Noiselab

התנסות ב-Noise Lab

1. עוברים למצב מתקדם.
2. בחלונית הצדדית 'פרמטרים', מחפשים את הקטע 'נתוני ההמרות שלך'.
3. שימו לב לפרמטרים שמוגדרים כברירת מחדל. כברירת מחדל, המספר הכולל של ההמרות היומיות שאפשר לייחס למקורות תנועה הוא 1,000. אם משתמשים בהגדרת ברירת המחדל (מאפייני ברירת מחדל, מספר ברירת מחדל של ערכים שונים אפשריים לכל מאפיין, אסטרטגיה A של מפתח), המספר הממוצע הוא בערך 40 לכל קטגוריה. שימו לב שהערך הוא 40 בקלט Average daily attributable conversion count (מספר ההמרות הממוצע ביום שאפשר לשייך לקטגוריה) PER BUCKET (לכל קטגוריה).
4. לוחצים על 'סימולציה' כדי להפעיל סימולציה עם פרמטרים שמוגדרים כברירת מחדל.
5. בחלונית הצדדית Parameters (פרמטרים), מחפשים את Dimensions (מאפיינים). משנים את השם של Geography ל-City ומשנים את מספר הערכים השונים האפשריים ל-50.
6. בודקים איך זה משפיע על מספר ההמרות הממוצע שמשויך לכל יום. עכשיו הוא הרבה יותר נמוך. הסיבה לכך היא שאם מגדילים את מספר הערכים האפשריים במאפיין הזה בלי לשנות שום דבר אחר, מגדילים את המספר הכולל של הדליים בלי לשנות את מספר אירועי ההמרה שייכללו בכל דלי.
7. לוחצים על 'סימולציה'.
8. בודקים את יחסי הרעש של הסימולציה שהתקבלה: יחסי הרעש גבוהים עכשיו מאלה של הסימולציה הקודמת.

התנסות ב-Noise Lab

במצב הפשוט, נעשה שימוש במבנה ברירת המחדל של המפתחות. במצב 'מתקדם', אפשר להתנסות במבני מפתח שונים. כלולות כמה דוגמאות למאפיינים, ואפשר גם לשנות אותן.

1. עוברים למצב מתקדם.
2. בחלונית הצדדית Parameters (פרמטרים), מחפשים את האפשרות Key strategy (שיטת בידינג מרכזית). שימו לב שאסטרטגיית ברירת המחדל, שנקראת A בכלי, משתמשת במבנה מפתח גרנולרי אחד שכולל את כל המאפיינים: מיקום גיאוגרפי x מזהה קמפיין x קטגוריית מוצר.
3. לוחצים על 'סימולציה'.
4. בודקים את יחסי הרעש בסימולציה שהתקבלה.
5. משנים את שיטת הבידינג המרכזית לשיטה ב'. יוצגו אמצעי בקרה נוספים שבעזרתם תוכלו להגדיר את מבנה המפתח.
6. מגדירים את מבנה המפתח, למשל באופן הבא:
   1. מספר מבני המפתח: 2
   2. מבנה מפתח 1 = מיקום גיאוגרפי x קטגוריית מוצרים.
   3. מבנה מפתח 2 = מזהה קמפיין x קטגוריית מוצר.
7. לוחצים על 'סימולציה'.
8. שימו לב שעכשיו תקבלו שני דוחות סיכום לכל סוג של יעד מדידה (שני דוחות לגבי מספר הרכישות ושני דוחות לגבי ערך הרכישות), בהנחה שאתם משתמשים בשני מבני מפתח שונים. בודקים את יחסי הרעש.
9. אפשר גם לנסות את זה עם מאפיינים מותאמים אישית משלכם. כדי לעשות זאת, מחפשים את הנתונים שרוצים לעקוב אחריהם: מאפיינים. כדאי להסיר את המאפיינים לדוגמה וליצור מאפיינים משלכם באמצעות הלחצנים Add (הוספה), Remove (הסרה) ו-Reset (איפוס) שמתחת למאפיין האחרון.

התנסות ב-Noise Lab

1. עוברים למצב פשוט (או למצב מתקדם – שני המצבים פועלים באותו אופן כשמדובר בתדירות של העלאות בכמות גדולה)
2. בחלונית הצדדית 'פרמטרים', מחפשים את האפשרות 'אסטרטגיית הצבירה שלך' > 'תדירות העיבוד באצווה'. הכוונה היא לתדירות של יצירת חבילות של דוחות שאפשר לצבור, שמעובדים באמצעות Aggregation Service במשימה אחת.
3. שימו לב לתדירות ברירת המחדל של העיבוד באצווה: כברירת מחדל, מתבצעת סימולציה של תדירות עיבוד באצווה מדי יום.
4. לוחצים על 'סימולציה'.
5. בודקים את יחסי הרעש בסימולציה שהתקבלה.
6. משנים את תדירות האצווה לשבועית.
7. בודקים את יחסי הרעש של הסימולציה שמתקבלת: יחסי הרעש עכשיו נמוכים יותר (טובים יותר) מאשר בסימולציה הקודמת.

התנסות ב-Noise Lab

קשה לחזות את מספר ההמרות האלה, והוא יכול להשתנות באופן משמעותי בנוסף להשפעות העונתיות. לכן, כדאי לנסות להעריך את מספר ההמרות היומיות שמשויכות למגע יחיד, ולעגל אותו לחזקה הקרובה ביותר של 10: 10,‏ 100,‏ 1,000 או 10,000.

1. עוברים למצב מתקדם.
2. בחלונית הצדדית 'פרמטרים', מחפשים את הקטע 'נתוני ההמרות שלך'.
3. שימו לב לפרמטרים שמוגדרים כברירת מחדל. כברירת מחדל, המספר הכולל של ההמרות היומיות שאפשר לייחס למקורות תנועה הוא 1,000. אם משתמשים בהגדרת ברירת המחדל (מאפייני ברירת מחדל, מספר ברירת מחדל של ערכים שונים אפשריים לכל מאפיין, אסטרטגיה A של מפתח), המספר הממוצע הוא בערך 40 לכל קטגוריה. שימו לב שהערך הוא 40 בקלט Average daily attributable conversion count (מספר ההמרות הממוצע ביום שאפשר לשייך לקטגוריה) PER BUCKET (לכל קטגוריה).
4. לוחצים על 'סימולציה' כדי להפעיל סימולציה עם פרמטרים שמוגדרים כברירת מחדל.
5. בודקים את יחסי הרעש בסימולציה שהתקבלה.
6. עכשיו מגדירים את המספר הכולל של המרות יומיות שניתן לשייך ל-100. שימו לב שהערך הזה מוריד את הערך של מספר ההמרות היומי הממוצע שניתן לשיוך לכל משפך.
7. לוחצים על 'סימולציה'.
8. שימו לב שיחסי הרעש גבוהים יותר עכשיו: הסיבה לכך היא שכשיש פחות המרות בכל קבוצה, מוחל יותר רעש כדי לשמור על הפרטיות.

התנסות ב-Noise Lab

1. עוברים למצב מתקדם.
2. בחלונית הצדדית 'פרמטרים', מחפשים את האפשרות 'אסטרטגיית הצבירה שלך' > 'שינוי קנה מידה'. ההגדרה היא Yes כברירת מחדל.
3. כדי להבין את ההשפעות החיוביות של שינוי קנה מידה על יחס הרעש, קודם צריך להגדיר את שינוי קנה המידה ל'לא'.
4. לוחצים על 'סימולציה'.
5. בודקים את יחסי הרעש בסימולציה שהתקבלה.
6. מגדירים את האפשרות 'שינוי גודל' לערך 'כן'. שימו לב: Noise Lab מחשב באופן אוטומטי את גורמי ההתאמה לשימוש בהינתן הטווחים (ערכים ממוצעים ומקסימליים) של יעדי המדידה בתרחיש שלכם. במערכת אמיתית או בניסוי מקור מומלץ להטמיע חישוב משלכם לגורמי קנה מידה.
7. לוחצים על 'סימולציה'.
8. שימו לב שיחסי הרעש עכשיו נמוכים יותר (טובים יותר) בסימולציה השנייה הזו. הסיבה לכך היא שאתם משתמשים בהרחבת נפח האחסון.

התנסות ב-Noise Lab

יעד מדידה הוא נקודת נתונים נפרדת שנאספת באירועי המרה.

1. עוברים למצב מתקדם.
2. בחלונית הצדדית 'פרמטרים', מחפשים את הנתונים שרוצים לעקוב אחריהם: יעדי מדידה. כברירת מחדל, יש לכם שני יעדי מדידה: ערך הרכישה ומספר הרכישות.
3. לוחצים על 'סימולציה' כדי להריץ סימולציה עם היעדים שמוגדרים כברירת מחדל.
4. לוחצים על 'הסרה'. הפעולה הזו תסיר את יעד המדידה האחרון (במקרה הזה, מספר הרכישות).
5. לוחצים על 'סימולציה'.
6. אפשר לראות שיחסי הרעש של ערך הרכישה נמוכים יותר (טובים יותר) בסימולציה השנייה הזו. הסיבה לכך היא שיש לכם פחות יעדי מדידה, ולכן יעד המדידה היחיד מקבל עכשיו את כל תקציב התרומה.
7. לוחצים על איפוס. עכשיו יש לכם שוב שני יעדי מדידה: ערך הרכישה ומספר הרכישות. שימו לב: Noise Lab מחשב באופן אוטומטי את גורמי ההתאמה לשימוש בהינתן הטווחים (ערכים ממוצעים ומקסימליים) של יעדי המדידה בתרחיש שלכם. כברירת מחדל, Noise Lab מחלק את התקציב באופן שווה בין יעדי המדידה.
8. לוחצים על 'סימולציה'.
9. בודקים את יחסי הרעש בסימולציה שהתקבלה. רושמים את גורמי קביעת קנה המידה שמוצגים בסימולציה.
10. עכשיו נתאים אישית את חלוקת תקציב הפרטיות כדי להשיג יחסי אות לרעש טובים יותר.
11. משנים את אחוז התקציב שהוקצה לכל יעד מדידה. בהינתן פרמטרי ברירת המחדל, טווח הערכים של יעד המדידה 1, כלומר ערך הרכישה, רחב בהרבה (בין 0 ל-1,000) מטווח הערכים של יעד המדידה 2, כלומר מספר הרכישות (בין 1 ל-1, כלומר תמיד שווה ל-1). לכן, המערכת צריכה "יותר מקום להתרחבות": מומלץ להקצות תקציב תרומה גדול יותר ליעד המדידה 1 מאשר ליעד המדידה 2, כדי שהמערכת תוכל להגדיל את היקף הפעילות בצורה יעילה יותר (ראו התרחבות), וכך
12. מקצים 70% מהתקציב ליעד המדידה 1. הקצאת 30% ליעד 2 של המדידה.
13. לוחצים על 'סימולציה'.
14. בודקים את יחסי הרעש בסימולציה שהתקבלה. במקרה של ערך הרכישה, יחסי האות לרעש נמוכים (טובים) באופן משמעותי בהשוואה לסימולציה הקודמת. במקרה של מספר הרכישות, הנתונים נשארו כמעט ללא שינוי.
15. ממשיכים לשנות את חלוקת התקציב בין המדדים. בודקים איך זה משפיע על הרעש.

שימו לב שאפשר להגדיר יעדי מדידה מותאמים אישית באמצעות הלחצנים 'הוספה', 'הסרה' ו'איפוס'.

התנסות ב-Noise Lab

יעד מדידה הוא נקודת נתונים נפרדת שנאספת באירועי המרה.

1. עוברים למצב מתקדם.
2. בחלונית הצדדית 'פרמטרים', מחפשים את האפשרות 'אסטרטגיית הצבירה שלך' > 'שינוי קנה מידה'.
3. מוודאים שההגדרה 'שינוי גודל' מוגדרת ל'כן'. שימו לב: Noise Lab מחשב באופן אוטומטי את גורמי ההתאמה לשימוש, על סמך הטווחים (ערכים ממוצעים ומקסימליים) שציינתם ליעדי המדידה.
4. נניח שהרכישה הכי גדולה שבוצעה אי פעם הייתה בסך 2,000$, אבל שרוב הרכישות הן בטווח של 10 $עד 120$. קודם נראה מה קורה אם משתמשים בגישה מילולית להרחבת טווח (לא מומלץ): מזינים 2, 000 $כערך המקסימלי של purchaseValue.
5. לוחצים על 'סימולציה'.
6. שימו לב שיחסי הרעש גבוהים. הסיבה לכך היא שגורם ההתאמה שלנו מחושב על סמך 2,000$, כשבפועל רוב ערכי הרכישה יהיו נמוכים משמעותית מהסכום הזה.
7. עכשיו נשתמש בגישה פרגמטית יותר להרחבת הפעילות. משנים את ערך הרכישה המקסימלי ל-120$.
8. לוחצים על 'סימולציה'.
9. אפשר לראות שיחסי הרעש נמוכים יותר (כלומר טובים יותר) בסימולציה השנייה.

סיור קצר ב-Noise Lab

Noise Lab עוזר לכם להעריך ולהשוות במהירות אסטרטגיות לניהול נתונים מיותרים. אפשר להשתמש בשיטה הזו כדי:

• להבין את הפרמטרים העיקריים שיכולים להשפיע על הרעש ואת ההשפעה שלהם.
• הדמיה של השפעת הרעש על נתוני המדידה של הפלט בהינתן החלטות שונות לגבי העיצוב. משנים את פרמטרי העיצוב עד שמגיעים ליחס אות לרעש שמתאים לתרחיש לדוגמה.
• נשמח לקבל מכם משוב על התועלת של דוחות הסיכום: אילו ערכים של פרמטרים של אפסילון ורעש מתאימים לכם, ואילו לא? איפה נמצאות נקודות הפיתול?

אפשר לחשוב על זה כשלב הכנה. ‫Noise Lab יוצר נתוני מדידה כדי לדמות את הפלט של דוחות סיכום על סמך הקלט שלכם. הוא לא שומר או משתף נתונים.

יש שני מצבים שונים ב-Noise Lab:

1. מצב פשוט: הסבר על היסודות של אמצעי הבקרה שיש לכם על הרעש.
2. מצב מתקדם: אפשר לבדוק אסטרטגיות שונות לניהול רעשים ולהעריך איזו מהן מובילה ליחסי אות לרעש הכי טובים בתרחישי השימוש שלכם.

לוחצים על הלחצנים בתפריט העליון כדי לעבור בין שני המצבים (מס' 1 בצילום המסך הבא).

מצב פשוט

• במצב פשוט, אתם שולטים בפרמטרים (שנמצאים בצד ימין, או במספר 2 בצילום המסך הבא) כמו אפסילון, ורואים איך הם משפיעים על הרעש.
• לכל פרמטר יש תיאור קצר (לחצן '?'). כאן אפשר ללחוץ כדי לראות הסבר על כל פרמטר (מספר 3 בצילום המסך הבא)
• כדי להתחיל, לוחצים על הלחצן Simulate (הדמיה) ומתבוננים בפלט (מספר 4 בצילום המסך הבא).
• בקטע Output (פלט) מוצגים פרטים שונים. לצד חלק מהרכיבים מופיע סימן השאלה '?'. כדאי להקדיש זמן ללחיצה על כל סימן שאלה '?' כדי לראות הסבר על חלקי המידע השונים.
• בקטע 'פלט', לוחצים על המתג 'פרטים' אם רוצים לראות גרסה מורחבת של הטבלה (מס' 5 בצילום המסך הבא).
• אחרי כל טבלת נתונים בקטע הפלט, יש אפשרות להוריד את הטבלה לשימוש אופליין. בנוסף, בפינה השמאלית התחתונה יש אפשרות להוריד את כל טבלאות הנתונים (מספר 6 בצילום המסך הבא).
• בודקים הגדרות שונות של הפרמטרים בקטע Parameters (פרמטרים) ולוחצים על Simulate (סימולציה) כדי לראות איך הן משפיעות על הפלט:

  

מצב מתקדם

• במצב מתקדם, יש לכם יותר שליטה על הפרמטרים. אתם יכולים להוסיף יעדי מדידה ומאפיינים מותאמים אישית (מספר 1 ומספר 2 בצילום המסך הבא).
• גוללים למטה בקטע 'פרמטרים' ורואים את האפשרות 'שיטת בידינג מרכזית'. אפשר להשתמש בזה כדי לבדוק מבנים שונים של מפתחות (מס' 3 בצילום המסך הבא)
  • כדי לבדוק מבני מפתחות שונים, צריך להחליף את אסטרטגיית המפתחות ל-B.
  • מזינים את מספר מבני המפתח השונים שרוצים להשתמש בהם (ברירת המחדל היא 2).
  • לוחצים על Generate Key Structures (יצירת מבני מפתח).
  • יוצגו לכם אפשרויות לציין את מבני המפתחות על ידי לחיצה על תיבות הסימון לצד המפתחות שרוצים לכלול בכל מבנה מפתחות.
  • לוחצים על 'סימולציה' כדי לראות את הפלט.

    

    

מדדי רעש

מושג ליבה

הוספת נתונים מיותרים נועדה להגן על פרטיות המשתמשים.

ערך רעש גבוה מצביע על כך שהקטגוריות או המפתחות דלילים ומכילים תרומות ממספר מוגבל של אירועים רגישים. התהליך הזה מתבצע באופן אוטומטי על ידי Noise Lab, כדי לאפשר לאנשים "להיטמע בקהל". במילים אחרות, המערכת מגנה על הפרטיות של מספר מצומצם של אנשים באמצעות כמות גדולה יותר של נתונים מיותרים.

ערך רעש נמוך מצביע על כך שהגדרת הנתונים תוכננה באופן שמאפשר לאנשים "להיטמע בקהל". כלומר, הדליים מכילים נתונים ממספר מספיק של אירועים כדי לוודא שהפרטיות של המשתמשים מוגנת.

ההצהרה הזו נכונה גם לגבי שגיאת האחוז הממוצעת (APE) וגם לגבי RMSRE_T (שגיאה יחסית של שורש ממוצע הריבועים עם סף).

‫APE (שגיאה ממוצעת באחוזים)

ה-APE הוא היחס בין הרעש לבין האות, כלומר ערך הסיכום האמיתי.

ערכים נמוכים יותר של APE מצביעים על יחסי אות לרעש טובים יותר.

נוסחה

בדוח סיכום נתון, ה-APE מחושב באופן הבא:

‫True הוא ערך הסיכום האמיתי. APE הוא הממוצע של הרעש בכל ערך סיכום אמיתי, והוא מחושב כממוצע של כל הרשומות בדוח סיכום. ב-Noise Lab, התוצאה מוכפלת ב-100 כדי לקבל אחוז.

יתרונות וחסרונות

לדליים עם גדלים קטנים יותר יש השפעה לא פרופורציונלית על הערך הסופי של APE. זה יכול להטעות כשמעריכים את הרעש. לכן הוספנו מדד נוסף, RMSRE_T, שנועד לצמצם את המגבלה הזו של APE. פרטים נוספים מופיעים בדוגמאות.

קוד

בודקים את קוד המקור לחישוב APE.

‫RMSRE_T (שורש טעות יחסית ממוצעת עם סף)

‫RMSRE_T (שגיאה יחסית של שורש ממוצע הריבועים עם סף) הוא מדד נוסף לרעשי רקע.

איך לפרש את הערך RMSRE_T

ערכים נמוכים יותר של RMSRE_T מצביעים על יחסי אות לרעש טובים יותר.
לדוגמה, אם יחס הרעש שמתאים לתרחיש השימוש שלכם הוא 20%, והערך של RMSRE_T הוא 0.2, אתם יכולים להיות בטוחים שרמות הרעש נמצאות בטווח המקובל.

נוסחה

בדוח סיכום נתון, המדד RMSRE_T מחושב באופן הבא:

יתרונות וחסרונות

קשה יותר להבין את RMSRE_T מאשר את APE. עם זאת, יש לה כמה יתרונות שבמקרים מסוימים הופכים אותה למתאימה יותר מ-APE לניתוח רעשי רקע בדוחות סיכום:

• ‫RMSRE_T יציב יותר. ‫T הוא ערך סף. האות T משמשת כדי לתת משקל נמוך יותר בחישוב RMSRE_T לדליים עם פחות המרות, ולכן הם רגישים יותר לרעשי רקע בגלל הגודל הקטן שלהם. בשיטה T, המדד לא מציג קפיצה פתאומית בדליים עם מספר קטן של המרות. אם T שווה ל-5, ערך רעש קטן כמו 1 בדלי עם 0 המרות לא יוצג כגבוה מ-1. במקום זאת, הערך המקסימלי יהיה 0.2, ששווה ל-1/5, כי T שווה ל-5. המדד הזה יציב יותר, ולכן קל יותר להשוות בין שני סימולציות, כי הוא נותן פחות משקל לדליים קטנים יותר שרגישים יותר לרעשי רקע.
• המאפיין RMSRE_T מאפשר צבירה פשוטה. אם יודעים את RMSRE_T של כמה דליים, יחד עם הספירות האמיתיות שלהם, אפשר לחשב את RMSRE_T של הסכום שלהם. האפשרות הזו מאפשרת גם לבצע אופטימיזציה של RMSRE_T עבור הערכים המשולבים האלה.

אפשר לבצע צבירה של APE, אבל הנוסחה די מסובכת כי היא כוללת את הערך המוחלט של סכום רעשי לפלס. כך קשה יותר לבצע אופטימיזציה של APE.

קוד

בודקים את קוד המקור של החישוב RMSRE_T.

דוגמאות

דוח סיכום עם שלוש קבוצות:

• 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

דוח סיכום עם שלוש קבוצות:

• 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

דוח סיכום עם שלוש קבוצות:

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

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

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

ניהול מתקדם של מפתחות

יכול להיות שלפלטפורמת DSP או לחברה למדידת ביצועי מודעות יש אלפי לקוחות פרסום גלובליים, שפועלים בתחומים שונים, משתמשים במטבעות שונים ויש להם פוטנציאלים שונים למחיר רכישה. המשמעות היא שיצירה וניהול של מפתח צבירה אחד לכל מפרסם כנראה לא יהיו מעשיים. בנוסף, יהיה קשה לבחור ערך מקסימלי שניתן לצבירה ותקציב צבירה שיכולים להגביל את ההשפעה של הרעש על אלפי המפרסמים האלה ברחבי העולם. במקום זאת, נבחן את התרחישים הבאים:

אסטרטגיה מרכזית א'

ספק טכנולוגיית הפרסום מחליט ליצור ולנהל מפתח אחד לכל הלקוחות שלו בתחום הפרסום. בקרב כל המפרסמים ובכל המטבעות, טווח הרכישות משתנה מרכישות בנפח נמוך ובעלות גבוהה לרכישות בנפח גבוה ובעלות נמוכה. התוצאה היא המפתח הבא:

אסטרטגיה מרכזית ב'

ספק טכנולוגיית הפרסום מחליט ליצור ולנהל שני מפתחות בכל הלקוחות שלו בתחום הפרסום. הם מחליטים להפריד בין המקשים לפי מטבע. בקרב כל המפרסמים ובכל המטבעות, טווח הרכישות משתנה מרכישות בנפח נמוך וברמה גבוהה לרכישות בנפח גבוה וברמה נמוכה. הם יוצרים 2 מפתחות, לפי מטבע:

לשיטת הבידינג המרכזית ב'קמפיין ב' יהיה פחות רעש בתוצאה מאשר לשיטת הבידינג המרכזית ב'קמפיין א', כי ערכי המטבע לא מפוזרים באופן אחיד בין המטבעות. לדוגמה, כדאי לחשוב איך רכישות שמתבצעות בין ישולבו עם רכישות שמתבצעות בדולר ארה"ב, וישנו את הנתונים הבסיסיים ואת הפלט הרועש שיתקבל.

אסטרטגיה מרכזית C

ספק טכנולוגיות הפרסום מחליט ליצור ולנהל ארבעה מפתחות אצל כל לקוחות הפרסום שלו, ולהפריד ביניהם לפי מטבע x ענף המפרסם:

התוצאה של אסטרטגיה C תהיה פחות רועשת מזו של אסטרטגיה B, כי ערכי הרכישה של המפרסמים לא מפוזרים באופן אחיד בין המפרסמים. לדוגמה, תחשבו איך רכישות של תכשיטים יוקרתיים יחד עם רכישות של כובעי בייסבול ישנו את הנתונים הבסיסיים ואת הפלט הרועש שיתקבל.

כדי לצמצם את הרעש בתוצאה, כדאי ליצור ערכים משותפים מקסימליים מצטברים וגורמי קנה מידה משותפים למאפיינים משותפים של כמה מפרסמים. לדוגמה, תוכלו לנסות את השיטות הבאות עבור המפרסמים שלכם:

• שיטה אחת שמופרדת לפי מטבע (דולר, ין, דולר קנדי וכו')
• אסטרטגיה אחת שמחולקת לפי תחום המפרסם (ביטוח, רכב, קמעונאות וכו')
• שיטה אחת שמופרדת על ידי טווחי ערכי רכישה דומים ([100], [1000], [10000] וכו')

כשיוצרים אסטרטגיות מפתח סביב המאפיינים המשותפים של המפרסמים, קל יותר לנהל את המפתחות ואת הקוד התואם, ויחס האות לרעש עולה. כדאי להתנסות בשיטות שונות עם מאפיינים משותפים שונים של מפרסמים כדי לגלות נקודות מפנה במקסום ההשפעה של הרעש לעומת ניהול הקוד.

בואו נבחן תרחיש שקורה אצל שני מפרסמים:

• מפרסם א':
  • בכל המוצרים באתר של מפרסם א', טווח המחירים האפשריים הוא [‎120$‎ – ‎1,000$‎] , כלומר טווח של ‎880 $‎.
  • מחירי הרכישה מתפלגים באופן שווה בטווח של 880$, ללא חריגים מחוץ לשתי סטיות תקן ממחיר הרכישה החציוני.
• מפרסם ב':
  • בכל המוצרים באתר של מפרסם ב', טווח המחירים האפשריים הוא [‎$120 – $1,000] , כלומר טווח של ‎ $880.
  • מחירי הרכישה נוטים מאוד לכיוון הטווח של 120 $עד 500$, ורק 5% מהרכישות מתבצעות בטווח של 500 $עד 1,000$.

בהתחשב בדרישות של תקציב התרומה ובמתודולוגיה שבה מוסיפים רעש לתוצאות הסופיות, כברירת מחדל, התוצאה של מפרסם ב' תהיה רועשת יותר מזו של מפרסם א', כי למפרסם ב' יש פוטנציאל גבוה יותר לחריגים להשפיע על החישובים הבסיסיים.

אפשר לצמצם את הסיכון הזה באמצעות הגדרת מפתח ספציפית. כדאי לבדוק אסטרטגיות מרכזיות שיעזרו לכם לנהל נתונים חריגים ולחלק את ערכי הרכישה בצורה אחידה יותר בטווח הרכישה של מילת המפתח.

מפרסם ב' יכול ליצור שני מפתחות נפרדים כדי לתעד שני טווחי ערכים שונים של רכישות. בדוגמה הזו, הטכנולוגיה לפרסום זיהתה חריגים מעל ערך הרכישה של 500$. כדאי להטמיע שני מפתחות נפרדים עבור המפרסם הזה:

• מבנה מפתח 1 : מפתח שמתעד רק רכישות בטווח של 120 $עד 500$ (מכסה כ-95% מנפח הרכישות הכולל).
• מבנה מפתח 2: מפתח שמתעד רק רכישות מעל 500 $‎ (מכסה כ-5% מנפח הרכישות הכולל).

הטמעה של האסטרטגיה החשובה הזו תעזור למפרסם ב' לנהל טוב יותר את הרעש, ולמקסם את התועלת שהוא יכול להפיק מדוחות הסיכום. בהינתן הטווחים החדשים והקטנים יותר, עכשיו אמורה להיות למפתח א' ולמפתח ב' התפלגות נתונים אחידה יותר בכל מפתח בהשוואה למפתח היחיד הקודם. התוצאה תהיה פחות רעשי רקע בפלט של כל מפתח בהשוואה למפתח יחיד.