เป้าหมายของคู่มือนี้คือให้คําแนะนําเกี่ยวกับการทดสอบ Attribution Reporting API ของ Privacy Sandbox แบบสแตนด์อโลน ดูรายละเอียดเพิ่มเติมได้ที่ส่วนที่ 12
- การวัดผลกลุ่มควบคุมและกลุ่มทดสอบในการออกแบบการทดสอบ 1 และ 2 ของ CMA อยู่ในคําแนะนําการทดสอบ Relevance API เนื่องจากเป้าหมายของการทดสอบเหล่านั้นคือการทดสอบประสิทธิภาพของการใช้ Protected Audience และ Topics โปรดดูรายละเอียดเพิ่มเติมที่ส่วนที่ 11
ก่อนเริ่มต้น
- อ่านคําแนะนําเกี่ยวกับการกําหนดค่าและตั้งค่า Attribution Reporting API
- อ่านคำแนะนำการทดสอบของ CMA: หมายเหตุการทดสอบ (พฤศจิกายน 2022), คำแนะนำการทดสอบ (มิถุนายน 2023) และคำแนะนำการทดสอบเพิ่มเติม (ตุลาคม 2023)
เป้าหมายการประเมินและการตั้งค่าการทดสอบที่เสนอ
เป้าหมายที่ 1 - พิจารณาประสิทธิภาพของ Attribution Reporting API สําหรับการรายงาน
เราขอแนะนําให้ใช้การตั้งค่า A/A เพื่อวัดผลกระทบต่อการรายงาน
- ข้อเสนอนี้สอดคล้องกับคําแนะนําของ CMA เกี่ยวกับการประเมินเมตริกที่อิงตาม Conversion ดูรายละเอียดเพิ่มเติมได้ที่ส่วนที่ 21 และส่วนที่ 12
- เราแนะนําให้ใช้วิธีนี้แทนโหมด A/B เนื่องจากสามารถทดสอบ Attribution Reporting API (ARA) ได้โดยวัด Conversion ในชุดการแสดงผลเดียวกันพร้อมกันโดยใช้วิธีการวัดผล 2 วิธีที่แตกต่างกัน (คุกกี้ของบุคคลที่สาม + ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม และ ARA + ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม)
- การทดสอบ A/A ยังแยกผลกระทบของ Attribution Reporting API ในการวัด Conversion ด้วย (เช่น หลีกเลี่ยงการเปลี่ยนแปลงอัตรา Conversion เนื่องจากไม่มีคุกกี้ของบุคคลที่สาม)
จุดวิเคราะห์ที่แนะนํา
- เลือกกลุ่มการเข้าชมที่มีขนาดใหญ่พอเพื่อให้ได้ผลลัพธ์ที่มีนัยสำคัญทางสถิติ และมีทั้งคุกกี้ของบุคคลที่สามและ Privacy Sandbox API โดยหลักการแล้ว การเข้าชมนี้ควรเป็นการเข้าชมทั้งหมด ยกเว้นโหมด B (ซึ่งปิดใช้คุกกี้ของบุคคลที่สาม)
- เราขอแนะนําให้ยกเว้นโหมด B จากการทดสอบ A/A เนื่องจากคุกกี้ของบุคคลที่สามจะไม่พร้อมใช้งานและคุณจะไม่สามารถเปรียบเทียบผลลัพธ์ ARA กับผลลัพธ์การระบุแหล่งที่มาโดยอิงตามคุกกี้ของบุคคลที่สาม
- หากต้องการรวมโหมด B คุณควรพิจารณาเปิดใช้รายงานข้อบกพร่องสําหรับกลุ่มการเข้าชมโหมด B รายงานข้อบกพร่องจะช่วยคุณแก้ปัญหาการกําหนดค่าหรือการติดตั้งใช้งาน
- หากคุณวางแผนที่จะทดสอบกับการเข้าชมส่วนน้อย เราคาดว่าคุณจะได้รับผลลัพธ์การวัดผลที่มีสัญญาณรบกวนมากกว่าที่คาดไว้ เราขอแนะนําให้บันทึกในการวิเคราะห์ว่าใช้เศษส่วนของการเข้าชมเท่าใด และคุณกําลังรายงานผลลัพธ์ตามรายงานที่มีสัญญาณรบกวนหรือรายงานการแก้ไขข้อบกพร่องที่ไม่มีสัญญาณรบกวน
- สําหรับรายงานสรุป ค่าสรุปมีแนวโน้มที่จะต่ำลง และบริการรวมข้อมูลจะเพิ่มสัญญาณรบกวนจากข้อมูลการแจกแจงเดียวกัน โดยไม่คำนึงถึงค่าสรุป
- ทดสอบวิธีการวัดผลที่แตกต่างกันในข้อมูลการเข้าชมส่วนนั้น
- กลุ่มควบคุม 1 - ใช้วิธีการวัดผลปัจจุบัน (คุกกี้ของบุคคลที่สาม + ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม)
- (ไม่บังคับ) กลุ่มควบคุม 2 - ไม่มี Privacy Sandbox และไม่มีคุกกี้ของบุคคลที่สาม นั่นคือมีเฉพาะข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม
- โปรดทราบว่าอาจมีคุกกี้ของบุคคลที่สามบางรายการที่ยังคงใช้งานได้ในบางเว็บไซต์ โปรดอย่าใช้คุกกี้ของบุคคลที่สามเหล่านั้นในการวัดผลในวิธีการควบคุม 2 หรือวิธีการทดสอบเพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด
- กลุ่มทดสอบ - Privacy Sandbox API และข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม
- โปรดทราบว่าอาจมีคุกกี้ของบุคคลที่สามบางรายการที่ยังคงใช้งานได้ในบางเว็บไซต์ โปรดอย่าใช้คุกกี้ของบุคคลที่สามเหล่านั้นในการวัดผลในวิธีการควบคุม 2 หรือวิธีการทดสอบเพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด
เมตริก
- กําหนดว่าเมตริกใดเหมาะกับธุรกิจในการวัดผลลัพธ์ และใส่คําอธิบายความหมายของเมตริกและวิธีวัด
- เราขอแนะนําให้มุ่งเน้นที่มิติข้อมูลและเมตริกที่สําคัญสําหรับผู้ลงโฆษณา เช่น หากผู้ลงโฆษณามุ่งเน้นที่ Conversion การซื้อ ให้วัดจํานวน Conversion ของ Conversion เหล่านั้นและมูลค่าการซื้อ
- เมตริกที่อิงตามจํานวนหรือผลรวม (เช่น อัตรา Conversion) เหมาะที่จะใช้มากกว่าต้นทุนต่อ (เช่น ต้นทุนต่อ Conversion) สําหรับการวิเคราะห์ A/A เมตริกค่าใช้จ่ายจะมาจากจํานวนหรือผลรวมมูลค่า Conversion โดยสมบูรณ์
- ระบุว่าเมตริกอิงตามรายงานระดับเหตุการณ์ รายงานสรุป หรือทั้ง 2 รายงาน (และระบุว่ามีการใช้รายงานการแก้ไขข้อบกพร่องหรือไม่)
- ดูคำแนะนำเกี่ยวกับวิธีจัดรูปแบบความคิดเห็นเชิงปริมาณได้ในตารางเทมเพลตที่แนะนำ
การวิเคราะห์
- การครอบคลุม:
- คุณวัดผลในชุดผู้ใช้ที่คล้ายกันเมื่อเทียบกับคุกกี้ของบุคคลที่สามได้ไหม คุณเห็นการครอบคลุมที่สูงขึ้นไหม (เช่น ในแอปกับเว็บ)
- คุณวัด Conversion (และมิติข้อมูลหรือเมตริก) ที่คุณหรือผู้ลงโฆษณาให้ความสําคัญมากที่สุดได้หรือไม่
- ความคิดเห็นเชิงปริมาณ
- ในการรายงานสำหรับผู้ลงโฆษณา เช่น เปอร์เซ็นต์ของ Conversion หลักที่คุณสามารถรายงานสำหรับผู้ลงโฆษณารายนั้น หรือเปอร์เซ็นต์ของแคมเปญที่เป็นไปตามเกณฑ์คุณภาพการรายงาน (การหาเกณฑ์คุณภาพจะช่วยปรับแคมเปญที่มีจํานวน Conversion น้อย)
- แบ่งตามผู้ลงโฆษณา เช่น มีผู้ลงโฆษณาบางรายที่อาศัยคุกกี้ของบุคคลที่สามในการรายงานมากหรือน้อยในปัจจุบันหรือไม่
- ความคิดเห็นเชิงคุณภาพอื่นๆ
- ARA ส่งผลต่อความซับซ้อนของการตั้งค่าการวัดผล/การระบุแหล่งที่มาของผู้ลงโฆษณาอย่างไร
- ARA ช่วยให้หรือขัดขวางผู้ลงโฆษณาในการมุ่งเน้นที่เมตริกและเป้าหมายที่สําคัญต่อตน
ตารางเทมเพลตที่แนะนําสําหรับการรายงานผลลัพธ์
(การรายงาน) ตารางที่ 1:
ตัวอย่างตารางเทมเพลตสำหรับการรายงานผลการทดสอบไปยัง CMA (นำมาจากหน้า 18 แต่ผู้ทดสอบควรพิจารณาว่าเมตริกใดมีความหมาย / เป็นไปได้มากที่สุดที่จะระบุและปรับตารางตามความจำเป็น)
กลุ่มทดสอบเทียบกับกลุ่มควบคุม 1 เปรียบเทียบสถานะสุดท้ายที่เสนอกับสถานะปัจจุบัน |
กลุ่มทดสอบเทียบกับกลุ่มควบคุม 2 เปรียบเทียบสถานะสุดท้ายที่เสนอโดยไม่มี PS API เลย |
กลุ่มควบคุมที่ 2 เทียบกับกลุ่มควบคุมที่ 1 เปรียบเทียบการวัด Conversion ที่มีและไม่มีคุกกี้ของบุคคลที่สาม โดยไม่ใช้ PS API |
|
วิธีการวัดผล | เปรียบเทียบการวัด Conversion ของกลุ่มทดสอบ (ARA ที่มีข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม) กับกลุ่มควบคุม 1 (คุกกี้ของบุคคลที่สามและข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม) | เปรียบเทียบการวัด Conversion ของกลุ่มทดสอบ (ARA ที่มีข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม) กับกลุ่มควบคุม 2 (ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามเท่านั้น) | เปรียบเทียบการวัด Conversion สําหรับกลุ่มควบคุมที่ 2 (ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามเท่านั้น) กับกลุ่มควบคุมที่ 1 (ข้อมูลคุกกี้ของบุคคลที่สามและข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม) |
Conversion ต่อดอลลาร์ | เอฟเฟ็กต์ | เอฟเฟ็กต์ | เอฟเฟ็กต์ |
ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | |
ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | |
Conversion ทั้งหมด | เอฟเฟ็กต์ | เอฟเฟ็กต์ | เอฟเฟ็กต์ |
ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | |
ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | |
อัตรา Conversion | เอฟเฟ็กต์ | เอฟเฟ็กต์ | เอฟเฟ็กต์ |
ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | |
ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | |
(เพิ่มเมตริกของคุณเอง) |
(การรายงาน) ตารางที่ 2:
ตัวอย่างตารางเทมเพลตสําหรับการรายงานสถิติเชิงพรรณนาสําหรับเมตริกในกลุ่มทดสอบและกลุ่มควบคุม (นํามาจากหน้า 20 แต่ผู้ทดสอบควรพิจารณาว่าเมตริกใดมีความหมาย / ทําได้จริงมากที่สุดและปรับตารางตามต้องการ)
เมตริก | การดําเนินการ
การวัด Conversion โดยใช้ ARA และข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามที่คุณใช้ |
กลุ่มควบคุมที่ 1
การวัด Conversion โดยใช้คุกกี้ของบุคคลที่สามและข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามที่คุณใช้ |
กลุ่มควบคุม 2
การวัด Conversion โดยใช้ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามเท่านั้น |
Conversion ต่อดอลลาร์ | ค่าเฉลี่ย | ค่าเฉลี่ย | ค่าเฉลี่ย |
ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | |
เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | |
Conversion ทั้งหมด | ค่าเฉลี่ย | ค่าเฉลี่ย | ค่าเฉลี่ย |
ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | |
เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | |
อัตรา Conversion | ค่าเฉลี่ย | ค่าเฉลี่ย | ค่าเฉลี่ย |
ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | |
เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | |
(เพิ่มเมตริกของคุณเอง) |
เป้าหมายที่ 2 - พิจารณาประสิทธิภาพของ Attribution Reporting API สําหรับการเพิ่มประสิทธิภาพการเสนอราคา
เราขอแนะนําการตั้งค่า A/B เพื่อวัดผลลัพธ์ต่อการเพิ่มประสิทธิภาพการเสนอราคา
- หากต้องการวัดผลกระทบต่อการเพิ่มประสิทธิภาพการเสนอราคา คุณจะต้องฝึกโมเดลแมชชีนเลิร์นนิง 2 รูปแบบที่แตกต่างกันและใช้กับการเข้าชม 2 กลุ่ม ได้แก่ 1 โมเดลที่ฝึกด้วยวิธีการวัดผลปัจจุบัน (คุกกี้ของบุคคลที่สาม + ข้อมูลที่ไม่เกี่ยวข้องกับคุกกี้ของบุคคลที่สาม) เพื่อนำไปใช้กับกลุ่มควบคุม และ 1 โมเดลที่ฝึกด้วย Attribution Reporting API + ข้อมูลที่ไม่เกี่ยวข้องกับคุกกี้ของบุคคลที่สาม เพื่อนำไปใช้กับกลุ่มทดสอบ
- การฝึกโมเดลควรอิงตามการเข้าชมมากที่สุดเท่าที่ผู้ทดสอบเห็นว่าจําเป็นเพื่อเพิ่มประสิทธิภาพสูงสุด แม้ว่ากลุ่มทดสอบจะเป็นส่วนน้อยของการเข้าชมและมีการซ้อนทับกันระหว่างกลุ่มประชากรที่ใช้ฝึก (เช่น ใช้โมเดลคุกกี้ของบุคคลที่สามที่มีอยู่ซึ่งกําลังฝึกการเข้าชมทั้งหมด และฝึกโมเดล ARA ในการเข้าชม ARA ทั้งหมดที่เปิดใช้สําหรับเป้าหมาย 1)
- หากส่งผลลัพธ์ไปยัง CMA ให้สังเกตว่าส่วนต่างๆ ของการเข้าชมที่ใช้ฝึกโมเดลต่างๆ มีความแตกต่างอย่างมากหรือไม่ (เช่น หากโมเดลที่อิงตามคุกกี้ของบุคคลที่สามได้รับการฝึกด้วยการเข้าชม 100% แต่โมเดลที่อิงตาม ARA ได้รับการฝึกด้วยการเข้าชมเพียง 1%)
- หากเป็นไปได้ การฝึกโมเดลการเสนอราคาทั้งกลุ่มทดสอบและกลุ่มควบคุมควรใช้เวลาเท่าๆ กัน
- พิจารณาว่าคุณควรฝึกและอัปเดตรูปแบบการเสนอราคาอย่างต่อเนื่องในระหว่างการทดสอบหรือไม่ และหากควร คุณควรฝึกกับการเข้าชมให้ได้มากที่สุดหรือเฉพาะการเข้าชมจากกลุ่มทดสอบและกลุ่มควบคุม
- คุณควรใช้รูปแบบต่างๆ กับกลุ่มการเข้าชมที่ไม่เกี่ยวข้องกันเป็นการทดสอบ A/B สําหรับการสุ่มตัวอย่างและมอบหมายผู้ใช้ในกลุ่มทดสอบและกลุ่มควบคุม เราขอแนะนําให้ใช้กลุ่มเบราว์เซอร์ที่ติดป้ายกำกับซึ่ง Chrome อำนวยความสะดวก (โหมด A) หรือทำการทดสอบด้วยชุดเบราว์เซอร์แบบสุ่มของคุณเอง เราไม่แนะนําให้ใช้โหมด B เนื่องจากไม่มีคุกกี้ของบุคคลที่สามจะทำให้รายงานเมตริกที่อิงตาม Conversion เป็นเรื่องยาก
- กลุ่มเบราว์เซอร์ที่อำนวยความสะดวกโดย Chrome จะยกเว้นอินสแตนซ์ Chrome บางรายการ เช่น ผู้ใช้ Chrome Enterprise ซึ่งชุดเบราว์เซอร์แบบสุ่มของคุณเองอาจไม่ยกเว้นอินสแตนซ์ Chrome เหล่านี้ ดังนั้น คุณควรทำการทดสอบเฉพาะในกลุ่มโหมด A หรือเฉพาะในกลุ่มที่ไม่ใช่โหมด A/โหมด B เพื่อหลีกเลี่ยงการเปรียบเทียบเมตริกที่ได้ในกลุ่มที่ Chrome อำนวยความสะดวกกับเมตริกที่ได้นอกกลุ่มที่ Chrome อำนวยความสะดวก
- หากไม่ได้ใช้กลุ่มเบราว์เซอร์ที่ติดป้ายกำกับซึ่ง Chrome อำนวยความสะดวก (เช่น การทดสอบการเข้าชมอื่นๆ) ให้ทําดังนี้
- ยืนยันว่าการแบ่งกลุ่มผู้ใช้ออกเป็นกลุ่มควบคุมและกลุ่มทดสอบเป็นแบบสุ่มและเป็นกลาง ไม่ว่าการตั้งค่ากลุ่มทดสอบจะเป็นอย่างไร ให้ประเมินลักษณะของกลุ่มทดสอบและกลุ่มควบคุมเพื่อยืนยันว่ากลุ่มทดสอบและกลุ่มควบคุมเปรียบเทียบกันได้ (ดู: ส่วนที่ 15)
- ยืนยันว่าลักษณะของผู้ใช้และการกําหนดค่าแคมเปญของกลุ่มทดสอบและกลุ่มควบคุมเหมือนกัน (เช่น ใช้ภูมิศาสตร์ที่คล้ายกันทั้งในกลุ่มทดสอบและกลุ่มควบคุม) (ดู: ส่วนที่ 28)
- ตัวอย่างที่เฉพาะเจาะจง ได้แก่ ยืนยันว่ามีการวัด Conversion ประเภทที่คล้ายกันโดยใช้กรอบเวลาการระบุแหล่งที่มาเดียวกันและตรรกะการระบุแหล่งที่มาเดียวกัน แคมเปญกําหนดเป้าหมายไปยังกลุ่มเป้าหมาย กลุ่มความสนใจ และภูมิศาสตร์ที่คล้ายกัน และใช้ข้อความโฆษณาและรูปแบบโฆษณาที่คล้ายกัน
- √ ขนาดประชากรเริ่มต้นของกลุ่มทดสอบและกลุ่มควบคุมมีขนาดใหญ่พอที่จะมีความยืดหยุ่นในการเสนอราคาและการทดสอบ
- หากใช้กลุ่มเบราว์เซอร์ที่ติดป้ายกำกับซึ่ง Chrome อำนวยความสะดวก (โหมด A) Chrome จะเป็นผู้จัดการการสุ่มอินสแตนซ์เบราว์เซอร์ Chrome ไปยังกลุ่ม เราขอแนะนําให้คุณตรวจสอบตามที่เคยทำก่อนหน้านี้ว่าการสุ่มตัวอย่างส่งผลให้กลุ่มต่างๆ ปราศจากอคติ / เปรียบเทียบกันได้สําหรับวัตถุประสงค์ของคุณ
จุดวิเคราะห์ที่แนะนํา
- เราขอแนะนําให้กําหนดกลุ่มควบคุมและกลุ่มทดสอบ และใช้รูปแบบแมชชีนเลิร์นนิงที่แตกต่างกันสําหรับการเพิ่มประสิทธิภาพการเสนอราคาสําหรับแต่ละกลุ่ม ดังนี้
- กลุ่มควบคุม 1 - ใช้รูปแบบการเพิ่มประสิทธิภาพการเสนอราคาที่ผ่านการฝึกอบรมด้วยวิธีการวัดผลปัจจุบัน (คุกกี้ของบุคคลที่สาม + ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม)
- (ไม่บังคับ) กลุ่มควบคุม 2 - ใช้รูปแบบการเพิ่มประสิทธิภาพการเสนอราคาที่ฝึกโดยไม่ต้องใช้ Privacy Sandbox และไม่ใช้คุกกี้ของบุคคลที่สาม นั่นคือใช้เฉพาะข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม
- โปรดทราบว่าอาจมีคุกกี้ของบุคคลที่สามบางรายการที่ยังคงใช้งานได้ในบางเว็บไซต์ โปรดอย่าใช้คุกกี้ของบุคคลที่สามดังกล่าวในการวัดผลในวิธีการควบคุม 2 หรือวิธีการทดสอบเพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด
- กลุ่มทดสอบ - ใช้รูปแบบการเพิ่มประสิทธิภาพการเสนอราคาที่ผ่านการฝึกอบรมจาก Attribution Reporting API และข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สาม
- โปรดทราบว่าอาจมีคุกกี้ของบุคคลที่สามบางรายการที่ยังคงใช้งานได้ในบางเว็บไซต์ โปรดอย่าใช้คุกกี้ของบุคคลที่สามดังกล่าวในการวัดผลในวิธีการควบคุม 2 หรือวิธีการทดสอบเพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด
เมตริก
- กําหนดว่าเมตริกใดเหมาะกับธุรกิจในการวัดผลลัพธ์ และใส่คําอธิบายความหมายของเมตริกและวิธีวัด
- ตัวอย่างเช่น เมตริกที่มีความหมายอาจเป็นการใช้จ่าย (รายได้ของผู้เผยแพร่โฆษณา) ซึ่งสอดคล้องกับคําแนะนําของ CMA ในการทำความเข้าใจผลกระทบของการเลิกใช้งานคุกกี้ของบุคคลที่สามต่อ "รายได้ต่อการแสดงผล" ดูรายละเอียดเพิ่มเติมได้ที่ส่วนที่ 19
- หากรายงานเกี่ยวกับเมตริกที่อิงตาม Conversion คุณควรใช้วิธีการวัดผลเดียวกันกับกลุ่มทดสอบแต่ละกลุ่ม เพื่อหลีกเลี่ยงการทดสอบหลายตัวแปร (การทดสอบผลลัพธ์ที่เกิดขึ้นกับการเพิ่มประสิทธิภาพและการรายงานในการทดสอบครั้งเดียว) ดูคำแนะนำเกี่ยวกับวิธีจัดรูปแบบความคิดเห็นเชิงปริมาณได้ในตารางเทมเพลตที่แนะนำ
- ลองใช้วิธีอื่นๆ ในการเก็บรวบรวมเมตริกเกี่ยวกับผลกระทบของการเพิ่มประสิทธิภาพการเสนอราคา เช่น การใช้การจําลองราคาเสนอ มีเมตริกจำลองที่มีประโยชน์ในการทำความเข้าใจผลกระทบของคุกกี้ของบุคคลที่สามและ ARA ต่อรูปแบบการเสนอราคาไหม
- ระบุว่าเมตริกอิงตามรายงานระดับเหตุการณ์ รายงานสรุป หรือทั้ง 2 รายงาน (และระบุว่ามีการใช้รายงานการแก้ไขข้อบกพร่องหรือไม่)
การวิเคราะห์
- การครอบคลุม:
- คุณวัดผลในชุดผู้ใช้ที่คล้ายกันเมื่อเทียบกับคุกกี้ของบุคคลที่สามได้ไหม คุณเห็นการเปลี่ยนแปลงการครอบคลุมไหม (เช่น ในแอปกับเว็บ)
- คุณวัด Conversion (และมิติข้อมูล/เมตริก) ที่คุณหรือผู้ลงโฆษณาให้ความสําคัญมากที่สุดได้หรือไม่
- ความแตกต่างระหว่างกลุ่มต่างๆ จะมีผลต่อสิ่งต่อไปนี้อย่างไร
- การรายงานสำหรับผู้ลงโฆษณา เช่น เปอร์เซ็นต์ Conversion หลักที่คุณสามารถรายงานได้
- เช่น การฝึกและการเพิ่มประสิทธิภาพจะจําลองผลกระทบของข้อมูล Conversion ต่างๆ ต่อประสิทธิภาพของโมเดล
- ความคิดเห็นเชิงคุณภาพอื่นๆ
- ARA ส่งผลต่อความซับซ้อนของการตั้งค่าการเพิ่มประสิทธิภาพการเสนอราคาของผู้ลงโฆษณาอย่างไร
- ARA ช่วยให้หรือขัดขวางผู้ลงโฆษณาไม่ให้มุ่งเน้นที่เมตริกและเป้าหมายที่สําคัญต่อตน
ตารางเทมเพลตที่แนะนําสําหรับผลกระทบของการเสนอราคา
(การเสนอราคา) ตารางที่ 1:
ตัวอย่างตารางเทมเพลตของผลการทดสอบที่ผู้เข้าร่วมในตลาดควรส่งให้ CMA (นำมาจากหน้า 18 แต่ผู้ทดสอบควรพิจารณาว่าเมตริกใดมีความหมาย / เป็นไปได้มากที่สุดที่จะระบุและปรับตารางตามความจำเป็น)
กลุ่มทดสอบเทียบกับกลุ่มควบคุม 1 เปรียบเทียบสถานะสุดท้ายที่เสนอกับสถานะปัจจุบัน |
กลุ่มทดสอบเทียบกับกลุ่มควบคุม 2 เปรียบเทียบสถานะสุดท้ายที่เสนอโดยไม่มี PS API เลย |
กลุ่มควบคุมที่ 2 เทียบกับกลุ่มควบคุมที่ 1 เปรียบเทียบการเพิ่มประสิทธิภาพการเสนอราคาโดยใช้และไม่ได้ใช้คุกกี้ของบุคคลที่สาม โดยไม่ใช้ PS API |
|
วิธีการวัดผล | หากต้องการหลีกเลี่ยงการทดสอบหลายตัวแปร ให้ใช้ข้อมูลคุกกี้ของบุคคลที่สามและข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามเพื่อวัดเมตริกที่อิงตาม Conversion สําหรับทั้ง 2 กลุ่มในการทดสอบแต่ละครั้ง | ||
รายได้ต่อการแสดงผล | เอฟเฟ็กต์ | เอฟเฟ็กต์ | เอฟเฟ็กต์ |
ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | ข้อผิดพลาดมาตรฐาน | |
ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | ช่วงความเชื่อมั่น 95% | |
(เพิ่มเมตริกของคุณเอง) |
(การเสนอราคา) ตาราง 2:
ตัวอย่างตารางเทมเพลตสำหรับการรายงานสถิติเชิงพรรณนาสำหรับเมตริกในกลุ่มทดสอบและกลุ่มควบคุม (นำมาจากหน้า 20 แต่ผู้ทดสอบควรพิจารณาว่าเมตริกใดมีความหมาย / เป็นไปได้มากที่สุดที่จะระบุและปรับตารางตามต้องการ)
กลุ่มทดสอบ การเพิ่มประสิทธิภาพการเสนอราคาโดยใช้ ARA และข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามที่คุณใช้ |
กลุ่มควบคุมที่ 1 การเพิ่มประสิทธิภาพการเสนอราคาโดยใช้คุกกี้ของบุคคลที่สามและข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามที่คุณใช้ |
กลุ่มควบคุมที่ 2 การเพิ่มประสิทธิภาพการเสนอราคาโดยใช้ข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามเท่านั้น |
|
วิธีการวัดผล | หากต้องการหลีกเลี่ยงการทดสอบหลายตัวแปร ให้ใช้ข้อมูลคุกกี้ของบุคคลที่สามและข้อมูลคุกกี้ที่ไม่ใช่ของบุคคลที่สามเพื่อวัดเมตริกที่อิงตาม Conversion ในทุกกลุ่ม | ||
รายได้ต่อการแสดงผล | ค่าเฉลี่ย | ค่าเฉลี่ย | ค่าเฉลี่ย |
ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | ค่าเบี่ยงเบนมาตรฐาน | |
เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | เปอร์เซ็นไทล์ที่ 25 และ 75 | |
(เพิ่มเมตริกของคุณเอง) |
เป้าหมายที่ 3 - การทดสอบการโหลดบริการรวมข้อมูล
ดูเฟรมเวิร์กการทดสอบการโหลดบริการรวมข้อมูล