัน TOTAL เป็น 100 สังเกตว่าค่านี้จะลดค่าของการระบุแหล่งที่มารายวันเฉลี่ย จำนวน Conversion PER BUCKET
  7. คลิก "จำลอง"
  8. สังเกตว่าอัตราส่วนของเสียงรบกวนสูงขึ้น นั่นเป็นเพราะเมื่อคุณ มีจำนวน Conversion ต่อที่เก็บข้อมูลน้อยลง จะมีการใช้สัญญาณรบกวนมากขึ้นเพื่อรักษา ความเป็นส่วนตัว

ความแตกต่างที่สำคัญคือ จำนวน Conversion ที่เป็นไปได้ทั้งหมดสำหรับ ผู้ลงโฆษณา เทียบกับจำนวน Conversion ที่มีการระบุแหล่งที่มาที่เป็นไปได้ทั้งหมด ซึ่งเป็นสิ่งที่ส่งผลต่อความผันผวนในรายงานสรุปในท้ายที่สุด มีการระบุแหล่งที่มา Conversion คือชุดย่อยของ Conversion ทั้งหมดที่มีแนวโน้มจะสร้างแคมเปญ เช่น งบประมาณโฆษณาและการกำหนดเป้าหมายโฆษณา ตัวอย่างเช่น คุณจะคาดหวังว่า จำนวน Conversion ที่มีการระบุแหล่งที่มาสำหรับแคมเปญโฆษณามูลค่า 10 ล้านดอลลาร์สหรัฐสูงกว่าเมื่อเทียบกับโฆษณามูลค่า 1 หมื่นดอลลาร์สหรัฐ แคมเปญ หากอย่างอื่นทั้งหมดเท่าเทียมกัน

สิ่งที่จะต้องพิจารณามีดังนี้

  • ประเมิน Conversion ที่มีการระบุแหล่งที่มาโดยเทียบกับอุปกรณ์เดียวกันด้วยการแตะเพียงครั้งเดียว รูปแบบการระบุแหล่งที่มา เนื่องจากอยู่ในขอบเขตของรายงานสรุป ที่รวบรวมด้วย Attribution Reporting API
  • พิจารณาทั้งจำนวนกรณีที่เลวร้ายที่สุดและสถานการณ์ที่ดีที่สุด สำหรับ Conversion ที่มีการระบุแหล่งที่มา ตัวอย่างเช่น หากปัจจัยอื่นทั้งหมดเหมือนกัน ให้พิจารณา งบประมาณขั้นต่ำและสูงสุดที่เป็นไปได้สำหรับผู้ลงโฆษณา Conversion ที่ระบุแหล่งที่มาได้ของทั้ง 2 ผลลัพธ์เป็นอินพุตของโปรเจ็กต์ การจำลอง
  • หากคุณกำลังคิดจะใช้ Privacy Sandbox ของ Android, ให้พิจารณาใช้ Conversion ที่มีการระบุแหล่งที่มาข้ามแพลตฟอร์มในการคำนวณ

การตัดสินใจ: การใช้การปรับขนาด

ลองใช้งานใน Noise Lab

  1. ไปที่โหมดขั้นสูง
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์การรวบรวมข้อมูลของคุณ > การปรับขนาด โดยจะตั้งค่าเป็น "ใช่" โดยค่าเริ่มต้น
  3. เพื่อให้เข้าใจถึงผลดีของการปรับขนาดต่อเสียงรบกวน ขั้นแรกให้ตั้งค่าการปรับขนาดเป็นไม่
  4. คลิก "จำลอง"
  5. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
  6. ตั้งค่าการปรับขนาดเป็น "ใช่" โปรดทราบว่า Noise Lab คำนวณโดยอัตโนมัติ ค่าตัวคูณมาตราส่วนที่จะใช้ระบุช่วง (ค่าเฉลี่ยและค่าสูงสุด) คือ เป้าหมายการวัดผลสำหรับสถานการณ์ของคุณ ในระบบจริงหรือช่วงทดลองใช้จากต้นทาง คุณต้องนำการคำนวณปัจจัยในการกำหนดมาตราส่วนมาใช้เอง
  7. คลิก "จำลอง"
  8. สังเกตว่าอัตราส่วนสัญญาณรบกวนลดลง (ดีขึ้น) ในวินาทีนี้ การจำลอง เนื่องจากคุณกำลังใช้การปรับขนาด

ตามหลักการสำคัญในการออกแบบ สัญญาณรบกวนที่เพิ่มเข้ามาคือ ฟังก์ชันของงบประมาณการสนับสนุน

ดังนั้น หากต้องการเพิ่มอัตราส่วนของสัญญาณต่อสัญญาณรบกวน คุณสามารถตัดสินใจเปลี่ยนรูปแบบ มูลค่าที่รวบรวมระหว่างเหตุการณ์ Conversion โดยการปรับขนาดค่าให้สอดคล้องกับ งบประมาณสนับสนุน (และลดการปรับขนาดหลังการรวม) ใช้การปรับขนาดเพื่อเพิ่มอัตราส่วนของสัญญาณต่อสัญญาณรบกวน

ตัดสินใจ: จํานวนเป้าหมายการวัดผลและการแบ่งงบประมาณความเป็นส่วนตัว

สิ่งนี้เกี่ยวข้องกับการปรับขนาด โปรดอ่านการใช้ การปรับขนาด

ลองใช้งานใน Noise Lab

เป้าหมายการวัดคือจุดข้อมูลที่ไม่ซ้ำกันซึ่งรวบรวมในเหตุการณ์ Conversion

  1. ไปที่โหมดขั้นสูง
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหาข้อมูลที่ต้องการติดตาม ดังนี้ เป้าหมายการวัดผล โดยค่าเริ่มต้น คุณมีเป้าหมายการวัดผล 2 อย่าง ได้แก่ การซื้อ มูลค่า และจํานวนการซื้อ
  3. คลิก "จำลอง" เพื่อเรียกใช้การจำลองที่มีเป้าหมายเริ่มต้น
  4. คลิก "นำออก" การดำเนินการนี้จะนำเป้าหมายการวัดสุดท้าย (การซื้อ ในกรณีดังกล่าว)
  5. คลิก "จำลอง"
  6. สังเกตว่าตอนนี้อัตราส่วนสัญญาณรบกวนสำหรับมูลค่าการซื้อลดลง (ดีกว่า) สำหรับการจำลองครั้งที่ 2 นี้ เนื่องจากคุณมี เป้าหมายการวัด ดังนั้นตอนนี้เป้าหมายการวัด 1 ข้อของคุณจะได้รับ งบประมาณการสนับสนุน
  7. คลิก "รีเซ็ต" ตอนนี้คุณมีเป้าหมายในการวัดผลอีกครั้ง 2 อย่าง ได้แก่ การซื้อ มูลค่า และจํานวนการซื้อ โปรดทราบว่า Noise Lab จะคำนวณค่า ค่าตัวคูณมาตราส่วนที่จะใช้เมื่อพิจารณาจากช่วง (ค่าเฉลี่ยและค่าสูงสุด) ของฟิลด์ เป้าหมายในการวัดผลของสถานการณ์ โดยค่าเริ่มต้น Noise Lab จะแยก ในเป้าหมายการวัดผลแต่ละครั้งเท่าๆ กัน
  8. คลิก "จำลอง"
  9. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้ จดบันทึก ค่าตัวคูณมาตราส่วนที่แสดงในการจำลอง
  10. ทีนี้เรามาปรับแต่งการแบ่งงบประมาณความเป็นส่วนตัวกันเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น อัตราส่วนสัญญาณต่อสัญญาณรบกวน
  11. ปรับ % งบประมาณที่กำหนดสำหรับเป้าหมายการวัดผลแต่ละรายการ ตามค่าเริ่มต้น เป้าหมายการวัด 1 เช่น มูลค่าการซื้อ มีช่วงที่กว้างขึ้น (ระหว่าง 0 ถึง 1000) มากกว่าเป้าหมายการวัดผลที่ 2 ซึ่งได้แก่ จำนวนการซื้อ (ระหว่าง 1 ถึง 1 นั่นคือ เท่ากับ 1 เสมอ) เนื่องจาก สิ่งนี้ต้องการ "พื้นที่มากขึ้นในการปรับขนาด": ขอแนะนำให้กำหนด งบประมาณสนับสนุนให้กับเป้าหมายการวัด 1 มากกว่าเป้าหมายการวัด 2 เพื่อให้ สามารถปรับขนาดได้อย่างมีประสิทธิภาพมากขึ้น (ดูการปรับขนาด) และด้วยเหตุนี้
  12. กำหนดงบประมาณ 70% ให้กับเป้าหมายการวัดผล 1 กำหนด 30% ให้กับการวัด เป้าหมายที่ 2
  13. คลิก "จำลอง"
  14. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้ สำหรับการซื้อ ตอนนี้อัตราส่วนสัญญาณรบกวนต่ำลงอย่างเห็นได้ชัด (ดีกว่า) ค่าก่อนหน้านี้ การจำลอง สำหรับยอดรวมการซื้อ จะไม่มีการเปลี่ยนแปลงคร่าวๆ
  15. คอยปรับการแบ่งงบประมาณตามเมตริกต่างๆ อยู่เสมอ สังเกตผลกระทบที่เกิดขึ้น เสียงรบกวน

โปรดทราบว่าคุณตั้งเป้าหมายการวัดผลที่กำหนดเองได้โดยใช้ ปุ่มเพิ่ม/นำออก/รีเซ็ต


ในกรณีที่คุณวัดจุดข้อมูล 1 จุด (เป้าหมายการวัดผล) ในเหตุการณ์ Conversion เช่น Conversion, จุดข้อมูลนั้นจะได้รับงบประมาณการสนับสนุนทั้งหมด (65536) หากคุณตั้งเป้าหมายการวัดหลายรายการในเหตุการณ์ Conversion 1 เหตุการณ์ เช่น จำนวน Conversion และมูลค่าการซื้อ จุดข้อมูลเหล่านั้นจะต้อง แชร์งบประมาณการสนับสนุน ซึ่งหมายความว่าคุณมีงบประมาณเพิ่มขึ้นน้อยลง

ดังนั้น ยิ่งคุณมีเป้าหมายในการวัดมากเท่าใด อัตราส่วนสัญญาณต่อสัญญาณรบกวนก็จะยิ่งต่ำเท่านั้น มีแนวโน้มที่จะเป็น (เสียงรบกวนสูงกว่า)

อีกการตัดสินใจหนึ่งเกี่ยวกับเป้าหมายการวัดผลคือการแบ่งงบประมาณ หากคุณแบ่งงบประมาณการมีส่วนร่วมใน 2 จุดข้อมูลเท่าๆ กัน จุดข้อมูลแต่ละจุดจะได้รับ งบประมาณ 65536/2 = 32768 วิธีนี้อาจมีประสิทธิภาพสูงสุดหรือไม่เหมาะสม ขึ้นอยู่กับ ค่าสูงสุดที่เป็นไปได้สำหรับจุดข้อมูลแต่ละจุด เช่น หากคุณกำลังวัด จำนวนการซื้อที่มีมูลค่าสูงสุดเป็น 1 และมูลค่าการซื้อที่มี อย่างน้อย 1 และไม่เกิน 120 มูลค่าการซื้อจะได้รับประโยชน์จาก "พื้นที่มากขึ้น" เพื่อขยายขนาดขึ้น ซึ่งก็คือการได้รับส่วนแบ่งการตลาดในสัดส่วนที่มากขึ้น งบประมาณการสนับสนุน คุณจะเห็นว่าเป้าหมายการวัดผลบางรายการควรมีลำดับความสำคัญสูงกว่า อื่นๆ เกี่ยวกับผลกระทบจากเสียงรบกวน

การตัดสินใจ: การจัดการ Outlier

ลองใช้งานใน Noise Lab

เป้าหมายการวัดคือจุดข้อมูลที่ไม่ซ้ำกันซึ่งรวบรวมในเหตุการณ์ Conversion

  1. ไปที่โหมดขั้นสูง
  2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์การรวบรวมข้อมูลของคุณ > การปรับขนาด
  3. ตรวจสอบว่าได้ตั้งค่าการปรับขนาดเป็น "ใช่" โปรดทราบว่า Noise Lab คำนวณค่าตัวคูณมาตราส่วนที่จะใช้โดยอัตโนมัติ โดยอิงจาก (ค่าเฉลี่ยและค่าสูงสุด) ที่คุณได้กำหนดไว้สำหรับเป้าหมายการวัดผล
  4. สมมติว่ายอดซื้อสูงสุดที่เคยเกิดขึ้นคือ $2000 แต่ การซื้อส่วนใหญ่เกิดขึ้นในช่วง 300-3,600 บาท ก่อนอื่น มาดูว่าเกิดอะไรขึ้น หากเราใช้วิธีการปรับขนาดแบบลิเทอรัล (ไม่แนะนำ): ให้ป้อน $2000 เป็น มูลค่าสูงสุดสำหรับ purchaseValue
  5. คลิก "จำลอง"
  6. สังเกตว่าอัตราส่วนของเสียงรบกวนอยู่ในระดับสูง นั่นเป็นเพราะการปรับขนาดของเรา ค่าปัจจัยปัจจุบันคำนวณจาก 60, 000 บาท ในความเป็นจริงส่วนใหญ่ มูลค่าการซื้อจะต่ำกว่านั้นอย่างเห็นได้ชัด
  7. ตอนนี้เราจะใช้วิธีการปรับขนาดที่สมเหตุสมผลมากขึ้น เปลี่ยนขีดจำกัดราคาเสนอ มูลค่าการซื้อเป็น 3,600 บาท
  8. คลิก "จำลอง"
  9. สังเกตว่าอัตราส่วนสัญญาณรบกวนต่ำลง (ดีกว่า) ในการจำลองครั้งที่ 2 นี้

ในการใช้การปรับขนาด คุณมักจะคำนวณค่าตัวคูณมาตราส่วนตาม มูลค่าสูงสุดที่เป็นไปได้สําหรับเหตุการณ์ Conversion หนึ่งๆ (ดูข้อมูลเพิ่มเติมในตัวอย่างนี้)

อย่างไรก็ตาม ให้หลีกเลี่ยงการใช้ค่าสูงสุดที่แท้จริงในการคำนวณค่าตัวคูณมาตราส่วนนั้น เพราะจะทำให้อัตราส่วนสัญญาณต่อสัญญาณรบกวนแย่ลง ให้นําค่าผิดปกติออกแทนและ ใช้ค่าสูงสุดในทางปฏิบัติ

การจัดการ Outlier เป็น หัวข้อที่ซับซ้อน อาจมีเทคนิคที่ละเอียดซับซ้อนต่อไปนี้ พิจารณาเพื่อปรับปรุงอัตราส่วนของสัญญาณต่อสัญญาณรบกวน มีคำอธิบายอยู่ใน การจัดการ Outlier ขั้นสูง

ขั้นตอนถัดไป

เมื่อคุณได้ประเมินกลยุทธ์การจัดการเสียงรบกวนต่างๆ สำหรับกรณีการใช้งานแล้ว คุณก็พร้อมที่จะเริ่มต้นการทดสอบกับรายงานสรุป โดยการรวบรวม ข้อมูลการวัดผลผ่านช่วงทดลองใช้จากต้นทาง ดูคำแนะนำและเคล็ดลับในการลองใช้ API

ภาคผนวก

ทัวร์ชมสั้นๆ ของ Noise Lab

Noise Lab ช่วยให้คุณ ประเมินและเปรียบเทียบกลยุทธ์การจัดการเสียงรบกวน ใช้เพื่อ

  • ทำความเข้าใจพารามิเตอร์หลักที่อาจส่งผลกระทบต่อสัญญาณรบกวน และ ผลกระทบต่างๆ ที่คุณสามารถทำได้
  • จำลองผลกระทบของสัญญาณรบกวนที่มีต่อข้อมูลการวัดเอาต์พุตที่กำหนด ด้านการออกแบบที่แตกต่างกัน ปรับแต่งพารามิเตอร์การออกแบบจนกว่าจะได้ อัตราส่วนสัญญาณต่อสัญญาณรบกวนที่เหมาะกับกรณีการใช้งานของคุณ
  • แชร์ความคิดเห็นของคุณเกี่ยวกับประโยชน์ของรายงานสรุป ค่าของพารามิเตอร์ epsilon และ Noise มีประโยชน์ไหม อยู่ที่ไหน จุดเปลี่ยนผันได้คืออะไร

ให้คิดว่าสิ่งนี้เป็นเหมือนขั้นตอนการเตรียมตัว ห้องทดลอง Noise จะสร้างข้อมูลการวัดเพื่อจำลองผลลัพธ์ของรายงานสรุป โดยอิงจาก อินพุต โดยข้อมูลดังกล่าวจะไม่คงอยู่หรือแชร์ข้อมูลใดๆ

Noise Lab มี 2 โหมด ได้แก่

  1. โหมดง่าย: ทำความเข้าใจพื้นฐานของการควบคุมที่มี กับเสียงรบกวน
  2. โหมดขั้นสูง: ทดสอบกลยุทธ์การจัดการเสียงรบกวนแบบต่างๆ และประเมิน ว่าแบบไหนให้อัตราส่วนสัญญาณต่อสัญญาณรบกวนที่เหมาะกับกรณีการใช้งานของคุณที่สุด

คลิกปุ่มในเมนูด้านบนเพื่อสลับระหว่างปุ่ม (#1 ในภาพหน้าจอด้านล่าง)

โหมดง่าย
  • เมื่อใช้โหมดแบบง่าย คุณจะสามารถควบคุมพารามิเตอร์ (แสดงอยู่ทางด้านซ้าย หรือ #2 ในภาพหน้าจอด้านล่าง) เช่น Epsilon และดูว่าสิ่งเหล่านี้ส่งผลกระทบต่อเสียงรบกวนอย่างไร
  • แต่ละพารามิเตอร์จะมีเคล็ดลับเครื่องมือ (ปุ่ม "?") คลิกปุ่มเหล่านี้เพื่อดู คำอธิบายของพารามิเตอร์แต่ละรายการ (#3 ในภาพหน้าจอด้านล่าง)
  • เริ่มต้นด้วยการคลิกปุ่ม "จำลอง" แล้วดูว่าเอาต์พุตเป็นอย่างไร เช่น (#4 ในภาพหน้าจอด้านล่าง)
  • ในส่วนเอาต์พุต คุณสามารถดูรายละเอียดได้มากมาย ใช้บ้าง องค์ประกอบมีเครื่องหมาย "?" อยู่ข้างๆ คลิกที่แต่ละ "?" เพื่อดู คำอธิบายข้อมูลส่วนต่างๆ
  • ในส่วน "เอาต์พุต" ให้คลิกปุ่มสลับ "รายละเอียด" หากคุณต้องการดูตารางในเวอร์ชันขยาย (#5. ในภาพหน้าจอด้านล่าง)
  • ด้านล่างตารางข้อมูลแต่ละตารางในส่วนเอาต์พุตจะมีตัวเลือก เพื่อดาวน์โหลดตารางไว้ใช้งานแบบออฟไลน์ นอกจากนี้ในส่วนด้านล่าง มุมขวา จะมีตัวเลือกให้ดาวน์โหลดตารางข้อมูลทั้งหมด (#6. ใน ภาพหน้าจอด้านล่าง)
  • ทดสอบการตั้งค่าต่างๆ สำหรับพารามิเตอร์ในส่วนพารามิเตอร์ แล้วคลิก จำลอง เพื่อดูว่าส่งผลต่อผลลัพธ์อย่างไร ดังนี้
    วันที่ เสียงรบกวน
    อินเทอร์เฟซ Noise Lab สำหรับโหมดแบบง่าย
โหมดขั้นสูง
  • ในโหมดขั้นสูง คุณจะควบคุมพารามิเตอร์ได้มากขึ้น คุณ สามารถเพิ่มเป้าหมายการวัดผลและมิติข้อมูลที่กำหนดเอง (ข้อ 1 และ 2 ในภาพหน้าจอ ด้านล่าง)
  • เลื่อนลงไปอีกในส่วน "พารามิเตอร์" และดูคีย์ ตัวเลือกกลยุทธ์ ใช้เพื่อทดสอบโครงสร้างหลักต่างๆ ได้ (#3. ในภาพหน้าจอด้านล่าง)
    • หากต้องการทดสอบโครงสร้างคีย์ที่แตกต่างกัน ให้เปลี่ยนกลยุทธ์หลักเป็น "B"
    • ป้อนจำนวนโครงสร้างคีย์ต่างๆ ที่ต้องการใช้ (ค่าเริ่มต้นคือ "2")
    • คลิกสร้างโครงสร้างหลัก
    • คุณจะเห็นตัวเลือกเพื่อระบุโครงสร้างหลักโดยคลิก ช่องทำเครื่องหมายถัดจากคีย์ที่คุณต้องการรวมไว้ในโครงสร้างคีย์แต่ละแบบ
    • คลิก จำลอง เพื่อดูผลลัพธ์
      วันที่ โหมดขั้นสูงมีการควบคุมเป้าหมายการวัดผลและมิติข้อมูลเพื่อติดตาม โดยไฮไลต์ในแถบด้านข้าง
      อินเทอร์เฟซ Noise Lab สำหรับโหมดขั้นสูง
      นอกจากนี้ โหมดขั้นสูงยังเป็นตัวเลือกกลยุทธ์หลักในส่วนพารามิเตอร์ของแถบด้านข้างด้วย
      อินเทอร์เฟซ Noise Lab สำหรับโหมดขั้นสูง

เมตริกเสียงรบกวน

แนวคิดหลัก

มีการเพิ่มเสียงรบกวนเพื่อปกป้องความเป็นส่วนตัวของผู้ใช้แต่ละราย

ค่าสัญญาณรบกวนที่สูงบ่งชี้ว่าที่เก็บข้อมูล/คีย์มีปริมาณน้อยและ มีการสนับสนุนจากเหตุการณ์ที่มีความละเอียดอ่อนเพียงไม่กี่เหตุการณ์ เสร็จแล้ว กับ Noise Lab โดยอัตโนมัติ เพื่อให้ผู้เข้าร่วม "ซ่อนตัวในฝูงชน" ได้ หรือใน หรือกล่าวอีกนัยหนึ่งคือ ปกป้องบุคคลที่ถูกจำกัดเหล่านี้ ความเป็นส่วนตัวที่มากขึ้น ของสัญญาณรบกวนที่เพิ่มเข้ามา

ค่าสัญญาณรบกวนต่ำบ่งบอกว่าการตั้งค่าข้อมูลได้รับการออกแบบมาในลักษณะดังกล่าว วิธีการที่อนุญาตให้บุคคล "ซ่อนตัวในฝูงชน" อยู่แล้ว ซึ่งหมายความว่า ที่เก็บข้อมูลจะมีการมีส่วนร่วมจากเหตุการณ์ในจำนวนที่เพียงพอเพื่อดูแลให้ ความเป็นส่วนตัวของผู้ใช้แต่ละรายจะได้รับการปกป้อง

ข้อความนี้เป็นจริงสำหรับทั้งเปอร์เซ็นต์ข้อผิดพลาดเฉลี่ย (APE) และ RMSRE_T (ข้อผิดพลาดสัมพัทธ์ "ราก-ค่าเฉลี่ย-กำลังสอง" ที่มีเกณฑ์)

APE (ข้อผิดพลาดเปอร์เซ็นต์เฉลี่ย)

APE คืออัตราส่วนของสัญญาณรบกวนต่อสัญญาณ ซึ่งก็คือค่าสรุปที่แท้จริงp> ค่า APE ที่ต่ำหมายถึงอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีกว่า

สูตร

สำหรับรายงานสรุปที่กำหนด APE คำนวณได้ดังนี้

วันที่
สมการของ APE ต้องระบุค่าสัมบูรณ์ เนื่องจากเสียงรบกวนอาจเป็นลบได้

True คือค่าสรุปที่เป็นจริง APE คือค่าเฉลี่ยของสัญญาณรบกวนใน ค่าสรุปที่แท้จริง ซึ่งเป็นค่าเฉลี่ยจากรายการทั้งหมดในรายงานสรุป ใน Noise Lab ให้นำไปคูณ 100 เพื่อหาเปอร์เซ็นต์

ข้อดีและข้อเสีย

ที่เก็บข้อมูลที่มีขนาดเล็กจะมีผลกระทบกับค่า APE ในสัดส่วนที่ไม่เหมาะสม ซึ่งอาจทําให้เข้าใจผิดเมื่อประเมินเสียงรบกวน นี่คือเหตุผลที่เราได้เพิ่มเมตริกอื่นคือ RMSRE_T ที่ออกแบบมาเพื่อลดข้อจำกัดของ APE นี้ ดูรายละเอียดในตัวอย่าง

รหัส

ตรวจสอบซอร์สโค้ด สำหรับการคำนวณ APE

RMSRE_T (ข้อผิดพลาดแบบสัมพัทธ์ "รากกลาง-กำลังสอง" ที่มีเกณฑ์)

RMSRE_T (ข้อผิดพลาดเชิงสัมพัทธ์ของค่าเฉลี่ยรากกำลังสองโดยมีเกณฑ์) เป็นอีกหนึ่งการวัดค่าสัญญาณรบกวน

วิธีตีความ RMSRE_T

ค่า RMSRE_T ที่ต่ำกว่าหมายถึงอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีกว่า
ตัวอย่างเช่น หากอัตราส่วนสัญญาณรบกวนที่ยอมรับได้สำหรับกรณีการใช้งานของคุณคือ 20% และ RMSRE_T เป็น 0.2 คุณสามารถมั่นใจได้ว่าระดับสัญญาณรบกวนอยู่ในช่วงที่ยอมรับได้

สูตร

สำหรับรายงานสรุปที่กำหนด RMSRE_T มีการคำนวณดังนี้:

วันที่ สูตร
สมการของ RMSRE_T ต้องระบุค่าสัมบูรณ์ เนื่องจากเสียงรบกวนอาจเป็นลบได้
ข้อดีและข้อเสีย

RMSRE_T มีความซับซ้อนในการทำความเข้าใจมากกว่า APE เล็กน้อย อย่างไรก็ตาม การวิเคราะห์เสียงรบกวนในรายงานสรุปมีข้อได้เปรียบบางประการในบางกรณี ดังนี้

  • RMSRE_T มีความเสถียรมากกว่า "ท" เป็นเกณฑ์ "ท" ใช้เพื่อให้น้ำหนักที่น้อยลงในการคำนวณ RMSRE_T สำหรับที่เก็บข้อมูลที่มี Conversion น้อยกว่า ดังนั้นจึงมีความไวต่อสัญญาณรบกวนมากกว่าเนื่องจากมีขนาดเล็ก เมื่อใช้ T เมตริกจะไม่พุ่งสูงขึ้นในที่เก็บข้อมูลที่มี Conversion น้อย หาก T เท่ากับ 5 ระบบจะไม่แสดงค่าสัญญาณรบกวนที่เล็กเท่ากับ 1 ในที่เก็บข้อมูลที่มี Conversion เป็น 0 ว่ามากกว่า 1 แต่จะจำกัดที่ 0.2 ซึ่งเทียบเท่ากับ 1/5 เนื่องจาก T เท่ากับ 5 การให้น้ำหนักกับที่เก็บข้อมูลขนาดเล็กน้อยลงซึ่งไวต่อสัญญาณรบกวนมากกว่า จะทำให้เมตริกนี้คงที่มากขึ้น และทำให้สามารถเปรียบเทียบการจำลองสองชุดได้ง่ายขึ้น
  • RMSRE_T ช่วยให้รวบรวมข้อมูลได้ง่าย การทราบ RMSRE_T ของที่เก็บข้อมูลหลายชุดรวมกับจำนวนที่แท้จริงของที่เก็บข้อมูลทั้งสองจะช่วยให้คุณคำนวณ RMSRE_T ของผลรวมของที่เก็บข้อมูลได้ ซึ่งช่วยให้คุณสามารถเพิ่มประสิทธิภาพสำหรับ RMSRE_T สำหรับค่ารวมเหล่านี้

แม้ว่า APE นั้นจะมีการรวมข้อมูลได้ แต่สูตรก็ค่อนข้างซับซ้อนเนื่องจากมีค่าสัมบูรณ์ของผลรวมของเสียงลาปลาซ ซึ่งทำให้เพิ่มประสิทธิภาพ APE ได้ยากขึ้น

รหัส

ตรวจสอบซอร์สโค้ดสำหรับการคำนวณ RMSRE_T

ตัวอย่าง

รายงานสรุปที่มีที่เก็บข้อมูล 3 ส่วน ได้แก่

  • ที่เก็บข้อมูล_1 = สัญญาณรบกวน: 10, trueSummaryValue: 100
  • ที่เก็บข้อมูล_2 = สัญญาณรบกวน: 20, trueSummaryValue: 100
  • ที่เก็บข้อมูล_3 = สัญญาณรบกวน: 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 

รายงานสรุปที่มีที่เก็บข้อมูล 3 ส่วน ได้แก่

  • ที่เก็บข้อมูล_1 = สัญญาณรบกวน: 10, trueSummaryValue: 100
  • ที่เก็บข้อมูล_2 = สัญญาณรบกวน: 20, trueSummaryValue: 100
  • ที่เก็บข้อมูล_3 = สัญญาณรบกวน: 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

รายงานสรุปที่มีที่เก็บข้อมูล 3 ส่วน ได้แก่

  • ที่เก็บข้อมูล_1 = สัญญาณรบกวน: 10, trueSummaryValue: 100
  • ที่เก็บข้อมูล_2 = สัญญาณรบกวน: 20, trueSummaryValue: 100
  • ที่เก็บข้อมูล_3 = สัญญาณรบกวน: 20, trueSummaryValue: 0

APE = (0.1 + 0.2 + อนันต์) / 3 = อนันต์

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

การจัดการคีย์ขั้นสูง

DSP หรือบริษัทวัดผลโฆษณาอาจมีการโฆษณาระดับโลกหลายพันรายการ ลูกค้าจากหลายอุตสาหกรรม สกุลเงิน และราคาซื้อ ที่เป็นไปได้ ซึ่งหมายความว่าการสร้างและจัดการคีย์การรวม 1 คีย์ต่อ มีแนวโน้มมากที่สุด ที่จะในทางปฏิบัติไม่ได้ นอกจากนี้ ยัง ความท้าทายในการเลือกมูลค่ารวมสูงสุดและงบประมาณการรวบยอดที่สามารถ จำกัดผลกระทบของข้อมูลรบกวนต่อผู้ลงโฆษณาทั่วโลกหลายพันราย แต่ โปรดพิจารณาสถานการณ์ต่อไปนี้

กลยุทธ์หลัก ก

ผู้ให้บริการเทคโนโลยีโฆษณาตัดสินใจสร้างและจัดการคีย์เดียวในทุกคีย์ ลูกค้าที่ลงโฆษณา สำหรับผู้ลงโฆษณาทั้งหมดและสกุลเงินทั้งหมด ช่วงของ การซื้ออาจแตกต่างกันไปตั้งแต่ปริมาณน้อย การซื้อระดับไฮเอนด์ ไปจนถึงปริมาณสูง ระดับต่ำ การซื้อ ซึ่งจะส่งผลให้เกิดคีย์ต่อไปนี้

คีย์ (หลายสกุลเงิน)
ค่าสูงสุดที่รวบรวมได้ 5,000,000 คน
ช่วงมูลค่าการซื้อ [120-500,000]
กลยุทธ์หลัก ข

ผู้ให้บริการเทคโนโลยีโฆษณาตัดสินใจสร้างและจัดการคีย์ 2 คีย์ในคีย์ทั้งหมด ลูกค้าที่ลงโฆษณา พวกเขาตัดสินใจที่จะแยกคีย์ตามสกุลเงิน ทั้งหมด ผู้ลงโฆษณาและสกุลเงินทั้งหมด จำนวนการซื้อจะแตกต่างกันไปตามปริมาณการซื้อน้อย จากการซื้อระดับสูงไปจนถึงการซื้อในปริมาณต่ำ แยกตามสกุลเงิน พวกเขาสร้างคีย์ 2 อัน ได้แก่

คีย์ 1 (USD) คีย์ 2 (¥)
ค่าสูงสุดที่รวบรวมได้ 1,200,000 บาท ¥5,000,000
ช่วงมูลค่าการซื้อ [120-40,000 คน] [15,000-5,000,000 คน]

กลยุทธ์คีย์ B จะมีสัญญาณรบกวนน้อยกว่ากลยุทธ์คีย์ A เนื่องจาก ค่าสกุลเงินจะกระจายไปยังสกุลเงินต่างๆ อย่างเท่าเทียมกัน ตัวอย่างเช่น พิจารณาว่าการซื้อที่ใช้สกุลเงิน ¥ ใช้ร่วมกับการซื้อในสกุลเงิน ¥ ได้อย่างไร USD จะปรับเปลี่ยนข้อมูลพื้นฐานและผลลัพธ์ที่มีเสียงดัง

กลยุทธ์หลัก ค

ผู้ให้บริการเทคโนโลยีโฆษณาตัดสินใจสร้างและจัดการคีย์ 4 รายการในทุก ลูกค้าโฆษณาของตน และแยกตามสกุลเงิน x ผู้ลงโฆษณา อุตสาหกรรม:

คีย์ 1
(USD x ผู้ลงโฆษณาเครื่องประดับระดับไฮเอนด์)
คีย์ 2
(¥ x ผู้ลงโฆษณาเครื่องประดับระดับไฮเอนด์)
คีย์ 3
(USD x ผู้ลงโฆษณาผู้ค้าปลีกเสื้อผ้า)
คีย์ 4
(¥ x ผู้ลงโฆษณาร้านค้าปลีกเสื้อผ้า)
ค่าสูงสุดที่รวบรวมได้ 1,200,000 บาท ¥5,000,000 $500 ¥65,000
ช่วงมูลค่าการซื้อ [10,000-40,000 คน] [1,250,000 - 5,000,000] [120 - 500] [15,000 - 65,000]

กลยุทธ์คีย์ C จะมีสัญญาณรบกวนน้อยกว่ากลยุทธ์คีย์ B เนื่องจาก มูลค่าการซื้อของผู้ลงโฆษณาจะกระจายให้กับผู้ลงโฆษณาต่างๆ อย่างเท่าเทียมกัน สำหรับ ตัวอย่างเช่น ลองพิจารณาว่าการซื้อเครื่องประดับระดับไฮเอนด์รวมเข้ากับการซื้ออย่างไร สำหรับหมวกเบสบอลจะปรับเปลี่ยนข้อมูลพื้นฐานและทำให้เกิดเสียงดัง

พิจารณาสร้างมูลค่ารวมสูงสุดและปัจจัยการปรับขนาดที่แชร์ร่วมกัน เพื่อความเท่าเทียมกันในผู้ลงโฆษณาหลายราย เพื่อลดเสียงรบกวนใน เอาต์พุต ตัวอย่างเช่น คุณอาจทดลองใช้กลยุทธ์ต่างๆ ด้านล่างนี้สำหรับ ผู้ลงโฆษณาของคุณ:

  • กลยุทธ์หนึ่งซึ่งแยกตามสกุลเงิน (USD, ¥, CAD ฯลฯ)
  • กลยุทธ์หนึ่งแยกตามอุตสาหกรรมของผู้ลงโฆษณา (ประกันภัย ยานยนต์ ค้าปลีก ฯลฯ)
  • 1 กลยุทธ์ที่คั่นด้วยช่วงมูลค่าการซื้อที่คล้ายกัน ([100], [1000], [10000] ฯลฯ)

ด้วยการสร้างกลยุทธ์สำคัญๆ เกี่ยวกับคุณสมบัติทั่วไปของผู้ลงโฆษณา หลักสำคัญ และ โค้ดที่เกี่ยวข้องจะจัดการได้ง่ายกว่า และอัตราส่วนสัญญาณต่อสัญญาณรบกวนจะกลายเป็น สูงขึ้น ทดลองใช้กลยุทธ์ต่างๆ กับผู้ลงโฆษณารายอื่น ที่พบได้ทั่วไปในการค้นพบจุดเปลี่ยนผันในการเพิ่มผลกระทบจากเสียงรบกวนให้สูงสุดเมื่อเทียบกับโค้ด การจัดการ


การจัดการ Outlier ขั้นสูง

ลองพิจารณาสถานการณ์สำหรับผู้ลงโฆษณา 2 ราย:

  • ผู้ลงโฆษณา A:
    • ราคาซื้อสำหรับทุกผลิตภัณฑ์บนเว็บไซต์ของผู้ลงโฆษณา A ที่เป็นไปได้ตั้งแต่ [$120 - $1,000] ในช่วง $880
    • ราคาซื้อจะกระจายอย่างเท่าเทียมกันในช่วง $880 ไม่มีค่าผิดปกติเกินค่าเบี่ยงเบนมาตรฐาน 2 ค่าจากค่ามัธยฐานของราคาซื้อ
  • ผู้ลงโฆษณา B:
    • ราคาซื้อสำหรับทุกผลิตภัณฑ์บนไซต์ของผู้ลงโฆษณา B ที่เป็นไปได้ตั้งแต่ [$120 - $1,000] ในช่วง $880
    • ราคาซื้อผันผวนอย่างมากระหว่าง 3,600-15,000 บาท โดยมีเพียง 5% ของการซื้อที่เกิดขึ้นในช่วง $500 - $1,000

เนื่องจาก ข้อกำหนดงบประมาณการสนับสนุน และวิธีการที่มีการใช้สัญญาณรบกวนกับผลลัพธ์สุดท้าย ผู้ลงโฆษณา ข จะมีเอาต์พุตที่มีสัญญาณสูงกว่าโดยค่าเริ่มต้น ผู้ลงโฆษณา A เนื่องจากผู้ลงโฆษณา B มีโอกาสสูงกว่าที่ค่าผิดปกติที่จะได้รับผลกระทบ การคำนวณที่สำคัญ

คุณอาจลดปัญหานี้ได้ด้วยการตั้งค่าคีย์เฉพาะ ทดสอบกลยุทธ์สำคัญ ที่ช่วยจัดการข้อมูล Outlier และกระจายมูลค่าการซื้อให้เท่าเทียมกัน ในช่วงการซื้อของคีย์

สำหรับผู้ลงโฆษณา ข คุณสามารถสร้างคีย์ 2 คีย์แยกกันเพื่อบันทึกคีย์ 2 คีย์ ช่วงมูลค่าการซื้อ ในตัวอย่างนี้ เทคโนโลยีโฆษณาได้บันทึกว่าค่าผิดปกติ จะแสดงให้สูงกว่ามูลค่าการซื้อ 15,000 บาท ลองใช้คีย์ 2 อันแยกกันสำหรับ ผู้ลงโฆษณารายนี้:

  • โครงสร้างหลัก 1 : คีย์ที่บันทึกเฉพาะการซื้อระหว่าง อยู่ในช่วง 3,600-15,000 บาท (ครอบคลุมประมาณ 95% ของปริมาณการซื้อทั้งหมด)
  • โครงสร้างหลัก 2: คีย์ที่บันทึกไว้เฉพาะการซื้อที่มากกว่า 15,000 บาทเท่านั้น (ครอบคลุมประมาณ 5% ของปริมาณการซื้อทั้งหมด)

การใช้กลยุทธ์ที่สำคัญนี้ควรจะช่วยจัดการสิ่งที่รบกวนผู้ลงโฆษณา B และ เพื่อช่วยเพิ่มประโยชน์ให้ได้สูงสุดจากรายงานสรุป เนื่องจากไฟล์ใหม่ที่มีขนาดเล็กกว่า คีย์ A และคีย์ B ควรมีการกระจายข้อมูลแบบเดียวกันมากขึ้น ในแต่ละคีย์ที่เกี่ยวข้อง สำหรับคีย์เดี่ยวก่อนหน้า ซึ่งจะส่งผล มีผลกระทบต่อสัญญาณรบกวนน้อยลงในเอาต์พุตของแต่ละคีย์ เมื่อเทียบกับคีย์เดียวก่อนหน้านี้