Noiselab

bookmark_border קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

1. עוברים למצב Advanced.
2. בחלונית הצדדית 'פרמטרים', מחפשים את 'נתוני ההמרות שלך'.
3. בודקים את פרמטרים שמוגדרים כברירת מחדל. כברירת מחדל, המספר הכולל של ההמרות היומיות שמשויכות הוא 1,000. המספר הממוצע הוא כ-40 לכל קטגוריה אם משתמשים בהגדרת ברירת המחדל (מאפייני ברירת מחדל, מספר ברירת המחדל של ערכים שונים אפשריים לכל מאפיין, אסטרטגיית מפתח א'). הערך הוא 40 בשדה הקלט 'מספר ההמרות המשויך הממוצע ליום לכל קטגוריה'.
4. לוחצים על 'סימולציה' כדי להריץ סימולציה עם פרמטרי ברירת המחדל.
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. שימו לב איך השינוי הזה משפיע על מספר ההמרות הממוצע ליום שמשויכות לקטגוריה. עכשיו הוא נמוך בהרבה. הסיבה לכך היא שאם מגדילים את מספר הערכים האפשריים במאפיין הזה בלי לשנות שום דבר אחר, מגדילים את המספר הכולל של הקטגוריות בלי לשנות את מספר אירועי ההמרה שייכללו בכל קטגוריה.
7. לוחצים על 'סימולציה'.
8. בודקים את יחסי הרעש של הסימולציה שנוצרה: יחסי הרעש גבוהים יותר עכשיו מאשר בסימולציה הקודמת.

במצב פשוט, נעשה שימוש במבנה המפתחות שמוגדר כברירת מחדל. במצב מתקדם אפשר להתנסות במבנים שונים של מפתחות. יש כמה מאפיינים לדוגמה, ואפשר גם לשנות אותם.

1. עוברים למצב Advanced.
2. בחלונית הצדדית Parameters (פרמטרים), מחפשים את Key strategy (אסטרטגיית מפתח). שימו לב ששיטת ברירת המחדל, שנקראת A בכלי, משתמשת במבנה מפתח מפורט אחד שכולל את כל המאפיינים: גיאוגרפיה x מזהה קמפיין x קטגוריית מוצר.
3. לוחצים על 'סימולציה'.
4. בודקים את יחסי הרעש של הסימולציה שנוצרה.
5. משנים את שיטת המפתחות ל-B. יוצגו אמצעי בקרה נוספים להגדרת מבנה המפתחות.
6. מגדירים את מבנה המפתחות, לדוגמה:
   1. מספר מבני המפתחות: 2
   2. מבנה מפתח 1 = מיקום גיאוגרפי x קטגוריית מוצרים.
   3. מבנה המפתח 2 = מזהה קמפיין x קטגוריית מוצר.
7. לוחצים על 'סימולציה'.
8. שימו לב: עכשיו מופיעים שני דוחות סיכום לכל סוג של יעד מדידה (שניים למספר הרכישות ושניים לערך הרכישה), כי אתם משתמשים בשתי מבני מפתח נפרדים. בודקים את יחסי הרעש שלהם.
9. אפשר גם לנסות את זה עם מאפיינים מותאמים אישית משלכם. כדי לעשות זאת, מחפשים את הנתונים שאחריהם רוצים לעקוב: מאפיינים. מומלץ להסיר את המאפיינים לדוגמה וליצור מאפיינים משלכם באמצעות הלחצנים Add/Remove/Reset (הוספה/הסרה/איפוס) שמתחת למאפיין האחרון.

1. עוברים למצב פשוט (או למצב מתקדם – שני המצבים פועלים באותו אופן בנוגע לתדירות הקיבוץ)
2. בחלונית הצדדית Parameters (פרמטרים), מחפשים את האפשרות Your aggregation strategy (אסטרטגיית הצבירה שלך) > Batching frequency (תדירות ארגון הבקשות בקבוצות). הכוונה לתדירות הצבירה של דוחות שניתנים לצבירה, שמעובדים באמצעות שירות הצבירה במשימה אחת.
3. בודקים את תדירות הקיבוץ שמוגדרת כברירת מחדל: כברירת מחדל, מתבצעת סימולציה של תדירות קיבוץ יומית.
4. לוחצים על 'סימולציה'.
5. בודקים את יחסי הרעש של הסימולציה שנוצרה.
6. משנים את תדירות הקיבוץ לשבועית.
7. בודקים את יחסי הרעש בסימולציה שנוצרה: יחסי הרעש נמוכים יותר (טובים יותר) מאשר בסימולציה הקודמת.

יכול להיות שיהיה קשה לחזות את המספר הזה, ויכול להיות שיהיו בו שינויים משמעותיים בנוסף להשפעות עונתיות. עם זאת, נסו להעריך את מספר ההמרות היומיות שניתן לשייך למגע יחיד לפי חזקה הקרובה ביותר של 10: 10,‏ 100,‏ 1, 000 או 10,000.

1. עוברים למצב Advanced.
2. בחלונית הצדדית 'פרמטרים', מחפשים את 'נתוני ההמרות שלך'.
3. בודקים את פרמטרים שמוגדרים כברירת מחדל. כברירת מחדל, המספר הכולל של ההמרות היומיות שמשויכות הוא 1,000. המספר הממוצע הוא כ-40 לכל קטגוריה אם משתמשים בהגדרת ברירת המחדל (מאפייני ברירת מחדל, מספר ברירת המחדל של ערכים שונים אפשריים לכל מאפיין, אסטרטגיית מפתח א'). הערך הוא 40 בשדה הקלט 'מספר ההמרות המשויך הממוצע ליום לכל קטגוריה'.
4. לוחצים על 'סימולציה' כדי להריץ סימולציה עם פרמטרי ברירת המחדל.
5. בודקים את יחסי הרעש של הסימולציה שנוצרה.
6. עכשיו מגדירים את המספר הכולל של ההמרות היומיות שניתנות לשיוך ל-100. שימו לב שהפעולה הזו מפחיתה את הערך של 'מספר ההמרות הממוצע ליום שמשויכים למודעה' לכל קטגוריה.
7. לוחצים על 'סימולציה'.
8. שימו לב שיחסי הרעש גבוהים יותר עכשיו: הסיבה לכך היא שככל שיש פחות המרות בכל קטגוריה, כך נעשה שימוש ברעש רב יותר כדי לשמור על הפרטיות.

1. עוברים למצב Advanced.
2. בחלונית הצדדית Parameters (פרמטרים), מחפשים את האפשרות Your aggregation strategy (שיטת הצבירה שלך) > Scaling (שינוי קנה המידה). כברירת מחדל, הערך מוגדר כ-Yes.
3. כדי להבין את ההשפעות החיוביות של שינוי קנה המידה על יחס הרעש, קודם צריך להגדיר את האפשרות Scaling ל-No.
4. לוחצים על 'סימולציה'.
5. בודקים את יחסי הרעש של הסימולציה שנוצרה.
6. מגדירים את האפשרות 'שינוי קנה מידה' לערך 'כן'. חשוב לזכור שמערכת Noise Lab מחשבת באופן אוטומטי את גורמי ההתאמה לשימוש, בהתאם לטווחים (הערכים הממוצעים והמקסימליים) של יעדי המדידה בתרחיש שלכם. בהגדרה של מערכת אמיתית או של גרסת טרום-השקה של מקור, מומלץ להטמיע חישוב משלכם של גורמי ההתאמה לעומס.
7. לוחצים על 'סימולציה'.
8. שימו לב שיחסי הרעש נמוכים יותר (טובים יותר) בסימולציה השנייה. הסיבה לכך היא שאתם משתמשים ביכולת התאמה לעומס.

יעד מדידה הוא נקודת נתונים ייחודית שנאספת באירועי המרה.

1. עוברים למצב Advanced.
2. בחלונית הצדדית 'פרמטרים', מחפשים את הנתונים שרוצים לעקוב אחריהם: יעדים למדידת ביצועים. כברירת מחדל, יש שני יעדים למדידת ביצועים: ערך הרכישה ומספר הרכישות.
3. לוחצים על 'הפעלת סימולציה' כדי להריץ סימולציה עם יעדי ברירת המחדל.
4. לוחצים על 'הסרה'. הפעולה הזו תגרום להסרת יעד המדידה האחרון (במקרה הזה, מספר הרכישות).
5. לוחצים על 'סימולציה'.
6. שימו לב שיחסי הרעש של ערך הרכישה נמוכים יותר (טובים יותר) בסימולציה השנייה. הסיבה לכך היא שיש לכם פחות יעדים למדידה, ולכן יעד המדידה היחיד מקבל עכשיו את כל התקציב לתרומות.
7. לוחצים על 'איפוס'. עכשיו יש לכם שוב שני יעדי מדידה: ערך הרכישה ומספר הרכישות. חשוב לזכור שמערכת Noise Lab מחשבת באופן אוטומטי את גורמי ההתאמה לשימוש, בהתאם לטווחים (הערכים הממוצעים והמקסימליים) של יעדי המדידה בתרחיש שלכם. כברירת מחדל, התקציב ב-Noise Lab מחולק באופן שווה בין יעדי המדידה.
8. לוחצים על 'סימולציה'.
9. בודקים את יחסי הרעש של הסימולציה שנוצרה. שימו לב לגורמים לקביעת קנה המידה שמוצגים בסימולציה.
10. עכשיו נשנה את חלוקת התקציב לשמירה על הפרטיות כדי לשפר את יחסי האות לרעש.
11. משנים את הערך של '% תקציב' שהוקצה לכל יעד מדידה. בהתאם לפרמטר ברירת המחדל, ליעד המדידה 1, כלומר ערך הרכישה, יש טווח רחב יותר (בין 0 ל-1,000) מאשר ליעד המדידה 2, כלומר מספר הרכישות (בין 1 ל-1, כלומר תמיד שווה ל-1). לכן, צריך להקצות יותר תקציב להמרות ליעד המדידה 1 מאשר ליעד המדידה 2, כדי שאפשר יהיה להגדיל אותו בצורה יעילה יותר (ראו 'שינוי קנה המידה').
12. מקצים 70% מהתקציב ליעד המדידה 1. מקצים 30% ליעד המדידה השני.
13. לוחצים על 'סימולציה'.
14. בודקים את יחסי הרעש של הסימולציה שנוצרה. לגבי ערך הרכישה, יחסי הרעש נמוכים עכשיו באופן משמעותי (טובים יותר) בהשוואה לסימולציה הקודמת. במספר הרכישות, הם לא השתנו כמעט.
15. כדאי להמשיך לשנות את חלוקת התקציב בין המדדים. בודקים איך זה משפיע על הרעש.

חשוב לזכור שאפשר להגדיר יעדי מדידה מותאמים אישית באמצעות הלחצנים Add (הוספה), Remove (הסרה) ו-Reset (איפוס).

יעד מדידה הוא נקודת נתונים ייחודית שנאספת באירועי המרה.

1. עוברים למצב Advanced.
2. בחלונית הצדדית Parameters (פרמטרים), מחפשים את האפשרות Your aggregation strategy (שיטת הצבירה שלך) > Scaling (שינוי קנה המידה).
3. מוודאים שהאפשרות Scaling מוגדרת כ-Yes. לתשומת ליבכם: מערכת Noise Lab מחשבת באופן אוטומטי את גורמי ההתאמה שייעשה בהם שימוש, על סמך הטווחים (הערכים הממוצעים והמקסימליים) שציינתם ליעדים למדידת הביצועים.
4. נניח שהרכישה הגדולה ביותר שבוצעה אי פעם הייתה בסך 8,000 ש"ח, אבל רוב הרכישות מתבצעות בטווח של 40-480 ש"ח. קודם נבדוק מה קורה אם משתמשים בגישה של התאמה לגודל מילולי (לא מומלץ): מזינים 2, 000 $בתור הערך המקסימלי של purchaseValue.
5. לוחצים על 'סימולציה'.
6. שימו לב שיחסי הרעש גבוהים. הסיבה לכך היא שגורם ההתאמה שלנו מחושב כרגע על סמך 2,000$, אבל בפועל רוב ערכי הרכישות יהיו נמוכים בהרבה מכך.
7. עכשיו נשתמש בגישה פרגמטית יותר להתאמה לעומס. משנים את ערך הרכישה המקסימלי ל-480 ש"ח.
8. לוחצים על 'סימולציה'.
9. שימו לב שיחסי הרעש נמוכים יותר (טובים יותר) בסימולציה השנייה.

בעזרת Noise Lab תוכלו להעריך במהירות ולשפר את שיטות ניהול הרעשים. אפשר להשתמש בשיטה הזו כדי:

• להבין את הפרמטרים העיקריים שיכולים להשפיע על הרעש ואת ההשפעה שלהם.
• סימולציה של ההשפעה של רעש על נתוני המדידה של הפלט, בהתאם להחלטות עיצוב שונות. משנים את הפרמטרים של העיצוב עד שמגיעים ליחס אות/רעש שמתאים לתרחיש לדוגמה.
• נשמח לקבל מכם משוב על התועלת של דוחות הסיכום: אילו ערכים של הפרמטרים epsilon ו-noise מתאימים לכם ואילו לא? איפה נמצאות נקודות הפיתול?

זהו שלב הכנה. מערכת Noise Lab יוצרת נתוני מדידה כדי לדמות את הפלט של דוחות הסיכום על סמך הקלט שלכם. הוא לא שומר נתונים או משתף אותם.

יש שני מצבים שונים ב-Noise Lab:

1. מצב פשוט: הסבר על היסודות של אמצעי הבקרה על הרעש.
2. מצב מתקדם: אפשר לבדוק אסטרטגיות שונות לניהול רעשי רקע ולהעריך איזו מהן מניבה את יחסי האות לרעש הטובים ביותר בתרחישי לדוגמה.

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

מצב פשוט

• במצב פשוט, אתם שולטים בפרמטרים (שמופיעים בצד ימין, או מס' 2 בצילום המסך שבהמשך) כמו Epsilon, ורואים איך הם משפיעים על הרעש.
• לכל פרמטר יש הסבר קצר (לחצן '?'). לוחצים עליהם כדי לראות הסבר על כל פרמטר (מס' 3 בצילום המסך שלמטה)
• כדי להתחיל, לוחצים על הלחצן 'Simulate' (סימולציה) ומתבוננים בתוצאה (מס' 4 בצילום המסך שלמטה).
• בקטע 'פלט' מוצגים פרטים שונים. לצד חלק מהרכיבים מופיעה סימן שאלה. כדאי להקדיש זמן ולחפש את הסמל '?' כדי לראות הסבר על נתוני המידע השונים.
• בקטע Output (פלט), לוחצים על המתג Details (פרטים) כדי להציג גרסה מורחבת של הטבלה (מס' 5 בצילום המסך שבהמשך).
• מתחת לכל טבלת נתונים בקטע הפלט, יש אפשרות להוריד את הטבלה לשימוש במצב אופליין. בנוסף, בפינה השמאלית התחתונה יש אפשרות להוריד את כל טבלאות הנתונים (מס' 6. בצילום המסך שבהמשך).
• 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. אפשר להוסיף מאפיינים ויעדים מותאמים אישית למדידה (מס' 1 ו-2 בצילום המסך שבהמשך)
• גוללים למטה בקטע 'פרמטרים' ומאתרים את האפשרות 'אסטרטגיית מפתחות'. אפשר להשתמש באפשרות הזו כדי לבדוק מבני מפתחות שונים (מס' 3 בצילום המסך שבהמשך)
  • כדי לבדוק מבני מפתחות שונים, משנים את שיטת המפתחות ל-'B'.
  • מזינים את מספר מבני המפתחות השונים שבהם רוצים להשתמש (ברירת המחדל מוגדרת ל-2)
  • לוחצים על 'יצירת מבני מפתחות'.
  • כדי לציין את מבני המפתחות, לוחצים על התיבות לצד המפתחות שרוצים לכלול בכל מבנה מפתחות.
  • לוחצים על 'סימולציה' כדי לראות את הפלט.

    

    

מושג ליבה

הרעשים מתווספים כדי להגן על פרטיות המשתמשים.

ערך רעש גבוה מציין שהקטגוריות או המפתחות דלילים ומכילים נתונים ממספר מוגבל של אירועים רגישים. הפעולה הזו מתבצעת באופן אוטומטי על ידי Noise Lab, כדי לאפשר לאנשים "להסתתר בתוך ההמון", או במילים אחרות, כדי להגן על הפרטיות של אנשים מוגבלים באמצעות כמות גדולה יותר של רעשים נוספים.

ערך רעש נמוך מציין שהגדרת הנתונים תוכננה כך שכבר מאפשרת לאנשים "להסתתר בתוך ההמון". כלומר, הקטגוריות מכילות נתונים מאירועים מספיקים כדי להבטיח את הגנה על הפרטיות של משתמשים ספציפיים.

ההצהרה הזו נכונה גם לשגיאה הממוצעת באחוזים (APE) וגם ל-RMSRE_T (שגיאה יחסית ריבועית ממוצעת עם ערך סף).

APE (שגיאה ממוצעת באחוזים)

APE הוא היחס בין הרעש לאות, כלומר ערך הסיכום האמיתי.p> ערכים נמוכים יותר של APE מציינים יחסים טובים יותר בין אות לרעש.

נוסחה

בדוח סיכום נתון, הערך של APE מחושב באופן הבא:

True הוא ערך הסיכום האמיתי. APE הוא הממוצע של הרעש בכל ערך סיכום אמיתי, שמחושב לפי כל הרשומות בדוח סיכום. ב-Noise Lab, הערך הזה מוכפל ב-100 כדי לקבל אחוז.

יתרונות וחסרונות

לקטגוריות עם גדלים קטנים יותר יש השפעה לא פרופורציונלית על הערך הסופי של APE. המצב הזה עלול להטעות כשבודקים את רמת הרעש. לכן הוספנו מדד נוסף, RMSRE_T, שנועד לצמצם את המגבלה הזו של APE. פרטים נוספים זמינים בדוגמאות.

קוד

בודקים את קוד המקור של חישוב ה-APE.

RMSRE_T (שגיאה יחסית ריבועית ממוצעת עם סף)

RMSRE_T (שגיאה יחסית ריבועית ממוצעת עם ערך סף) הוא מדד אחר לרעש.

איך לפרש את RMSRE_T

ככל שערכים של RMSRE_T נמוכים יותר, כך יחסי האות לרעש טובים יותר.
לדוגמה, אם יחס הרעש המקובל בתרחיש לדוגמה הוא 20%, ו-RMSRE_T הוא 0.2, אפשר להיות בטוחים שרמות הרעש נמצאות בטווח המקובל.

נוסחה

בדוח סיכום נתון, הערך של RMSRE_T מחושב באופן הבא:

יתרונות וחסרונות

ה-RMSRE_T קצת יותר מורכב להבנה מאשר ה-APE. עם זאת, יש לו כמה יתרונות שגורמים לכך שבמקרים מסוימים הוא מתאים יותר מ-APE לניתוח רעשי רקע בדוחות סיכום:

• הערך של RMSRE_T יציב יותר. 'T' הוא ערך סף. הערך 'T' משמש כדי לתת משקל נמוך יותר בחישוב של RMSRE_T לקטגוריות עם פחות המרות, ולכן הן רגישות יותר לרעש בגלל הגודל הקטן שלהן. כשמשתמשים ב-T, המדד לא מגיע לשיאים בקטגוריות עם מעט המרות. אם הערך של T הוא 5, ערך רעש קטן כמו 1 בקטגוריה עם 0 המרות לא יוצג כערך גבוה בהרבה מ-1. במקום זאת, הערך יהיה מוגבל ל-0.2, שזהו ערך שווה ערך ל-1/5, כי T שווה ל-5. המדד הזה יציב יותר כי הוא נותן משקל נמוך יותר לקטגוריות קטנות יותר, שהן רגישות יותר לרעש. לכן, קל יותר להשוות בין שתי סימולציות.
• בעזרת RMSRE_T אפשר לבצע צבירת נתונים בקלות. אם ידועים הערכים של RMSRE_T בכמה קטגוריות, יחד עם המספרים האמיתיים שלהן, אפשר לחשב את הערך של RMSRE_T של הסכום שלהן. כך תוכלו גם לבצע אופטימיזציה של הערכים המשולבים האלה לפי RMSRE_T.

אפשר לבצע צבירת נתונים ב-APE, אבל הנוסחה מורכבת למדי כי היא כוללת את הערך המוחלט של סכום הרעשים של Laplace. לכן קשה יותר לבצע אופטימיזציה של APE.

קוד

בודקים את קוד המקור של החישוב של RMSRE_T.

דוגמאות

דוח סיכום עם שלושה קטגוריות:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = רעש: 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 שלושה קטגוריות:

• 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 שלושה קטגוריות:

• 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

ל-DSP או לחברת מדידת מודעות יכולים להיות אלפי לקוחות פרסום ברחבי העולם, מתחומים שונים, עם מטבעות שונים ורמות שונות של מחירי רכישה פוטנציאליים. המשמעות היא שיהיה לא מעשי ליצור ולנהל מפתח צביר אחד לכל מפרסם. בנוסף, יהיה קשה לבחור ערך מקסימלי שאפשר לצבור ותקציבים לצבירה שיכולים להגביל את ההשפעה של הרעש על אלפי המפרסמים הגלובליים האלה. במקום זאת, נבחן את התרחישים הבאים:

אסטרטגיית מפתח א'

ספק טכנולוגיית הפרסום מחליט ליצור ולנהל מפתח אחד לכל לקוחות הפרסום שלו. בכל המפרסמים ובכל המטבעות, טווח הרכישות משתנה מרכישות בנפח נמוך ובמחיר גבוה לרכישות בנפח גבוה ובמחיר נמוך. התוצאה היא המפתח הבא:

אסטרטגיית מפתחות ב'

ספק טכנולוגיית הפרסום מחליט ליצור ולנהל שני מפתחות לכל לקוחות הפרסום שלו. הם מחליטים להפריד בין המפתחות לפי מטבע. אצל כל המפרסמים ובכל המטבעות, טווח הרכישות משתנה מרכישות בנפח נמוך ובמחיר גבוה לרכישות בנפח גבוה ובמחיר נמוך. הם יוצרים 2 מפתחות לפי מטבע:

בשיטה 'אסטרטגיית מפתח ב' תהיה פחות רעשי רקע בתוצאה מאשר בשיטה 'אסטרטגיית מפתח א', כי ערכי המטבעות לא מתחלקים באופן אחיד בין המטבעות. לדוגמה, נניח שרכישות ב-¥ מעורבות עם רכישות ב-USD. איך זה ישפיע על הנתונים הבסיסיים ועל הפלט הרועש שנוצר?

אסטרטגיית מפתחות C

ספק טכנולוגיית הפרסום מחליט ליצור ולנהל ארבעה מפתחות לכל לקוחות הפרסום שלו, ולהפריד ביניהם לפי מטבע x תחום פעילות של המפרסם:

בשיטה C יהיו פחות רעשי רקע בתוצאה מאשר בשיטה B, כי ערכי הרכישות של המפרסמים לא מתחלקים באופן אחיד בין המפרסמים. לדוגמה, נניח שרכישות של תכשיטים יוקרתיים מעורבבות עם רכישות של כובעי בייסבול. המצב הזה ישנה את הנתונים הבסיסיים ואת הפלט הרועש שייווצר כתוצאה מכך.

כדי לצמצם את הרעש בפלט, מומלץ ליצור ערכים מצטברים מקסימליים משותפים וגורמי שינוי משותפים לגורמים משותפים בין מספר מפרסמים. לדוגמה, תוכלו לנסות את השיטות הבאות למפרסמים שלכם:

• אסטרטגיה אחת עם הפרדה לפי מטבע (USD,‏ ¥,‏ CAD וכו')
• אסטרטגיה אחת שמחולקת לפי התחום של המפרסם (ביטוח, רכב, קמעונאות וכו')
• שיטה אחת שמחולקת לפי טווחי ערכי רכישה דומים (‏[100],‏ [1,000],‏ [10,000] וכו')

כשיוצרים אסטרטגיות מפתחות שמבוססות על מאפיינים משותפים של מפרסמים, קל יותר לנהל את המפתחות ואת הקוד התואם, ויחסי האות לרעש יהיו גבוהים יותר. כדאי להתנסות בשיטות שונות עם מאפיינים משותפים שונים של מפרסמים כדי לזהות נקודות מפנה שבהן אפשר למקסם את ההשפעה של הרעש לעומת ניהול הקוד.

נבחן תרחיש של שני מפרסמים:

• מפרסם א':
  • בכל המוצרים באתר של מפרסם א', אפשרויות מחיר הרכישה הן בין [$120 - $1,000] , בטווח של 880$.
  • מחירי הרכישה מתחלקים באופן שווה בטווח של 880$, ללא חריגים מחוץ לשתי סטיות סטנדרטיות ממחיר הרכישה החציוני.
• מפרסם ב':
  • בכל המוצרים באתר של מפרסם ב', אפשרויות מחיר הרכישה הן בין [$120 - $1,000] , בטווח של 880$.
  • מחירי הרכישות נמצאים בעיקר בטווח של 420-1,600 ש"ח, ורק 5% מהרכישות מתבצעות בטווח של 1,600-4,200 ש"ח.

בהתאם לדרישות התקציב לתרומה ולשיטת הוספת הרעש לתוצאות הסופיות, מפרסם ב' יקבל כברירת מחדל פלט עם רעש גבוה יותר ממפרסם א', כי יש למפרסם ב' פוטנציאל גבוה יותר לחריגים שמשפיעים על החישובים הבסיסיים.

אפשר לצמצם את הבעיה הזו באמצעות הגדרת מפתח ספציפית. כדאי לבדוק אסטרטגיות למפתחות שיעזרו לכם לנהל נתונים חריגים ולחלק בצורה שווה יותר את ערכי הרכישה בטווח הרכישות של המפתח.

למפרסם ב', אפשר ליצור שני מפתחות נפרדים כדי לתעד שני טווחי ערכים שונים של רכישות. בדוגמה הזו, טכנולוגיית הפרסום זיהתה ערכים חריגים מעל ערך הרכישה של 500$. כדאי לנסות להטמיע שני מפתחות נפרדים למפרסם הזה:

• מבנה מפתח 1 : מפתח שמתעד רק רכישות בטווח של 420-1,200 ש"ח (כ-95% מתוך נפח הרכישות הכולל).
• מבנה מפתח 2: מפתח שמתעד רק רכישות בסכום של מעל 1,500 ש"ח (כ-5% מתוך נפח הרכישות הכולל).

יישום האסטרטגיה הזו אמור לעזור למפרסם ב' לנהל טוב יותר את הרעש ולנצל בצורה מיטבית את הדוחות הסיכומיים. עקב טווחי הנתונים הקטנים יותר, עכשיו אמורה להיות למפתח A ולמפתח B חלוקה אחידה יותר של נתונים בכל מפתח בהשוואה למפתח היחיד הקודם. כך תהיה פחות השפעה של רעש בפלט של כל מפתח בהשוואה למפתח היחיד הקודם.