Noiselab

透過集合功能整理內容 你可以依據偏好儲存及分類內容。

在 Noise Lab 中試用

1. 切換至進階模式。
2. 在「參數」側邊面板中，找出「您的轉換資料」。
3. 觀察預設參數。根據預設，每日歸因轉換總數為 1000。如果您使用預設設定 (預設維度、每個維度的預設可能不同值數量、主要策略 A)，平均每個值區的平均值約為 40。請注意，輸入的值為每個漏斗階段的平均每日歸因轉換次數為 40。
4. 按一下「模擬」即可使用預設參數執行模擬。
5. 在「參數」側邊面板中，尋找「維度」。將「地理區域」重新命名為「城市」，並將可能的不同值數量變更為 50。
6. 觀察這項變更對每個漏斗階段的平均每日歸因轉換次數有何影響。目前的數字已大幅降低。這是因為如果您在這個維度中增加可能值的數量，而其他部分不變，就會增加分桶總數，但不會改變每個分桶的轉換事件數量。
7. 按一下「模擬」。
8. 觀察模擬結果的雜訊比率：雜訊比率現在高於先前的模擬結果。

在 Noise Lab 中試用

在簡易模式中，系統會使用預設的鍵結構。在進階模式中，您可以嘗試使用不同的鍵結構。系統會提供一些範例維度，您也可以自行修改。

1. 切換至進階模式。
2. 在「參數」側邊面板中，找出「關鍵字策略」。請注意，在工具中名為 A 的預設策略使用了一個精細的鍵結構，其中包含所有維度：地理位置 x 廣告活動 ID x 產品類別。
3. 按一下「模擬」。
4. 觀察模擬結果的雜訊比率。
5. 將「重點」策略變更為 B。這會顯示其他控制項，讓您設定鍵結構。
6. 設定鍵結構，例如：
   1. 關鍵結構體數量：2
   2. 重點結構 1 = 地理位置 x 產品類別。
   3. 關鍵結構 2 = 廣告活動 ID x 產品類別。
7. 按一下「模擬」。
8. 請注意，由於您使用了兩個不同的鍵結構，因此現在每個評估目標類型都會產生兩份摘要報表 (兩份購買次數報表、兩份購買價值報表)。觀察噪音比率。
9. 您也可以嘗試使用自己的自訂維度。如要這麼做，請找出您要追蹤的資料：維度。建議您移除範例維度，然後使用最後一個維度下方的「新增/移除/重設」按鈕建立自己的維度。

在 Noise Lab 中試用

1. 切換至簡易模式 (或進階模式，兩者在批次頻率方面運作方式相同)
2. 在「參數」側邊面板中，找出「匯總策略」>「批次處理頻率」。這指的是匯總服務在單一工作中處理可匯總報表的批次頻率。
3. 觀察預設的批次處理頻率：系統預設會模擬每日批次處理頻率。
4. 按一下「模擬」。
5. 觀察模擬結果的雜訊比率。
6. 將批次處理頻率變更為每週。
7. 觀察模擬結果的雜訊比率：雜訊比率現在比先前的模擬結果低 (較佳)。

在 Noise Lab 中試用

雖然這項數據難以預測，且除了季節性因素外，也可能出現大幅變化，但請嘗試估算每日單一接觸歸因轉換次數，並以 10 的倍數 (10、100、1,000 或 10,000) 為單位。

1. 切換至進階模式。
2. 在「參數」側邊面板中，找出「您的轉換資料」。
3. 觀察預設參數。根據預設，每日歸因轉換總數為 1000。如果您使用預設設定 (預設維度、每個維度的預設可能不同值數量、主要策略 A)，平均每個值區的平均值約為 40。請注意，輸入的值為每個漏斗階段的平均每日歸因轉換次數為 40。
4. 按一下「模擬」即可使用預設參數執行模擬。
5. 觀察模擬結果的雜訊比率。
6. 現在將每日歸因轉換次數總數設為 100。請注意，這會降低每個漏斗階段的平均每日歸因轉換次數。
7. 按一下「模擬」。
8. 請注意，雜訊比率現在較高：這是因為每個分層的轉換次數較少，因此系統會套用更多雜訊來維護隱私權。

在 Noise Lab 中試用

1. 切換至進階模式。
2. 在「參數」側邊面板中，依序點選「匯總策略」>「縮放」。預設為「是」。
3. 為了瞭解縮放對雜訊比率的正面影響，請先將「縮放」設為「否」。
4. 按一下「模擬」。
5. 觀察模擬結果的雜訊比率。
6. 將「縮放」設為「是」。請注意，Noise Lab 會根據情境的評估目標範圍 (平均值和最大值)，自動計算要使用的縮放比例係數。在實際系統或原始測試設定中，您需要自行計算縮放因子。
7. 按一下「模擬」。
8. 請注意，在第二次模擬中，雜訊比率現在較低 (較佳)。這是因為您使用了調整資源配置功能。

在 Noise Lab 中試用

評估目標是指在轉換事件中收集的獨立資料點。

1. 切換至進階模式。
2. 在「參數」側邊面板中，找出要追蹤的資料： 評估目標。預設情況下，您有兩個評估目標：購買價值和購買次數。
3. 按一下「模擬」，即可使用預設目標執行模擬。
4. 按一下「移除」。這麼做會移除最後一個評估目標 (在這種情況下為購買次數)。
5. 按一下「模擬」。
6. 請注意，在第二次模擬中，購買價值的雜訊比率現在較低 (較佳)。這是因為您有較少的評估目標，因此單一評估目標現在會獲得所有貢獻預算。
7. 按一下「重設」。您現在又有兩個評估目標：購物價值和購買次數。請注意，Noise Lab 會根據情境的評估目標範圍 (平均值和最大值)，自動計算要使用的縮放比例係數。根據預設，Noise Lab 會將預算平均分配給評估目標。
8. 按一下「模擬」。
9. 觀察模擬結果的雜訊比率。請注意模擬畫面上顯示的縮放比例係數。
10. 接下來，我們來自訂隱私權預算分配，以便提升信號雜訊比。
11. 調整為每個評估目標指派的預算百分比。以預設參數而言，評估目標 1 (即購買價值) 的範圍 (介於 0 和 1000 之間) 比評估目標 2 (即購買次數，介於 1 和 1 之間，即一律等於 1) 廣泛得多。因此，它需要「更多空間來擴大規模」：理想情況下，您應將較多的貢獻預算指派給「成效評估目標 1」，而非「成效評估目標 2」，這樣才能更有效率地擴大規模 (請參閱「擴大規模」)，進而
12. 將 70% 的預算指派給評估目標 1。將 30% 指派給評估目標 2。
13. 按一下「模擬」。
14. 觀察模擬結果的雜訊比率。就購買價值而言，雜訊比率現在明顯低於 (優於) 先前的模擬結果。購買次數方面，則幾乎沒有變化。
15. 請持續調整各指標的預算分配比例。觀察這對雜訊的影響。

請注意，您可以使用「新增」、「移除」和「重設」按鈕設定自訂評估目標。

在 Noise Lab 中試用

評估目標是指在轉換事件中收集的獨立資料點。

1. 切換至進階模式。
2. 在「參數」側邊面板中，依序點選「匯入策略」>「縮放」。
3. 確認「縮放」已設為「是」。請注意，Noise Lab 會根據您為評估目標指定的範圍 (平均值和最大值)，自動計算要使用的縮放比例係數。
4. 假設有史以來最大的交易金額為 $2000 美元，但大多數交易金額介於 $10 至 $120 美元之間。首先，我們來看看使用文字比例縮放方法 (不建議使用) 會發生什麼事：請輸入 $2000 做為 purchaseValue 的最大值。
5. 按一下「模擬」。
6. 請注意雜訊比率很高。這是因為我們的縮放係數目前是根據 $2, 000 美元計算，但實際上，大多數的購買金額都會低於這個值。
7. 接下來，我們來使用更務實的擴充方法。將最高購買金額變更為 $120 美元。
8. 按一下「模擬」。
9. 請注意，在第二次模擬中，雜訊比率較低 (較佳)。

Noise Lab 快速導覽

Noise Lab 可協助您快速評估及比較雜訊管理策略。其用途如下：

• 瞭解可能影響雜訊的主要參數，以及這些參數的影響。
• 模擬不同設計決策對輸出量測資料的雜訊影響。調整設計參數，直到達到適合用途的信噪比為止。
• 請分享您對摘要報表實用性的意見：哪些 epsilon 和雜訊參數值對您有用，哪些沒有用？反曲點在哪裡？

這就像是準備步驟，雜訊研究室會產生評估資料，根據您的輸入內容模擬摘要報表輸出內容。不會儲存或分享任何資料。

Noise Lab 有兩種模式：

1. 簡易模式：瞭解噪音控制項的基本功能。
2. 進階模式：測試不同的雜訊管理策略，並評估哪一種策略可為您的用途帶來最佳信號雜訊比。

按一下頂端選單中的按鈕，即可在兩種模式之間切換 (#1. 在下方螢幕截圖中)。

簡易模式

• 在簡易模式中，您可以控制參數 (位於左側或下方螢幕截圖中的 #2.)，例如 Epsilon，並查看這些參數對雜訊的影響。
• 每個參數都有工具提示 (「?」按鈕)。點選這些項目即可查看各項參數的說明 (下方螢幕截圖中的#3.)
• 首先，請按一下「模擬」按鈕，觀察輸出內容的樣貌 (下方螢幕截圖中的#4.)
• 在「Output」部分，您可以看到各種詳細資料。部分元素旁邊會顯示「?」符號。請花點時間按一下每個「?」圖示，查看各種資訊的說明。
• 如要查看展開後的表格，請在「輸出」部分按一下「詳細資料」切換按鈕 (請參閱下方螢幕截圖中的#5.)
• 在輸出區段的每個資料表下方，都有一個選項可下載表格以供離線使用。此外，右下角還有一個選項可下載所有資料表 (下方螢幕截圖中的#6.)
• 在「參數」部分測試參數的不同設定，然後按一下「模擬」，查看這些設定對輸出內容的影響：

  

進階模式

• 在進階模式中，您可以進一步控管參數。您可以新增自訂評估目標和維度 (請參閱下方螢幕截圖中的 1. 和 2.)
• 向下捲動至「參數」部分，即可查看「重點策略」選項。可用於測試不同的鍵結構 (下方螢幕截圖中的#3.)
  • 如要測試不同的鍵結構，請將鍵策略切換為「B」
  • 輸入要使用的不同鍵結構數量 (預設為「2」)
  • 按一下「產生鍵結構體」
  • 您會看到指定索引鍵結構的選項，只要按一下每個索引鍵結構中要納入的索引鍵旁邊的核取方塊即可。
  • 按一下「模擬」即可查看輸出內容。

    

    

噪音指標

核心概念

加入雜訊可保護個別使用者的隱私。

雜訊值越高，就表示分桶/鍵越稀疏，且包含來自少數敏感事件的貢獻。這項作業會由雜訊實驗室自動執行，讓使用者能夠「隱身於人群中」，換句話說，就是透過大量雜訊保護這些使用者的隱私權。

低雜訊值表示資料設定已設計成可讓個人「隱身於人群中」。也就是說，這些區塊包含來自足夠數量事件的貢獻，可確保個別使用者的隱私權。

這項敘述適用於平均百分比誤差 (APE) 和 RMSRE_T (含門檻的均方根相對誤差)。

APE (平均百分比誤差)

APE 是雜訊與信號的比率，也就是實際的摘要值。p> APE 值越低，信號雜訊比就越好。

公式

針對特定摘要報表，APE 的計算方式如下：

True 是實際的摘要值。APE 是每個實際值的雜訊平均值，也就是摘要報表中所有項目的平均值。在 Noise Lab 中，這會乘以 100 取得百分比。

優缺點

較小的桶對 APE 的最終值影響較大。這可能會在評估噪音時造成誤導。因此，我們新增了 RMSRE_T 這項指標，用來減輕 APE 的這項限制。詳情請參閱示例。

程式碼

查看 原始碼，瞭解如何計算 APE。

RMSRE_T (含閾值的均方根相對誤差)

RMSRE_T (含門檻的均方根相對誤差) 是另一種雜訊評估指標。

如何解讀 RMSRE_T

RMSRE_T 值越低，信噪比就越好。
舉例來說，如果您的使用情境可接受的雜訊比率為 20%，而 RMSRE_T 為 0.2，您可以放心，雜訊等級會落在可接受的範圍內。

公式

對於特定摘要報表，RMSRE_T 的計算方式如下：

優缺點

相較於 APE，RMSRE_T 的概念較為複雜。不過，在某些情況下，由於 APE 有幾項優點，因此比起 APE，更適合用於分析摘要報表中的雜訊：

• RMSRE_T 更穩定。「T」是閾值。「T」是用於 RMSRE_T 計算中，為轉換次數較少的桶賦予較低權重，因為這些桶因規模較小，因此對雜訊較為敏感。使用 T 時，指標不會在轉換次數較少的桶中出現尖峰。如果 T 等於 5，則在轉換次數為 0 的值區中，雜訊值即使只有 1，也不會顯示為超過 1。相反地，由於 T 等於 5，因此會設為 0.2，等同於 1/5。由於較小的桶子對雜訊較為敏感，因此我們會降低其權重，讓這個指標更穩定，方便比較兩個模擬資料。
• RMSRE_T 可讓您輕鬆匯總資料。只要知道多個區塊的 RMSRE_T 和實際計數，就能計算 RMSRE_T 的總和。這也能讓您針對這些組合值最佳化 RMSRE_T。

雖然 APE 可進行匯總，但公式相當複雜，因為涉及拉普拉斯雜訊的絕對值總和。這會導致 APE 更難進行最佳化。

程式碼

請查看 RMSRE_T 計算的原始碼。

範例

摘要報表包含三個分類：

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = noise: 20, trueSummaryValue: 200

APE = (0.1 + 0.2 + 0.1) / 3 = 13%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,200))^2) / 3) =  sqrt( (0.01 + 0.04 + 0.01) / 3) =  0.14 

摘要報表包含三個分類：

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = noise: 20, trueSummaryValue: 20

APE = (0.1 + 0.2 + 1) / 3 = 43%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,20))^2) / 3)  =  sqrt( (0.01 + 0.04 + 1.0) / 3) =  0.59

摘要報表包含三個分類：

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = noise: 20, trueSummaryValue: 100
• bucket_3 = noise: 20, trueSummaryValue: 0

APE = (0.1 + 0.2 + Infinity) / 3 = Infinity

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2  +
(20/max(5,0))^2) / 3) =  sqrt( (0.01 + 0.04 + 16.0) / 3) =  2.31

進階金鑰管理

DSP 或廣告評估公司可能擁有數千名全球廣告客戶，涵蓋多個產業、貨幣和購買價格潛力。也就是說，為每位廣告客戶建立及管理一個匯總鍵可能不切實際。此外，要選出可匯總的最大值和匯總預算，以限制這些全球數千名廣告主的雜訊影響，將是一大挑戰。請參考下列情境：

主要策略 A

廣告技術供應商決定為所有廣告客戶建立及管理一個金鑰。在所有廣告主和所有幣別中，購買次數的範圍從低量高價購買到高量低價購買不等。這會產生下列鍵：

重點策略 B

廣告技術供應商決定為所有廣告客戶建立及管理兩個金鑰。他們決定依幣別分隔鍵。在所有廣告客戶和所有幣別中，購買次數範圍從低量高價購買到高量低價購買皆有。他們根據貨幣建立 2 個鍵：

由於各國貨幣的值並非平均分配，因此關鍵策略 B 的結果雜訊會比關鍵策略 A 少。舉例來說，請想想以日圓和美元計價的購買交易混合後，會如何影響基礎資料，並導致輸出結果出現雜訊。

關鍵策略 C

廣告技術供應商決定為所有廣告客戶建立及管理四個鍵，並依照「貨幣 x 廣告客戶產業」分開：

由於廣告客戶購買價值並未平均分配給廣告客戶，因此重點策略 C 的結果雜訊會比重點策略 B 少。舉例來說，如果高級珠寶與棒球帽的購買交易混在一起，就會改變基礎資料，並導致雜訊輸出。

建議您為多位廣告主共用的項目建立共用最大匯總值和共用縮放因子，以減少輸出內容中的雜訊。舉例來說，您可以為廣告客戶測試下列不同的策略：

• 一個策略，以貨幣 (美元、日圓、加幣等) 區隔
• 依廣告主產業 (保險、汽車、零售等) 區分出價策略
• 一個策略，以相似的購買價值範圍區隔 ([100]、[1000]、[10000] 等)

您可以根據廣告主的共同點，制定重要策略，方便管理鍵和對應的程式碼，並提高信號雜訊比。嘗試使用不同的策略，並找出在最大化噪音影響力與程式碼管理之間的轉折點。

進階異常值管理

以下列舉兩個廣告主的情境：

• 廣告主 A：
  • 在廣告主 A 網站上的所有產品中，購買價格可能介於 [$120 - $1,000] 之間，範圍為 $880 美元。
  • 購買價格平均分布在 $880 美元範圍內，且沒有離群值超出購買價格中位數的兩個標準差。
• 廣告主 B：
  • 在廣告主 B 網站上的所有產品中，購買價格可能介於 [$120 - $1,000] 之間，範圍為 $880 美元。
  • 購買價格偏向 $120 至 $500 美元，只有 5% 的購買價格介於 $500 至 $1,000 美元。

考量貢獻預算要求和雜訊應用於最終結果的做法，廣告主 B 的輸出結果預設會比廣告主 A 更雜訊，因為廣告主 B 有較高的異常值可能會影響基礎計算。

您可以透過特定的鍵設定來緩解這個問題。測試有助於管理異常值資料的關鍵策略，並在關鍵字的購買範圍內更平均地分配購買值。

針對廣告客戶 B，您可以建立兩個獨立的鍵，擷取兩個不同的購買價值範圍。在本範例中，廣告技術發現有異常值出現在 500 美元以上的購買價值。請嘗試為這個廣告主實作兩個個別的鍵：

• 鍵結構 1：只擷取 120 至 500 美元之間的購買交易 (涵蓋總購買量約 95%)。
• 索引結構 2：只擷取購買金額超過 $500 的索引 (涵蓋約 5% 的總購買量)。

實施這項重要策略後，廣告客戶 B 應可更妥善地管理雜訊，並從摘要報表中盡量發揮效益。由於範圍縮小，Key A 和 Key B 在各個鍵中分佈的資料應比先前的單一鍵更為均勻。這會導致每個鍵的輸出噪音影響程度低於先前的單一鍵。