Noiselab

Pruébalo 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, el recuento TOTAL de conversiones atribuibles diarias es de 1,000. En promedio, esto equivale a aproximadamente 40 por bucket si usas la configuración predeterminada (dimensiones predeterminadas, cantidad predeterminada de valores diferentes posibles para cada dimensión, estrategia de clave A). Observa que el valor es 40 en la cantidad de conversiones diarias atribuibles promedio POR BUCKET.
4. Haz clic en Simulate para ejecutar una simulación con los parámetros predeterminados.
5. En el panel lateral Parámetros, busca Dimensiones. Cambia el nombre de Geography a City y cambia la cantidad de valores diferentes posibles a 50.
6. Observa cómo esto cambia el recuento de conversiones atribuidas diarias promedio POR BUCKET. Ahora es mucho más bajo. Esto se debe a que, si aumentas la cantidad de valores posibles dentro de esta dimensión sin cambiar nada más, aumentas la cantidad total de discretizaciones sin cambiar la cantidad de eventos de conversión que se incluirán en cada discretización.
7. Haz clic en Simular.
8. Observa las relaciones de ruido de la simulación resultante: ahora son más altas que las de la simulación anterior.

Pruébalo en Noise Lab

En el modo Simple, se usa la estructura de claves predeterminada. En el modo avanzado, puedes experimentar con diferentes estructuras de claves. Se incluyen algunas dimensiones de ejemplo, pero también puedes modificarlas.

1. Ve al modo avanzado.
2. En el panel lateral Parámetros, busca la estrategia de palabras clave. Observa que la estrategia predeterminada, denominada A en la herramienta, usa una estructura de claves detallada que incluye todas las dimensiones: ubicación geográfica x ID de campaña x categoría de producto.
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 que configures la estructura de claves.
6. Configura la estructura de claves, por ejemplo, de la siguiente manera:
   1. Cantidad de estructuras clave: 2
   2. La estructura de clave 1 es igual a la combinación de ubicación geográfica y 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), ya que usas dos estructuras de claves distintas. Observa sus relaciones de ruido.
9. También puedes probar esto con tus propias dimensiones personalizadas. Para ello, busca los datos que deseas hacer un seguimiento: Dimensiones. Considera quitar las dimensiones de ejemplo y crear las tuyas propias con los botones Agregar/Quitar/Restablecer que se encuentran debajo de la última dimensión.

Pruébalo en Noise Lab

1. Ve al modo Simple (o al modo Avanzado; ambos modos funcionan de la misma manera en lo que respecta a la frecuencia de procesamiento por lotes).
2. En el panel lateral Parámetros, busca Tu estrategia de agregación > Frecuencia de procesamiento por lotes. Esto hace referencia a la frecuencia de procesamiento por lotes de los informes agregables que se procesan con el servicio de agregación en un solo trabajo.
3. Observa la frecuencia de procesamiento por lotes predeterminada: De forma predeterminada, se simula una frecuencia de procesamiento por lotes diaria.
4. Haz clic en Simular.
5. Observa las relaciones de ruido de la simulación resultante.
6. Cambia la frecuencia de procesamiento por lotes a semanal.
7. Observa las relaciones de ruido de la simulación resultante: ahora son más bajas (mejores) que las de la simulación anterior.

Pruébalo en Noise Lab

Si bien esto puede ser difícil de predecir y puede tener variaciones significativas además de los efectos de la estacionalidad, intenta estimar la cantidad de conversiones diarias atribuibles de un solo toque a la potencia de 10 más cercana: 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, el recuento TOTAL de conversiones atribuibles diarias es de 1,000. En promedio, esto equivale a aproximadamente 40 por bucket si usas la configuración predeterminada (dimensiones predeterminadas, cantidad predeterminada de valores diferentes posibles para cada dimensión, estrategia de clave A). Observa que el valor es 40 en la cantidad de conversiones diarias atribuibles promedio POR BUCKET.
4. Haz clic en Simulate para ejecutar una simulación con los parámetros predeterminados.
5. Observa las relaciones de ruido de la simulación resultante.
6. Ahora, establece el recuento TOTAL de conversiones atribuidas diarias en 100. Observa que esto reduce el valor del recuento de conversiones diarias atribuibles promedio POR BUCKET.
7. Haz clic en Simular.
8. Observa que las relaciones de ruido ahora son más altas: esto se debe a que, cuando tienes menos conversiones por discretización, se aplica más ruido para mantener la privacidad.

Pruébalo en Noise Lab

1. Ve al modo avanzado.
2. En el panel lateral Parámetros, busca Tu estrategia de agregación > Ajuste. El parámetro de configuración predeterminado es Sí.
3. Para comprender los efectos positivos del ajuste en la relación señal-ruido, primero establece el ajuste en No.
4. Haz clic en Simular.
5. Observa las relaciones de ruido de la simulación resultante.
6. Establece el ajuste de escala en Sí. Ten en cuenta que Noise Lab calcula automáticamente los factores de ajuste que se deben usar según los rangos (valores promedio y máximos) de los objetivos de medición para tu situación. En un sistema real o en una configuración de prueba de origen, deberías implementar tu propio cálculo para los factores de ajuste.
7. Haz clic en Simular.
8. Observa que las proporciones de ruido ahora son más bajas (mejor) en esta segunda simulación. Esto se debe a que estás usando el ajuste de escala.

Pruébalo en Noise Lab

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

1. Ve al modo avanzado.
2. En el panel lateral Parámetros, busca los datos que deseas hacer un seguimiento: Objetivos de medición. De forma predeterminada, tienes dos objetivos de medición: valor de compra y recuento de compras.
3. Haz clic en Simular para ejecutar una simulación con los objetivos predeterminados.
4. Haz clic en Quitar. Se quitará el último objetivo de medición (recuento de compras en ese caso).
5. Haz clic en Simular.
6. Observa que las relaciones de ruido para el valor de compra ahora son más bajas (mejores) para esta segunda simulación. Esto se debe a que tienes menos objetivos de medición, por lo que tu único objetivo de medición ahora recibe todo el presupuesto de contribución.
7. Haz clic en Restablecer. Ahora tienes dos objetivos de medición: el valor de compra y el recuento de compras. Ten en cuenta que Noise Lab calcula automáticamente los factores de escala que se deben usar según los rangos (valores promedio y máximos) de los objetivos de medición para tu situación. De forma predeterminada, Noise Lab divide el presupuesto de forma equitativa entre los objetivos de medición.
8. Haz clic en Simular.
9. Observa las relaciones de ruido de la simulación resultante. Toma nota de los factores de escala que se muestran en la simulación.
10. Ahora, personalicemos la división del presupuesto de privacidad para lograr mejores relaciones señal-ruido.
11. Ajusta el porcentaje del presupuesto asignado a cada objetivo de medición. Con los parámetros predeterminados, el objetivo de medición 1, es decir, el valor de compra, tiene un rango mucho más amplio (entre 0 y 1,000) que el objetivo de medición 2, es decir, el recuento de compras (entre 1 y 1, es decir, siempre igual a 1). Debido a esto, necesita "más espacio para expandirse": sería ideal asignar más presupuesto de contribución al objetivo de medición 1 que al objetivo de medición 2, de modo que se pueda expandir de manera más eficiente (consulta Expansión) y, por lo tanto,
12. Asigna el 70% del presupuesto al objetivo de medición 1. Asigna el 30% al objetivo de medición 2.
13. Haz clic en Simular.
14. Observa las relaciones de ruido de la simulación resultante. En el caso del valor de compra, las relaciones de ruido ahora son notablemente más bajas (mejores) que en la simulación anterior. En cuanto al recuento de compras, no se modificaron significativamente.
15. Sigue ajustando la división del presupuesto en las diferentes métricas. Observa cómo esto afecta el ruido.

Ten en cuenta que puedes establecer tus propios objetivos de medición personalizados con los botones Agregar, Quitar y Restablecer.

Pruébalo en Noise Lab

Un objetivo de medición es un punto de datos 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 > Ajuste.
3. Asegúrate de que la opción Scaling esté configurada como Yes. Ten en cuenta que Noise Lab calcula automáticamente los factores de escala que se usarán en función de los rangos (valores promedio y máximos) que proporcionaste para los objetivos de medición.
4. Supongamos que la compra más grande que se haya realizado fue de USD 2,000, pero que la mayoría de las compras se realizan en el rango de USD 10 a USD 120. Primero, veamos qué sucede si usamos un enfoque de ajuste literal (no recomendado): ingresa USD 2,000 como el valor máximo de purchaseValue.
5. Haz clic en Simular.
6. Observa que las relaciones de ruido son altas. Esto se debe a que nuestro factor de ajuste se calcula en función de USD 2,000, cuando, en realidad, la mayoría de los valores de compra serán notablemente inferiores a ese.
7. Ahora, usemos un enfoque de ajuste más pragmático. Cambia el valor de compra máximo a USD 120.
8. Haz clic en Simular.
9. Observa que las proporciones de ruido son más bajas (mejores) en esta segunda simulación.

Recorrido rápido por Noise Lab

Noise Lab te ayuda a evaluar y comparar rápidamente las estrategias de administración del ruido. Puedes usarlo para lo siguiente:

• Comprende los principales parámetros que pueden afectar el ruido y el efecto que tienen.
• Simula el efecto del ruido en los datos de medición de salida para diferentes decisiones de diseño. Ajusta los parámetros de diseño hasta que alcances una relación señal-ruido que funcione para tu caso de uso.
• Comparte tus comentarios sobre la utilidad de los informes de resumen: ¿qué valores de los parámetros de ruido y de épsilon te resultan útiles y cuáles no? ¿Dónde están los puntos de inflexión?

Considera este paso como una preparación. Noise Lab genera datos de medición para simular los resultados de los informes de resumen en función de tus entradas. No conserva ni comparte ningún dato.

Hay dos modos diferentes en Noise Lab:

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

Haz clic en los botones del menú superior para alternar entre los dos modos (nº 1 en la siguiente captura de pantalla).

Modo simple

• Con el modo Simple, puedes controlar los parámetros (que se encuentran en el lado izquierdo o #2 en la siguiente captura de pantalla), como Epsilon, y ver cómo afectan al ruido.
• Cada parámetro tiene una sugerencia (un botón “?”). Haz clic en ellos para ver una explicación de cada parámetro (nº 3 en la siguiente captura de pantalla).
• Para comenzar, haz clic en el botón "Simulate" y observa cómo se ve el resultado (#4 en la siguiente captura de pantalla).
• En la sección Output, puedes ver una variedad de detalles. Algunos elementos tienen un signo de interrogación junto a ellos. Tómate el tiempo de hacer clic en cada signo de interrogación `?` para ver una explicación de los distintos elementos de información.
• En la sección Output, haz clic en el botón de activación Details si quieres ver una versión expandida de la tabla (#5 en la siguiente captura de pantalla).
• Después de cada tabla de datos en la sección de salida, hay una opción para descargar la tabla y usarla sin conexión. Además, en la esquina inferior derecha, hay una opción para descargar todas las tablas de datos (n.º 6 en la siguiente captura de pantalla).
• Prueba diferentes parámetros de configuración en la sección Parámetros y haz clic en Simular para ver cómo afectan el resultado:

  

Modo avanzado

• En el modo avanzado, tienes más control sobre los parámetros. Puedes agregar objetivos y dimensiones de medición personalizados (1 y 2 en la siguiente captura de pantalla).
• Desplázate más hacia abajo en la sección Parámetros y busca la opción Estrategia clave. Esto se puede usar para probar diferentes estructuras de claves (#3 en la siguiente captura de pantalla)
  • Para probar diferentes estructuras de claves, cambia la estrategia de claves a "B".
  • Ingresa la cantidad de estructuras de claves diferentes que deseas usar (el valor predeterminado es "2").
  • Haz clic en Generate Key Structures.
  • Para especificar las estructuras de claves, haz 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 de los usuarios individuales.

Un valor de ruido alto indica que los discretizaciones o las claves son dispersos y contienen contribuciones de una cantidad limitada de eventos sensibles. Noise Lab lo hace automáticamente para permitir que las personas "se oculten entre la multitud" o, en otras palabras, proteger la privacidad de estas personas con una mayor cantidad de ruido agregado.

Un valor de ruido bajo indica que la configuración de los datos se diseñó de tal manera que ya permite que las personas se "oculten entre la multitud". Esto significa que los discretizaciones contienen contribuciones de una cantidad suficiente de eventos para verificar que se proteja la privacidad de los usuarios individuales.

Esta afirmación es válida tanto para el error de porcentaje promedio (APE) como para RMSRE_T (raíz cuadrada del error relativo medio con un umbral).

APE (error porcentual promedio)

El APE es la proporción del ruido sobre el indicador, es decir, el valor real del resumen.

Los valores de APE más bajos significan mejores relaciones señal-ruido.

Fórmula

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

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

Ventajas y desventajas

Los discretizaciones con tamaños más pequeños tienen un impacto desproporcionado en el valor final del APE. Esto podría ser engañoso al evaluar el ruido. Por eso, agregamos otra métrica, RMSRE_T, diseñada para mitigar esta limitación del APE. Consulta los ejemplos para obtener más detalles.

Código

Revisa el código fuente para el cálculo del APE.

RMSRE_T (raíz cuadrada del error relativo medio con un umbral)

RMSRE_T (raíz cuadrada del error relativo medio con un umbral) es otra medida del 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 RMSRE_T es 0.2, puedes tener la certeza de que los niveles de ruido se encuentran dentro del rango aceptable.

Fórmula

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

Ventajas y desventajas

La métrica RMSRE_T es un poco más compleja de comprender que la métrica APE. Sin embargo, tiene algunas ventajas que, en ciertos casos, lo hacen más adecuado que el APE para analizar el ruido en los informes de resumen:

• RMSRE_T es más estable. "T" es un umbral. La "T" se usa para dar menos peso en el cálculo de RMSRE_T a los discretizaciones que tienen menos conversiones y, por lo tanto, son más sensibles al ruido debido a su tamaño pequeño. Con T, la métrica no aumenta de forma repentina en los discretizaciones 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 muy superior a 1. En cambio, se limitará a 0.2, lo que equivale a 1/5, ya que T es igual a 5. Al darle menos peso a los discretizaciones más pequeñas, que, por lo tanto, 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 discretizaciones, junto con sus recuentos reales, te permite calcular el RMSRE_T de su suma. Esto también te permite optimizar el RMSRE_T para estos valores combinados.

Si bien es posible realizar la agregación para el APE, la fórmula es bastante complicada, ya que implica el valor absoluto de la suma de los ruidos de Laplace. Esto dificulta la optimización del APE.

Código

Revisa el código fuente para el cálculo de RMSRE_T.

Ejemplos

Informe de resumen con tres depósitos:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = noise: 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 depósitos:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = noise: 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 depósitos:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = noise: 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 avanzada de claves

Una DSP o una empresa de medición de anuncios pueden tener miles de clientes publicitarios globales que abarcan múltiples industrias, monedas y potenciales precios de compra. Esto significa que crear y administrar una clave de agregación por anunciante probablemente sea muy poco práctico. Además, será difícil seleccionar un valor máximo agregable y un presupuesto de agregación que puedan limitar el impacto del ruido en estos miles de anunciantes globales. En su lugar, consideremos las siguientes situaciones:

Estrategia clave A

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

Estrategia clave B

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

La estrategia clave B tendrá menos ruido en su resultado que la estrategia clave A, ya que los valores de las monedas no se distribuyen de manera uniforme entre las monedas. Por ejemplo, considera cómo las compras denominadas en ¥ mezcladas con las compras denominadas en USD alterarán los datos subyacentes y el resultado ruidoso.

Estrategia clave C

El proveedor de tecnología publicitaria decide crear y administrar cuatro claves para todos sus clientes publicitarios, y separarlas por moneda y sector del anunciante:

La estrategia clave C tendrá menos ruido en su resultado que la estrategia clave B, ya que los valores de compra de los anunciantes no se distribuyen de manera uniforme entre los anunciantes. Por ejemplo, considera cómo las compras de joyas de alta gama mezcladas con las compras de gorras de béisbol alterarán los datos subyacentes y el resultado ruidoso.

Considera crear valores agregados máximos y factores de ajuste compartidos para las características comunes de varios anunciantes con el objetivo de reducir el ruido en el resultado. Por ejemplo, podrías experimentar con las siguientes estrategias para tus anunciantes:

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

Si creas estrategias clave en torno a las características comunes de los anunciantes, las claves y el código correspondiente serán más fáciles de administrar, y las relaciones señal-ruido serán más altas. Experimenta con diferentes estrategias y similitudes entre los anunciantes para descubrir los puntos de inflexión en la maximización del impacto del ruido en comparación con la administración del código.

Consideremos una situación en la que participan dos anunciantes:

• Anunciante A:
  • En todos los productos del sitio del anunciante A, las posibilidades de precios de compra se encuentran entre USD 120 y USD 1,000, con un rango de USD 880.
  • Los precios de compra se distribuyen de manera uniforme en el rango de USD 880, sin valores atípicos fuera de las dos desviaciones estándares del precio de compra medio.
• Anunciante B:
  • En todos los productos del sitio del anunciante B, las posibilidades de precios de compra se encuentran entre USD 120 y USD 1,000, con un rango de USD 880.
  • Los precios de compra se inclinan en gran medida hacia el rango de USD 120 a USD 500, y solo el 5% de las compras se realizan en el rango de USD 500 a USD 1,000.

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

Es posible mitigar este problema con una configuración de clave específica. Probar estrategias clave que ayuden a administrar los datos 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 separadas para capturar dos rangos de valores de compra diferentes. En este ejemplo, la tecnología publicitaria observó que los valores atípicos aparecen por encima del valor de compra de USD 500. Intenta implementar dos claves separadas para este anunciante:

• Estructura de clave 1 : Clave que solo capta las compras entre USD 120 y USD 500 (que abarca aproximadamente el 95% del volumen total de compras).
• Estructura de clave 2: Clave que solo capta las compras superiores a USD 500 (que abarcan aproximadamente el 5% del volumen total de compras).

La implementación de esta estrategia clave debería permitir administrar mejor el ruido para el anunciante B y ayudarlo a maximizar la utilidad de los informes de resumen. Con los nuevos rangos más pequeños, las claves A y B ahora deberían tener una distribución de datos más uniforme en cada clave respectiva que la clave única anterior. Esto generará un menor impacto del ruido en el resultado de cada clave que en la clave única anterior.