개인 정보 보호 기반 전환 모델링은 고객 여정에서 알려지지 않은 정보의 공백을 메웁니다.
전환 모델링은 관찰된 전환을 사용해 어느 한 개인을 식별하지 않고도 관찰되지 않은 전환을 예측할 수 있습니다.
| 관찰된 전환 | 모델링된 전환 |
|---|---|
|
광고 상호작용과 전환을 서로 연결하는 데 쿠키 및 기타 식별자를 사용합니다. |
쿠키와 식별자 이용이 불가능한 경우를 고려하여 광고 상호작용과 전환 간 링크를 할당하는 데 머신러닝을 사용합니다. |
모델링된 전환이 내 보고에 포함되는 경우
모델링된 전환은 광고가 전환으로 이어졌다는 강한 확신이 있는 경우에만 총보고된 전환수에 포함됩니다. 이렇게 철저한 관리를 통해 체계적으로 과도한 보고 상황을 예방할 수 있습니다. 또한 Google에서는 확실하게 모델링할 수 있는 데이터가 충분하지 않으면 전환 모델링을 제공하지 않습니다.
홀드백 유효성 검사(머신러닝 권장사항)를 통해 Google 모델의 정확성이 유지됩니다. 모델의 정확성을 파악하기 위해 모델링 방법을 관찰된 전환의 하위 집합에 적용하여 관찰된 결과와 비교합니다. 여기서 얻은 정보를 사용해 모델을 세부적으로 조정합니다.
Google에서는 모델링에 어떤 변경사항을 적용하기 전에 지속적으로 실험을 진행합니다. 혹시 사용자의 데이터에 큰 영향을 준다는 사실이 발견되면 Google에서는 그 내용을 공유합니다.
다음에서 전환 모델링의 작동 방식 알아보기
1. 광고 상호작용은 두 그룹으로 나뉩니다
첫 번째 그룹에는 명확하고 관찰 가능한 전환 링크가 포함된 광고 상호작용이 있습니다. 두 번째 그룹에는 명확하고 관찰 가능한 전환 링크가 포함되지 않은 광고 상호작용이 있습니다.
2. 관찰된 그룹은 하위 그룹으로 나뉩니다
관찰된 전환은 공유된 특성에 따라 하위 그룹으로 나뉘며 주요 측정항목이 각 하위 그룹별로 계산됩니다. 예를 들어 아침에 프랑스에서 관찰된 전환에 일부 전환율이 포함된 것을 확인했지만, 저녁에 확인한 전환율은 이와 다를 수 있습니다.
3. 관찰되지 않은 그룹은 동일한 하위 그룹에 정렬됩니다
이 하위 그룹을 사용해 관찰되지 않은 광고 상호작용과 전환을 정렬합니다.
4. 관찰되지 않은 광고 상호작용과 전환을 연결합니다
머신러닝은 관찰된 하위 그룹의 알려진 전환율과 기타 특성을 사용해 관찰되지 않은 광고 상호작용 및 전환을 필요할 때 서로 연결합니다. 관찰된 전환과 모델링된 전환이 전환 데이터에 통합되고 나면 충분한 정보에 입각해 광고 실적 보고서에 대한 결정을 내릴 수 있으며, 이를 입찰에 반영해 어느 쪽에도 치우치지 않은 관점에서 실적을 제공받을 수 있습니다. 이렇게 하면 최적화를 개선할 수 있습니다.
실제로 관찰된 데이터를 계산할 때 다양한 측정기준을 기반으로 합니다(예: 위치, 시간, 브라우저 등). 이러한 측정기준을 플랫폼 API, 설문조사, 사용자 패널의 데이터와 결합하여 모델링을 더욱 상세하게 조정합니다.
개인 정보 보호 중심 접근 방식
Google은 디지털 지문 수집을 허용하지 않으며 개별 사용자를 식별하려는 기타 수집 활동도 허용하지 않습니다. 대신 Google에서는 광고를 보거나 클릭한 사용자의 전환 가능성을 예측하는 데 합산 데이터(예: 과거 전환율, 기기 유형, 시간, 지역 등)를 사용합니다.
추가 리소스
- 전환 모델링 및 측정 데이터에 대해 자세히 알아보기
- Google Ads의 전환 모델링 관련 기본 사항 시청하기
- 전환 모델링이 새 측정 데이터 소스를 사용해 마케팅 효과를 개선하는 방법 자세히 알아보기
- 전환 모델링 원칙 시청하기
