Ta strona została przetłumaczona przez Cloud Translation API.

Noiselab

Informacje o tym dokumencie

Czytając ten artykuł:

Dowiedz się, jakie strategie warto utworzyć przed wygenerowaniem raportów podsumowujących.
Zapoznaj się z narzędziem Noise Lab, które pomaga wychwytywać wpływ różnych parametrów szumu oraz umożliwia szybką analizę i ocenę różnych strategii zarządzania szumem.

Zrzut ekranu aplikacji Noise Lab — Noise Lab

Prześlij opinię

Podsumowujemy w nim kilka zasad pracy z raportami podsumowującymi. Istnieje jednak wiele metod zarządzania szumem, które mogą nie być tu uwzględnione. Czekamy na sugestie, nowe elementy i pytania.

Aby przesłać publiczną opinię na temat strategii zarządzania szumem oraz wykorzystania i prywatności interfejsu API (epsilon) oraz podzielić się swoimi obserwacjami podczas symulacji w Noise Lab: Skomentuj ten problem
Aby przesłać publiczną opinię na temat Noise Lab (zadaj pytanie, zgłoś błąd, poproś o funkcję): Utwórz nowy problem
Aby przesłać publiczną opinię na temat innego aspektu interfejsu API: utwórz nowy problem.

Zanim zaczniesz

Na początek przeczytaj artykuły Raportowanie atrybucji: raporty podsumowujące i Pełne omówienie systemu raportowania atrybucji.
Aby jak najlepiej wykorzystać ten przewodnik, przeskanuj sekcje Interpretowanie szumu i Omówienie kluczy agregacji.

Decyzje projektowe

Główna zasada projektowania

Istnieją zasadnicze różnice między działaniem plików cookie innych firm a raportami podsumowującymi. Główna różnica polega na szumie dodawanym do danych pomiarowych w raportach podsumowujących. Innym sposobem jest planowanie raportów.

Aby uzyskać dostęp do danych pomiarowych w raportach podsumowujących z wyższym współczynnikiem sygnału do szumu, platformy DSP i dostawcy narzędzi do pomiaru skuteczności reklam będą musieli współpracować ze swoimi reklamodawcami w celu opracowania strategii zarządzania szumem. Aby opracować te strategie, platformy DSP i dostawcy usług pomiarowych muszą podejmować decyzje projektowe. Decyzje te dotyczą jednej podstawowej koncepcji:

Chociaż wartości szumu rozkładu są absolutnie określone, zależą od 2 parametrów⏤epsilon i budżetu darowizn⏤masz do dyspozycji wiele innych ustawień, które będą wpływać na współczynniki sygnału do szumu w danych wyjściowych.

Spodziewamy się, że proces iteracyjny zapewni najlepsze decyzje, ale każda odmiana decyzji będzie prowadzić do nieco innej implementacji. Takie decyzje należy podejmować przed napisaniem każdego iteracji kodu (i uruchomieniem reklam).

Decyzja: szczegółowość wymiaru

Wypróbuj w Noise Lab

Przejdź do trybu zaawansowanego.
W panelu bocznym parametrów znajdź „Dane o konwersjach”.
Obserwuj parametry domyślne. Domyślnie dzienna liczba przypisanych konwersji (TOTAL) to 1000. Jeśli używasz konfiguracji domyślnej (wymiary domyślne, domyślna liczba możliwych różnych wartości dla każdego wymiaru, strategia kluczowa A), wynosi to średnio około 40 na zasobnik. Zauważ, że wartość wejściowa wynosi 40, czyli średnia dzienna liczba przypisanych konwersji NA ZASOBNIK.
Kliknij Symuluj, aby uruchomić symulację z parametrami domyślnymi.
W panelu bocznym parametrów znajdź Wymiary. Zmień nazwę pola Region na Miasto i zmień liczbę możliwych wartości na 50.
Sprawdź, jak zmienia to średnią dzienną liczbę przypisanych konwersji NA ZASOBNIK. Teraz jest ona znacznie niższa. Dzieje się tak, ponieważ jeśli zwiększysz liczbę możliwych wartości w tym wymiarze, nie zmieniając żadnych innych wartości, zwiększysz łączną liczbę zasobników bez zmiany liczby zdarzeń konwersji, które mogą się znajdować w każdym zasobniku.
Kliknij Symuluj.
Obserwuj współczynniki szumu wynikowej symulacji: współczynniki szumu są teraz wyższe niż w poprzedniej symulacji.

Biorąc pod uwagę podstawową zasadę projektowania, małe wartości podsumowujące mogą być bardziej szumne niż duże wartości podsumowujące. Dlatego wybrana konfiguracja wpływa na liczbę przypisanych zdarzeń konwersji, które trafiają do każdego zasobnika (nazywanego też kluczem agregacji), oraz wpływa na szum w ostatecznych raportach podsumowujących dane wyjściowe.

Jedną z decyzji projektowych, która wpływa na liczbę zdarzeń konwersji przypisanych w jednym zasobniku, jest szczegółowość wymiarów. Przyjrzyjmy się przykładowym kluczom agregacji i ich wymiarom:

Metoda 1. Jedna kluczowa struktura o przybliżonych wymiarach: kraj x kampania reklamowa (lub największy zbiór danych agregacji kampanii) x typ produktu (spośród 10 możliwych typów produktów).
Metoda 2. Jedna kluczowa struktura o szczegółowych wymiarach: Miasto × Identyfikator kreacji × Produkt (ze 100 możliwych produktów)

Miasto jest bardziej szczegółowe niż Kraj. Identyfikator kreacji jest bardziej szczegółowy niż Kampania, a Produkt – bardziej szczegółowy niż Typ produktu. Dlatego w raporcie podsumowującym metoda 2 zawiera mniejszą liczbę zdarzeń (konwersji) na zasobnik (= na klucz) niż w metodzie 1. Ponieważ szum dodawany do danych wyjściowych nie jest zależny od liczby zdarzeń w zasobniku, dane pomiarowe w raportach podsumowujących będą bardziej zaszumione po zastosowaniu metody 2. W przypadku każdego reklamodawcy eksperymentuj z różnymi kompromisami szczegółowości w projekcie klucza, aby uzyskać maksymalną użyteczność w wynikach.

Decyzja: najważniejsze struktury

Wypróbuj w Noise Lab

W trybie prostym używana jest domyślna struktura klucza. W trybie zaawansowanym możesz eksperymentować z różnymi strukturami kluczy. Niektóre przykładowe wymiary są uwzględnione, ale możesz je także modyfikować.

Przejdź do trybu zaawansowanego.
W panelu bocznym parametrów znajdź strategię kluczową. Zwróć uwagę, że domyślna strategia o nazwie A w narzędziu korzysta z jednej szczegółowej struktury klucza obejmującej wszystkie wymiary: obszar geograficzny x identyfikator kampanii x kategoria produktu.
Kliknij Symuluj.
Obserwuj współczynniki szumu w wynikowej symulacji.
Zmień strategię kluczową na B. Pojawią się dodatkowe opcje umożliwiające skonfigurowanie struktury klucza.
Skonfiguruj strukturę klucza, np. w ten sposób:
1. Liczba struktury kluczowych: 2
2. Struktura kluczowa 1 = obszar geograficzny x kategoria produktu.
3. Struktura klucza 2 = identyfikator kampanii x kategoria produktu.
Kliknij Symuluj.
Zauważ, że teraz masz 2 raporty zbiorcze dla każdego typu celu pomiaru (2 dla liczby zakupów i 2 dla wartości zakupów), ponieważ masz do dyspozycji 2 odrębne struktury kluczowe. Obserwuj ich współczynniki szumu.
Możesz też wypróbować tę funkcję z własnymi wymiarami niestandardowymi. W tym celu wybierz Dane, które chcesz śledzić: Wymiary. Rozważ usunięcie przykładowych wymiarów i utworzenie własnych za pomocą przycisków Dodaj/Usuń/Resetuj pod ostatnim wymiarem.

Kolejną decyzją projektową, która ma wpływ na liczbę zdarzeń konwersji przypisanych w pojedynczym zasobniku, są struktury kluczowe, których użyjesz. Przyjrzyj się przykładom kluczy agregacji:

Jedna kluczowa struktura ze wszystkimi wymiarami. Nazwijmy tę strategię kluczową A.
Dwie kluczowe struktury, a każda z nich zawiera podzbiór wymiarów. Nazwijmy tę strategię kluczową B.

Strategia A jest prostsza – aby uzyskać dostęp do niektórych statystyk, być może trzeba będzie podsumować (sumę) wartości podsumowujące obejmujące raporty podsumowujące. Sumując te wartości, sumujesz szum. W ramach strategii B wartości podsumowujące widoczne w raportach podsumowujących mogą już dostarczać Ci potrzebnych informacji. Oznacza to, że strategia B prawdopodobnie pozwoli uzyskać lepszy stosunek sygnałów do szumu niż strategia A. Jednak szum może być już akceptowalny w przypadku strategii A, więc nadal możesz preferować strategię A ze względu na jej prostotę. Więcej informacji znajdziesz w szczegółowym przykładzie omawiającym te 2 strategie

Zarządzanie kluczami to konkretny temat. Aby poprawić stosunek sygnałów do szumu, można użyć kilku zaawansowanych technik. Jeden z nich został opisany w sekcji Zaawansowane zarządzanie kluczami.

Decyzja: częstotliwość grupowania

Wypróbuj w Noise Lab

Przejdź do trybu prostego (lub zaawansowanego – oba tryby działają tak samo pod względem częstotliwości grupowania).
W panelu bocznym parametrów znajdź pozycję Twoja strategia agregacji > Częstotliwość grupowania. Odnosi się do częstotliwości grupowania raportów zbiorczych, które są przetwarzane za pomocą usługi agregacji w ramach jednego zadania.
Zwróć uwagę na domyślną częstotliwość grupowania: domyślnie symulowana jest codzienna częstotliwość grupowania.
Kliknij Symuluj.
Obserwuj współczynniki szumu w wynikowej symulacji.
Zmień częstotliwość grupowania na co tydzień.
Zwróć uwagę na współczynniki szumu wynikowej symulacji: współczynniki szumu są teraz niższe (lepsze) niż w poprzedniej symulacji.

Kolejną decyzją projektową, która wpłynie na liczbę przypisanych zdarzeń konwersji w pojedynczym zasobniku, jest wybrana przez Ciebie częstotliwość grupowania. Częstotliwość przesyłania zbiorczego wskazuje, jak często przetwarzasz raporty zbiorcze.

Raport, w którym zaplanowana jest częstsza agregacja (np. co godzinę), będzie zawierać mniej zdarzeń konwersji niż ten sam raport z rzadszym harmonogramem agregacji (np. co tydzień). W efekcie raport godzinowy będzie zawierał więcej szumu. Zawierają mniej zdarzeń konwersji niż ten sam raport z rzadszym harmonogramem agregacji (np. co tydzień). W efekcie raport godzinowy będzie miał niższy stosunek sygnałów do szumu niż raport tygodniowy, a wszystkie pozostałe wartości będą równe. Eksperymentuj z wymaganiami dotyczącymi raportowania z różną częstotliwością i oceniaj stosunek sygnału do szumu w każdej z nich.

Więcej informacji znajdziesz w artykułach Grupowanie i agregowanie w dłuższym przedziale czasu.

Decyzja: zmienne kampanii, które wpływają na przypisane konwersje

Wypróbuj w Noise Lab

Chociaż może to być trudne do przewidzenia i może mieć znaczne różnice w zależności od efektów sezonowych, spróbuj oszacować liczbę dziennych konwersji, do których można przypisać jedną czynność, do potęgi 10: 10, 100, 1000 lub 10 000.

Przejdź do trybu zaawansowanego.
W panelu bocznym parametrów znajdź „Dane o konwersjach”.
Obserwuj parametry domyślne. Domyślnie dzienna liczba przypisanych konwersji (TOTAL) to 1000. Jeśli używasz konfiguracji domyślnej (wymiary domyślne, domyślna liczba możliwych różnych wartości dla każdego wymiaru, strategia kluczowa A), wynosi to średnio około 40 na zasobnik. Zauważ, że wartość wejściowa wynosi 40, czyli średnia dzienna liczba przypisanych konwersji NA ZASOBNIK.
Kliknij Symuluj, aby uruchomić symulację z parametrami domyślnymi.
Obserwuj współczynniki szumu w wynikowej symulacji.
Teraz ustaw dzienną liczbę przypisanych konwersji TOTAL na 100. Zwróć uwagę, że obniża to wartość średniej dziennej liczby przypisanych konwersji na ZASOBNIK.
Kliknij Symuluj.
Zauważ, że współczynniki szumu są teraz wyższe, ponieważ im mniej konwersji na zasobnik, tym więcej szumu jest stosowany, aby zapewnić ochronę prywatności.

Ważną różnicą jest łączna liczba możliwych konwersji dla reklamodawcy i łączna liczba możliwych przypisanych konwersji. To drugi czynnik wpływa na szum w raportach podsumowujących. Konwersje przypisane to podzbiór wszystkich konwersji, w przypadku których występują zmienne w kampanii, np. budżet reklamowy czy kierowanie reklam. Można np. oczekiwać wyższej liczby przypisanych konwersji w kampanii reklamowej o wartości 10 mln zł w porównaniu z kampanią reklamową o wartości 10 tys. USD, przy czym pozostałe ustawienia powinny być takie same.

Kwestie, na które należy zwrócić uwagę:

Możesz oceniać przypisane konwersje na podstawie pojedynczego kliknięcia na tym samym urządzeniu, ponieważ są one objęte raportami podsumowującymi zbieranymi za pomocą interfejsu Attribution Reporting API.
Weź pod uwagę zarówno liczbę prognozowanych, jak i najbardziej dobrych scenariuszy. Jeśli inne ustawienia są takie same, weź pod uwagę minimalne i maksymalne możliwe budżety kampanii dla reklamodawcy, a potem w symulacji uwzględnij konwersje, które można przypisać do obu tych wyników.
Jeśli rozważasz korzystanie z Piaskownicy prywatności na Androidzie, uwzględnij w obliczeniach konwersje przypisane na wielu platformach.

Decyzja: użycie skalowania

Wypróbuj w Noise Lab

Przejdź do trybu zaawansowanego.
W panelu bocznym parametrów znajdź pozycję Twoja strategia agregacji > Skalowanie. Domyślna wartość to Tak.
Aby zrozumieć pozytywny wpływ skalowania na współczynnik szumu, najpierw ustaw Skalowanie na Nie.
Kliknij Symuluj.
Obserwuj współczynniki szumu w wynikowej symulacji.
Ustaw Skalowanie na Tak. Pamiętaj, że Noise Lab automatycznie oblicza współczynniki skalowania, które zostaną użyte, biorąc pod uwagę zakresy (wartości średnie i maksymalne) celów pomiarowych dla Twojego scenariusza. W rzeczywistej konfiguracji testowania systemu lub origin warto wdrożyć własne obliczenia współczynników skalowania.
Kliknij Symuluj.
Zaobserwuj, że w tej drugiej symulacji współczynniki szumu są teraz niższe (lepsze). Dzieje się tak, ponieważ używasz skalowania.

Biorąc pod uwagę podstawową zasadę projektowania, dodany szum jest funkcją budżetu darowizny.

Dlatego, aby zwiększyć współczynniki sygnału do szumu, możesz przekształcić wartości zebrane podczas zdarzenia konwersji, skalując je względem budżetu darowizn (i zmniejszając je po agregacji). Użyj skalowania, aby zwiększyć współczynnik sygnału do szumu.

Decyzja: liczba celów pomiarowych i podział budżetu na potrzeby ochrony prywatności

Dotyczy to skalowania; przeczytaj artykuł Korzystanie z skalowania.

Wypróbuj w Noise Lab

Cel pomiarowy to odrębny punkt danych rejestrowany w zdarzeniach konwersji.

Przejdź do trybu zaawansowanego.
W panelu bocznym Parametry znajdź Dane, które chcesz śledzić: Cele pomiarów. Domyślnie masz 2 cele pomiarowe: wartość zakupu i liczbę zakupów.
Aby uruchomić symulację z domyślnymi celami, kliknij Symuluj.
Kliknij Usuń. Spowoduje to usunięcie ostatniego celu pomiarowego (w tym przypadku liczby zakupów).
Kliknij Symuluj.
Zauważ, że w tej drugiej symulacji współczynniki szumu dla wartości zakupu są teraz niższe (lepsze). Wynika to z tego, że masz mniej celów związanych z pomiarami, więc 1 cel pomiarowy otrzyma teraz cały budżet przeznaczony na wpłatę.
Kliknij Resetuj. Masz teraz ponownie 2 cele pomiarowe: wartość zakupu i liczba zakupów. Pamiętaj, że Noise Lab automatycznie oblicza współczynniki skalowania, które zostaną użyte, biorąc pod uwagę zakresy (wartości średnie i maksymalne) celów pomiarowych dla Twojego scenariusza. Domyślnie Noise Lab dzieli budżet po równo między cele pomiarowe.
Kliknij Symuluj.
Obserwuj współczynniki szumu w wynikowej symulacji. Zwróć uwagę na współczynniki skalowania wyświetlane w symulacji.
Teraz dostosujmy podział budżetu na ochronę prywatności, aby uzyskać lepszy stosunek sygnałów do szumu.
Dostosuj budżet (%) przypisany do każdego celu pomiarowego. Biorąc pod uwagę parametry domyślne, cel pomiaru 1, tj. wartość zakupu, ma znacznie szerszy zakres (od 0 do 1000) niż cel pomiaru 2, czyli liczba zakupów (od 1 do 1, czyli zawsze równa 1). Z tego powodu potrzebuje „większej przestrzeni do skalowania”: do celu pomiaru 1 najlepiej byłoby przydzielić większy budżet przeznaczony na pomiary niż do celu pomiaru 2, aby można go było bardziej efektywnie skalować (patrz: Skalowanie).
Przypisz 70% budżetu do celu 1 związanego z pomiarami. Przypisz 30% do celu Pomiary 2.
Kliknij Symuluj.
Obserwuj współczynniki szumu w wynikowej symulacji. W przypadku wartości zakupu współczynniki szumu są teraz znacznie niższe (lepsze) niż w poprzedniej symulacji. Liczba zakupów pozostaje niemal niezmieniona.
Dostosowuj podział budżetu między danymi. Obserwuj, jak to wpływa na szum.

Pamiętaj, że za pomocą przycisków Dodaj/Usuń/Resetuj możesz ustawić własne cele pomiarowe.

Jeśli mierzysz 1 punkt danych (cel pomiaru) w przypadku zdarzenia konwersji, np. liczbę konwersji, ten punkt danych może otrzymywać cały budżet darowizn (65 536). Jeśli ustawisz dla zdarzenia konwersji wiele celów pomiarowych, np. liczbę konwersji i wartość zakupów, te punkty danych będą musiały współdzielić budżet na wpłatę. Oznacza to, że masz mniej swobody w zakresie skalowania wartości.

Dlatego im więcej celów związanych z pomiarami, tym niższy współczynnik sygnału do szumu (wyższy szum).

Kolejną decyzją dotyczącą celów pomiarowych jest podział budżetu. Jeśli podzielisz budżet darowizn po równo na 2 punkty danych, każdy punkt danych otrzyma budżet wynoszący 65 536/2 = 32 768. Może to być optymalna wartość, ale nie zawsze, w zależności od maksymalnej możliwej wartości każdego punktu danych. Jeśli np. mierzysz liczbę zakupów o maksymalnej wartości 1, a wartość zakupów wynoszącą od 1 do 120, powiększona wartość zakupu przyniesie korzyści ze zwiększenia „większej ilości miejsca” – czyli większego odsetka budżetu darowizny. Dowiesz się, czy niektóre cele pomiarowe powinny mieć wyższy priorytet niż inne, jeśli chodzi o wpływ szumu.

Decyzja: zarządzanie wynikami odstającymi

Wypróbuj w Noise Lab

Cel pomiarowy to odrębny punkt danych rejestrowany w zdarzeniach konwersji.

Przejdź do trybu zaawansowanego.
W panelu bocznym parametrów znajdź pozycję Twoja strategia agregacji > Skalowanie.
Sprawdź, czy opcja Skalowanie jest ustawiona na Tak. Pamiętaj, że Noise Lab automatycznie oblicza używane współczynniki skalowania na podstawie zakresów (wartości średniej i maksymalnej) określonych przez Ciebie na potrzeby celów pomiarowych.
Załóżmy, że największy zakup w historii wyniósł 2000 zł, ale większość zakupów mieści się w przedziale od 10 do 120 zł. Zobaczmy, co się stanie, jeśli użyjemy metody skalowania dosłownego (niezalecane): wpisz maksymalną wartość purchaseValue 2000 USD.
Kliknij Symuluj.
Zwróć uwagę, że współczynniki szumu są wysokie. Wynika to z faktu, że nasz współczynnik skalowania jest obecnie obliczany na podstawie 2000 USD, podczas gdy w rzeczywistości większość wartości zakupów jest znacznie niższa.
Teraz użyjmy bardziej pragmatycznego podejścia do skalowania. Zmień maksymalną wartość zakupu na 120 zł.
Kliknij Symuluj.
Zaobserwuj, że w tej drugiej symulacji współczynniki szumu są niższe (lepsze).

Aby wdrożyć skalowanie, trzeba zazwyczaj obliczać współczynnik skalowania na podstawie maksymalnej możliwej wartości danego zdarzenia konwersji (więcej informacji znajdziesz w tym przykładzie).

Unikaj jednak używania literału maksymalnej wartości do obliczania tego współczynnika skalowania, ponieważ spowodowałoby to pogorszenie stosunku sygnału do szumu. Zamiast tego usuwaj wartości odstające i stosuj pragmatyczną wartość maksymalną.

Zarządzanie wynikami odstającymi to konkretny temat. Aby poprawić stosunek sygnałów do szumu, można użyć kilku zaawansowanych technik. Jeden z nich został opisany w sekcji Zaawansowane zarządzanie wynikami odstającymi.

Dalsze kroki

Po zapoznaniu się z różnymi strategiami zarządzania szumem w swoim przypadku możesz zacząć eksperymentować z raportami podsumowującymi, zbierając prawdziwe dane pomiarowe w ramach testowania origin. Przejrzyj przewodniki i wskazówki dotyczące testowania interfejsu API.

Dodatek

Krótka prezentacja Noise Lab

Noise Lab pomaga szybko ocenić i porównać strategie zarządzania szumem. Pozwala na:

Poznaj główne parametry, które mogą wpływać na szum, i ich skutki.
Symulowanie wpływu szumu na wyjściowe dane pomiarowe przy różnych decyzjach projektowych. Modyfikuj parametry projektowe, aż osiągniesz stosunek sygnału do szumu odpowiedni do Twojego zastosowania.
Podziel się swoją opinią na temat przydatności raportów podsumowujących: które wartości parametrów epsilon i szumu Ci odpowiadają, a które nie? Gdzie są punkty przegięcia?

Potraktuj to jako etap przygotowawczy. Noise Lab generuje dane pomiarowe, aby symulować wyniki raportu podsumowującego na podstawie podanych przez Ciebie danych. Nie przechowuje ani nie udostępnia żadnych danych.

W Noise Lab dostępne są 2 tryby:

Tryb uproszczony: poznaj podstawowe ustawienia szumu.
Tryb zaawansowany: przetestuj różne strategie zarządzania szumem i oceń, która z nich zapewnia najlepszy stosunek sygnału do szumu do Twoich zastosowań.

Aby przełączać się między nimi, klikaj przyciski w górnym menu (nr 1 na zrzucie ekranu poniżej).

Tryb uproszczony

W trybie prostym możesz kontrolować parametry (po lewej stronie lub nr 2 na zrzucie ekranu poniżej), na przykład Epsilon, i sprawdzać ich wpływ na szum.
Każdy parametr ma etykietkę (przycisk `?`). Kliknij je, by zobaczyć wyjaśnienie poszczególnych parametrów (3. na zrzucie ekranu poniżej).
Aby rozpocząć, kliknij przycisk „Symuluj” i sprawdź, jak wyglądają dane wyjściowe (4. na zrzucie ekranu poniżej).
W sekcji Wyniki znajdziesz różne informacje. Przy niektórych elementach znajduje się znak „?”. Klikaj znaki „?”, aby wyświetlić wyjaśnienia różnych informacji.
Jeśli chcesz zobaczyć rozwiniętą wersję tabeli, w sekcji Wyniki kliknij przełącznik Szczegóły (nr 5 na zrzucie ekranu poniżej).
Pod każdą tabelą danych w sekcji danych wyjściowych znajduje się opcja pobrania tabeli do wykorzystania offline. Dodatkowo w prawym dolnym rogu możesz pobrać wszystkie tabele danych (nr 6 na zrzucie ekranu poniżej).
Przetestuj różne ustawienia parametrów w sekcji Parametry i kliknij Symuluj, aby sprawdzić, jak wpływają one na dane wyjściowe:

Interfejs Noise Lab w trybie prostym.

Tryb dla zaawansowanych

W trybie zaawansowanym masz większą kontrolę nad parametrami. Możesz dodać niestandardowe cele i wymiary pomiarowe (punkty 1 i 2 na zrzucie ekranu poniżej).
Przewiń w dół do sekcji Parametry i znajdź opcję Kluczowa strategia. Pozwala przetestować różne struktury kluczy (nr 3 na zrzucie ekranu poniżej)
- Aby przetestować różne struktury, zmień strategię kluczową na strategię „B”.
- Wpisz liczbę różnych struktur kluczy, których chcesz używać (domyślnie jest to 2)
- Kliknij przycisk Wygeneruj struktury kluczy.
- Po kliknięciu pól wyboru obok kluczy, które chcesz uwzględnić w każdej strukturze kluczy, wyświetlą się opcje umożliwiające określenie struktur kluczy.
- Kliknij Symuluj, aby zobaczyć dane wyjściowe.
  
  Interfejs Noise Lab dla trybu zaawansowanego.
  
  Interfejs Noise Lab w trybie zaawansowanym.

Dane szumu

Główna koncepcja

Szum jest dodawany, aby chronić prywatność każdego użytkownika.

Wysoka wartość szumu oznacza, że zasobniki/klucze są rzadkie i zawierają treści pochodzące z ograniczonej liczby zdarzeń o charakterze wrażliwym. Funkcja jest przeprowadzana automatycznie przez Noise Lab. Dzięki temu użytkownicy mogą „ukryć się w tłumie” (inaczej mówiąc, chroni ich prywatność dzięki większej ilości szumu).

Niska wartość szumu oznacza, że konfiguracja danych została zaprojektowana w taki sposób, że użytkownicy mogą już „ukrywać się w tłumie”. Oznacza to, że zasobniki zawierają dane z wystarczającej liczby zdarzeń, aby zapewnić ochronę prywatności poszczególnych użytkowników.

To stwierdzenie dotyczy zarówno średniego błędu procentowego (APE), jak i RMSRE_T (średniej kwadratowej błędu z wartością progową).

APE (średni procentowy błąd)

APE to stosunek szumu do sygnału, czyli prawdziwa wartość podsumowania.p> Niższe wartości APE oznaczają lepszy stosunek sygnału do szumu.

Formuła

W przypadku danego raportu podsumowującego wartość APE jest obliczana w ten sposób:

Równanie APE. Wymagane są wartości bezwzględne, ponieważ szum może być ujemny.

True to prawdziwa wartość podsumowania. APE to średnia szumów dla każdej rzeczywistej wartości podsumowania, uśredniona dla wszystkich wpisów w raporcie podsumowującym. W laboratorium szumów wartość tę mnoży się przez 100, aby otrzymać wartość procentową.

Zalety i wady

Zasobniki o mniejszych rozmiarach mają nieproporcjonalnie duży wpływ na końcową wartość APE. Może to wprowadzać w błąd przy ocenie hałasu. Dlatego dodaliśmy kolejny wskaźnik: RMSRE_T, który ma na celu złagodzenie tego ograniczenia APE. Szczegółowe informacje znajdziesz w przykładach.

Kod

Sprawdź kod źródłowy do obliczania APE.

RMSRE_T (średnia kwadratowa błędów względnych z progiem)

RMSRE_T (średnia kwadratowa błędów względnych z wartością progową) to kolejny wskaźnik szumu.

Jak interpretować RMSRE_T

Niższe wartości RMSRE_T oznaczają lepszy stosunek sygnału do szumu.
Jeśli na przykład akceptowalny w Twoim przypadku współczynnik szumu wynosi 20%, a RMSRE_T to 0,2, możesz mieć pewność, że poziomy szumu mieszczą się w akceptowalnym zakresie.

Formuła

W przypadku danego raportu podsumowującego wartość RMSRE_T jest obliczana w ten sposób:

Zalety i wady

Parametr RMSRE_T jest bardziej skomplikowany niż APE. Ma jednak kilka zalet, które sprawiają, że w niektórych przypadkach narzędzie to jest bardziej odpowiednie do analizy szumu w raportach podsumowujących niż APE:

RMSRE_T jest stabilniejsza. „T” to wartość progowa. Wartość „T” służy do przypisywania mniejszej wagi w obliczeniach RMSRE_T do zasobników z mniejszą liczbą konwersji i dlatego ze względu na swój mały rozmiar są bardziej wrażliwe na szum. W przypadku wartości T dane nie gwałtownie rosną w grupach z małą liczbą konwersji. Jeśli T ma wartość 5, w grupie z zerową liczbą konwersji wartość szumu wynosząca nawet 1 nie będzie wyświetlana jako większa niż 1. Zamiast tego zostanie on ograniczony do 0, 2, co odpowiada 1/5, ponieważ T jest równe 5. Dzięki przypisaniu mniejszej wagi do mniejszych segmentów, które są bardziej wrażliwe na szum, dane te są bardziej stabilne, a tym samym ułatwiają porównanie 2 symulacji.
RMSRE_T ułatwia agregację. Znając wartość RMSRE_T wielu zasobników i ich rzeczywistą liczbę, możesz obliczyć RMSRE_T ich sumy. Pozwoli to także na optymalizację pod kątem RMSRE_T dla tych połączonych wartości.

W przypadku APE agregacja jest możliwa, ale formuła jest dość skomplikowana, ponieważ obejmuje bezwzględną wartość sumy szumów Laplace'a. Utrudnia to optymalizację APE.

Kod

Sprawdź kod źródłowy do obliczania RMSRE_T.

Przykłady

Raport zbiorczy z 3 grupami:

zasobnika_1 = szum: 10, trueSummaryValue: 100
zasobnika_2 = szum: 20, trueSummaryValue: 100
zasobnika_3 = szum: 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

Raport zbiorczy z 3 grupami:

zasobnika_1 = szum: 10, trueSummaryValue: 100
zasobnika_2 = szum: 20, trueSummaryValue: 100
zasobnika_3 = szum: 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

Raport zbiorczy z 3 grupami:

zasobnika_1 = szum: 10, trueSummaryValue: 100
zasobnika_2 = szum: 20, trueSummaryValue: 100
zasobnika_3 = szum: 20, trueSummaryValue: 0

APE = (0,1 + 0,2 + nieskończoność) / 3 = nieskończoność

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

Zaawansowane funkcje zarządzania kluczami

Platformy DSP lub firmy zajmujące się pomiarami reklam mogą mieć tysiące klientów reklamowych z całego świata z różnych branż, walut i potencjalnych cen zakupu. Oznacza to, że utworzenie 1 klucza agregacji i zarządzanie nim na reklamodawcę będzie prawdopodobnie wysoce niepraktyczne. Dodatkowo trudno będzie wybrać maksymalną wartość, którą można zagregować, i budżet agregacji, które pozwolą ograniczyć wpływ szumu na tysiące reklamodawców na całym świecie. Zamiast tego przeanalizujmy te scenariusze:

Kluczowa strategia A

Dostawca technologii reklamowych tworzy jeden klucz dla wszystkich swoich klientów reklamowych i zarządza nim. W przypadku wszystkich reklamodawców i wszystkich walut zakres transakcji jest różnego rodzaju – od niewielkich transakcji przez zakup wysokiej jakości po zakupy o dużej sprzedaży i niskiej wartości. Efektem jest taki klucz:

	Klucz (wiele walut)
Maksymalna wartość zagregowana	5 000 000
Zakres wartości zakupu	[120–5000 000]

Kluczowa strategia B

Dostawca technologii reklamowych tworzy 2 klucze dla wszystkich swoich klientów reklamowych i zarządza nimi. Postanawia rozdzielić klucze według waluty. W przypadku wszystkich reklamodawców i wszystkich walut zakres zakupów jest różnego rodzaju – od zakupów niskich, zaawansowanych, przez duże zakupy, po zakupy o niskiej wartości. Rozdzielając je według waluty, tworzą 2 klucze:

	Klucz 1 (USD)	Klucz 2 (¥)
Maksymalna wartość zagregowana	40 000 PLN	5 000 000 JPY
Zakres wartości zakupu	[120–40 000]	[15 000–5 000 000]

Strategia B będzie mieć w wyniku mniej szumu niż strategia A, ponieważ wartości walut nie są równomiernie rozłożone na waluty. Weźmy na przykład to, jak zakupy wyrażone w JPY w połączeniu z zakupami wyrażonymi w USD wpłyną na dane bazowe i w związku z tym będą zaszumione dane wyjściowe.

Kluczowa strategia C

Dostawca technologii reklamowych decyduje się utworzyć 4 klucze i zarządzać nimi w przypadku wszystkich swoich klientów reklamowych, a potem rozdzielić je według waluty i branży reklamodawcy:

	Klucz 1 (USD x reklamodawcy wysokiej klasy biżuterii)	Klucz 2 (CNY x reklamodawcy wysokiej klasy biżuterii)	Klucz 3 (USD x reklamodawcy sprzedawcy odzieży)	Klucz 4 (CNY x reklamodawcy sprzedawcy odzieży)
Maksymalna wartość zagregowana	40 000 PLN	5 000 000 JPY	500 USD	65 000 JPY
Zakres wartości zakupu	[10 000–40 000]	[1 250 000–5 000 000]	[120 - 500]	[15 000–65 000]

Strategia C będzie mieć w wyniku mniej szumu niż strategia kluczowa B, ponieważ wartości zakupu reklamodawcy nie są równomiernie rozdzielane między reklamodawców. Zastanówmy się na przykład, jak zakupy wysokiej klasy biżuterii w połączeniu z zakupami czapek baseballowych wpłyną na dane i wygenerują zaszumione dane.

Rozważ utworzenie wspólnych maksymalnych wartości zbiorczych i wspólnych współczynników skalowania na potrzeby cech wspólnych wielu reklamodawców, aby ograniczyć szum w danych wyjściowych. Możesz na przykład eksperymentować z poniższymi strategiami dla swoich reklamodawców:

Jedna strategia z podziałem na waluty (USD, ¥, CAD itp.)
Jedna strategia z podziałem na branżę reklamodawcy (ubezpieczenia, samochody, handel detaliczny itp.).
1 strategia oddzielona podobnymi zakresami wartości zakupu ([100], [1000], [10000] itd.)

Dzięki opracowaniu kluczowych strategii opartych na wspólnych cechach reklamodawców łatwiej jest zarządzać kluczami i odpowiadającym im kodem, a stosunek sygnałów do szumu rośnie. Eksperymentuj z różnymi strategiami z różnymi cechami wspólnymi reklamodawców, aby odkryć punkty zwrotne dotyczące maksymalizacji wpływu szumu w porównaniu z zarządzaniem kodem.

Zaawansowane zarządzanie wynikami odstającymi

Przeanalizujmy scenariusz dotyczący dwóch reklamodawców:

Reklamodawca A:
- W przypadku wszystkich produktów w witrynie reklamodawcy A ceny zakupu mieszczą się w przedziale od [120 USD do 1000 USD] i w zakresie 880 USD.
- Ceny zakupu są równomiernie rozkładane w przedziale 880 USD bez żadnych wartości odstających poza dwoma standardowymi odchyleniami od mediany ceny zakupu.
Reklamodawca B:
- W przypadku wszystkich produktów w witrynie Reklamodawcy B ceny zakupu mieszczą się w przedziale od [120 USD do 1000 USD] i w zakresie 880 USD.
- Ceny zakupu znacznie się zmieniają w przedziale od 120 do 500 zł, przy czym tylko 5% zakupów mieści się w przedziale od 500 do 1000 zł.

Biorąc pod uwagę wymagania dotyczące budżetu wydatków i metodologię, z jaką [stosowany jest szum](/privacy-sandbox/relevance/attribution-reporting/understanding-noise/#how-noise-is-applied) do wyników końcowych, Reklamodawca B będzie mieć domyślnie bardziej hałaśliwe dane wyjściowe niż Reklamodawca A, ponieważ ma większy potencjał wpływu odstających na wyliczenia.

Możesz temu zaradzić, stosując określoną konfigurację klucza. Przetestuj kluczowe strategie, które pomagają zarządzać danymi odstającymi i bardziej równomiernie rozłożyć wartości zakupu w zakresie zakupów klucza.

W przypadku Reklamodawcy B możesz utworzyć 2 osobne klucze, aby rejestrować 2 różne zakresy wartości zakupu. W tym przykładzie zespół z branży reklamowej zauważył, że wartości odstające powyżej wartości zakupu wynoszącego 500 zł. Spróbuj wdrożyć 2 osobne klucze w przypadku tego reklamodawcy:

Struktura klucza 1 : klucz, który uwzględnia tylko zakupy z przedziału od 120 do 500 zł (które obejmują ok. 95% łącznej liczby zakupów).
Struktura klucza 2: klucz, który uwzględnia tylko zakupy powyżej 500 zł (czyli ok. 5% łącznej liczby zakupów).

Wdrożenie tej kluczowej strategii powinno lepiej zarządzać szumem w przypadku Reklamodawcy B i pomóc w maksymalizacji jego użyteczności na podstawie raportów zbiorczych. Biorąc pod uwagę nowe mniejsze zakresy, klawisze A i B powinny mieć teraz bardziej jednolity rozkład danych w każdym kluczu niż w przypadku poprzedniego klucza. Zapewni to mniejszy wpływ szumu na dane wyjściowe każdego klucza niż w przypadku poprzedniego klucza.