Czym jest modelowanie konwersji?

Modelowanie konwersji to ramy obliczeniowe, które szacują prawdopodobieństwo konwersji użytkowników, gdy bezpośrednie mechanizmy śledzenia są niedostępne lub niekompletne. Podejście to rozwiązuje problem utraty danych nieodłącznie związany z tradycyjnymi metodami śledzenia, takimi jak pliki cookie, zwłaszcza w przypadku użytkowników, którzy nie wyrażają zgody na zbieranie danych. Główną funkcją modelowania konwersji jest wypełnianie tych luk w danych poprzez wykorzystanie algorytmów uczenia maszynowego do wnioskowania o niezaobserwowanych zdarzeniach konwersji.

Metodologia obejmuje:

• Ocenę przyrostowego wpływu poszczególnych wizyt na stronie internetowej na podstawie danych behawioralnych odwiedzających.
• Analizę zaobserwowanych konwersji od użytkowników, którzy wyrazili zgodę, oraz trendów historycznych w celu przewidywania konwersji wśród użytkowników, którzy zgody nie wyrazili.
• Szacowanie wzorców zachowań użytkowników na ścieżkach interakcji ze stroną internetową, co pozwala na rekonstrukcję prawdopodobnych wyników konwersji.

W scenariuszach, w których aktywowany jest Consent Mode—co powoduje, że tagi Google działają bez danych z plików cookie—modelowanie konwersji staje się kluczowe. Consent Mode modyfikuje działanie tagów w celu poszanowania prywatności użytkowników, ale tworzy to nieciągłości w danych pomiarowych reklam. Modelowanie konwersji kompensuje te luki, stosując Google AI do obserwowalnych sygnałów i historycznych wzorców konwersji, łącząc w ten sposób interakcje z reklamami z faktycznymi konwersjami (Google, 2023).

Wdrożenie tych ram zazwyczaj wymaga integracji z certyfikowaną przez Google platformą do zarządzania zgodami (Consent Management Platform, CMP), aby zapewnić zgodność z przepisami i zmaksymalizować użyteczność danych.

Kluczowe wnioski:

• Modelowanie konwersji znacznie poprawia dokładność atrybucji konwersji w warunkach ograniczeń prywatności poprzez szacowanie konwersji, które są pomijane przez tradycyjne metody śledzenia.
• Modele uczenia maszynowego trenowane na danych użytkowników, którzy wyrazili zgodę, dostarczają solidnych prognoz dotyczących zachowań użytkowników, którzy zgody nie wyrazili.
• Metoda ta umożliwia reklamodawcom utrzymanie wierności pomiarów pomimo rosnących ograniczeń regulacyjnych dotyczących stosowania plików cookie i technologii śledzenia.