Cztery rodzaje liczb w raporcie konwersji: policzone, modelowane, prognozowane i szacowane z przedziałem

Raport konwersji może łączyć zarejestrowane zdarzenia, oszacowania brakujących obserwacji, prognozy i oszacowania z przedziałem niepewności. To cztery użyteczne perspektywy raportowania, a nie cztery rozłączne kategorie statystyczne. Prognoza także powstaje z modelu, a przedział może towarzyszyć zarówno oszacowaniu przeszłości, jak i przyszłości.

Liczba staje się zrozumiała po określeniu mierzonej lub szacowanej wielkości, populacji, okresu, reguł obliczania i daty pobrania. Sam wygląd kolumny nie udziela tych informacji.

Policzone: zarejestrowane według określonych reguł

Zarejestrowane zdarzenie potwierdza odbiór przez system pomiarowy, ale nie dowodzi kompletnego i jednokrotnego ujęcia każdej rzeczywistej konwersji. Duplikaty, luki w pomiarze i definicja konwersji nadal mają znaczenie. Google Ads rozróżnia na przykład zliczanie każdej konwersji oraz jednej konwersji na interakcję z reklamą dla danego działania powodującego konwersję.

Liczby mogą zmieniać się wskutek opóźnionego przetwarzania i korekt. Google Ads odróżnia wycofanie konwersji wpływające na liczbę od aktualizacji wartości. Zamknięcie okna atrybucji nie czyni każdej opublikowanej liczby trwale niezmienną. Odtwarzalność wymaga zachowanego stanu danych, zapytania, konfiguracji i definicji.

Liczby z rozłącznych okresów można dodawać przy zgodnych regułach i podstawie datowania. Unikalnych osób nie można po prostu sumować między miesiącami, jeżeli ta sama osoba występuje w obu. Łączenie wskaźników procentowych wymaga liczników i mianowników, a nie dodawania wyświetlonych procentów.

Modelowane: oszacowanie niepełnej obserwacji

Consent Mode może wspierać różne rodzaje modelowania. Modelowanie zachowań w GA4 szacuje zachowanie przy braku trwałych identyfikatorów na podstawie podobnych obserwowanych grup. Modelowanie konwersji stanowi inne zastosowanie modeli; progi kwalifikacji dla modelowania zachowań nie są automatycznie progami dla konwersji.

W GA4 modelowanie zachowań i prezentacja zależą od kwalifikacji oraz tożsamości raportowania. Ikona jakości danych i komunikaty na niektórych stronach informują o uwzględnieniu, wykluczeniu lub niedostępności szacowanych danych użytkowników. Raport może łączyć obserwacje i oszacowania bez podawania osobnego modelowanego składnika w każdym wierszu. Nie oznacza to jednak całkowitego braku informacji.

Eksport zdarzeń GA4 do BigQuery nie zawiera modelowanych danych GA4. To ograniczenie tego eksportu, a nie BigQuery jako systemu przechowywania: wyniki innych modeli mogą być tam zapisane. Rozbieżność z interfejsem również nie dowodzi modelowania. Przyczyną mogą być strefy czasowe, poziom metryki, filtry, kompletność eksportu, etap przetwarzania i metoda obliczeń.

Prognozowane: określony cel w przyszłości

Prognoza szacuje przyszły wynik na podstawie informacji dostępnych w danej chwili. Google opisuje Qualified Future Conversions (QFC) jako sygnał łączący ekspozycję na reklamę i późniejsze wczesne działania, takie jak wyszukiwania marki, z oczekiwanymi przyszłymi konwersjami. Opublikowany przegląd rozwiązań do pozyskiwania leadów podaje horyzont do sześciu miesięcy.

Przed użyciem potrzebne jest potwierdzenie konkretnej metryki konta, horyzontu, dostępności i definicji raportowania. Ogólna zapowiedź nie potwierdza identycznych kolumn ani aktualnego statusu pilotażu na każdym koncie. Prognoza wszystkich wyników różni się od prognozy wyników jeszcze oczekiwanych. Bezwarunkowe dodawanie do zarejestrowanych konwersji grozi podwójnym liczeniem.

Ocena prognozy jest możliwa po zakończeniu okresu docelowego z uwzględnieniem opóźnień raportowania. Potrzebny jest pierwotny zapis prognozy, grupa przypadków objętych prognozą (kohorta), data docelowa i reguła oceny. Późniejsza wartość w tej samej kolumnie może być już zaktualizowaną prognozą. Brak obserwacji późniejszych wyników ogranicza również weryfikację; prognoza atrybucyjna nie dowodzi automatycznie przyczynowego wpływu reklamy.

Szacowane z przedziałem: niepewność wymaga definicji

Model marketing mix może szacować przyrostowy wkład i podawać wartość centralną wraz z przedziałem. Typ i poziom przedziału należą do opisu liczby. Dla bayesowskiego przedziału wiarygodności 90% model przypisuje szacowanej wielkości prawdopodobieństwo 90% znalezienia się w tym przedziale. Podstawą są zaobserwowane dane połączone z wcześniejszymi założeniami. Częstościowa procedura wyznaczania przedziałów ufności 90% ma inne znaczenie: przy wielokrotnym pobieraniu prób około 90% obliczonych przedziałów zawierałoby stałą prawdziwą wartość, o ile spełnione są założenia metody. Przedział predykcji dotyczy przyszłej obserwacji, a nie tylko parametru modelu.

Żaden przedział nie uwzględnia automatycznie wszystkich źródeł błędu. Pominięte czynniki, wadliwy pomiar lub nieodpowiedni model mogą sprawić, że nawet wąski zakres będzie mylący. Google Meridian zaleca dlatego ocenę założeń i wyników modelu, a nie tylko trafności prognoz. Przedział dostarcza ważnej informacji, ale nie stanowi automatycznego certyfikatu jakości.

Co można dodawać?

Oczekiwane liczby dla zgodnych, rozłącznych grup można sumować, również przy modelowaniu lub prognozowaniu. Dla wartości oczekiwanych równość E(A+B)=E(A)+E(B) nie wymaga niezależności. Nie uzasadnia to dodawania nakładających się konwersji atrybucyjnych, różnych wielkości docelowych, ilorazów ani niezgodnych prognoz.

Niepewność zależy także od tego, które wartości mogą występować razem. Opisuje to rozkład łączny. Kwantyle i granice przedziałów na ogół nie są addytywne. Uproszczony przykład zawiera cztery jednakowo ważone wspólne scenariusze: kanał A ma wartości 80, 90, 110, 120, a kanał B 120, 110, 90, 80. Każda suma pary wynosi 200. Dodanie osobnych minimów i maksimów daje 160–240, co nie jest zakresem sum par. To ilustracja zależności, a nie dopasowany model marketingowy ani przedział wiarygodności.

Dla próbek z rozkładu a posteriori zgodne wyniki są najpierw sumowane w ramach każdego wspólnego losowania. Dopiero z tych sum wyznaczany jest przedział. Niezależne przestawienie próbek kanałów niszczy zależność. Wspólny model określa też, czy wkłady w ogóle mają definicję addytywną.