Noiselab

ลองใช้ใน Noise Lab

1. ไปที่โหมดขั้นสูง
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหาข้อมูล Conversion
3. สังเกตพารามิเตอร์เริ่มต้น โดยค่าเริ่มต้น จำนวน Conversion ที่ระบุแหล่งที่มาได้ทั้งหมดต่อวันคือ 1, 000 ซึ่งโดยเฉลี่ยจะอยู่ที่ประมาณ 40 ต่อ ที่เก็บข้อมูล หากคุณใช้การตั้งค่าเริ่มต้น (มิติข้อมูลเริ่มต้น จำนวน ค่าที่แตกต่างกันที่เป็นไปได้เริ่มต้นสำหรับแต่ละมิติข้อมูล กลยุทธ์คีย์ A) สังเกตว่า ค่าคือ 40 ในจํานวน Conversion ที่ระบุแหล่งที่มาเฉลี่ยรายวันของอินพุต ต่อกลุ่ม
4. คลิกจำลองเพื่อเรียกใช้การจำลองด้วยพารามิเตอร์เริ่มต้น
5. ในแผงด้านข้างของพารามิเตอร์ ให้มองหามิติข้อมูล เปลี่ยนชื่อ ภูมิศาสตร์เป็นเมือง และเปลี่ยนจำนวนค่าที่แตกต่างกันที่เป็นไปได้เป็น 50
6. สังเกตว่าการเปลี่ยนแปลงนี้ส่งผลต่อจํานวน Conversion ที่ระบุแหล่งที่มาได้รายวันโดยเฉลี่ย ต่อกลุ่มอย่างไร ซึ่งตอนนี้ต่ำกว่ามาก เนื่องจากหากคุณเพิ่ม จำนวนค่าที่เป็นไปได้ภายในมิตินี้โดยไม่เปลี่ยนแปลง สิ่งอื่นใด คุณจะเพิ่มจำนวนกลุ่มทั้งหมดโดยไม่เปลี่ยนแปลง จำนวนเหตุการณ์ Conversion ที่จะอยู่ในแต่ละกลุ่ม
7. คลิกจำลอง
8. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้ อัตราส่วนสัญญาณรบกวน ตอนนี้สูงกว่าการจำลองครั้งก่อน

ลองใช้ใน Noise Lab

ในโหมดง่าย ระบบจะใช้โครงสร้างคีย์เริ่มต้น ในโหมดขั้นสูง คุณสามารถทดลองใช้โครงสร้างคีย์ต่างๆ ได้ ระบบจะรวมมิติข้อมูลตัวอย่างไว้ด้วย และคุณยังแก้ไขมิติข้อมูลเหล่านี้ได้ด้วย

1. ไปที่โหมดขั้นสูง
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์หลัก สังเกต ว่ากลยุทธ์เริ่มต้นที่ชื่อ A ในเครื่องมือใช้โครงสร้างคีย์แบบละเอียด ซึ่งรวมมิติข้อมูลทั้งหมด ได้แก่ ภูมิศาสตร์ x รหัสแคมเปญ x หมวดหมู่ผลิตภัณฑ์
3. คลิกจำลอง
4. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
5. เปลี่ยนกลยุทธ์คีย์เป็น B ซึ่งจะแสดงตัวควบคุมเพิ่มเติม เพื่อให้คุณกำหนดค่าโครงสร้างคีย์
6. กำหนดค่าโครงสร้างคีย์ เช่น ดังนี้
   1. จำนวนโครงสร้างคีย์: 2
   2. โครงสร้างหลัก 1 = ภูมิศาสตร์ x หมวดหมู่ผลิตภัณฑ์
   3. โครงสร้างหลัก 2 = รหัสแคมเปญ x หมวดหมู่ผลิตภัณฑ์
7. คลิกจำลอง
8. โปรดสังเกตว่าตอนนี้คุณจะได้รับรายงานสรุป 2 ฉบับต่อเป้าหมายการวัดประเภทหนึ่งๆ (2 ฉบับสำหรับจำนวนการซื้อ 2 ฉบับสำหรับมูลค่าการซื้อ) เนื่องจากคุณใช้ โครงสร้างคีย์ที่แตกต่างกัน 2 โครงสร้าง สังเกตอัตราส่วนสัญญาณรบกวน
9. คุณยังลองใช้กับมิติข้อมูลที่กำหนดเองได้ด้วย โดยให้มองหา ข้อมูลที่ต้องการติดตาม: มิติข้อมูล ลองนํามิติข้อมูลตัวอย่างออก แล้วสร้างมิติข้อมูลของคุณเองโดยใช้ปุ่มเพิ่ม/นําออก/รีเซ็ต ด้านล่างมิติข้อมูลสุดท้าย

ลองใช้ใน Noise Lab

1. ไปที่โหมดเรียบง่าย (หรือโหมดขั้นสูง ทั้ง 2 โหมดจะทำงานในลักษณะเดียวกันเมื่อพูดถึงความถี่ในการจัดกลุ่ม)
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์การรวบรวม > ความถี่ในการจัดกลุ่ม ซึ่งหมายถึงความถี่ในการจัดกลุ่มรายงานที่รวบรวมได้ซึ่งประมวลผลด้วยบริการรวมข้อมูลในงานเดียว
3. สังเกตความถี่ในการประมวลผลเป็นกลุ่มเริ่มต้น: โดยค่าเริ่มต้น ระบบจะจำลองความถี่ในการประมวลผลเป็นกลุ่มรายวัน
4. คลิกจำลอง
5. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
6. เปลี่ยนความถี่ในการจัดกลุ่มเป็นรายสัปดาห์
7. สังเกตอัตราส่วนสัญญาณต่อเสียงรบกวนของการจำลองที่ได้ อัตราส่วนสัญญาณต่อเสียงรบกวน ตอนนี้ต่ำกว่า (ดีกว่า) การจำลองก่อนหน้า

ลองใช้ใน Noise Lab

แม้ว่าการคาดการณ์นี้อาจทำได้ยากและอาจมีความผันผวนอย่างมากนอกเหนือจากผลกระทบตามฤดูกาล แต่ให้ลองประมาณจำนวน Conversion ที่มาจากการแตะครั้งเดียวที่ระบุแหล่งที่มาได้ต่อวันให้ใกล้เคียงกับเลขยกกำลังของ 10 มากที่สุด ได้แก่ 10, 100, 1,000 หรือ 10,000

1. ไปที่โหมดขั้นสูง
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหาข้อมูล Conversion
3. สังเกตพารามิเตอร์เริ่มต้น โดยค่าเริ่มต้น จำนวน Conversion ที่ระบุแหล่งที่มาได้ทั้งหมดต่อวันคือ 1, 000 ซึ่งโดยเฉลี่ยจะอยู่ที่ประมาณ 40 ต่อ ที่เก็บข้อมูล หากคุณใช้การตั้งค่าเริ่มต้น (มิติข้อมูลเริ่มต้น จำนวน ค่าที่แตกต่างกันที่เป็นไปได้เริ่มต้นสำหรับแต่ละมิติข้อมูล กลยุทธ์คีย์ A) สังเกตว่า ค่าคือ 40 ในจํานวน Conversion ที่ระบุแหล่งที่มาเฉลี่ยรายวันของอินพุต ต่อกลุ่ม
4. คลิกจำลองเพื่อเรียกใช้การจำลองด้วยพารามิเตอร์เริ่มต้น
5. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
6. ตอนนี้ให้ตั้งค่าจํานวน Conversion ที่ระบุแหล่งที่มาได้ทั้งหมดต่อวันเป็น 100 โปรดทราบว่าการดำเนินการนี้จะลดค่าของจำนวน Conversion ที่ระบุแหล่งที่มาได้เฉลี่ยรายวัน ต่อกลุ่ม
7. คลิกจำลอง
8. สังเกตว่าตอนนี้อัตราส่วนสัญญาณรบกวนสูงขึ้น เนื่องจากเมื่อคุณมี Conversion ต่อกลุ่มน้อยลง ระบบจะใช้สัญญาณรบกวนมากขึ้นเพื่อรักษาความเป็นส่วนตัว

ลองใช้ใน Noise Lab

1. ไปที่โหมดขั้นสูง
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์การรวบรวม > การปรับขนาด โดยค่าเริ่มต้น ระบบจะตั้งค่าเป็น "ใช่"
3. เพื่อทำความเข้าใจผลลัพธ์เชิงบวกของการปรับขนาดต่ออัตราส่วนสัญญาณต่อสัญญาณรบกวน ให้ตั้งค่าการปรับขนาดเป็น "ไม่" ก่อน
4. คลิกจำลอง
5. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้
6. ตั้งค่าการปรับขนาดเป็น "ใช่" โปรดทราบว่า Noise Lab จะคำนวณ ค่าตัวคูณมาตราส่วนที่จะใช้โดยอัตโนมัติตามช่วง (ค่าเฉลี่ยและค่าสูงสุด) ของ เป้าหมายการวัดสำหรับสถานการณ์ของคุณ ในการตั้งค่าระบบจริงหรือการทดลองใช้แหล่งที่มา คุณจะต้องใช้การคำนวณของคุณเองสำหรับปัจจัยการปรับขนาด
7. คลิกจำลอง
8. สังเกตว่าตอนนี้อัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำลง (ดีขึ้น) ในการจำลองครั้งที่ 2 นี้ เนื่องจากคุณใช้การปรับขนาด

ลองใช้ใน Noise Lab

เป้าหมายการวัดผลคือจุดข้อมูลที่แตกต่างกันซึ่งรวบรวมในเหตุการณ์ Conversion

1. ไปที่โหมดขั้นสูง
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหาข้อมูลที่คุณต้องการติดตาม เป้าหมายการวัดผล โดยค่าเริ่มต้น คุณจะมีเป้าหมายการวัดผล 2 รายการ ได้แก่ มูลค่าการซื้อ และจํานวนการซื้อ
3. คลิกจำลองเพื่อเรียกใช้การจำลองด้วยเป้าหมายเริ่มต้น
4. คลิกนำออก การดำเนินการนี้จะนำเป้าหมายการวัดผลล่าสุดออก (ในกรณีนี้คือจำนวนการซื้อ)
5. คลิกจำลอง
6. สังเกตว่าตอนนี้อัตราส่วนสัญญาณรบกวนสำหรับมูลค่าการซื้อต่ำลง (ดีขึ้น) สำหรับการจำลองครั้งที่ 2 นี้ เนื่องจากคุณมีเป้าหมายการวัดผลน้อยลง เป้าหมายการวัดผลเดียวจึงได้รับงบประมาณการระบุแหล่งที่มาทั้งหมด ในตอนนี้
7. คลิกรีเซ็ต ตอนนี้คุณมีเป้าหมายการวัดผล 2 รายการอีกครั้ง ได้แก่ มูลค่าการซื้อ และจํานวนการซื้อ โปรดทราบว่า Noise Lab จะคำนวณ ปัจจัยการปรับขนาดที่จะใช้โดยอัตโนมัติตามช่วง (ค่าเฉลี่ยและค่าสูงสุด) ของ เป้าหมายการวัดผลสำหรับสถานการณ์ของคุณ โดยค่าเริ่มต้น Noise Lab จะแบ่งงบประมาณเท่าๆ กันตามเป้าหมายการวัดผล
8. คลิกจำลอง
9. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้ จดบันทึก ปัจจัยการปรับขนาดที่แสดงในการจำลอง
10. ตอนนี้มาปรับแต่งการแยกงบประมาณความเป็นส่วนตัวเพื่อให้ได้ อัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีขึ้นกัน
11. ปรับแต่ง % งบประมาณที่กําหนดสําหรับเป้าหมายการวัดแต่ละรายการ เมื่อพิจารณาจากพารามิเตอร์เริ่มต้น เป้าหมายการวัดผล 1 ซึ่งก็คือมูลค่าการซื้อ มีช่วงที่กว้างกว่ามาก (ระหว่าง 0 ถึง 1000) เมื่อเทียบกับเป้าหมายการวัดผล 2 ซึ่งก็คือ จํานวนการซื้อ (ระหว่าง 1 ถึง 1 กล่าวคือเท่ากับ 1 เสมอ) ด้วยเหตุนี้ จึงต้องมี "พื้นที่เพิ่มเติมในการปรับขนาด" การจัดสรรงบประมาณการวัดผลเพิ่มเติมให้กับเป้าหมายการวัดผล 1 จึงเหมาะกว่าเป้าหมายการวัดผล 2 เพื่อให้ปรับขนาดได้อย่างมีประสิทธิภาพมากขึ้น (ดูการปรับขนาด) และด้วยเหตุนี้
12. กําหนดงบประมาณ 70% ให้กับเป้าหมายการวัดผล 1 กําหนด 30% ให้กับเป้าหมายการวัดผล 2
13. คลิกจำลอง
14. สังเกตอัตราส่วนสัญญาณรบกวนของการจำลองที่ได้ สำหรับค่าการซื้อ อัตราส่วนสัญญาณต่อสัญญาณรบกวนจะต่ำกว่า (ดีกว่า) การจำลอง ก่อนหน้านี้อย่างเห็นได้ชัด ส่วนจำนวนการซื้อนั้นแทบไม่มีการเปลี่ยนแปลง
15. ปรับการแบ่งงบประมาณในเมตริกต่อไป สังเกตว่าการดำเนินการนี้ส่งผลต่อ สัญญาณรบกวนอย่างไร

โปรดทราบว่าคุณสามารถตั้งเป้าหมายการวัดผลที่กำหนดเองได้โดยใช้ปุ่มเพิ่ม/นำออก/รีเซ็ต

ลองใช้ใน Noise Lab

เป้าหมายการวัดผลคือจุดข้อมูลที่แตกต่างกันซึ่งรวบรวมในเหตุการณ์ Conversion

1. ไปที่โหมดขั้นสูง
2. ในแผงด้านข้างของพารามิเตอร์ ให้มองหากลยุทธ์การรวบรวม > การปรับขนาด
3. ตรวจสอบว่าได้ตั้งค่าการปรับขนาดเป็น "ใช่" โปรดทราบว่า Noise Lab จะคำนวณค่าตัวคูณมาตราส่วนที่จะใช้โดยอัตโนมัติ โดยอิงตาม ช่วง (ค่าเฉลี่ยและค่าสูงสุด) ที่คุณระบุสำหรับเป้าหมายการวัด
4. สมมติว่าการซื้อที่ใหญ่ที่สุดเท่าที่เคยมีมาคือ $2000 แต่การซื้อส่วนใหญ่เกิดขึ้นในช่วง $10-$120 ก่อนอื่นมาดูกันว่าจะเกิดอะไรขึ้น หากเราใช้วิธีการปรับขนาดตามตัวอักษร (ไม่แนะนำ) ให้ป้อน $2000 เป็น ค่าสูงสุดสำหรับ purchaseValue
5. คลิกจำลอง
6. สังเกตว่าอัตราส่วนสัญญาณรบกวนสูง เนื่องจากระบบจะคํานวณปัจจัยการปรับขนาด โดยอิงตาม $2, 000 แต่ในความเป็นจริงแล้ว มูลค่าการซื้อส่วนใหญ่ จะต่ำกว่านั้นอย่างเห็นได้ชัด
7. ตอนนี้มาใช้แนวทางการปรับขนาดที่สมเหตุสมผลมากขึ้นกัน เปลี่ยนมูลค่าการซื้อสูงสุดเป็น $120
8. คลิกจำลอง
9. สังเกตว่าอัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำกว่า (ดีกว่า) ในการจำลองครั้งที่ 2 นี้

การแนะนำสั้นๆ เกี่ยวกับ Noise Lab

ห้องทดลองสัญญาณรบกวนช่วยให้คุณประเมินและเปรียบเทียบกลยุทธ์การจัดการสัญญาณรบกวนได้อย่างรวดเร็ว โดยใช้เพื่อวัตถุประสงค์ต่อไปนี้

• ทําความเข้าใจพารามิเตอร์หลักที่อาจส่งผลต่อสัญญาณรบกวนและ ผลกระทบที่เกิดขึ้น
• จำลองผลกระทบของสัญญาณรบกวนต่อข้อมูลการวัดผลลัพธ์ที่กำหนด การตัดสินใจด้านการออกแบบที่แตกต่างกัน ปรับแต่งพารามิเตอร์การออกแบบจนกว่าจะได้ อัตราส่วนสัญญาณต่อสัญญาณรบกวนที่เหมาะกับกรณีการใช้งานของคุณ
• โปรดแชร์ความคิดเห็นเกี่ยวกับประโยชน์ของรายงานสรุป เช่น ค่าของพารามิเตอร์เอปซิลอนและพารามิเตอร์สัญญาณรบกวนที่เหมาะกับคุณและไม่เหมาะกับคุณ จุดเปลี่ยนเว้าอยู่ที่ใด

ให้คิดว่านี่เป็นขั้นตอนการเตรียมตัว ห้องทดลองสัญญาณรบกวน สร้างข้อมูลการวัดเพื่อจำลองเอาต์พุตรายงานสรุปตามข้อมูลที่คุณป้อน โดยจะไม่จัดเก็บหรือแชร์ข้อมูลใดๆ

Noise Lab มี 2 โหมดดังนี้

1. โหมดง่าย: ทำความเข้าใจพื้นฐานของการควบคุมที่คุณมี เกี่ยวกับเสียงรบกวน
2. โหมดขั้นสูง: ทดสอบกลยุทธ์การจัดการสัญญาณรบกวนต่างๆ และประเมิน ว่ากลยุทธ์ใดทําให้เกิดอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีที่สุดสําหรับกรณีการใช้งานของคุณ

คลิกปุ่มในเมนูด้านบนเพื่อสลับระหว่าง 2 โหมด (#1 ในภาพหน้าจอต่อไปนี้)

โหมดง่าย

• ในโหมดง่าย คุณจะควบคุมพารามิเตอร์ (อยู่ทางด้านซ้ายมือหรือ #2 ในภาพหน้าจอต่อไปนี้) เช่น เอปซิลอน และดูว่าพารามิเตอร์เหล่านั้นส่งผลต่อสัญญาณรบกวนอย่างไร
• พารามิเตอร์แต่ละรายการมีเคล็ดลับเครื่องมือ (ปุ่ม `?`) คลิกเพื่อดูคำอธิบายของแต่ละพารามิเตอร์ (#3 ในภาพหน้าจอต่อไปนี้)
• หากต้องการเริ่มต้น ให้คลิกปุ่ม "จำลอง" แล้วสังเกตลักษณะเอาต์พุต (#4 ในภาพหน้าจอด้านล่าง)
• ในส่วนเอาต์พุต คุณจะเห็นรายละเอียดต่างๆ องค์ประกอบบางอย่างมีเครื่องหมาย `?` อยู่ข้างๆ โปรดใช้เวลาคลิกเครื่องหมาย `?` แต่ละรายการเพื่อดูคำอธิบาย ข้อมูลต่างๆ
• ในส่วนเอาต์พุต ให้คลิกปุ่มเปิด/ปิดรายละเอียด หากต้องการดูตารางเวอร์ชันขยาย (#5 ในภาพหน้าจอต่อไปนี้)
• หลังจากตารางข้อมูลแต่ละตารางในส่วนเอาต์พุต จะมีตัวเลือก ในการดาวน์โหลดตารางเพื่อใช้งานแบบออฟไลน์ นอกจากนี้ ที่มุมขวาล่างยังมีตัวเลือกในการดาวน์โหลดตารางข้อมูลทั้งหมด (#6 ใน ภาพหน้าจอต่อไปนี้)
• ทดสอบการตั้งค่าต่างๆ สำหรับพารามิเตอร์ในส่วนพารามิเตอร์ แล้วคลิกจำลองเพื่อดูว่าการตั้งค่าเหล่านั้นส่งผลต่อเอาต์พุตอย่างไร

  

โหมดขั้นสูง

• ในโหมดขั้นสูง คุณจะควบคุมพารามิเตอร์ได้มากขึ้น คุณสามารถเพิ่มเป้าหมายการวัดและมิติข้อมูลที่กำหนดเองได้ (#1 และ #2 ในภาพหน้าจอด้านล่าง)
• เลื่อนลงไปที่ส่วนพารามิเตอร์ แล้วดูตัวเลือกคีย์ กลยุทธ์ ซึ่งใช้เพื่อทดสอบโครงสร้างคีย์ต่างๆ ได้ (#3 ในภาพหน้าจอต่อไปนี้)
  • หากต้องการทดสอบโครงสร้างคีย์ต่างๆ ให้เปลี่ยนกลยุทธ์คีย์เป็น "B"
  • ป้อนจำนวนโครงสร้างคีย์ที่แตกต่างกันที่คุณต้องการใช้ (ค่าเริ่มต้นตั้งไว้ที่ "2")
  • คลิกสร้างโครงสร้างคีย์
  • คุณจะเห็นตัวเลือกในการระบุโครงสร้างคีย์โดยคลิก ช่องทําเครื่องหมายข้างคีย์ที่ต้องการรวมสําหรับโครงสร้างคีย์แต่ละรายการ
  • คลิก "จำลอง" เพื่อดูเอาต์พุต

    

    

เมตริกเสียงรบกวน

แนวคิดหลัก

ระบบจะเพิ่มสัญญาณรบกวนเพื่อปกป้องความเป็นส่วนตัวของผู้ใช้แต่ละราย

ค่าสัญญาณรบกวนสูงบ่งบอกว่ากลุ่ม/คีย์กระจัดกระจายและ มีการมีส่วนร่วมจากเหตุการณ์ที่ละเอียดอ่อนจำนวนจำกัด โดย Noise Lab จะดำเนินการนี้โดยอัตโนมัติเพื่อให้บุคคลสามารถ "ซ่อนตัวในฝูงชน" หรือกล่าวอีกนัยหนึ่งคือปกป้องความเป็นส่วนตัวของบุคคลที่จำกัดเหล่านี้ด้วยการเพิ่มสัญญาณรบกวนจำนวนมากขึ้น

ค่าสัญญาณรบกวนต่ำแสดงว่าการตั้งค่าข้อมูลได้รับการออกแบบในลักษณะที่อนุญาตให้บุคคล "ซ่อนตัวในฝูงชน" อยู่แล้ว ซึ่งหมายความว่า กลุ่มข้อมูลมีส่วนร่วมจากเหตุการณ์จำนวนมากพอที่จะยืนยันได้ว่า ความเป็นส่วนตัวของผู้ใช้แต่ละรายได้รับการปกป้อง

ข้อความนี้เป็นจริงทั้งสำหรับข้อผิดพลาดเป็นเปอร์เซ็นต์เฉลี่ย (APE) และ RMSRE_T (ข้อผิดพลาดสัมพัทธ์แบบรูทมีนสแควร์ที่มีเกณฑ์)

APE (ค่าเฉลี่ยของเปอร์เซ็นต์ความคลาดเคลื่อน)

APE คืออัตราส่วนของสัญญาณรบกวนต่อสัญญาณ ซึ่งก็คือค่าสรุปที่แท้จริง

ค่า APE ที่ต่ำกว่าหมายถึงอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีกว่า

สูตร

สำหรับรายงานสรุปที่ระบุ APE จะคำนวณดังนี้

True คือค่าสรุปที่แท้จริง APE คือค่าเฉลี่ยของสัญญาณรบกวนในแต่ละ ค่าสรุปที่แท้จริง โดยเฉลี่ยในรายการทั้งหมดในรายงานสรุป ในห้องทดลองเสียง ระบบจะคูณค่านี้ด้วย 100 เพื่อให้ได้เป็นเปอร์เซ็นต์

ข้อดีและข้อเสีย

ที่เก็บข้อมูลที่มีขนาดเล็กกว่าจะส่งผลต่อมูลค่าสุดท้ายของ APE อย่างไม่สมส่วน ซึ่งอาจทำให้เข้าใจผิดเมื่อประเมินเสียง ด้วยเหตุนี้ เราจึงได้เพิ่มเมตริกอีกรายการหนึ่งคือ RMSRE_T ซึ่งออกแบบมาเพื่อลดข้อจำกัดของ APE นี้ ดูรายละเอียดได้ในตัวอย่าง

รหัส

ตรวจสอบซอร์สโค้ด สำหรับการคำนวณ APE

RMSRE_T (ค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์กำลังสองที่มีเกณฑ์)

RMSRE_T (ค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์กำลังสองที่มีเกณฑ์) เป็นอีกหนึ่งมาตรวัดสำหรับสัญญาณรบกวน

วิธีตีความ RMSRE_T

ค่า RMSRE_T ที่ต่ำกว่าหมายถึงอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ดีกว่า
ตัวอย่างเช่น หากอัตราส่วนสัญญาณต่อสัญญาณรบกวนที่ยอมรับได้สำหรับกรณีการใช้งานของคุณคือ 20% และ RMSRE_T คือ 0.2 คุณจะมั่นใจได้ว่าระดับสัญญาณรบกวนจะอยู่ในช่วงที่ยอมรับได้

สูตร

สำหรับรายงานสรุปที่ระบุ RMSRE_T จะคำนวณดังนี้

ข้อดีและข้อเสีย

RMSRE_T เข้าใจยากกว่า APE เล็กน้อย อย่างไรก็ตาม APE มีข้อดีบางประการที่ทำให้ในบางกรณีเหมาะสมกว่า APE ในการวิเคราะห์สัญญาณรบกวนในรายงานสรุป

• RMSRE_T มีความเสถียรมากขึ้น "T" คือเกณฑ์ "T" ใช้เพื่อให้น้ำหนักน้อยลงในการคำนวณ RMSRE_T สำหรับกลุ่มที่มี Conversion น้อยกว่า และจึงมีความไวต่อสัญญาณรบกวนมากกว่าเนื่องจากมีขนาดเล็ก เมื่อใช้ T เมตริกจะไม่เพิ่มขึ้นอย่างรวดเร็วในกลุ่มที่มี Conversion น้อย หาก T เท่ากับ 5 ค่าสัญญาณรบกวนที่เล็กเพียง 1 ในกลุ่มที่มี Conversion เป็น 0 จะไม่แสดงเป็นมากกว่า 1 แต่จะจำกัดไว้ที่ 0.2 ซึ่งเท่ากับ 1/5 เนื่องจาก T เท่ากับ 5 การให้น้ำหนักน้อยลงกับกลุ่มข้อมูลขนาดเล็กซึ่งมีความไวต่อสัญญาณรบกวนมากกว่า ทำให้เมตริกนี้มีความเสถียรมากขึ้น จึงเปรียบเทียบการจำลอง 2 รายการได้ง่ายขึ้น
• RMSRE_T ช่วยให้การรวบรวมข้อมูลเป็นไปอย่างตรงไปตรงมา การทราบ RMSRE_T ของที่เก็บข้อมูลหลายรายการพร้อมกับจำนวนจริงจะช่วยให้คุณคำนวณ RMSRE_T ของผลรวมได้ นอกจากนี้ยังช่วยให้คุณเพิ่มประสิทธิภาพเพื่อ RMSRE_T สำหรับค่ารวมเหล่านี้ได้ด้วย

แม้ว่าการรวมจะใช้ได้กับ APE แต่สูตรค่อนข้างซับซ้อนเนื่องจากเกี่ยวข้องกับค่าสัมบูรณ์ของผลรวมของสัญญาณรบกวนแบบลาปลาซ ซึ่งทำให้การเพิ่มประสิทธิภาพ APE ทำได้ยากขึ้น

รหัส

ตรวจสอบซอร์สโค้ดสำหรับการคำนวณ RMSRE_T

ตัวอย่าง

รายงานสรุปที่มี 3 กลุ่ม

• 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

รายงานสรุปที่มี 3 กลุ่ม

• 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

รายงานสรุปที่มี 3 กลุ่ม

• 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

การจัดการคีย์ขั้นสูง

DSP หรือบริษัทวัดผลโฆษณาอาจมีลูกค้าด้านการโฆษณาทั่วโลกหลายพันราย ซึ่งครอบคลุมอุตสาหกรรม สกุลเงิน และราคาซื้อที่มีศักยภาพหลายรายการ ซึ่งหมายความว่าการสร้างและจัดการคีย์การรวบรวม 1 รายการต่อผู้ลงโฆษณา 1 รายอาจเป็นไปได้ยาก นอกจากนี้ การเลือกมูลค่าสูงสุดที่รวบรวมได้และงบประมาณการรวบรวมที่สามารถจำกัดผลกระทบของสัญญาณรบกวนในผู้ลงโฆษณาทั่วโลกหลายพันรายเหล่านี้ก็จะเป็นเรื่องที่ท้าทาย แต่ให้พิจารณาสถานการณ์ต่อไปนี้แทน

กลยุทธ์หลัก ก.

ผู้ให้บริการด้านเทคโนโลยีโฆษณาตัดสินใจสร้างและจัดการคีย์เดียวสำหรับลูกค้าโฆษณาทั้งหมด ผู้ลงโฆษณาทุกรายและทุกสกุลเงินมี การซื้อตั้งแต่การซื้อปริมาณน้อยระดับไฮเอนด์ไปจนถึงการซื้อปริมาณมากระดับล่าง ซึ่งจะส่งผลให้เกิดคีย์ต่อไปนี้

กลยุทธ์ที่สำคัญ B

ผู้ให้บริการด้านเทคโนโลยีโฆษณาตัดสินใจสร้างและจัดการคีย์ 2 รายการในลูกค้าโฆษณาทั้งหมด จึงตัดสินใจแยกคีย์ตามสกุลเงิน การซื้อของผู้ลงโฆษณาทั้งหมดและทุกสกุลเงินมีตั้งแต่การซื้อปริมาณน้อยระดับสูงไปจนถึงการซื้อปริมาณมากระดับต่ำ แยกตามสกุลเงิน ระบบจะสร้างคีย์ 2 รายการ ดังนี้

กลยุทธ์หลัก B จะมีสัญญาณรบกวนในผลลัพธ์น้อยกว่ากลยุทธ์หลัก A เนื่องจาก ค่าสกุลเงินไม่ได้กระจายอย่างสม่ำเสมอในสกุลเงินต่างๆ ตัวอย่างเช่น พิจารณาว่าการซื้อที่ระบุเป็น ¥ ซึ่งรวมกับการซื้อที่ระบุเป็น USD จะเปลี่ยนแปลงข้อมูลพื้นฐานและเอาต์พุตที่มีสัญญาณรบกวนที่ได้ผลอย่างไร

กลยุทธ์ที่สำคัญ ค.

ผู้ให้บริการเทคโนโลยีโฆษณาตัดสินใจที่จะสร้างและจัดการคีย์ 4 รายการในลูกค้าโฆษณาทั้งหมด และแยกตามสกุลเงิน x อุตสาหกรรมผู้ลงโฆษณา ดังนี้

กลยุทธ์หลัก ค. จะมีสัญญาณรบกวนในผลลัพธ์น้อยกว่ากลยุทธ์หลัก ข. เนื่องจาก มูลค่าการซื้อของผู้ลงโฆษณาไม่ได้กระจายอย่างสม่ำเสมอในกลุ่มผู้ลงโฆษณา ตัวอย่างเช่น ลองพิจารณาว่าการซื้อเครื่องประดับระดับไฮเอนด์ที่ปะปนกับการซื้อหมวกเบสบอลจะเปลี่ยนแปลงข้อมูลพื้นฐานและเอาต์พุตที่มีสัญญาณรบกวนที่ได้ผลลัพธ์อย่างไร

พิจารณาสร้างค่ารวมสูงสุดที่ใช้ร่วมกันและค่าตัวคูณมาตราส่วนที่ใช้ร่วมกัน สำหรับความเหมือนกันในผู้ลงโฆษณาหลายรายเพื่อลดสัญญาณรบกวนใน เอาต์พุต เช่น คุณอาจทดสอบกลยุทธ์ต่อไปนี้สำหรับผู้ลงโฆษณา

• 1 กลยุทธ์แยกตามสกุลเงิน (USD, ¥, CAD ฯลฯ)
• กลยุทธ์หนึ่งแยกตามอุตสาหกรรมของผู้ลงโฆษณา (ประกันภัย ยานยนต์ ค้าปลีก ฯลฯ)
• กลยุทธ์หนึ่งที่แยกตามช่วงมูลค่าการซื้อที่คล้ายกัน ([100], [1000], [10000] ฯลฯ)

การสร้างกลยุทธ์หลักๆ โดยอิงตามจุดร่วมของผู้ลงโฆษณาจะช่วยให้จัดการคีย์และ โค้ดที่เกี่ยวข้องได้ง่ายขึ้น และอัตราส่วนสัญญาณต่อสัญญาณรบกวนจะสูงขึ้น ทดสอบกลยุทธ์ต่างๆ กับความเหมือนกันของผู้ลงโฆษณาที่แตกต่างกันเพื่อค้นหาจุดเปลี่ยนในการเพิ่มผลกระทบจากสัญญาณรบกวนเทียบกับการจัดการโค้ด

ลองพิจารณาสถานการณ์ของผู้ลงโฆษณา 2 รายต่อไปนี้

• ผู้ลงโฆษณา ก:
  • ในผลิตภัณฑ์ทั้งหมดในเว็บไซต์ของผู้ลงโฆษณา ก. ราคาซื้อ ที่เป็นไปได้อยู่ระหว่าง [$120 - $1,000] ซึ่งมีช่วงราคา $880
  • ราคาซื้อจะกระจายอย่างสม่ำเสมอในช่วง $880 โดยไม่มีค่าผิดปกติที่อยู่นอกค่าเบี่ยงเบนมาตรฐาน 2 ค่าจากราคาซื้อมัธยฐาน
• ผู้ลงโฆษณา B:
  • ในผลิตภัณฑ์ทั้งหมดในเว็บไซต์ของผู้ลงโฆษณา B ราคาซื้อ ที่เป็นไปได้อยู่ระหว่าง [$120 - $1,000] ซึ่งมีช่วงราคา $880
  • ราคาซื้อส่วนใหญ่จะอยู่ในช่วง ฿3,600 - ฿15,000 โดยมีการซื้อเพียง 5% เท่านั้นที่อยู่ในช่วง ฿15,000 - ฿30,000

เนื่องจากข้อกำหนดด้านงบประมาณการมีส่วนร่วม และวิธีการที่ใช้การสุ่มกับผลลัพธ์สุดท้าย ผู้ลงโฆษณา B จะมีผลลัพธ์ที่มีการสุ่มมากกว่าผู้ลงโฆษณา A โดยค่าเริ่มต้น เนื่องจากผู้ลงโฆษณา B มีโอกาสสูงกว่าที่ค่าผิดปกติจะส่งผลต่อการคำนวณพื้นฐาน

คุณสามารถลดปัญหานี้ได้ด้วยการตั้งค่าคีย์ที่เฉพาะเจาะจง ทดสอบกลยุทธ์หลัก ที่ช่วยจัดการข้อมูลค่าผิดปกติ และกระจายมูลค่าการซื้อให้สม่ำเสมอมากขึ้น ในช่วงการซื้อของคีย์

สำหรับผู้ลงโฆษณา B คุณสามารถสร้างคีย์แยกกัน 2 คีย์เพื่อบันทึกช่วงมูลค่าการซื้อที่แตกต่างกัน 2 ช่วง ในตัวอย่างนี้ เทคโนโลยีโฆษณาสังเกตเห็นว่าค่าผิดปกติ ปรากฏเหนือมูลค่าการซื้อ $500 ลองใช้คีย์แยกกัน 2 คีย์สำหรับผู้ลงโฆษณารายนี้

• โครงสร้างคีย์ 1 : คีย์ที่บันทึกเฉพาะการซื้อในช่วง $120 - $500 (ครอบคลุมปริมาณการซื้อทั้งหมดประมาณ 95%)
• โครงสร้างคีย์ 2: คีย์ที่บันทึกเฉพาะการซื้อที่สูงกว่า $500 (ครอบคลุมปริมาณการซื้อทั้งหมดประมาณ 5%)

การใช้กลยุทธ์หลักนี้จะช่วยจัดการสัญญาณรบกวนสำหรับผู้ลงโฆษณา B ได้ดียิ่งขึ้น และช่วยเพิ่มอรรถประโยชน์จากรายงานข้อมูลสรุปให้ผู้ลงโฆษณารายนี้ เมื่อพิจารณาช่วงใหม่ที่เล็กลง คีย์ A และคีย์ B ควรมีการกระจายข้อมูลที่สม่ำเสมอมากขึ้น ในแต่ละคีย์ที่เกี่ยวข้องมากกว่าคีย์เดียวในก่อนหน้านี้ ซึ่งจะส่งผลให้ สัญญาณรบกวนในเอาต์พุตของแต่ละคีย์น้อยกว่าคีย์เดียวในก่อนหน้านี้