NoiseLab

Faites un essai dans Noise Lab

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Vos données de conversion".
3. Respectez les paramètres par défaut. Par défaut, la valeur quotidienne de TOTAL le nombre de conversions attribuables est de 1 000. Cela représente environ 40 par bucket si vous utilisez la configuration par défaut (dimensions par défaut, nombre de valeurs possibles différentes pour chaque dimension, stratégie clé A). Notez que la valeur est de 40 dans le nombre moyen de conversions attribuables par jour d'entrée PAR BUCKET.
4. Cliquez sur "Simuler" pour exécuter une simulation avec les paramètres par défaut.
5. Dans le panneau latéral "Paramètres", recherchez "Dimensions". Renommer Définissez le champ Geography (Zone géographique) sur City (Ville), puis définissez le nombre de valeurs différentes possibles sur 50.
6. Observez l'évolution du nombre moyen de conversions attribuables quotidiennes PAR BUCKET. Elle est désormais bien inférieure. En effet, si vous augmentez le nombre de valeurs possibles dans cette dimension sans la modifier vous augmentez le nombre total de buckets sans modifier le nombre d'événements de conversion qui appartiendront à chaque segment.
7. Cliquez sur "Simuler".
8. Observez les rapports de bruit de la simulation obtenue. Ils sont soit supérieur à celui de la simulation précédente.

Faites un essai dans Noise Lab

En mode simple, la structure de clé par défaut est utilisée. Dans la section vous pouvez tester différentes structures de clés. Exemples de dimensions sont incluses ; vous pouvez également les modifier.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Stratégie de clé". Observer que la stratégie par défaut, nommée A dans l'outil, utilise une clé précise structure qui inclut toutes les dimensions: Zone géographique x ID de campagne x Produit catégorie.
3. Cliquez sur "Simuler".
4. Observez les rapports de bruit de la simulation obtenue.
5. Définissez la stratégie de clés sur B. Des commandes supplémentaires s'affichent pour configurer votre structure de clés.
6. Configurez la structure de vos clés, par exemple comme suit: <ph type="x-smartling-placeholder">
   </ph>
   1. Nombre de structures de clés: 2
   2. Structure de la clé 1 = Zone géographique x Catégorie de produit
   3. Structure de clé 2 = ID de campagne x catégorie de produit
7. Cliquez sur "Simuler".
8. Notez que vous obtenez désormais deux rapports récapitulatifs par type d'objectif de mesure. (deux pour le nombre d'achats et deux pour la valeur des achats), étant donné que vous utilisez deux structures clés distinctes. Observez leurs rapports de bruit.
9. Vous pouvez également essayer avec vos propres dimensions personnalisées. Pour ce faire, pour les données dont vous souhaitez effectuer le suivi: dimensions. Envisager de supprimer l'exemple et créer les vôtres à l'aide du bouton Ajouter/Supprimer/Réinitialiser sous la dernière dimension.

Faites un essai dans Noise Lab

1. Accédez au mode simple (ou au mode avancé). Les deux modes fonctionnent de la même manière pour la fréquence de traitement par lot)
2. Dans le panneau latéral "Paramètres", recherchez Votre stratégie d'agrégation > Fréquence de traitement par lot. Il s'agit de la fréquence de traitement par lot des rapports agrégables traités avec le service d'agrégation un seul job.
3. Observez la fréquence de traitement par lot par défaut: une fréquence la fréquence est simulée.
4. Cliquez sur "Simuler".
5. Observez les rapports de bruit de la simulation obtenue.
6. Définissez la fréquence de traitement par lot sur hebdomadaire.
7. Observez les rapports de bruit de la simulation obtenue. Ils sont est maintenant inférieure (meilleure) que celle de la simulation précédente.

Faites un essai dans Noise Lab

Bien que cela puisse être difficile à prévoir et qu'il puisse varier considérablement en plus des effets de saisonnalité, essayez d'estimer le nombre d'appels conversions attribuables au toucher unique à la puissance la plus proche de 10: 10, 100, 1 000 ou 10 000.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Vos données de conversion".
3. Respectez les paramètres par défaut. Par défaut, la valeur quotidienne de TOTAL le nombre de conversions attribuables est de 1 000. Cela représente environ 40 par bucket si vous utilisez la configuration par défaut (dimensions par défaut, nombre de valeurs possibles différentes pour chaque dimension, stratégie clé A). Notez que la valeur est de 40 dans le nombre moyen de conversions attribuables par jour d'entrée PAR BUCKET.
4. Cliquez sur "Simuler" pour exécuter une simulation avec les paramètres par défaut.
5. Observez les rapports de bruit de la simulation obtenue.
6. À présent, définissez le nombre total de conversions attribuables par jour sur 100. Notez que cela réduit la valeur de la moyenne quotidienne attribuable nombre de conversions PAR BUCKET.
7. Cliquez sur "Simuler".
8. Notez que les rapports de bruit sont maintenant plus élevés, car lorsque vous moins de conversions par segment, plus de bruit est appliqué pour maintenir confidentialité.

Faites un essai dans Noise Lab

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez Votre stratégie d'agrégation > Scaling. Par défaut, il est défini sur Oui.
3. Afin de comprendre les effets positifs de la mise à l'échelle sur le bruit par défaut, définissez d'abord "Mise à l'échelle" sur "Non".
4. Cliquez sur "Simuler".
5. Observez les rapports de bruit de la simulation obtenue.
6. Définissez le scaling sur "Oui". Notez que Noise Lab calcule automatiquement facteurs de scaling à utiliser en fonction des plages (valeurs moyennes et maximales) de les objectifs de mesure de votre scénario. Dans un système réel ou une phase d'évaluation vous devez implémenter votre propre calcul pour les facteurs de scaling.
7. Cliquez sur "Simuler".
8. Notez que les rapports de bruit sont maintenant plus bas (meilleurs) pendant cette seconde et la simulation. En effet, vous utilisez le scaling.

Faites un essai dans Noise Lab

Un objectif de mesure est un point de données distinct collecté dans les événements de conversion.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez les données que vous souhaitez suivre: Objectifs de mesure. Par défaut, vous avez deux objectifs de mesure: les achats et le nombre d'achats.
3. Cliquez sur "Simuler" pour exécuter une simulation avec les objectifs par défaut.
4. Cliquez sur "Supprimer". Le dernier objectif de mesure (achat dans ce cas).
5. Cliquez sur "Simuler".
6. Notez que les rapports de bruit pour la valeur d'achat sont maintenant inférieurs (mieux) pour cette deuxième simulation. En effet, vous avez moins de objectifs de mesure. Votre objectif de mesure comprend donc le budget de contribution.
7. Cliquez sur "Réinitialiser". Vous avez à nouveau deux objectifs de mesure: les achats et le nombre d'achats. Notez que Noise Lab calcule automatiquement facteurs de mise à l'échelle à utiliser compte tenu des plages (valeurs moyennes et maximales) des les objectifs de mesure de votre scénario. Par défaut, Noise Lab divise le le même budget pour tous les objectifs de mesure.
8. Cliquez sur "Simuler".
9. Observez les rapports de bruit de la simulation obtenue. Prenez note du les facteurs de scaling affichés dans la simulation.
10. Nous allons maintenant personnaliser la répartition du budget pour la confidentialité rapports signal/bruit.
11. Modifiez le pourcentage de budget attribué à chaque objectif de mesure. Compte tenu de la valeur par défaut l'objectif de mesure 1, à savoir la valeur des achats, plus large (entre 0 et 1 000) que l'objectif de mesure 2, soit le nombre d'achats (entre 1 et 1, c'est-à-dire toujours égal à 1). En raison de elle a besoin de « plus d'espace pour évoluer » : il serait idéal d'attribuer plus la contribution du budget à l'objectif de mesure 1 plutôt qu'à l'objectif de mesure 2, de sorte que il peut être étendu plus efficacement (voir "Scaling").
12. Attribuez 70% du budget à l'objectif de mesure 1. Attribuer 30% à la mesure objectif 2.
13. Cliquez sur "Simuler".
14. Observez les rapports de bruit de la simulation obtenue. Achat , les rapports de bruit sont désormais nettement inférieurs (meilleurs) et la simulation. En ce qui concerne le nombre d'achats, ils restent à peu près les mêmes.
15. Continuez à ajuster la répartition du budget entre les métriques. Observez l'impact bruit.

Notez que vous pouvez définir vos propres objectifs de mesure personnalisés à l'aide du Boutons "Ajouter", "Supprimer" et "Réinitialiser"

Faites un essai dans Noise Lab

Un objectif de mesure est un point de données distinct collecté dans les événements de conversion.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez Votre stratégie d'agrégation > Scaling.
3. Assurez-vous que le scaling est défini sur "Oui". Notez que Noise Lab calcule automatiquement les facteurs de scaling à utiliser, en fonction (valeurs moyennes et maximales) que vous avez définies pour les objectifs de mesure.
4. Supposons que l'achat le plus important jamais effectué s'élève à 2 000 €, mais que la plupart des achats sont compris entre 10 et 120 $. Voyons d'abord ce qui se passe si nous utilisons une approche de mise à l'échelle littérale (non recommandé): saisissez 2 000 $comme valeur la valeur maximale de purchaseValue.
5. Cliquez sur "Simuler".
6. Notez que les rapports de bruit sont élevés. En effet, notre scaling est actuellement calculé sur la base de 2 000 USD, alors qu'en réalité la valeur des achats sera nettement inférieure à cette valeur.
7. Maintenant, utilisons une approche de mise à l'échelle plus pragmatique. Modifier le maximum à 120 $.
8. Cliquez sur "Simuler".
9. Notez que les rapports de bruit sont plus faibles (meilleurs) dans cette deuxième simulation.

Visite rapide de Noise Lab

Noise Lab vous aide rapidement d'évaluer et de comparer les stratégies de gestion du bruit. Utilisez-la pour :

• Identifiez les principaux paramètres pouvant avoir une incidence sur le bruit l'effet escompté.
• Simuler l'effet du bruit sur les données de mesure de sortie données différentes décisions de conception. Modifiez les paramètres de conception jusqu'à atteindre rapport signal/bruit adapté à votre cas d'utilisation.
• Faites-nous part de vos commentaires sur l'utilité des rapports de synthèse : les valeurs des paramètres de bruit et epsilon, lesquelles ne fonctionnent pas ? Où se trouvent les points d'inflexion ?

Considérez cela comme une étape de préparation. Labo de bruit génère des données de mesure pour simuler les résultats des rapports récapitulatifs en fonction de vos saisie. Il ne conserve pas de données et ne les partage pas.

Il existe deux modes différents dans Noise Lab:

1. Mode simple: découvrez les principes de base des commandes dont vous disposez sur le bruit.
2. Mode avancé: testez différentes stratégies de gestion du bruit et évaluez laquelle permet d'obtenir le meilleur rapport signal/bruit pour vos cas d'utilisation.

Cliquez sur les boutons du menu supérieur pour passer de l'un à l'autre. (voir la capture d'écran ci-dessous).

Mode simple

• En mode simple, vous contrôlez les paramètres (situés à gauche de l'écran) ou #2. dans la capture d'écran ci-dessous), comme Epsilon, pour voir leur impact sur le bruit.
• Chaque paramètre est associé à une info-bulle (bouton "?"). Cliquez sur ces éléments pour afficher une explication de chaque paramètre (n° 3 dans la capture d'écran ci-dessous) ;
• Pour commencer, cliquez sur le bouton "Simuler" bouton et observez la sortie par exemple (#4. dans la capture d'écran ci-dessous).
• La section "Output" (Sortie) contient de nombreux détails. Un peu sont précédés d'un "?". Prenez le temps de cliquer sur chaque "?" pour afficher un une explication des différentes informations.
• Dans la section "Output" (Sortie), cliquez sur le bouton "Details" (Détails). pour afficher une version développée du tableau (n° 5 dans la capture d'écran ci-dessous) ;
• Sous chaque tableau de données dans la section "Output" (Résultats), une option pour télécharger le tableau afin de l'utiliser hors connexion. De plus, en bas de la page Dans l'angle droit, une option permet de télécharger tous les tableaux de données (n°6 : dans la capture d'écran ci-dessous)
• Testez différents paramètres dans la section "Paramètres". et cliquez sur "Simuler" pour voir leur impact sur le résultat: <ph type="x-smartling-placeholder">

  </ph>

Mode avancé

• En mode avancé, vous avez plus de contrôle sur les paramètres. Toi vous pouvez ajouter des dimensions et des objectifs de mesure personnalisés (n° 1. et n° 2 dans la capture d'écran ci-dessous)
• Faites défiler la section "Paramètres" vers le bas, Stratégie. Cela permet de tester différentes structures de clés (N° 3 dans la capture d'écran ci-dessous) <ph type="x-smartling-placeholder">
  </ph>
  • Pour tester différentes structures de clés, définissez la stratégie sur "B"
  • Saisissez le nombre de structures de clés différentes que vous souhaitez utiliser (la valeur par défaut est "2")
  • Cliquez sur "Generate Key Structures" (Générer des structures de clés).
  • Des options permettant de spécifier les structures de clés s'affichent en cliquant sur les cases à cocher à côté des clés que vous souhaitez inclure pour chaque structure de clés.
  • Cliquez sur "Simuler" pour afficher le résultat. <ph type="x-smartling-placeholder">

    </ph>

    

Métriques de bruit

Concept clé

Du bruit est ajouté afin de protéger la confidentialité de chaque utilisateur.

Une valeur de bruit élevée indique que les buckets/clés sont creux et qui contiennent des contributions provenant d'un nombre limité d'événements sensibles. C'est fait automatiquement par Noise Lab, pour permettre aux individus de « se cacher dans la foule », ou dans d'autres termes, protège ces personnes limitées la confidentialité avec une plus grande quantité de bruit supplémentaire.

Une valeur de bruit faible indique que la configuration des données a été conçue une manière qui permet déjà aux individus de « se cacher dans la foule ». Cela signifie que les buckets contiennent les contributions d'un nombre suffisant d'événements pour garantir que la vie privée des utilisateurs individuels est protégée.

Cette affirmation s'applique à la fois au pourcentage d'erreur moyen (APE) et RMSRE_T (erreur relative racine carrée du carré avec un seuil).

APE (erreur en pourcentage moyen)

L'APE correspond au ratio entre le bruit et le signal, à savoir la valeur récapitulative réelle.p> Des valeurs APE plus faibles signifient de meilleurs rapports signal/bruit.

Formule

Pour un rapport récapitulatif donné, l'APE est calculé comme suit:

</ph>

True est la véritable valeur de résumé. L'APE correspond à la moyenne du bruit sur chaque valeur récapitulative réelle, moyenne calculée à partir de toutes les entrées d'un rapport récapitulatif. Dans Noise Lab, ce chiffre est ensuite multiplié par 100 pour obtenir un pourcentage.

Avantages et inconvénients

Les buckets de plus petite taille ont un impact disproportionné sur la valeur finale de l'APE. Cela pourrait être trompeur lors de l'évaluation du bruit. C'est pourquoi nous avons ajouté une autre métrique, RMSRE_T, afin d'atténuer cette limitation de l'APE. Consultez les exemples pour en savoir plus.

Code

Examinez le code source. pour le calcul de l'APE.

RMSRE_T (erreur relative racine carrée de l'erreur quadratique moyenne avec un seuil)

La RMSRE_T (racine-moyenne quadratique relative avec un seuil) est une autre mesure du bruit.

Interpréter RMSRE_T

Des valeurs RMSRE_T plus faibles signifient de meilleurs rapports signal/bruit.
Par exemple, si un rapport de bruit acceptable pour votre cas d'utilisation est de 20 % et que la valeur RMSRE_T est de 0,2, vous pouvez être sûr que les niveaux de bruit se situent dans votre plage acceptable.

Formule

Pour un rapport récapitulatif donné, le RMSRE_T est calculé comme suit:

</ph>

Avantages et inconvénients

RMSRE_T est un peu plus complexe à comprendre qu'APE. Cependant, il présente quelques avantages qui en font, dans certains cas, plus adapté que l'APE pour analyser le bruit dans les rapports récapitulatifs:

• RMSRE_T est plus stable. "M" est un seuil. "M" permet d'accorder moins de poids dans le calcul RMSRE_T aux buckets qui enregistrent moins de conversions et qui sont donc plus sensibles au bruit en raison de leur petite taille. Avec l'indicateur T, la métrique n'augmente pas sur les buckets avec peu de conversions. Si T est égal à 5, une valeur de bruit aussi faible que 1 sur un ensemble contenant 0 conversion ne sera pas affichée comme étant supérieure à 1. Au lieu de cela, il sera plafonné à 0,2, ce qui équivaut à 1/5, puisque T est égal à 5. En donnant moins de poids aux petits buckets, qui sont donc plus sensibles au bruit, cette métrique est plus stable et facilite la comparaison entre deux simulations.
• RMSRE_T permet une agrégation facile. Connaître la valeur RMSRE_T de plusieurs buckets, ainsi que leurs décomptes réels, vous permet de calculer le RMSRE_T de leur somme. Cela vous permet également d'optimiser RMSRE_T pour ces valeurs combinées.

Bien que l'agrégation soit possible pour l'APE, la formule est assez compliquée, car elle implique la valeur absolue de la somme des bruits de Laplace. Cela complique l'optimisation de l'APE.

Code

Consultez le code source pour le calcul RMSRE_T.

Exemples

Rapport récapitulatif composé de trois segments:

• bucket_1 = bruit: 10, trueSummaryValue: 100
• bucket_2 = bruit: 20, trueSummaryValue: 100
• bucket_3 = bruit: 20, trueSummaryValue: 200

EPI = (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 

Rapport récapitulatif composé de trois segments:

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

EPI = (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

Rapport récapitulatif composé de trois segments:

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

EAP = (0,1 + 0,2 + Infini) / 3 = Infini

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

Gestion avancée des clés

Une DSP ou une société d'évaluation des annonces peut diffuser des milliers de publicités mondiales clients, couvrant plusieurs secteurs, devises et prix d'achat potentiels. Cela signifie que la création et la gestion d'une clé d'agrégation l'annonceur ne sera probablement pas pratique. De plus, il s'agira il est difficile de choisir une valeur agrégable et un budget d'agrégation maximaux limiter l'impact du bruit sur ces milliers d'annonceurs mondiaux. À la place, examinons les scénarios suivants:

Stratégie clé A

Le fournisseur de technologie publicitaire décide de créer et de gérer une clé pour l'ensemble de publicitaires. Pour tous les annonceurs et toutes les devises, la plage de Les achats varient des achats de faible volume, haut de gamme, à des achats de volume élevé, bas de gamme des achats. Vous obtenez la clé suivante:

Stratégie clé B

Le fournisseur de technologie publicitaire décide de créer et de gérer deux clés pour l'ensemble de publicitaires. Il décide de séparer les clés par devise. Dans l'ensemble et toutes les devises, les achats varient d'un volume faible, les achats haut de gamme aux achats haut de gamme, bas de gamme. En séparant par devise, ils créent deux clés:

Le résultat de la stratégie clé B sera moins bruyant que celui de la stratégie clé A, car les valeurs monétaires ne sont pas réparties uniformément entre les devises. Par exemple : examinez la manière dont les achats sont libellés en ¥ et associés aux achats libellés en le dollar américain altère les données sous-jacentes, ce qui génère du bruit dans la sortie.

Stratégie clé C

Le fournisseur de technologie publicitaire décide de créer et de gérer quatre clés pour l'ensemble ses clients annonceurs, et les séparer par Devise x Annonceur secteur:

Le résultat de la stratégie clé C sera moins bruyant que celui de la stratégie clé B, car les valeurs d'achat des annonceurs ne sont pas réparties uniformément entre les annonceurs. Pour Prenons l'exemple de la façon dont les achats de bijoux haut de gamme coïncident avec les achats pour les casquettes de base-ball modifie les données sous-jacentes et génère du bruit.

Envisagez de créer des valeurs agrégées maximales partagées et des facteurs de scaling partagés pour identifier les points communs entre plusieurs annonceurs, afin de réduire le bruit de sortie. Par exemple, vous pouvez tester différentes stratégies ci-dessous pour vos annonceurs:

• Une stratégie séparée par devise (USD, ¥, CAD, etc.)
• Une stratégie séparée par secteur d'activité (assurance, automobile, Commerce, etc.)
• Une stratégie séparée par des plages de valeurs d'achat similaires ([100], [1 000], [10 000], etc.)

En créant des stratégies clés qui s'articulent autour des points communs des annonceurs, des clés et des du code correspondant sont plus faciles à gérer, et le rapport signal/bruit devient plus élevée. Testez différentes stratégies avec différents annonceurs points d'inflexion permettant de maximiser l'impact du bruit par rapport au code gestion de la sécurité.

Gestion avancée des anomalies

Prenons l'exemple de deux annonceurs:

• Annonceur A:
  • Sur tous les produits du site de l'annonceur A, le prix d'achat les possibilités sont comprises entre [$120 - $1,000] , pour une fourchette de $880.
  • Les prix d'achat sont répartis uniformément sur la gamme de 880 $ sans aucune anomalie en dehors de deux écarts types par rapport au prix d'achat médian.
• Annonceur B:
  • Pour tous les produits du site de l'annonceur B, le prix d'achat les possibilités sont comprises entre [$120 - $1,000] , pour une fourchette de $880.
  • Les prix d'achat varient fortement vers la fourchette de 120 à 500 $, seulement 5% des achats sont compris entre 500 et 1 000 $.

Étant donné le exigences concernant le budget des contributions et la méthodologie avec laquelle le bruit est appliqué aux résultats finaux, l'annonceur B aura, par défaut, un résultat plus bruyant que L'annonceur A, car il est plus susceptible d'avoir des anomalies des calculs sous-jacents.

Il est possible de limiter ce risque en configurant une clé spécifique. Tester des stratégies clés qui aident à gérer les données aberrantes et à répartir plus équitablement les valeurs des achats sur toute la plage d'achat de la clé.

Pour l'annonceur B, vous pouvez créer deux clés distinctes afin de capturer deux clés différentes de valeurs d'achat. Dans cet exemple, la technologie publicitaire a remarqué que les anomalies s'affichent au-dessus de la valeur d'achat de 500 €. Essayez d'implémenter deux clés distinctes pour cet annonceur:

• Structure clé 1 : clé qui ne capture que les achats effectués entre compris entre 120 € et 500 € (couvrant environ 95% du volume total des achats).
• Structure clé 2: clé ne capturant que les achats supérieurs à 500 $ (couvrant environ 5% du volume total des achats).

La mise en œuvre de cette stratégie clé devrait permettre de mieux gérer le bruit pour l'annonceur B et afin de maximiser leur utilité dans les rapports de synthèse. Étant donné le nouveau plages, la clé A et la clé B devraient maintenant avoir une distribution plus uniforme des données sur chaque clé respectivement que pour la clé unique précédente. Cela se traduira par moins de bruit dans la sortie de chaque clé que pour la clé précédente.