La modelización de conversiones con protección de la privacidad es una manera de colmar las lagunas del recorrido del cliente.
Con este proceso, se emplean las conversiones observadas para predecir conversiones no observadas sin identificar a ningún usuario.
| Conversiones observadas | Conversiones modelizadas |
|---|---|
|
Usan cookies y otros identificadores para vincular las interacciones con anuncios y las conversiones. |
Usan el aprendizaje automático para encontrar asociaciones entre interacciones con anuncios y conversiones, teniendo en cuenta los casos en los que no había cookies ni identificadores disponibles. |
Cuándo se incluyen las conversiones modelizadas en los informes
Las conversiones modelizadas se incluyen en el total de conversiones registradas solo cuando consideramos que hay una alta probabilidad de que un anuncio ha generado conversiones. Somos así de rigurosos para evitar que se registren sistemáticamente datos que no son reales. En los casos en los que no tenemos suficientes datos para crear estimaciones de confianza, no usamos la modelización de conversiones.
La validación por división del conjunto de datos, que es una práctica común de aprendizaje automático, permite que los modelos de Google sigan siendo precisos. La metodología de modelización se aplica a un subconjunto de conversiones observadas, para conocer la precisión del modelo comparando los resultados observados. Esta información se usa para perfeccionar los modelos.
Google lleva a cabo experimentos constantemente antes de implementar cambios en la modelización e informamos a los usuarios si detectamos un impacto significativo en los datos.
La modelización de conversiones funciona de la siguiente manera:
1. Las interacciones con anuncios se dividen en dos grupos
Un grupo está formado por interacciones con anuncios que tienen una conexión clara y observable con una conversión. El otro grupo contiene interacciones con anuncios que no tienen una conexión clara.
2. El grupo observado se divide en subgrupos
Las conversiones observadas se dividen en subgrupos según las características que comparten y se calculan las métricas clave de cada una. Por ejemplo, las conversiones observadas por la mañana en Francia tienen una tasa de conversión determinada, mientras que esta puede ser distinta por la tarde.
3. El grupo que no se ha observado se divide en esos mismos subgrupos
Esos subgrupos se usan para separar las interacciones con anuncios y las conversiones que no se han observado.
4. Las interacciones con anuncios y las conversiones que no se han observado se asocian
A partir de las tasas de conversión conocidas y otras características de los subgrupos observados, el aprendizaje automático asocia las interacciones con anuncios y las conversiones que no se han observado cuando detecta una coincidencia. Las conversiones observadas y las modelizadas se integran en tus datos de conversión para ayudarte a tomar decisiones fundamentadas acerca de los informes sobre el rendimiento de los anuncios. Además, se incluyen en la información sobre las pujas para obtener una visión imparcial del rendimiento. De esta forma, se mejora la optimización.
En la práctica, los cálculos que se hacen con los datos observados se basan en una serie de dimensiones, como la ubicación, la hora y el navegador. Esta información se combina con datos de APIs de plataformas, encuestas y paneles de usuarios para aumentar aún más precisión la modelización.
Estrategia centrada en la privacidad
Google no permite recoger huellas digitales ni intentar identificar a usuarios concretos de ninguna otra forma. En vez de eso, usamos datos agregados (como el historial de tasas de conversión, el tipo de dispositivo, la hora del día o la información geográfica, entre otros) para predecir la probabilidad de que los usuarios vean un anuncio o hagan clic en él.
