Noiselab

bookmark_border Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Vos données de conversion".
3. Observez les paramètres par défaut. Par défaut, le nombre TOTAL de conversions attribuables par jour est de 1 000. Cela représente en moyenne environ 40 valeurs par bucket si vous utilisez la configuration par défaut (dimensions par défaut, nombre par défaut de valeurs différentes possibles pour chaque dimension, stratégie clé A). Notez que la valeur est de 40 dans la zone de saisie "Nombre moyen de conversions attribuables par jour PAR BUCKET".
4. Cliquez sur "Simuler" pour exécuter une simulation avec les paramètres par défaut.
5. Dans le panneau latéral "Paramètres", recherchez "Dimensions". Remplacez Géographie par Ville et définissez le nombre de valeurs différentes possibles sur 50.
6. Observez l'impact de cette modification sur le nombre moyen de conversions attribuables par jour PAR BUCKET. Elle est maintenant beaucoup plus faible. En effet, si vous augmentez le nombre de valeurs possibles dans cette dimension sans rien changer d'autre, vous augmentez le nombre total de buckets sans modifier le nombre d'événements de conversion qui y seront inclus.
7. Cliquez sur "Simuler".
8. Observez les ratios de bruit de la simulation qui en résulte: ils sont désormais plus élevés que pour la simulation précédente.

En mode simple, la structure de clé par défaut est utilisée. En mode avancé, vous pouvez tester différentes structures de clés. Des exemples de dimensions sont inclus. Vous pouvez également les modifier.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Stratégie clé". Notez que la stratégie par défaut, nommée A dans l'outil, utilise une structure de clé détaillée qui inclut toutes les dimensions: zone géographique x ID de campagne x catégorie de produits.
3. Cliquez sur "Simuler".
4. Observez les ratios de bruit de la simulation obtenue.
5. Remplacez la stratégie "Clé" par B. Des commandes supplémentaires s'affichent pour vous permettre de configurer votre structure de clés.
6. Configurez votre structure de clés, par exemple comme suit :
   1. Nombre de structures clés: 2
   2. Structure de clé 1 = zone géographique x catégorie de produits
   3. Structure de clé 2 = ID de campagne x Catégorie de produits
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, deux pour la valeur d'achat), car vous utilisez deux structures de clés distinctes. Observez leurs ratios de bruit.
9. Vous pouvez également essayer cette méthode avec vos propres dimensions personnalisées. Pour ce faire, recherchez "Données à suivre: dimensions". Envisagez de supprimer les exemples de dimensions et de créer les vôtres à l'aide des boutons "Ajouter/Supprimer/Réinitialiser" sous la dernière dimension.

1. Accédez au mode Simple (ou au mode Avancé, les deux modes fonctionnant de la même manière en ce qui concerne 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 dans une seule tâche.
3. Observez la fréquence de traitement par lot par défaut: par défaut, une fréquence de traitement par lot quotidienne est simulée.
4. Cliquez sur "Simuler".
5. Observez les ratios de bruit de la simulation obtenue.
6. Définissez la fréquence de traitement par lot sur hebdomadaire.
7. Observez les rapports signal/bruit de la simulation obtenue: ils sont désormais inférieurs (meilleurs) que pour la simulation précédente.

Bien que cela puisse être difficile à prévoir et que les variations puissent être importantes en plus des effets saisonniers, essayez d'estimer le nombre de conversions quotidiennes attribuables à un seul contact à la puissance de 10 la plus proche: 10, 100, 1 000 ou 10 000.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Vos données de conversion".
3. Observez les paramètres par défaut. Par défaut, le nombre TOTAL de conversions attribuables par jour est de 1 000. Cela représente en moyenne environ 40 valeurs par bucket si vous utilisez la configuration par défaut (dimensions par défaut, nombre par défaut de valeurs différentes possibles pour chaque dimension, stratégie clé A). Notez que la valeur est de 40 dans la zone de saisie "Nombre moyen de conversions attribuables par jour PAR BUCKET".
4. Cliquez sur "Simuler" pour exécuter une simulation avec les paramètres par défaut.
5. Observez les ratios de bruit de la simulation obtenue.
6. Définissez maintenant le nombre TOTAL de conversions attribuables quotidiennes sur 100. Notez que cela réduit la valeur du nombre moyen de conversions attribuables par jour PAR BUCKET.
7. Cliquez sur "Simuler".
8. Notez que les ratios de bruit sont désormais plus élevés: en effet, lorsque vous enregistrez moins de conversions par bucket, plus de bruit est appliqué pour préserver la confidentialité.

1. Accédez au mode avancé.
2. Dans le panneau latéral "Paramètres", recherchez "Votre stratégie d'agrégation> Échelle". Par défaut, elle est définie sur "Oui".
3. Pour comprendre les effets positifs de la mise à l'échelle sur le rapport signal/bruit, définissez d'abord "Scaling" (Mise à l'échelle) sur "No" (Non).
4. Cliquez sur "Simuler".
5. Observez les ratios de bruit de la simulation obtenue.
6. Définissez "Scaling" (Échelle) sur "Yes" (Oui). Notez que Noise Lab calcule automatiquement les facteurs de scaling à utiliser en fonction des plages (valeurs moyenne et maximale) des objectifs de mesure de votre scénario. Dans une configuration réelle de système ou d'essai d'origine, vous devez implémenter votre propre calcul pour les facteurs de mise à l'échelle.
7. Cliquez sur "Simuler".
8. Notez que les ratios de bruit sont désormais plus faibles (meilleurs) dans cette deuxième simulation. Cela est dû au fait que vous utilisez la mise à l'échelle.

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 "Données à suivre : objectifs de mesure". Par défaut, vous disposez de deux objectifs de mesure: la valeur d'achat et le nombre d'achats.
3. Cliquez sur "Simuler" pour exécuter une simulation avec les objectifs par défaut.
4. Cliquez sur "Supprimer". Cela supprimera le dernier objectif de mesure (nombre d'achats dans ce cas).
5. Cliquez sur "Simuler".
6. Notez que les ratios de bruit pour la valeur d'achat sont désormais inférieurs (meilleurs) pour cette deuxième simulation. En effet, vous avez moins d'objectifs de mesure. Par conséquent, votre seul objectif de mesure reçoit désormais l'intégralité du budget de contribution.
7. Cliquez sur "Réinitialiser". Vous avez à nouveau deux objectifs de mesure: la valeur d'achat et le nombre d'achats. Notez que Noise Lab calcule automatiquement les facteurs de scaling à utiliser en fonction des plages (valeurs moyenne et maximale) des objectifs de mesure de votre scénario. Par défaut, Noise Lab répartit le budget de manière égale entre les objectifs de mesure.
8. Cliquez sur "Simuler".
9. Observez les ratios de bruit de la simulation obtenue. Notez les facteurs de scaling affichés dans la simulation.
10. Maintenant, personnalisons la répartition du budget de confidentialité pour obtenir de meilleurs rapports signal/bruit.
11. Ajustez le pourcentage de budget attribué à chaque objectif de mesure. Compte tenu des paramètres par défaut, l'objectif de mesure 1, à savoir la valeur d'achat, a une plage beaucoup plus large (entre 0 et 1 000) que l'objectif de mesure 2, à savoir le nombre d'achats (entre 1 et 1, c'est-à-dire toujours égal à 1). Par conséquent, il a besoin de plus d'espace pour évoluer : il serait idéal d'allouer plus de budget de contribution à l'objectif de mesure 1 qu'à l'objectif de mesure 2, afin qu'il puisse être étendu plus efficacement (voir "Évoluer"), et donc
12. Attribuez 70% du budget à l'objectif de mesure 1. Attribuez 30% à l'objectif de mesure 2.
13. Cliquez sur "Simuler".
14. Observez les ratios de bruit de la simulation obtenue. Pour la valeur d'achat, les ratios de bruit sont désormais nettement inférieurs (meilleurs) que pour la simulation précédente. Le nombre d'achats est à peu près inchangé.
15. Continuez à ajuster la répartition du budget entre les métriques. Observez l'impact de cette modification sur le bruit.

Notez que vous pouvez définir vos propres objectifs de mesure personnalisés à l'aide des boutons "Ajouter/Supprimer/Réinitialiser".

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> Échelle".
3. Assurez-vous que l'option "Scaling" (Échelle) est définie sur "Yes" (Oui). Notez que Noise Lab calcule automatiquement les facteurs de scaling à utiliser en fonction des plages (valeurs moyenne et maximale) que vous avez indiquées pour les objectifs de mesure.
4. Supposons que le plus gros achat jamais effectué ait été de 2 000 $, mais que la plupart des achats se situent entre 10 $et 120 $. Tout d'abord, voyons ce qui se passe si nous utilisons une approche de mise à l'échelle littérale (non recommandée): saisissez 2 000 $comme valeur maximale pour purchaseValue.
5. Cliquez sur "Simuler".
6. Notez que les ratios de bruit sont élevés. En effet, notre facteur de mise à l'échelle est actuellement calculé sur la base de 2 000 $, alors qu'en réalité, la plupart des valeurs d'achat seront nettement inférieures.
7. Utilisons maintenant une approche de mise à l'échelle plus pragmatique. Modifiez la valeur d'achat maximale sur 120 $.
8. Cliquez sur "Simuler".
9. Notez que les ratios de bruit sont inférieurs (meilleurs) dans cette deuxième simulation.

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

• Comprendre les principaux paramètres pouvant avoir un impact sur le bruit et leur effet
• Simulez l'effet du bruit sur les données de mesure de sortie en fonction de différentes décisions de conception. Ajustez les paramètres de conception jusqu'à ce que vous atteigniez un rapport signal sur bruit adapté à votre cas d'utilisation.
• Partagez vos commentaires sur l'utilité des rapports récapitulatifs: quelles valeurs des paramètres epsilon et bruit fonctionnent pour vous, et lesquelles ne le font pas ? Où se trouvent les points d'inflexion ?

Considérez-la comme une étape de préparation. Noise Lab génère des données de mesure pour simuler les sorties de rapports récapitulatifs en fonction de vos entrées. Il ne conserve ni ne partage aucune donnée.

Noise Lab propose deux modes différents:

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

Cliquez sur les boutons du menu du haut pour basculer entre les deux modes (numéro 1 sur la capture d'écran ci-dessous).

Mode simple

• Avec le mode Simple, vous contrôlez les paramètres (situés sur le côté gauche, ou numéro 2 dans la capture d'écran ci-dessous), tels que l'épsilon, et observez leur impact sur le bruit.
• Chaque paramètre est associé à une info-bulle (bouton "?"). Cliquez dessus pour obtenir une explication de chaque paramètre (numéro 3 dans la capture d'écran ci-dessous).
• Pour commencer, cliquez sur le bouton "Simuler" et observez le résultat (numéro 4 dans la capture d'écran ci-dessous).
• La section "Output" (Sortie) affiche diverses informations. À côté de certains éléments, un point d'interrogation s'affiche. Prenez le temps de cliquer sur chaque point d'interrogation pour obtenir une explication des différentes informations.
• Dans la section "Sortie", cliquez sur le bouton d'activation/de désactivation des détails si vous souhaitez afficher une version développée du tableau (numéro 5 dans la capture d'écran ci-dessous).
• Sous chaque tableau de données de la section "Sortie", vous pouvez télécharger le tableau pour l'utiliser hors connexion. En outre, en bas à droite, vous pouvez télécharger tous les tableaux de données (numéro 6 dans la capture d'écran ci-dessous).
• Testez différents paramètres dans la section "Paramètres", puis cliquez sur "Simuler" pour voir leur impact sur la sortie :

  

Mode avancé

• En mode avancé, vous avez plus de contrôle sur les paramètres. Vous pouvez ajouter des objectifs et des dimensions de mesure personnalisés (numéros 1 et 2 dans la capture d'écran ci-dessous).
• Faites défiler la section "Paramètres" vers le bas pour voir l'option "Stratégie clé". Vous pouvez l'utiliser pour tester différentes structures de clés (3. dans la capture d'écran ci-dessous).
  • Pour tester différentes structures de clés, définissez la stratégie de clé sur "B".
  • Saisissez le nombre de structures de clés différentes que vous souhaitez utiliser (par défaut, la valeur est "2").
  • Cliquez sur "Générer des structures de clés".
  • Vous verrez des options pour spécifier vos structures de clés en cochant les cases à côté des clés que vous souhaitez inclure pour chaque structure de clés.
  • Cliquez sur "Simuler" pour afficher la sortie.

    

    

Concept de base

du bruit est ajouté pour protéger la confidentialité des utilisateurs individuels.

Une valeur de bruit élevée indique que les buckets/clés sont clairsemés et contiennent des contributions d'un nombre limité d'événements sensibles. Cela se fait automatiquement par Noise Lab, afin de permettre aux utilisateurs de "se cacher dans la foule", ou en d'autres termes, de protéger la confidentialité de ces utilisateurs limités avec une quantité plus importante de bruit ajouté.

Une valeur de bruit faible indique que la configuration des données a été conçue de manière à permettre aux individus de "se cacher dans la foule". Cela signifie que les buckets contiennent des contributions d'un nombre suffisant d'événements pour garantir la confidentialité des utilisateurs individuels.

Cette affirmation est vraie pour l'erreur relative moyenne (APE) et RMSRE_T (erreur relative quadratique moyenne avec un seuil).

APE (erreur moyenne en pourcentage)

L'APE est le rapport du bruit sur le signal, c'est-à-dire 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:

True est la valeur récapitulative réelle. L'APE est la moyenne du bruit sur chaque valeur récapitulative réelle, calculée sur l'ensemble des entrées d'un rapport récapitulatif. Dans Noise Lab, ce nombre est ensuite multiplié par 100 pour obtenir un pourcentage.

Avantages et inconvénients

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

Code

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

RMSRE_T (erreur relative quadratique moyenne avec seuil)

RMSRE_T (erreur relative quadratique moyenne avec seuil) est une autre mesure du bruit.

Interpréter RMSRE_T

Plus la valeur RMSRE_T est faible, meilleur est le rapport signal sur bruit.
Par exemple, si le rapport de bruit acceptable pour votre cas d'utilisation est de 20 % et que RMSRE_T est de 0,2, vous pouvez être sûr que les niveaux de bruit se situent dans la plage acceptable.

Formule

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

Avantages et inconvénients

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

• RMSRE_T est plus stable. "T" est un seuil. "T" permet de donner moins de poids au calcul de RMSRE_T aux buckets qui enregistrent moins de conversions et sont donc plus sensibles au bruit en raison de leur petite taille. Avec T, la métrique ne connaît pas de pic pour les buckets comportant peu de conversions. Si T est égal à 5, une valeur de bruit aussi faible que 1 dans un bucket avec 0 conversions ne sera pas affichée comme bien supérieure à 1. Il sera plafonné à 0, 2, ce qui équivaut à 1/5, car T est égal à 5. En accordant moins d'importance aux petits buckets, qui sont donc plus sensibles au bruit, cette métrique est plus stable et permet donc de comparer plus facilement deux simulations.
• RMSRE_T permet une agrégation facile. Connaître la RMSRE_T de plusieurs buckets, ainsi que leur nombre réel, vous permet de calculer la RMSRE_T de leur somme. Vous pouvez également optimiser pour RMSRE_T pour ces valeurs combinées.

Bien que l'agrégation soit possible pour l'APE, la formule est assez complexe, car elle implique la valeur absolue de la somme des bruits de Laplace. Il est donc plus difficile d'optimiser l'APE.

Code

Examinez le code source pour le calcul de RMSRE_T.

Exemples

Rapport récapitulatif avec trois buckets:

• bucket_1 = bruit: 10, valeur_récapitulative_réelle: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = bruit: 20, valeur récapitulative réelle: 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 

Rapport récapitulatif avec trois buckets:

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

Rapport récapitulatif avec trois buckets:

• bucket_1 = bruit: 10, valeur_récapitulative_réelle: 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

Une DSP ou une entreprise de mesure des annonces peut avoir des milliers de clients publicitaires dans le monde, couvrant plusieurs secteurs, devises et prix d'achat potentiels. Cela signifie que créer et gérer une clé d'agrégation par annonceur sera probablement très peu pratique. De plus, il sera difficile de sélectionner une valeur maximale agrégable et un budget d'agrégation qui peuvent limiter l'impact du bruit sur ces milliers d'annonceurs internationaux. Prenons plutôt les scénarios suivants:

Stratégie clé A

Le fournisseur de technologie publicitaire décide de créer et de gérer une clé pour l'ensemble de ses clients publicitaires. Pour tous les annonceurs et toutes les devises, la gamme d'achats varie de faibles volumes d'achats haut de gamme à des volumes élevés d'achats bas de gamme. 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 ses clients publicitaires. Il décide de séparer les clés par devise. Pour tous les annonceurs et toutes les devises, la gamme d'achats varie de faibles volumes d'achats haut de gamme à des volumes élevés d'achats bas de gamme. En les séparant par devise, il crée deux clés:

La stratégie clé B présentera moins de bruit dans ses résultats que la stratégie clé A, car les valeurs des devises ne sont pas réparties uniformément entre les devises. Par exemple, réfléchissez à la façon dont les achats libellés en ¥ mélangés à ceux libellés en USD modifieront les données sous-jacentes et le résultat bruyant qui en résulte.

Stratégie clé C

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

La stratégie clé C présentera moins de bruit dans ses résultats que la stratégie clé B, car les valeurs d'achat des annonceurs ne sont pas réparties uniformément entre eux. Par exemple, considérez comment les achats de bijoux haut de gamme mélangés à ceux de casquettes de baseball modifieront les données sous-jacentes et le résultat bruyant qui en résulte.

Envisagez de créer des valeurs agrégées maximales partagées et des facteurs de mise à l'échelle partagés pour les points communs entre plusieurs annonceurs afin de réduire le bruit dans la 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 de l'annonceur (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 autour des points communs des annonceurs, les clés et le code correspondant sont plus faciles à gérer, et les ratios signal/bruit sont plus élevés. Testez différentes stratégies avec différentes similitudes entre les annonceurs pour identifier les points d'inflexion afin de maximiser l'impact du bruit par rapport à la gestion du code.

Prenons l'exemple de deux annonceurs:

• Annonceur A:
  • Pour tous les produits du site de l'annonceur A, le prix d'achat peut varier entre [$120 et $1 000] , soit une fourchette de 880 $.
  • Les prix d'achat sont répartis uniformément sur la gamme de 880 $, sans valeurs aberrantes en dehors de deux écarts-types du prix d'achat médian.
• Annonceur B:
  • Pour tous les produits du site de l'annonceur B, le prix d'achat peut varier entre [$120 et $1 000] , soit une fourchette de 880 $.
  • Les prix d'achat sont fortement orientés vers la fourchette de 120 à 500 $, et seuls 5% des achats se situent entre 500 et 1 000 $.

Compte tenu des exigences concernant le budget de contribution et de la méthodologie avec laquelle le bruit est appliqué aux résultats finaux, l'annonceur B aura, par défaut, une sortie plus bruyante que l'annonceur A, car il est plus susceptible d'être affecté par les valeurs aberrantes dans les calculs sous-jacents.

Vous pouvez y remédier en configurant des clés spécifiques. Testez des stratégies clés qui aident à gérer les données aberrantes et à répartir plus uniformément les valeurs d'achat sur la plage d'achat de la clé.

Pour l'annonceur B, vous pouvez créer deux clés distinctes pour capturer deux plages de valeurs d'achat différentes. Dans cet exemple, la technologie publicitaire a constaté que des valeurs aberrantes apparaissent au-dessus de la valeur d'achat de 500 $. Essayez d'implémenter deux clés distinctes pour cet annonceur:

• Structure de clé 1 : clé qui ne capture que les achats compris entre 120 $et 500 $ (couvrant environ 95% du volume d'achat total).
• Structure de clé 2: clé qui ne capture que les achats supérieurs à 500 $ (couvrant environ 5% du volume d'achat total).

L'implémentation de cette stratégie clé devrait mieux gérer le bruit pour l'annonceur B et l'aider à maximiser l'utilité des rapports récapitulatifs. Compte tenu des nouvelles plages plus petites, la clé A et la clé B devraient désormais avoir une distribution des données plus uniforme dans chaque clé respective que pour la clé unique précédente. Cela aura moins d'impact sur le bruit dans la sortie de chaque clé que pour la clé unique précédente.