Mit Rauschen arbeiten

Hier erfahren Sie, wie Sie mit Rauschen in aggregierten Berichten arbeiten, diese berücksichtigen und deren Auswirkungen reduzieren.

Hinweis

Bevor Sie fortfahren, lesen Sie den Artikel Rauschen in zusammenfassenden Berichten, um tiefgehende Informationen dazu zu erhalten, was Rauschen ist und welche Auswirkungen sie haben.

Deine Einstellungen für Geräusche

Sie können das Rauschen, das Ihren aggregierten Berichten hinzugefügt wird, zwar nicht direkt beeinflussen, es gibt jedoch Möglichkeiten, die Auswirkungen zu minimieren. In den folgenden Abschnitten werden diese Strategien erläutert.

Auf Beitragsbudget hochskalieren

Wie unter „Rauschen verstehen“ erläutert, basiert das auf den Zusammenfassungswert jedes Schlüssels angewendete Rauschen auf der Skala von 0–65.536 (0–CONTRIBUTION_BUDGET).

Wenn Sie also das Signal im Verhältnis zum Rauschen maximieren möchten, sollten Sie jeden Wert hochskalieren, bevor Sie ihn als aggregierten Wert festlegen. Das heißt, multiplizieren Sie jeden Wert mit einem bestimmten Faktor, dem Skalierungsfaktor, und achten Sie dabei darauf, dass er im Rahmen des Beitragsbudgets bleibt.

Skalierungsfaktor berechnen

Der Skalierungsfaktor gibt an, wie stark ein bestimmter aggregierter Wert skaliert werden soll. Der Wert sollte aus dem Beitragsbudget geteilt durch den maximalen aggregierten Wert für einen bestimmten Schlüssel errechnet werden.

Angenommen, Werbetreibende möchten den gesamten Kaufwert ermitteln. Sie wissen, dass der maximal erwartete Kaufwert jedes einzelnen Kaufs 2.000 € beträgt, mit Ausnahme einiger Ausreißer, die Sie ignorieren:

• Skalierungsfaktor berechnen: <ph type="x-smartling-placeholder">
  </ph>
  • Um das Signal-Rausch-Verhältnis zu maximieren, müssen Sie diesen Wert auf 65.536 (das Beitragsbudget) skalieren.
  • Daraus ergibt sich ein Skalierungsfaktor von etwa 65.536 / 2.000, der ungefähr 32x beträgt. In der Praxis können Sie diesen Faktor auf- oder abrunden.
• Skalieren Sie die Werte vor der Aggregation hoch. Erhöhen Sie den erfassten Messwert für jeden Kauf in Höhe von $1 um 32. Beispiel: Legen Sie für einen Kauf im Wert von 120 € einen aggregierten Wert von 120 × 32 = 3.840 fest.
• Werte nach der Aggregation herunterskalieren Sobald Sie den Zusammenfassungsbericht erhalten haben, der den Kaufwert aus mehreren Nutzern enthält, verringern Sie den Zusammenfassungswert mit dem Skalierungsfaktor, den Sie vor der Aggregation verwendet haben. In unserem Beispiel haben wir vor der Aggregation einen Skalierungsfaktor von 32 verwendet. Daher müssen wir den im zusammenfassenden Bericht erhaltenen Zusammenfassungswert durch 32 teilen. Wenn also der zusammenfassende Kaufwert für einen bestimmten Schlüssel im zusammenfassenden Bericht 76.800 beträgt, beträgt der zusammenfassende Kaufwert (mit Rauschen) 76.800/32 = 2.400 $.

Budget aufteilen

Wenn Sie mehrere Analyseziele haben, z. B. Anzahl der Käufe und Kaufwert, sollten Sie Ihr Budget auf diese Zielvorhaben aufteilen.

In diesem Fall sind Ihre Skalierungsfaktoren für verschiedene aggregierbare Werte unterschiedlich, abhängig vom erwarteten Maximum eines bestimmten aggregierbaren Werts.

Weitere Informationen finden Sie unter Informationen zu Aggregationsschlüsseln.

Angenommen, Sie erfassen sowohl die Anzahl der Käufe als auch den Kaufwert und möchten Ihr Budget gleichmäßig verteilen.

65.536 ÷ 2 = 32.768 können pro Messtyp und Quelle zugewiesen werden.

• Anzahl der Käufe: <ph type="x-smartling-placeholder">
  </ph>
  • Sie erfassen nur einen Kauf, daher ist die maximale Anzahl von Käufen für eine bestimmte Conversion 1.
  • Daher entscheiden Sie sich, den Skalierungsfaktor für die Anzahl der Käufe auf 32.768 / 1 = 32.768 zu setzen.
• Kaufwert: <ph type="x-smartling-placeholder">
  </ph>
  • Angenommen,der erwartete Kaufwert eines Einzelkaufs beträgt maximal 2.000 €.
  • Daher entscheiden Sie sich, den Skalierungsfaktor für den Kaufwert auf 32.768 / 2.000 = 16,384 oder ungefähr 16 zu setzen.

Gröbere Aggregationsschlüssel verbessern das Signal-Rausch-Verhältnis

Da mit groben Schlüsseln mehr Conversion-Ereignisse erfasst werden als mit detaillierten Schlüsseln, führen solche mit ungefähren Schlüsseln in der Regel zu höheren Zusammenfassungswerten.

Höhere Zusammenfassungswerte werden weniger durch Rauschen beeinflusst als niedrigere Werte. Rauschen bei diesen Werten wahrscheinlich im Verhältnis zu diesem Wert geringer ist.

Werte, die mit gröberen Schlüsseln erfasst werden, sind wahrscheinlich weniger verrauscht als Werte, die mit detaillierteren Schlüsseln erfasst werden.

Beispiel

Wenn alles andere gleich bleibt, führt ein Schlüssel, der den Kaufwert global (zusammengefasst für alle Länder) verfolgt, zu einem höheren zusammengefassten Kaufwert (und einer höheren Conversion-Anzahl) als ein Schlüssel, der Conversions auf Länderebene erfasst.

Daher ist das relative Rauschen zum Gesamtkaufwert für ein bestimmtes Land höher als das relative Rauschen zum Gesamtkaufwert für alle Länder.

Gleichermaßen ist der Gesamtkaufwert für Schuhe niedriger als der Gesamtkaufwert aller Artikel (einschließlich Schuhe).

Daher ist das relative Rauschen auf den Gesamtwert des Kaufs für Schuhe höher als das relative Rauschen auf den Gesamtkaufwert aller Artikel.

Durch das Zusammenfassen von Zusammenfassungswerten (Rollups) wird auch das Rauschen summiert.

Indem Sie Ihre Zusammenfassungswerte aus Zusammenfassungsberichten zusammenfassen, um auf übergeordnete Daten zuzugreifen, summieren Sie auch das Rauschen aus diesen Zusammenfassungswerten.

Sehen wir uns zwei verschiedene Ansätze an: – Ansatz A: Sie schließen eine geografische ID in Ihre Schlüssel ein. Zusammenfassungsberichte enthalten Schlüssel auf Geo-ID-Ebene, die jeweils mit dem zusammenfassenden Kaufwert auf einer bestimmten Geo-ID-Ebene verknüpft sind. – Ansatz B: Sie verwenden keine Geografie-ID in Ihren Schlüsseln. In Zusammenfassungsberichten wird der zusammenfassende Kaufwert für alle Geografie-IDs / Standorte direkt angezeigt.

So rufen Sie den Kaufwert auf Länderebene auf: - Bei Ansatz A summieren Sie Zusammenfassungswerte auf Geo-ID-Ebene und somit auch deren Rauschen. Dies führt wahrscheinlich dazu, dass dem endgültigen Kaufwert auf Geo-ID-Ebene ein zusätzliches Rauschen hinzugefügt wird. - Bei der Methode B werfen Sie einen direkten Blick auf die in zusammenfassenden Berichten bereitgestellten Daten. Das Rauschen wurde diesen Daten nur einmal hinzugefügt.

Daher ist der zusammenfassende Kaufwert für eine bestimmte Geo-ID bei Ansatz A wahrscheinlich ungenauer.

Ebenso führt das Einbinden einer Dimension auf Postleitzahlenebene in Ihre Schlüssel wahrscheinlich zu ungenaueren Ergebnissen als die Verwendung von gröberen Schlüsseln mit einer Dimension auf Regionsebene.

Bei der Aggregation über längere Zeiträume wird das Signal-Rausch-Verhältnis erhöht

Wenn Sie Zusammenfassungsberichte seltener anfordern, bedeutet dies, dass jeder Zusammenfassungswert wahrscheinlich höher ist als wenn Sie Berichte häufiger anfordern. in längeren Zeiträumen wahrscheinlich mehr Conversions.

Wie bereits erwähnt, gilt: Je höher der Zusammenfassungswert ist, desto geringer ist das relative Rauschen. Daher führt die seltenere Anforderung von Zusammenfassungsberichten zu einem höheren (besseren) Signal-Rausch-Verhältnis.

Hier ein Beispiel zur Veranschaulichung:

• Wenn Sie stündliche Zusammenfassungsberichte über einen Zeitraum von 24 Stunden anfordern und dann den Zusammenfassungswert aus jedem stündlichen Bericht summieren, um auf Daten auf Tagesebene zuzugreifen, wird Rauschen 24-mal hinzugefügt.
• In einem täglichen Zusammenfassungsbericht wird das Rauschen nur einmal hinzugefügt.

Höheres Epsilon, geringeres Rauschen

Je höher der Epsilon-Wert, desto geringer ist das Rauschen und desto geringer der Datenschutz.

Filterung und Deduplizierung nutzen

Ein wichtiger Teil der Budgetzuweisung zwischen verschiedenen Schlüsseln besteht darin, zu verstehen, wie oft ein bestimmtes Ereignis eintreten kann. Beispiel: Ein Werbetreibender interessiert sich vielleicht nur für einen Kauf pro Klick, aber für bis zu drei „Produktseitenaufrufe“. Conversions. Um diese Anwendungsfälle zu unterstützen, können Sie auch die folgenden API-Funktionen nutzen, mit denen Sie steuern können, wie viele Berichte erstellt und welche Conversions gezählt werden:

• Filterfunktion: Weitere Informationen zum Filtern
• Deduplizierung. Weitere Informationen zur Deduplizierung

Experimentieren mit Epsilon

AdTechs können Epsilon auf einen Wert größer als 0 und bis einschließlich 64 setzen. Dieser Bereich ermöglicht flexible Tests. Niedrigere Werte von Epsilon bieten einen besseren Datenschutz. Wir empfehlen, mit epsilon=10 zu beginnen.

Empfehlungen für Tests

Wir empfehlen Folgendes: - Beginnen Sie mit Epsilon = 10. – Falls dies erhebliche Probleme mit dem Nutzwert verursacht, Epsilon schrittweise erhöhen. - Ihr Feedback zu bestimmten Wendepunkten in Bezug auf die Usability von Daten teilen.

Engage and share feedback

You can participate and experiment with this API.

• Read about aggregatable reports and the aggregation service, ask questions, and suggest feedback.
• Read the Attribution reporting guides.
• Ask questions and join discussions on the Privacy Sandbox Developer Support repo.

Nächste Schritte

• Weitere Informationen zu Faktoren, die sich auf die Berichterstellung auswirken, z. B. Kampagnenvariablen, Batchhäufigkeit und Detaillierungsgrad von Dimensionen, finden Sie in diesem Artikel.
• Dann probieren Sie das Noise Lab aus.