مشکل انتساب داده محور

در چه نقطه ای از دقت کافی متوقف می شود؟

در چند سال گذشته، بازاریابان دیجیتال شاهد بوده اند که تمامی پلتفرم های تبلیغاتی اصلی به تدریج اسناد مبتنی بر داده را در اندازه گیری تبدیل معرفی کرده اند. انگیزه این کار حفظ ردیابی عملکرد است، که برای پلتفرم‌ها بسیار مهم است که ارزش خود را در زمانی که روش‌های ردیابی سنتی به دلیل چارچوب ATT اپل و لغو کوکی‌های شخص ثالث از بین می‌روند، نشان دهند.

اما یک مشکل اساسی با اسناد مبتنی بر داده وجود دارد…

زمانی که ردیابی تبدیل مبتنی بر کوکی شروع به کاهش کرد، مشاغل با منابع فنی و پولی ردیابی سمت سرور را برای حفظ توانایی خود در اندازه گیری دقیق عملکرد پیاده سازی کردند. کسب‌وکارهایی که منابع فنی داخلی یا ابزاری برای پرداخت برای متخصصان تجزیه و تحلیل و داده ندارند، نمی‌توانند تغییرات فنی را در ردیابی اعمال کنند.

پلتفرم های تبلیغاتی داده های تبدیل نسبتاً دقیقی را از لحاظ تاریخی ارائه کرده اند

هم گوگل و هم متا می دانستند که تعداد زیادی از SMB ها منابع لازم برای راه اندازی ردیابی تبدیل پیشرفته را ندارند. به همین دلیل آنها شروع به استفاده از داده های مدل شده برای تخمین از دست رفته کردند. تبدیل های پیگیری نشده از لحاظ تاریخی، مدل‌سازی نرخ برای تخمین تبدیل‌های بین دستگاهی و از دست دادن تبدیل به دلیل اسکریپت‌های مسدود شده و برنامه‌های ردیابی/مسدود کردن تبلیغات استفاده می‌شود. این به طور منطقی دقیق بود زیرا تقریباً 90٪ از تبدیل ها به طور دقیق ردیابی شدند و مدل ها فقط باید شکاف را برای 10٪ از دست رفته پر کنند.

مدل‌سازی اسناد اکنون بر مجموعه داده‌های کوچک‌تر متکی است

بخش بعدی به آمارهای فنی بسیار خوبی می پردازد، اما درک آن برای بازاریابان مهم است. کار یک آبجوساز گینس به نام ویلیام اس. گوست، زمانی که منحنی های توزیع t را کشف کرد، مفهوم اهمیت آماری را الهام بخشید.

به عبارت ساده، هنگامی که آمار برای مجموعه داده های بزرگ اعمال می شود، نتایج قابل اعتمادتر هستند و نتایج مورد انتظار (مدل شده) با اعداد واقعی مطابقت دارند. در نمودار زیر، این با منحنی توزیع Z آبی نشان داده شده است، که به معنای نتایجی است که انحراف قابل توجهی ندارند. با این حال، زمانی که مدل‌های آماری بر روی مجموعه بسیار کوچکی از داده‌ها ساخته می‌شوند، کمتر قابل اعتماد هستند و اعداد واقعی می‌توانند به طور قابل‌توجهی از داده‌های مدل‌سازی شده منحرف شوند – همانطور که در منحنی توزیع t با حجم نمونه کوچک مشاهده می‌شود.

گرافیک از طریق دانشگاه کلمبیا.

همه ما با نمونه‌های واقعی این مورد در عمل آشنا هستیم – زمانی که تبلیغ‌کنندگان یک فروش گزارش شده را مشاهده می‌کنند، اما چنین چیزی وجود نداشته است. این می‌تواند به دلیل الگوریتم‌هایی باشد که تبدیل‌ها را مدل‌سازی می‌کنند و بر اساس داده‌ها و شرایطی پیش‌بینی می‌کنند که تحت آن کلیکی رخ می‌دهد که یک تبدیل باید رخ می‌داد.

هنگامی که حجم تبدیل واقعی ردیابی شده کاهش می یابد، به دلیل تغییرات ذکر شده در مدیریت حریم خصوصی و کوکی های شخص ثالث، گزارش تبدیل بیشتر بر اساس مدل سازی داده های ردیابی نشده خواهد بود. قابلیت اطمینان این اطلاعات به طور چشمگیری کاهش خواهد یافت.

چگونه می توان دقت داده های عملکرد را بهبود بخشید

برای بهینه‌سازی عملکرد کمپین، باید اتکای پلتفرم‌ها به مدل‌های انتساب داده‌محور را کاهش دهید و داده‌های قابل اعتمادتری را برای آن‌ها فراهم کنید. بهترین راه برای انجام این کار، ترکیب ردیابی رویداد سمت سرور با تطبیق مخاطبان پیشرفته است.

در مورد بهبود دقت داده های خود با ما صحبت کنید