Laboratorio de ruido

Pruébala en Noise Lab

1. Ve al modo Avanzado.
2. En el panel lateral Parámetros, busca Tus datos de conversiones.
3. Observa los parámetros predeterminados. De forma predeterminada, la métrica TOTAL diaria el recuento de conversiones atribuibles es 1,000. Esto equivale a un promedio de 40 bucket si utilizas la configuración predeterminada (dimensiones predeterminadas, cantidad predeterminada de posibles valores diferentes para cada dimensión, estrategia clave A). Observa que el valor es 40 en el promedio de conversiones atribuibles diarias de entrada POR BUCKET.
4. Haz clic en Simular para ejecutar una simulación con los parámetros predeterminados.
5. En el panel lateral Parámetros, busca Dimensiones. Cambiar nombre Ubicación geográfica por Ciudad y cambia el número de valores posibles a 50.
6. Observe cómo esto cambia la conversión diaria promedio atribuible count PER BUCKET. Ahora es mucho más bajo. Esto se debe a que si aumentas la cantidad de valores posibles dentro de esta dimensión sin cambiar aumenta la cantidad total de buckets sin cambiar cuántos eventos de conversión caerán en cada intervalo.
7. Haz clic en Simular.
8. Observa las relaciones de ruido de la simulación resultante: las relaciones de ruido son ahora más alta que en la simulación anterior.

Pruébala en Noise Lab

En el modo simple, se usa la estructura clave predeterminada. En Advanced puedes experimentar con diferentes estructuras clave. Algunas dimensiones de ejemplo están incluidas; también puedes modificarlas.

1. Ve al modo Avanzado.
2. En el panel lateral Parámetros, busca Estrategia clave. Observar que la estrategia predeterminada, denominada A en la herramienta, utiliza una clave detallada Estructura que incluye todas las dimensiones: ubicación geográfica x ID de campaña x producto categoría.
3. Haz clic en Simular.
4. Observa las relaciones de ruido de la simulación resultante.
5. Cambia la estrategia de clave a B. Se mostrarán controles adicionales para configurar la estructura clave.
6. Configura la estructura de tu clave, p.ej., de la siguiente manera:
   1. Cantidad de estructuras clave: 2
   2. Estructura clave 1 = Ubicación geográfica x Categoría de producto
   3. Estructura clave 2 = ID de campaña x categoría de producto
7. Haz clic en Simular.
8. Observa que ahora obtienes dos informes de resumen por tipo de objetivo de medición. (dos para el recuento de compras y dos para el valor de compra), dado que utilizas dos estructuras clave distintas. Observa sus proporciones de ruido.
9. También puedes probar esto con tus propias dimensiones personalizadas. Para hacerlo, mira para los datos de los que deseas hacer un seguimiento: Dimensiones. Considera quitar el ejemplo dimensiones y crear las tuyas con la opción Agregar/Quitar/Restablecer botones debajo de la última dimensión.

Pruébala en Noise Lab

1. Ve al modo simple (o al modo avanzado; ambos modos funcionan de la misma manera cuando se trata de la frecuencia de lotes).
2. En el panel lateral Parámetros, busca Tu estrategia de agregación > Frecuencia de los lotes Esto se refiere a la frecuencia de lotes de los informes agregables que se procesan con el servicio de agregación en un un solo trabajo.
3. Observa la frecuencia de lotes predeterminada: de forma predeterminada, un proceso de frecuencia.
4. Haz clic en Simular.
5. Observa las relaciones de ruido de la simulación resultante.
6. Cambia la frecuencia de lote a semanal.
7. Observa las relaciones de ruido de la simulación resultante: las relaciones de ruido son ahora inferior (mejor) que en la simulación anterior.

Pruébala en Noise Lab

Si bien esto puede ser difícil de predecir y puede tener variaciones significativas además de los efectos de la estacionalidad, intente estimar la cantidad diaria de objetos conversiones atribuibles a un solo punto de contacto a la potencia más cercana de 10: 10, 100, 1,000 o 10,000.

1. Ve al modo Avanzado.
2. En el panel lateral Parámetros, busca Tus datos de conversiones.
3. Observa los parámetros predeterminados. De forma predeterminada, la métrica TOTAL diaria el recuento de conversiones atribuibles es 1,000. Esto equivale a un promedio de 40 bucket si utilizas la configuración predeterminada (dimensiones predeterminadas, cantidad predeterminada de posibles valores diferentes para cada dimensión, estrategia clave A). Observa que el valor es 40 en el promedio de conversiones atribuibles diarias de entrada POR BUCKET.
4. Haz clic en Simular para ejecutar una simulación con los parámetros predeterminados.
5. Observa las relaciones de ruido de la simulación resultante.
6. Ahora, establece en 100 el recuento diario de conversiones atribuibles de TOTAL. Observa que esto reduce el valor diario promedio atribuible de conversiones por BUCKET.
7. Haz clic en Simular.
8. Observa que las relaciones de ruido ahora son más altas: esto se debe a que cuando tienen menos conversiones por bucket, se aplica más ruido para mantener la privacidad.

Pruébala en Noise Lab

1. Ve al modo Avanzado.
2. En el panel lateral Parámetros, busca Tu estrategia de agregación > Escalamiento La configuración predeterminada es Sí.
3. Para comprender los efectos positivos del escalamiento en el ruido proporción, primero configura Escalamiento en No.
4. Haz clic en Simular.
5. Observa las relaciones de ruido de la simulación resultante.
6. Configura el escalamiento en Sí. Ten en cuenta que Noise Lab calcula automáticamente los factores de escala que se usarán según los rangos (valores promedio y máximos) de los objetivos de medición para tu situación. En una prueba real del sistema o el origen debes implementar tu propio cálculo para los factores de escala.
7. Haz clic en Simular.
8. Observa que las relaciones de ruido ahora son más bajas (mejores) en este segundo la simulación. Esto se debe a que usas escalamiento.

Pruébala en Noise Lab

Un objetivo de medición es un dato distinto que se recopila en los eventos de conversión.

1. Ve al modo Avanzado.
2. En el panel lateral Parámetros, busca los datos de los que deseas hacer un seguimiento: Objetivos de medición. De forma predeterminada, tienes dos objetivos de medición: comprar valor y recuento de compras.
3. Haz clic en Simular para ejecutar una simulación con los objetivos predeterminados.
4. Haz clic en Quitar. Esto quitará el último objetivo de medición (compra en ese caso).
5. Haz clic en Simular.
6. Observa que las relaciones de ruido para el valor de compra ahora son más bajas. (mejor) para esta segunda simulación. Esto se debe a que tienes menos objetivos de medición, así que tu único objetivo de medición ahora presupuesto de contribución.
7. Haz clic en Restablecer. Ahora tienes dos objetivos de medición: comprar valor y recuento de compras. Ten en cuenta que Noise Lab calcula automáticamente los factores de escala que se usarán según los rangos (valores promedio y máximos) de la y los objetivos de medición para tu situación. De forma predeterminada, Noise Lab divide las presupuesto de forma equitativa para todos los objetivos de medición.
8. Haz clic en Simular.
9. Observa las relaciones de ruido de la simulación resultante. Toma nota de la los factores de escala que se muestran en la simulación.
10. Ahora, personalicemos la división del presupuesto de privacidad para lograr un mejor relación señal-ruido.
11. Ajusta el porcentaje del presupuesto asignado para cada objetivo de medición. Dado el estado de medición, el objetivo de medición 1, es decir, el valor de compra, tiene un rango más amplio (entre 0 y 1,000) que el objetivo de medición 2, es decir, recuento de compras (entre 1 y 1, es decir, siempre igual a 1). Debido a necesita "más espacio para escalar": sería ideal asignar más presupuesto de contribución al objetivo de medición 1 que al objetivo de medición 2, de modo que puede escalarse verticalmente de manera más eficiente (consulte Escalamiento) y, por lo tanto,
12. Asignar el 70% del presupuesto al objetivo de medición 1 Asignar el 30% a la medición objetivo 2.
13. Haz clic en Simular.
14. Observa las relaciones de ruido de la simulación resultante. Para comprar valor, las relaciones de ruido ahora son notablemente más bajas (mejores) que la la simulación. En el recuento de compras, no suelen cambiar.
15. Sigue ajustando la división del presupuesto entre métricas. Observa cómo afecta esto ruido de fondo.

Ten en cuenta que puedes establecer tus propios objetivos de medición personalizados con el Botones para agregar, quitar y restablecer.

Pruébala en Noise Lab

Un objetivo de medición es un dato distinto que se recopila en los eventos de conversión.

1. Ve al modo Avanzado.
2. En el panel lateral Parámetros, busca Tu estrategia de agregación > Escalamiento
3. Asegúrate de que el escalamiento esté configurado en Sí. Ten en cuenta que Noise Lab calcula automáticamente los factores de escala que se usarán, según el o los rangos (valores promedio y máximos) que proporcionaste para los objetivos de medición.
4. Supongamos que la compra más grande jamás hecha fue de USD 2000, pero esa la mayoría de las compras se encuentra en el rango de USD 10 a USD 120. Primero, veamos qué sucede Si usamos un enfoque de escalamiento literal (no recomendado), ingresa $2,000. máx. para purchaseValue.
5. Haz clic en Simular.
6. Observa que la relación de ruido sea alta. Esto se debe a que nuestro escalamiento se calcula en función de los USD 2000, cuando, en realidad, la mayoría los valores de compra serán considerablemente menores.
7. Ahora, usemos un enfoque de escalamiento más pragmático. Cambiar el máx. valor de compra a USD 120.
8. Haz clic en Simular.
9. Observa que las relaciones de ruido son más bajas (mejores) en esta segunda simulación.

Recorrido rápido por Noise Lab

Noise Lab te ayuda rápidamente evaluarás y compararás estrategias de administración de ruido. Puedes usarla para lo siguiente:

• Comprender los principales parámetros que pueden afectar el ruido efecto que tienen.
• Simular el efecto del ruido en los datos de medición de salida proporcionados diferentes decisiones de diseño. Ajustar los parámetros de diseño hasta llegar a relación señal/ruido adecuada para tu caso de uso.
• Comparte tus comentarios sobre la utilidad de los informes de resumen, que valores de épsilon y los parámetros de ruido funcionan para ti, ¿cuáles no? ¿Dónde están? los puntos de inflexión?

Piensa en esto como un paso de preparación. Noise Lab y genera datos de medición para simular los resultados de un informe de resumen en función de tu entrada. No se conservan ni comparten datos.

Noise Lab tiene dos modos diferentes:

1. Modo simple: Comprende los aspectos básicos de los controles que tienes sobre el ruido.
2. Modo avanzado: Prueba diferentes estrategias de administración de ruido y evalúa lo que genera las mejores relaciones señal-ruido para tus casos de uso.

Haz clic en los botones del menú superior para alternar entre los dos. (#1 en la captura de pantalla a continuación).

Modo simple

• Con el modo simple, se controlan los parámetros (se encuentran a la izquierda) lado o #2. (en la siguiente captura de pantalla), como Épsilon, y veremos cómo afectan al ruido.
• Cada parámetro tiene un cuadro de información (un botón `?`). Haz clic en ellos para ver un explicación de cada parámetro (n. o 3 en la captura de pantalla a continuación)
• Para empezar, haz clic en el botón "Simular" y observa cómo se ve el resultado como (#4. en la captura de pantalla a continuación).
• En la sección Salida, puedes ver una variedad de detalles. Algunos elementos tienen un "?" junto a ellos. Tómate el tiempo para hacer clic en cada "?" para ver un y una explicación de los diversos tipos de información.
• En la sección Salida, haz clic en el botón de activación Detalles (Details). si deseas ver una versión expandida de la tabla (#5. en la captura de pantalla a continuación).
• Debajo de cada tabla de datos en la sección de salida, hay una opción para descargar la tabla y usarla sin conexión. Además, en la parte inferior en la esquina derecha hay una opción para descargar todas las tablas de datos (#6. in (consulta la siguiente captura de pantalla)
• Prueba diferentes parámetros de configuración para los parámetros en la sección Parámetros y haz clic en Simular para ver cómo influyen en el resultado:

  

Modo avanzado

• En el Modo avanzado, tienes más control sobre los parámetros. Tú puedes agregar dimensiones y objetivos de medición personalizados (#1 y n° 2 en la captura de pantalla a continuación)
• Desplázate más abajo en la sección Parámetros y consulta la Clave Opción de estrategia. Esto se puede usar para probar diferentes estructuras clave (n.o 3. en la captura de pantalla a continuación).
  • Para probar diferentes estructuras clave, cambia la estrategia de la clave a "B"
  • Ingresa la cantidad de estructuras clave que deseas usar. (el valor predeterminado es "2")
  • Haz clic en Generar estructuras clave.
  • Verás opciones para especificar tus estructuras de clave haciendo clic en las casillas de verificación junto a las claves que deseas incluir en cada estructura
  • Haz clic en Simular para ver el resultado.

    

    

    .

Métricas de ruido

Concepto principal

Se agrega ruido para proteger la privacidad individual del usuario.

Un valor de ruido alto indica que los buckets o las claves están dispersos contienen contribuciones de una cantidad limitada de sucesos delicados. Ya se completó este paso automáticamente, para permitir que las personas se "oculten entre la multitud" o en en otras palabras, protege la capacidad privacidad con una mayor cantidad de ruido adicional.

Un valor de ruido bajo indica que la configuración de datos se diseñó de tal manera de una manera que ya permite a las personas “ocultar” entre la multitud. Esto significa que o buckets contienen contribuciones de una cantidad suficiente de eventos para garantizar que la privacidad individual del usuario está protegida.

Esta afirmación es válida tanto para el error porcentual promedio (APE) y RMSRE_T (raíz cuadrada del error cuadrático medio con un umbral).

APE (error porcentual promedio)

El APE es la proporción del ruido sobre la señal, es decir, el valor de resumen verdadero.p> Los valores más bajos de APE significan mejores relaciones señal-ruido.

Formula

Para un informe resumido determinado, el APE se calcula de la siguiente manera:

True es el valor de resumen verdadero. APE es el promedio del ruido sobre cada verdadero valor de resumen, promediado entre todas las entradas de un informe de resumen. En Noise Lab, este valor se multiplica por 100 para obtener un porcentaje.

Pros y contras

Los buckets con tamaños más pequeños tienen un impacto desproporcionado en el valor final del APE. Eso puede ser engañoso cuando se evalúa el ruido. Por eso agregamos otra métrica, RMSRE_T, que está diseñada para mitigar esta limitación del APE. Revisa los ejemplos para obtener más información.

Código

Revisa el código fuente. para el cálculo del APE.

RMSRE_T (error relativo raíz cuadrada de la media con un umbral)

RMSRE_T (error relativo raíz cuadrada de la media con un umbral) es otra medida para el ruido.

Cómo interpretar RMSRE_T

Los valores más bajos de RMSRE_T significan mejores relaciones señal-ruido.
Por ejemplo, si una relación de ruido aceptable para tu caso de uso es del 20% y la RMSRE_T es de 0.2, puedes estar seguro de que los niveles de ruido se encuentran dentro de tu rango aceptable.

Formula

Para un informe de resumen dado, RMSRE_T se calcula de la siguiente manera:

Pros y contras

RMSRE_T es un poco más complejo de entender que el APE. Sin embargo, tiene algunas ventajas que lo hacen, en algunos casos, más adecuado que el APE para analizar el ruido en informes resumidos:

• RMSRE_T es más estable. “T” es un umbral. “T” se usa para dar menos peso en el cálculo de RMSRE_T a los buckets que tienen menos conversiones y, por lo tanto, son más sensibles al ruido debido a su tamaño pequeño. Con T, la métrica no aumenta repentinamente en buckets con pocas conversiones. Si T es igual a 5, un valor de ruido tan pequeño como 1 en un bucket con 0 conversiones no se mostrará como mucho más de 1. En su lugar, se limitará a 0.2, que equivale a 1/5, ya que T es igual a 5. Al dar menos peso a los buckets más pequeños, que son más sensibles al ruido, esta métrica es más estable y, por lo tanto, facilita la comparación de dos simulaciones.
• RMSRE_T permite una agregación sencilla. Conocer el RMSRE_T de varios buckets, junto con sus recuentos verdaderos, te permite calcular el RMSRE_T de su suma. Esto también te permite optimizar para RMSRE_T para estos valores combinados.

Si bien la agregación es posible para los APE, la fórmula es bastante complicada, ya que implica el valor absoluto de la suma de ruidos de Laplace. Esto hace que el APE sea más difícil de optimizar.

Código

Revisa el código fuente del cálculo de RMSRE_T.

Ejemplos

Informe de resumen con tres segmentos:

• bucket_1 = ruido: 10, trueSummaryValue: 100
• bucket_2 = ruido: 20, trueSummaryValue: 100
• bucket_3 = ruido: 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 

Informe de resumen con tres segmentos:

• bucket_1 = ruido: 10, trueSummaryValue: 100
• bucket_2 = ruido: 20, trueSummaryValue: 100
• bucket_3 = ruido: 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

Informe de resumen con tres segmentos:

• bucket_1 = ruido: 10, trueSummaryValue: 100
• bucket_2 = ruido: 20, trueSummaryValue: 100
• bucket_3 = ruido: 20, trueSummaryValue: 0

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

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

Administración de claves avanzada

Una DSP o empresa de medición de anuncios podría tener miles de publicidad global de clientes que abarcan varios sectores, monedas y precios de compra potenciales. Esto significa que crear y administrar una clave de agregación por es probable que el anunciante no sea muy práctico. Además, será difícil seleccionar un valor y un presupuesto agregables máximos que puedan limitan el impacto del ruido en estos miles de anunciantes globales. En cambio, consideremos las siguientes situaciones:

Estrategia clave A

El proveedor de tecnología publicitaria decide crear y administrar una clave en todas sus para los clientes publicitarios. En todos los anunciantes y monedas, el rango de de compras varían desde compras de bajo volumen y de gama alta hasta compras de alto volumen y gama baja compras. Esto da como resultado la siguiente clave:

Estrategia clave B

El proveedor de tecnología publicitaria decide crear y administrar dos claves en todas sus para los clientes publicitarios. Decide separar las claves por moneda. En todos anunciantes y todas las monedas, el rango de compras varía de un volumen bajo, desde las compras de gama alta hasta las compras de gran volumen y las compras de gama baja. Separar por moneda, crean 2 claves:

La estrategia clave B tendrá menos ruido en su resultado que la estrategia clave A, y los valores de moneda no se distribuyen de manera uniforme entre las monedas. Por ejemplo: considere cómo se mezclaron las compras denominadas en JPY con las compras denominadas en USD alterará los datos subyacentes y el resultado ruidoso.

Estrategia clave C

El proveedor de tecnología publicitaria decide crear y administrar cuatro claves en todas los clientes de publicidad y separarlos por moneda x anunciante industria:

La estrategia clave C tendrá menos ruido en su resultado que la estrategia clave B, porque los valores de compra de los anunciantes no se distribuyen de manera uniforme entre los anunciantes. Para Por ejemplo, considere cómo las compras de joyas de alta gama se relacionaron con las compras. de gorras de béisbol alterará los datos subyacentes y esto generará una salida ruidosa.

Considera crear valores agregados máximos compartidos y factores de escala compartidos de similitudes entre varios anunciantes con el fin de reducir el ruido en el salida. Por ejemplo, podrías experimentar con las distintas estrategias que se indican a continuación para tus anunciantes:

• Una estrategia separada por moneda (USD, JPY, CAD, etcétera)
• Una estrategia separada por industria del anunciante (seguros, automóviles, venta minorista, etcétera)
• Una estrategia separada por rangos de valor de compra similares ([100], [1,000], [10,000], etcétera)

Mediante la creación de estrategias clave en torno a las similitudes, las claves y el código correspondiente son más fáciles de administrar, y la relación señal-ruido se vuelve mayores. Experimentar con distintas estrategias con distintos anunciantes similitudes para descubrir puntos de inflexión para maximizar el impacto del ruido en comparación con el código y administración de posturas.

Administración avanzada de valores atípicos

Analicemos una situación con dos anunciantes:

• Anunciante A:
  • En todos los productos del sitio del anunciante A, el precio de compra posibilidades están entre [$120 - $1,000] , para un rango de $880.
  • Los precios de compra se distribuyen de manera uniforme en el rango de USD 880. sin valores atípicos fuera de las dos desviaciones estándar del precio de compra medio.
• Anunciante B:
  • En todos los productos del sitio del anunciante B, el precio de compra posibilidades están entre [$120 - $1,000] , para un rango de $880.
  • Los precios de compra se inclinan fuertemente hacia el rango de USD 120 a USD 500, y solo el 5% de las compras está en el rango de USD 500 a USD 1,000.

Dado el requisitos del presupuesto de contribución y la metodología con la que se aplica el ruido a los resultados finales, el anunciante B tendrá, de forma predeterminada, un resultado más ruidoso que al anunciante A, ya que el anunciante B tiene un mayor potencial de que los valores atípicos tengan un impacto en cálculos subyacentes.

Esto se puede mitigar con una configuración de clave específica. Prueba estrategias clave que ayudan a administrar los datos de valores atípicos y a distribuir de manera más uniforme los valores de compra en el rango de compra de la clave.

En el caso del anunciante B, podrías crear dos claves distintas para captar dos o los rangos de valores de compra. En este ejemplo, la tecnología publicitaria notó que los valores atípicos aparecer por encima del valor de compra de USD 500, Implementa dos claves distintas para este anunciante:

• Estructura clave 1 : clave que solo captura las compras entre las rango de USD 120 - USD 500 (que cubre aproximadamente un 95% del volumen total de compras).
• Estructura clave 2: Clave que solo captura las compras superiores a USD 500 (cubren aproximadamente un 5% del volumen total de compras).

La implementación de esta estrategia clave debería administrar mejor el ruido para el anunciante B y ayudarlos a maximizar su utilidad a partir de informes resumidos. Dado el nuevo comportamiento ahora las claves A y B deberían tener una distribución de datos más uniforme en cada clave respectiva que para la clave única anterior. Esto dará como resultado menos impacto de ruido en la salida de cada clave que en la clave anterior.