Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Informationen zu diesem Dokument
In diesem Artikel erfahren Sie:
Bevor Sie Zusammenfassungsberichte erstellen, sollten Sie sich damit vertraut machen, welche Strategien Sie erstellen sollten.
Wir stellen vor: Noise Lab, ein Tool, das die Auswirkungen verschiedener Rauschparameter erfasst und mit dem sich verschiedene Strategien zum Geräuschmanagement schnell untersuchen und bewerten lassen.
In diesem Dokument werden einige Prinzipien für zusammenfassende Berichte zusammengefasst.
Es gibt verschiedene Ansätze für das Geräuschmanagement, die möglicherweise nicht
hier. Wir freuen uns über Vorschläge, Ergänzungen und Fragen.
Wenn Sie an der Öffentlichkeit Feedback zu Strategien für Lärmmanagement geben möchten,
Nutzen oder Datenschutz der API (Epsilon) verständlich machen und Ihre Beobachtungen mitteilen,
Simulation mit Noise Lab:
Kommentar zu diesem Problem
Es gibt grundlegende Unterschiede zwischen der Funktionsweise von Drittanbieter-Cookies und Zusammenfassungsberichten. Ein wesentlicher Unterschied ist die
Rauschen, die Messdaten in zusammenfassenden Berichten hinzugefügt wurden. Eine andere Möglichkeit ist die Planung von Berichten.
Um auf Messdaten des zusammenfassenden Berichts mit einem höheren Signal-zu-Rausch-Verhältnis zuzugreifen
Demand-Side-Plattformen (DSPs) und Anbieter
von Anzeigenmessungen müssen
Gemeinsam mit ihren Werbetreibenden Strategien zum Geräuschmanagement entwickeln. Für die Entwicklung dieser Strategien müssen DSPs und Analyseanbieter Designentscheidungen treffen. Diese Entscheidungen drehen sich um ein wesentliches Konzept:
Die Rauschwerte für die Verteilung beziehen sich zwar ausschließlich auf zwei Parameter: Epsilon und das Beitragsbudget.Signal-Rausch-Verhältnisse Ihrer ausgegebenen Messdaten.
Wir gehen zwar davon aus, dass ein iterativer Prozess zu den besten Entscheidungen führt, doch jede Variante dieser Entscheidungen
führen zu einer etwas anderen Implementierung. Daher müssen diese Entscheidungen vor dem Schreiben jeder Codeiteration und vor dem Schalten von Anzeigen getroffen werden.
Entscheidung: Detaillierungsgrad der Dimension
Im Noise Lab ausprobieren
Wechsle zum erweiterten Modus.
Suchen Sie in der Seitenleiste „Parameter“ nach „Meine Conversion-Daten“.
Beachten Sie die Standardparameter. Standardmäßig sind die TOTAL täglich
die Anzahl der zugeordneten Conversions bei 1.000 liegt. Dies entspricht durchschnittlich etwa 40 pro
Bucket, wenn Sie die Standardkonfiguration verwenden (Standarddimensionen, Standardanzahl von
mögliche unterschiedliche Werte für jede Dimension, Schlüsselstrategie A). Beobachten Sie,
der Wert „40“ in der Eingabe im Feld „Durchschnittliche täglich zuordenbare Conversion-Anzahl“
PRO BUCKET.
Klicken Sie auf Simulieren, um eine Simulation mit den Standardparametern auszuführen.
Suchen Sie in der Seitenleiste „Parameter“ nach „Dimensionen“. Umbenennen
Geografie in Stadt und ändern Sie die Anzahl der möglichen unterschiedlichen Werte in 50.
Beobachten Sie, wie sich dadurch die durchschnittliche täglich zuordenbare Conversion ändert.
Anzahl PRO BUCKET. Jetzt ist er viel niedriger. Das liegt daran, dass Sie
die Anzahl möglicher Werte innerhalb dieser Dimension, ohne sich zu ändern
erhöhen Sie die Gesamtzahl der Buckets,
wie viele Conversion-Ereignisse
in jede Gruppe fallen.
Klicken Sie auf „Simulieren“.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation: Rauschverhältnisse sind
jetzt höher als in der vorherigen Simulation.
Angesichts des Designprinzips sind niedrige zusammengefasste Werte wahrscheinlich
rauschen ist als
große Zusammenfassungswerte. Daher ist Ihre Konfigurationsauswahl
beeinflusst, wie viele zugeordnete Conversion-Ereignisse in der jeweiligen Gruppe landen (andernfalls
als Aggregationsschlüssel bezeichnet), und diese Menge
wirkt sich auf das Rauschen im
zusammenfassende Berichte.
Eine Designentscheidung, die sich auf die Anzahl der zugeordneten Conversion-Ereignisse auswirkt
innerhalb eines einzelnen Buckets
ist der Detaillierungsgrad der Dimension. Betrachten Sie die folgenden Beispiele
von Aggregationsschlüsseln und ihren Dimensionen:
Ansatz 1: Eine Schlüsselstruktur mit groben Dimensionen: Land x Werbekampagne (oder die größte Kampagne)
Aggregations-Bucket) x Produkttyp (von zehn möglichen Produkttypen)
Methode 2: Eine Schlüsselstruktur mit detaillierten Dimensionen: Stadt x Creative-ID x Produkt (von 100 möglichen Produkten)
Stadt ist eine detailliertere Dimension als Land. Die Creative-ID ist detaillierter.
als Campaign. und Product ist detaillierter als Product type. Dementsprechend wird
Methode 2 hat eine geringere Anzahl von Ereignissen (Conversions) pro Bucket (= pro
in der Zusammenfassungsberichtausgabe) als bei Ansatz 1. Da das Rauschen
ist die Ausgabe unabhängig von der Anzahl der Ereignisse im Bucket, den Messdaten
Zusammenfassungsberichte werden bei Ansatz 2 ungenauer. Experimentieren Sie für jeden Werbetreibenden mit verschiedenen
Kompromisse bei der Granularität im Design des Schlüssels ein, um den größtmöglichen Nutzen
die Ergebnisse.
Entscheidung: Schlüsselstrukturen
Im Noise Lab ausprobieren
Im einfachen Modus wird die Standardschlüsselstruktur verwendet. Klicken Sie im Menü
können Sie mit verschiedenen Schlüsselstrukturen experimentieren. Einige Beispieldimensionen
enthalten sind; können Sie diese auch ändern.
Wechsle zum erweiterten Modus.
Suche in der Seitenleiste „Parameter“ nach „Schlüsselstrategie“. Beobachten
dass die Standardstrategie, im Tool A genannt, einen detaillierten Schlüssel verwendet,
Struktur, die alle Dimensionen enthält: Geografie x Kampagnen-ID x Produkt
Kategorie.
Klicken Sie auf „Simulieren“.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation.
Ändern Sie die Schlüsselstrategie in B. Dadurch werden zusätzliche Steuerelemente angezeigt.
zum Konfigurieren der Schlüsselstruktur.
Konfigurieren Sie die Schlüsselstruktur, z.B. wie folgt:
<ph type="x-smartling-placeholder"></ph>
Anzahl der Schlüsselstrukturen: 2
Schlüsselstruktur 1 = Geografie x Produktkategorie.
Sie erhalten jetzt zwei zusammenfassende Berichte pro Typ von Analyseziel.
(zwei für die Anzahl der Käufe, zwei für den Kaufwert),
zwei unterschiedliche Schlüsselstrukturen. Beobachten Sie ihre Rauschverhältnisse.
Sie können dies auch mit eigenen benutzerdefinierten Dimensionen ausprobieren. Klicken Sie dazu auf
für die zu erfassenden Daten: Dimensionen. Sie sollten das Beispiel entfernen
Dimensionen erstellen und mithilfe der Optionen
zum Hinzufügen/Entfernen/Zurücksetzen
unter der letzten Dimension.
Eine weitere Designentscheidung, die sich auf die Anzahl der zugeordneten Conversions auswirkt
innerhalb eines Buckets
Schlüsselstrukturen
die Sie nutzen möchten. Sehen Sie sich die folgenden Beispiele für Aggregationsschlüssel an:
Eine Schlüsselstruktur mit allen Dimensionen: Diese Strategie nennen wir „A“.
Zwei Hauptstrukturen mit jeweils einer Teilmenge von Dimensionen: nennen wir das
Strategie B.
Strategie A ist einfacher. Möglicherweise müssen Sie jedoch die verrauschten Zusammenfassungswerte aus Zusammenfassungsberichten zusammenfassen, um auf bestimmte Erkenntnisse zuzugreifen. Indem Sie diese Werte summieren, summieren Sie auch das Rauschen.
Bei Strategie B werden zusammenfassende Werte
erhalten Sie möglicherweise bereits die Informationen, die Sie benötigen. Das bedeutet, dass Strategie B
ist wahrscheinlich zu besseren Signal-Rausch-Verhältnissen führen als bei Strategie A. Die
Rauschen kann bei Strategie A bereits akzeptabel sein.
der Einfachheit halber Strategie A.
Weitere Informationen finden Sie im detaillierten Beispiel, in dem diese beiden Strategien dargestellt werden.
Wechseln Sie in den einfachen Modus (oder den erweiterten Modus – beide Modi funktionieren
bei der Batch-Häufigkeit anwenden)
Suchen Sie in der Seitenleiste „Parameter“ nach „Aggregationsstrategie“ > Batching-Häufigkeit. Dies bezieht sich auf die Batch-Häufigkeit
die mit dem Aggregationsdienst verarbeitet werden,
für einen Job.
Beachten Sie die standardmäßige Batchhäufigkeit: standardmäßig eine tägliche Batchverarbeitung
Frequenz simuliert.
Klicken Sie auf „Simulieren“.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation.
Ändern Sie die Batchhäufigkeit in wöchentlich.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation: Rauschverhältnisse sind
jetzt niedriger (besser) als in der vorherigen Simulation.
Eine weitere Designentscheidung, die sich auf die Anzahl der zugeordneten Conversions auswirkt
für Ereignisse innerhalb eines einzelnen Buckets ist die Batchhäufigkeit, die Sie verwenden möchten. Die
Die Batch-Häufigkeit gibt an, wie oft aggregierte Berichte verarbeitet werden.
Ein Bericht, für den eine häufigere (z.B. stündlich) Aggregation geplant ist,
weniger Conversion-Ereignisse enthalten als in einem Bericht mit einer
Aggregationszeitplan (z.B. jede Woche). Daher enthält der stündliche Bericht mehr Rauschen.```
weniger Conversion-Ereignisse enthalten als in einem Bericht mit einer
Aggregationszeitplan (z.B. jede Woche). Daher enthält der stündliche Bericht
ein niedrigeres Signal-Rausch-Verhältnis als der wöchentliche Bericht. Experimentieren Sie mit Berichtsanforderungen bei verschiedenen Frequenzen und bewerten Sie jeweils das Signal-Rausch-Verhältnis.
Entscheidung: Kampagnenvariablen, die sich auf zuordenbare Conversions auswirken
Im Noise Lab ausprobieren
Dies ist zwar schwer vorherzusagen und kann erhebliche Schwankungen
auch die Anzahl der täglichen
Single-Touch-Conversions zuordnen können.
1.000 oder 10.000.
Wechsle zum erweiterten Modus.
Suchen Sie in der Seitenleiste „Parameter“ nach „Meine Conversion-Daten“.
Beachten Sie die Standardparameter. Standardmäßig sind die TOTAL täglich
die Anzahl der zugeordneten Conversions bei 1.000 liegt. Dies entspricht durchschnittlich etwa 40 pro
Bucket, wenn Sie die Standardkonfiguration verwenden (Standarddimensionen, Standardanzahl von
mögliche unterschiedliche Werte für jede Dimension, Schlüsselstrategie A). Beobachten Sie,
der Wert „40“ in der Eingabe im Feld „Durchschnittliche täglich zuordenbare Conversion-Anzahl“
PRO BUCKET.
Klicken Sie auf Simulieren, um eine Simulation mit den Standardparametern auszuführen.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation.
Legen Sie nun die täglich zuzuordnende Conversion-Anzahl TOTAL auf 100 fest.
Dadurch verringert sich der Wert für
Conversion-Anzahl PRO BUCKET
Klicken Sie auf „Simulieren“.
Beachten Sie, dass die Rauschverhältnisse jetzt höher sind. Das liegt daran, dass Sie
weniger Conversions pro Bucket haben, wird mehr Rauschen angewendet, um
Datenschutz.
Ein wichtiger Unterschied ist die Gesamtzahl der möglichen Conversions für eine
des Werbetreibenden im Vergleich zur Gesamtzahl der möglichen zugeordneten Conversions. Die
Letzteres ist das, was sich letztlich auf das Rauschen in zusammenfassenden Berichten auswirkt. Zugeordnet
Conversions eine Teilmenge der gesamten Conversions, die häufig für Kampagnen
Variablen wie Anzeigenbudget und Anzeigenausrichtung. Zum Beispiel würde ein
höhere Anzahl zugeordneter Conversions bei einer Werbekampagne im Wert von 10 Millionen US-Dollar gegenüber einer Anzeige im Wert von 10. 000 US-Dollar
bei allen anderen gleich.
Beachten Sie Folgendes:
Zugeordnete Conversions auf Single-Touch-Geräten auf demselben Gerät bewerten
Attributionsmodell, da diese in zusammenfassenden Berichten enthalten sind
die mit der Attribution Reporting API erfasst wurden.
Anzahl der Worst-Case- und Best-Case-Szenarien berücksichtigen
für zugeordnete Conversions. Wenn z. B. alle anderen Faktoren gleich sind, betrachten Sie
die minimalen und maximalen Kampagnenbudgets
für einen Werbetreibenden, dann
zuordenbare Conversions für beide Ergebnisse als Eingaben für Ihre
Simulationsspiele.
Wenn Sie in Betracht ziehen,
Privacy Sandbox für Android
plattformübergreifende zugeordnete Conversions in die Berechnung einfließen.
Entscheidung: Skalierung verwenden
Im Noise Lab ausprobieren
Wechsle zum erweiterten Modus.
Suchen Sie in der Seitenleiste „Parameter“ nach „Aggregationsstrategie“ > Skalierung. Die Standardeinstellung ist „Ja“.
Um die positiven Auswirkungen der Skalierung auf das Rauschen zu verstehen
setzen Sie zunächst "Skalierung" auf "Nein".
Klicken Sie auf „Simulieren“.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation.
Setzen Sie „Skalierung“ auf „Ja“. Noise Lab berechnet automatisch
die Skalierungsfaktoren, die in Anbetracht der Bereiche (Durchschnitts- und Maximalwerte) von
die Messziele für Ihr Szenario. In einem echten System oder Ursprungstest
sollten Sie Ihre eigene Berechnung
für Skalierungsfaktoren implementieren.
Klicken Sie auf „Simulieren“.
Die Rauschverhältnisse sind jetzt in dieser Sekunde niedriger (besser)
Simulationsspiele. Das liegt daran, dass Sie Skalierung verwenden.
Angesichts des Designgrundsatzes wird das hinzugefügte Rauschen
eine Funktion des Beitragsbudgets.
Um die Signal-Rausch-Verhältnisse zu erhöhen, können Sie sich daher für
Werte, die während eines Conversion-Ereignisses erfasst werden, indem Sie sie mit den Werten
des Beitragsbudgets (und dessen Skalierung nach der Aggregation). Verwenden Sie Skalierung, um Signal-Rausch-Verhältnisse zu erhöhen.
Entscheidung: Anzahl der Analyseziele und Aufteilung des Datenschutzbudgets
Dies bezieht sich auf die Skalierung, lesen Sie den Abschnitt Verwenden
Skalierung.
Im Noise Lab ausprobieren
Ein Messziel ist ein einzelner Datenpunkt, der in Conversion-Ereignissen erfasst wird.
Wechsle zum erweiterten Modus.
Suchen Sie in der Seitenleiste „Parameter“ nach Daten, die Sie erfassen möchten:
Messziele Standardmäßig gibt es zwei Messziele: Käufe: Käufe
und die Anzahl der Käufe.
Klicken Sie auf Simulieren , um eine Simulation mit den Standardzielen durchzuführen.
Klicken Sie auf Entfernen. Dadurch wird das letzte Analyseziel entfernt (Kauf
Zählung in diesem Fall).
Klicken Sie auf „Simulieren“.
Die Rauschverhältnisse für den Kaufwert sind jetzt niedriger
(besser) für diese zweite Simulation. Das liegt daran, dass Sie weniger
Ihre Analyseziele, sodass Ihr einziges Analyseziel alle
Beitragsbudget.
Klicken Sie auf „Zurücksetzen“. Jetzt haben Sie wieder zwei Analyseziele: Kauf
und die Anzahl der Käufe. Noise Lab berechnet den
zu verwendende Skalierungsfaktoren bezogen auf die Bereiche (Durchschnitts- und Maximalwerte) der
Analyseziele für Ihr Szenario. Standardmäßig teilt Noise Lab die
gleichmäßig auf alle Analyseziele verteilt.
Klicken Sie auf „Simulieren“.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation. Beachten Sie die
Skalierungsfaktoren, die in der Simulation angezeigt werden.
Passen wir nun die Aufteilung des Datenschutzbudgets an,
Signal-Rausch-Verhältnisse.
Den für jedes Messziel zugewiesenes Budget in Prozent optimieren Bei der Standardeinstellung
ist das Messungsziel 1, also der Kaufwert,
größerer Bereich (zwischen 0 und 1.000) als bei Analyseziel 2, nämlich
Anzahl der Käufe (zwischen 1 und 1, d.h. ist immer gleich 1). Aus
benötigt es "mehr Platz zum Skalieren": Idealerweise sollten
Beitragsbudget zu Messziel 1 als Analyseziel 2, sodass
effizienter hochskaliert werden (siehe Skalierung) und daher
Weisen Sie Messziel 1 70% des Budgets zu. Messung 30% zuweisen
Ziel 2.
Klicken Sie auf „Simulieren“.
Beobachten Sie die Rauschverhältnisse der resultierenden Simulation. Zum Kauf
sind die Rauschverhältnisse jetzt deutlich niedriger (besser) als beim vorherigen
Simulationsspiele. Für die Anzahl der Käufe sind sie weitgehend unverändert.
Optimieren Sie die Budgetaufteilung für alle Messwerte weiter. Beobachten Sie, wie sich das
Lärm.
Sie können Ihre eigenen benutzerdefinierten Analyseziele festlegen. Verwenden Sie dazu das
Schaltflächen zum Hinzufügen/Entfernen/Zurücksetzen.
Wenn Sie einen Datenpunkt (Messziel) für ein Conversion-Ereignis wie
Conversion-Anzahl kann dieser Datenpunkt das gesamte Beitragsbudget (65.536) erhalten. Wenn Sie für ein Conversion-Ereignis
mehrere Messziele festlegen,
wie Conversion-Anzahl und Kaufwert, müssen diese Datenpunkte
das Beitragsbudget gemeinsam zu nutzen. So haben Sie weniger Spielraum,
Werte.
Je mehr Messziele Sie haben, desto geringer sind die Signal-Rausch-Verhältnisse.
wahrscheinlich (höheres Rauschen).
Eine weitere Entscheidung in Bezug auf Analyseziele ist die Budgetaufteilung. Wenn Sie das Beitragsbudget gleichmäßig auf zwei Datenpunkte aufteilen, erhält jeder Datenpunkt ein
Budget von 65.536/2 = 32.768. Dies kann je nach
für jeden Datenpunkt den maximal möglichen Wert. Wenn Sie beispielsweise
die Anzahl der Käufe mit einem maximalen Wert von 1 und den Kaufwert mit einem
mindestens 1 und höchstens 120, wäre der Kaufwert von Vorteil, wenn
„mehr Platz“ d. h., um einen größeren Anteil
Beitragsbudget. So sehen Sie, ob einige Analyseziele priorisiert werden sollten
in Bezug auf die Auswirkungen von Lärm.
Entscheidung: Ausreißermanagement
Im Noise Lab ausprobieren
Ein Messziel ist ein einzelner Datenpunkt, der in Conversion-Ereignissen erfasst wird.
Wechsle zum erweiterten Modus.
Suchen Sie in der Seitenleiste „Parameter“ nach „Aggregationsstrategie“ > Skalierung.
Achten Sie darauf, dass Skalierung auf „Ja“ gesetzt ist. Beachten Sie, dass Noise Lab
berechnet die zu verwendenden Skalierungsfaktoren automatisch anhand des
Bereiche (Durchschnitts- und Höchstwerte) zu definieren, die Sie für die Messziele angegeben haben.
Nehmen wir an, dass der größte Kauf,
der je getätigt wurde, 2.000 $betrug,
zwischen 10 und 120 € liegen. Sehen wir uns zuerst an,
bei Verwendung einer literalen Skalierung (nicht empfohlen): Geben Sie $2000 als
Maximalwert für purchaseValue.
Klicken Sie auf „Simulieren“.
Beachten Sie, dass die Rauschverhältnisse hoch sind. Das liegt daran, dass unsere Skalierung
derzeit auf 2.000 $berechnet, obwohl in Wirklichkeit
deutlich niedriger sein werden.
Lassen Sie uns nun einen pragmatischeren Skalierungsansatz anwenden. Den Maximalwert ändern
Kaufwert auf 120 €.
Klicken Sie auf „Simulieren“.
Beachten Sie, dass die Rauschverhältnisse in dieser zweiten Simulation niedriger (besser) sind.
Vermeiden Sie es jedoch, einen literalen Maximalwert zur Berechnung dieses Skalierungsfaktors zu verwenden.
da dies Ihre Signal-Rausch-Verhältnisse verschlechtern würde. Entfernen Sie stattdessen Ausreißer und
einen pragmatischen Maximalwert.
Das Ausreißermanagement ist ein tief verwurzeltes Thema. Eine Reihe ausgefeilter Techniken können
um die Signal-Rausch-Verhältnisse zu verbessern. Eine wird beschrieben in
Erweiterte Verwaltung von Ausreißern:
Nächste Schritte
Nachdem Sie nun verschiedene Strategien
zum Geräuschmanagement für Ihren Anwendungsfall
können Sie mit zusammenfassenden Berichten experimentieren, indem Sie
Messdaten über einen Ursprungstest übertragen werden. Sehen Sie sich Leitfäden und Tipps zum Testen der API an.
Anhang
Kurze Einführung in Noise Lab
Noise Lab hilft dir dabei,
Lärmmanagement-Strategien bewerten und vergleichen. Sie können damit:
Die wichtigsten Parameter, die das Rauschen beeinflussen können, verstehen und
welchen Effekt sie haben.
Simulieren Sie die Auswirkung von Rauschen auf die ausgegebenen Messdaten anhand der gegebenen
unterschiedliche Designentscheidungen treffen. Optimieren Sie die Designparameter, bis Sie eine
Signal-Rausch-Verhältnis, das für Ihren Anwendungsfall geeignet ist.
Teilen Sie uns Ihr Feedback zum Nutzen der zusammenfassenden Berichte mit:
funktionieren die Epsilon- und Rauschparameter für Sie. Wo sind
die Wendepunkte?
Betrachten Sie dies als Vorbereitungsschritt. Noise Lab
generiert Messdaten, um die Ausgaben von zusammenfassenden Berichten zu simulieren,
Eingabe. Sie bleibt nicht erhalten und gibt keine Daten weiter.
Im Noise Lab gibt es zwei verschiedene Modi:
Einfacher Modus: Die Grundlagen der Steuerelemente verstehen
auf Lärm.
Erweiterter Modus: Verschiedene Strategien für das Geräuschmanagement testen und bewerten
die zu den besten Signal-Rausch-Verhältnissen
für Ihre Anwendungsfälle führt.
Klicken Sie auf die Schaltflächen im oberen Menü, um zwischen den beiden zu wechseln.
(Punkt 1 im Screenshot unten).
Einfacher Modus
Im einfachen Modus steuern Sie die Parameter (auf der linken Seite
oder #2. (siehe Screenshot unten)) wie Epsilon, und sehen Sie sich an, wie sie sich auf das Geräusch auswirken.
Für jeden Parameter gibt es eine Kurzinfo (Schaltfläche „?“). Klicken Sie hier, um eine
Erklärung der einzelnen Parameter (3. im Screenshot unten)
Klicken Sie auf „Simulate“ (Simulieren), um zu beginnen. klicken Sie auf die Schaltfläche und sehen Sie sich an, wie die Ausgabe aussieht.
(4. im Screenshot unten).
Im Bereich „Output“ (Ausgabe) werden eine Vielzahl von Details angezeigt. Einige
steht neben den Elementen ein „?“. Nehmen Sie sich die Zeit, auf die einzelnen "?" zu klicken, um ein
Erläuterung der verschiedenen Informationen.
Klicken Sie im Bereich „Output“ (Ausgabe) auf die Ein/Aus-Schaltfläche „Details“.
wenn Sie eine maximierte Version der Tabelle ansehen möchten (5. im Screenshot unten).
Unter jeder Datentabelle im Ausgabebereich befindet sich eine Option,
um die Tabelle für die Offlinenutzung herunterzuladen. Außerdem finden Sie unten
können Sie alle Datentabellen herunterladen (#6.
Screenshot unten)
Verschiedene Einstellungen für die Parameter im Bereich „Parameter“ testen
und klicken Sie auf „Simulieren“, um zu sehen, wie sie sich auf die Ausgabe auswirken:
<ph type="x-smartling-placeholder"></ph>
Noise Lab-Oberfläche für den einfachen Modus
Erweiterter Modus
Im erweiterten Modus haben Sie mehr Kontrolle über die Parameter. Ich
können Sie benutzerdefinierte Analyseziele und -dimensionen hinzufügen (#1. und 2. im Screenshot).
unten)
Scrollen Sie im Abschnitt "Parameter" weiter nach unten und sehen Sie sich den
Strategie. Damit lassen sich verschiedene Schlüsselstrukturen
(3. im Screenshot unten)
<ph type="x-smartling-placeholder">
</ph>
Wenn Sie verschiedene Schlüsselstrukturen testen möchten, stellen Sie die Strategie auf „B“ um
Geben Sie die Anzahl der verschiedenen Schlüsselstrukturen ein, die Sie verwenden möchten
(Standardeinstellung ist „2“)
Auf „Schlüsselstrukturen generieren“ klicken
Optionen zum Festlegen Ihrer Schlüsselstrukturen werden angezeigt, wenn Sie auf
Klicken Sie die Kästchen neben den Schlüsseln an, die Sie für die einzelnen Schlüsselstrukturen verwenden möchten.
Klicken Sie auf Simulate (Simulieren), um die Ausgabe anzuzeigen.
<ph type="x-smartling-placeholder"></ph>
Noise Lab-Oberfläche für den erweiterten Modus
<ph type="x-smartling-placeholder"></ph>
Noise Lab-Oberfläche für den erweiterten Modus
Rauschmesswerte
Kernkonzept
Rauschen wird hinzugefügt, um die Privatsphäre der einzelnen Nutzer zu schützen.
Ein hoher Rauschwert deutet darauf hin, dass Buckets/Schlüssel dünnbesetzt sind
Beiträge aus einer begrenzten Anzahl sensibler Ereignisse enthalten. Fertig
automatisch von Noise Lab, damit sich Einzelpersonen
in der Menge verstecken können, oder in
um die Rechte dieser
eingeschränkten Personen zu schützen. mehr Datenschutz bieten,
von zusätzlichem Rauschen.
Ein geringer Rauschwert deutet darauf hin, dass die Datenkonfiguration so konzipiert wurde,
eine Möglichkeit, sich „in der Menge“ zu verstecken. Das bedeutet, dass der
Gruppen Beiträge von einer ausreichenden Anzahl von Ereignissen enthalten,
die Privatsphäre der einzelnen
Nutzenden geschützt wird.
Diese Anweisung trifft sowohl auf den durchschnittlichen prozentualen Fehler (APE) zu
und RMSRE_T (relativer Root-Mittelwert mit einem Schwellenwert).
APE (durchschnittlicher prozentualer Fehler)
APE ist das Verhältnis des Rauschens zum Signal, also der tatsächliche Zusammenfassungswert.p>
Niedrigere APE-Werte bedeuten bessere Signal-Rausch-Verhältnisse.
Formel
Für einen bestimmten zusammenfassenden Bericht wird die APE wie folgt berechnet:
<ph type="x-smartling-placeholder"></ph>
Die Gleichung für APE. Absolute Werte sind erforderlich, da Rauschen negativ sein kann.
True ist der tatsächliche Zusammenfassungswert. APE ist der Durchschnitt der Rauschpegel pro
wahrer Zusammenfassungswert, gemittelt aus allen Einträgen in einem Zusammenfassungsbericht.
In Noise Lab wird dieser Wert dann mit 100 multipliziert, um einen Prozentsatz zu erhalten.
Vor- und Nachteile
Segmente mit kleineren Größen haben unverhältnismäßig große Auswirkungen auf den endgültigen Wert von APE. Das könnte irreführend sein, wenn Sie Lärm bewerten. Aus diesem Grund haben wir einen weiteren Messwert namens RMSRE_T hinzugefügt, der diese Einschränkung von APE minimieren soll. Weitere Informationen finden Sie in den Beispielen.
Code
Überprüfen Sie den Quellcode.
für die APE-Berechnung.
RMSRE_T (relativer Root-Mittelwert mit einem Schwellenwert)
RMSRE_T (relativer Stamm der mittleren quadratischen Abweichung mit einem Schwellenwert) ist ein weiteres Maß für das Rauschen.
RMSRE_T interpretieren
Niedrigere RMSRE_T-Werte bedeuten bessere Signal-Rausch-Verhältnisse.
Wenn beispielsweise ein für Ihren Anwendungsfall akzeptables Rauschverhältnis 20 % und RMSRE_T 0, 2 ist, können Sie sicher sein, dass der Rauschpegel in Ihren akzeptablen Bereich fällt.
Formel
Für einen bestimmten zusammenfassenden Bericht wird RMSRE_T wie folgt berechnet:
<ph type="x-smartling-placeholder"></ph>
Die Gleichung für RMSRE_T. Absolute Werte sind erforderlich, da Rauschen negativ sein kann.
Vor- und Nachteile
RMSRE_T ist etwas komplexer zu verstehen als APE. Sie hat jedoch einige Vorteile, die sie in einigen Fällen dazu führen, dass sie besser als APE für die Analyse von Rauschen in zusammenfassenden Berichten geeignet ist:
RMSRE_T ist stabiler. „D“ ist ein Grenzwert. „D“ wird verwendet, um Buckets bei der Berechnung von RMSRE_T eine geringere Gewichtung zu geben, die weniger Conversions aufweisen und daher aufgrund ihrer Größe empfindlicher auf Rauschen reagieren. Bei T steigt der Messwert bei Buckets mit wenigen Conversions nicht stark an. Wenn T gleich 5 ist, wird ein Rauschwert von nur 1 bei einer Gruppe mit 0 Conversions nicht als weit über 1 angezeigt. Stattdessen wird sie auf 0, 2 begrenzt, was 1/5 entspricht, da T gleich 5 ist. Da kleinere Gruppen, die daher rauschenempfindlicher sind, weniger gewichtet werden, ist dieser Messwert stabiler und erleichtert den Vergleich von zwei Simulationen.
RMSRE_T ermöglicht eine einfache Aggregation. Wenn Sie den RMSRE_T von mehreren Buckets zusammen mit ihrer tatsächlichen Anzahl kennen, können Sie den RMSRE_T ihrer Summe berechnen. Auf diese Weise können Sie auch für RMSRE_T für diese kombinierten Werte optimieren.
Für APE ist zwar eine Aggregation möglich, die Formel ist jedoch ziemlich kompliziert, da sie den absoluten Wert der Summe von Laplace-Rauschen beinhaltet. Das erschwert die Optimierung von APE.
Code
Überprüfen Sie den Quellcode für die RMSRE_T-Berechnung.
Ein DSP oder Unternehmen
zur Anzeigenmessung kann weltweit Tausende
Kunden aus verschiedenen Branchen, Währungen und Kaufpreis
Potenziale. Das Erstellen und Verwalten
eines Aggregationsschlüssels pro
wahrscheinlich sehr unpraktisch sein. Außerdem wird es
ist es schwierig, einen maximalen aggregierbaren Wert
und ein Aggregationsbudget auszuwählen,
die Auswirkungen von Lärm bei den Tausenden
von Werbetreibenden weltweit reduzieren. Stattdessen
betrachten wir die folgenden Szenarien:
Schlüsselstrategie A
Der Anbieter von Anzeigentechnologien beschließt, einen Schlüssel für alle
für Werbekunden. Bei allen Werbetreibenden und in allen Währungen gibt es
Käufe variieren von niedrigem Volumen, High-End-Käufen bis zu hohem Volumen, Low-End-
Käufe. Daraus ergibt sich der folgende Schlüssel:
Schlüssel (mehrere Währungen)
Max. aggregierter Wert
5.000.000
Kaufwertbereich
[120–5000000]
Hauptstrategie B
Der Anbieter von Anzeigentechnologien beschließt, zwei Schlüssel für alle
für Werbekunden. Sie beschließt, die Schlüssel nach Währung zu trennen. Über alle
Werbetreibenden und allen Währungen gibt, unterscheidet sich die Bandbreite der Einkäufe von geringem Volumen,
von High-End-Käufen bis hin zu
hohen Volumen und Low-End-Käufen. Trennen Sie die Daten nach Währung,
werden zwei Schlüssel erstellt:
Schlüssel 1 (USD)
Schlüssel 2 (¥)
Max. aggregierter Wert
40.000 $
5.000.000 Yen
Kaufwertbereich
[120–40.000]
[15.000–5.000.000]
Das Ergebnis von Hauptstrategie B ist weniger unübersichtlich als bei Strategie A, da
Währungswerte sind nicht gleichmäßig auf die Währungen verteilt. Beispiel:
Überlegen Sie, wie die in Yen angegebenen Käufe mit den in
USD ändert die zugrunde liegenden Daten und die daraus resultierende verrauschte Ausgabe.
Hauptstrategie C
Der Anbieter von Anzeigentechnologien beschließt, vier Schlüssel für alle
seine Werbekunden zu erstellen und sie nach Währung x Werbetreibendem zu trennen.
Branche:
Schlüssel 1
(USD × Werbetreibende für High-End-Schmuck)
Schlüssel 2
(JPY x Werbetreibende für High-End-Schmuck)
Schlüssel 3
(USD × Werbetreibende mit Einzelhandelsbezug für Bekleidung)
Schlüssel 4
(JPY x Einzelhändler für Bekleidung)
Max. aggregierter Wert
40.000 $
5.000.000 Yen
500 €
65.000 Yen
Kaufwertbereich
[10.000–40.000]
[1.250.000–5.000.000]
[120–500]
[15.000–65.000]
Das Ergebnis von Hauptstrategie C ist weniger verfälscht als bei Strategie B, da
Die Kaufwerte von Werbetreibenden sind nicht gleichmäßig auf die Werbetreibenden verteilt. Für
Zum Beispiel, wie die Kombination von Anschaffungen von hochwertigem Schmuck und Anschaffungen
für Baseballkappen ändern die zugrunde liegenden Daten, was zu einer lauten Ausgabe führt.
Erstellen Sie gemeinsame Maximalwerte und Skalierungsfaktoren.
auf Gemeinsamkeiten zwischen mehreren Werbetreibenden hin, um Missverständnisse bei den
. Sie können beispielsweise mit verschiedenen Strategien unten für
Ihre Werbetreibenden:
Eine Strategie, getrennt nach Währung (USD, ¥, CAD usw.)
Eine nach der Branche getrennte Strategie (Versicherung, Automobil,
Einzelhandel usw.)
Eine Strategie, getrennt nach ähnlichen Kaufwertbereichen ([100],
[1000], [10000] usw.)
Durch die Entwicklung wichtiger Strategien rund um die Gemeinsamkeiten, Schlüssel und
einfacher zu verwalten und die Signal-Rausch-Verhältnisse
höher liegen. Verschiedene Strategien bei unterschiedlichen Werbetreibenden testen
Gemeinsamkeiten, um Wendepunkte bei der Maximierung der Auswirkungen von Geräuschen im Vergleich zum Code aufzudecken
zu verstehen.
Erweiterte Ausreißerverwaltung
Betrachten wir ein Szenario mit zwei Werbetreibenden:
Werbetreibender A:
Der Kaufpreis für alle Produkte auf der Website des Werbetreibenden A
liegen zwischen [$120 - $1.000] für einen Bereich von $880.
Die Kaufpreise sind gleichmäßig über die 880 $-Spanne verteilt
ohne Ausreißer, die außerhalb von zwei Standardabweichungen vom Medianwert des Kaufpreises liegen.
Werbetreibender B:
Der Kaufpreis für alle Produkte auf der Website des Werbetreibenden B
liegen zwischen [$120 - $1.000] für einen Bereich von $880.
Die Kaufpreise sind stark in der Spanne von 120 $bis 500 $ geneigt,
Dabei lagen nur 5% der Käufe im Bereich von 500 bis 1.000 €.
In Anbetracht der
Anforderungen an das Beitragsbudget
und die Methodik, mit der
[Rauschen wird angewendet](/privacy-sandbox/relevance/attribution-reporting/understanding-noise/#how-noise-is-applied)
zu den Endergebnissen führt, ist die Ausgabe des Werbetreibenden B standardmäßig lauter als
da der Werbetreibende B ein größeres Potenzial für Ausreißer hat,
zugrunde liegende Berechnungen.
Sie können dieses Problem durch eine bestimmte Schlüsseleinrichtung umgehen. Wichtige Strategien testen
um Ausreißerdaten zu verwalten und die Kaufwerte gleichmäßiger zu verteilen
innerhalb des gesamten Kaufbereichs des Schlüssels.
Für den Werbetreibenden B könnten Sie zwei separate Schlüssel erstellen, um zwei verschiedene
Kaufwertbereichen. In diesem Beispiel hat die Anzeigentechnologie
festgestellt, dass Ausreißer
Anzeigen über dem Kaufwert von 500 € geschaltet werden. Implementieren Sie zwei separate Schlüssel für
diesem Werbetreibenden:
Schlüsselstruktur 1 : Schlüssel, der nur Käufe zwischen den
zwischen 120 $und 500 $ (ca. 95% des gesamten Kaufvolumens).
Schlüsselstruktur 2: Schlüssel, der nur Käufe über 500 € abdeckt
Das entspricht etwa 5% der Gesamtkäufe.
Durch die Implementierung dieser Schlüsselstrategie können Lärm für den Werbetreibenden B und
um den Nutzen aus zusammenfassenden Berichten zu maximieren. Da die neue kleinere
sollten Schlüssel A und Schlüssel B nun eine einheitlichere Verteilung der Daten haben.
für den jeweiligen Schlüssel des vorherigen Schlüssels. Dies führt zu
weniger Rauschen in der Ausgabe jedes Schlüssels
als für den vorherigen Schlüssel.