Masalah Jurang Data

Peraturan privasi telah mewujudkan jurang pengukuran untuk pengiklan digital. Di Kawasan Ekonomi Eropah (EEA), kadar keizinan kuki biasanya berada antara 50 hingga 70 peratus, yang bermaksud 30 hingga 50 peratus sesi laman web menjana data penukaran yang terhad atau tiada langsung. Bagi pengiklan yang bergantung pada Google Ads, jurang ini memberi kesan secara langsung kepada pengoptimuman kempen, penyasaran audiens dan pengiraan pulangan perbelanjaan iklan (return-on-ad-spend).

Respons Google terhadap cabaran ini ialah conversion modelling — pendekatan pembelajaran mesin yang menggunakan data yang diperhati daripada pengguna yang memberikan keizinan untuk menganggar penukaran daripada sesi tanpa keizinan. Apabila dilaksanakan melalui Consent Mode V2, pemodelan ini boleh memulihkan sebahagian besar data penukaran yang hilang sambil mengekalkan pematuhan penuh terhadap peraturan.

Apakah Sebenarnya Conversion Modelling

Conversion modelling bukan kerja meneka dan bukan juga sekadar ekstrapolasi mudah. Ia ialah sistem pembelajaran mesin yang menganalisis corak tingkah laku daripada pengguna yang memberi keizinan kepada kuki dan menggunakan corak tersebut untuk meramalkan kemungkinan tingkah laku pengguna yang tidak memberi keizinan.

Model ini mengambil kira isyarat seperti:

• Masa dalam sehari dan hari dalam minggu — kadar penukaran berbeza mengikut masa, dan corak ini terpakai kepada pengguna yang memberi dan tidak memberi keizinan.
• Jenis peranti dan pelayar — tingkah laku penukaran berbeza antara mudah alih dan desktop, serta antara jenis pelayar.
• Wilayah geografi — kadar penukaran berbeza mengikut lokasi, dan ini kekal benar tanpa mengira status keizinan.
• Kandungan halaman dan corak navigasi — halaman yang dilihat pengguna dan susunannya boleh meramalkan kebarangkalian penukaran.
• Sumber rujukan — saluran yang membawa pengguna ke laman adalah peramal yang kuat bagi niat penukaran.

Dengan menggabungkan isyarat-isyarat ini, model Google boleh menganggar bilangan penukaran dengan ketepatan yang munasabah, memberikan pengiklan gambaran yang lebih lengkap tentang prestasi kempen.

Cara Cookieless Ping Berfungsi

Asas conversion modelling ialah cookieless ping — permintaan HTTP ringan yang dihantar ke pelayan Google apabila pengguna menolak keizinan. Memahami apa yang terkandung dalam ping ini (dan apa yang tidak) adalah penting untuk pelaksanaan teknikal dan pematuhan privasi.

Cookieless ping merangkumi:

• Keadaan keizinan: Maklumat jelas bahawa pengguna telah menolak analytics_storage, ad_storage, atau kedua-duanya.
• URL halaman: Halaman yang sedang dilihat pengguna.
• Cap masa: Masa peristiwa berlaku.
• User agent: Maklumat pelayar dan peranti (tidak cukup unik untuk mengenal pasti individu).
• Maklumat fungsian: Sama ada interaksi halaman ialah paparan halaman, skrol, klik atau penyerahan borang.

Cookieless ping secara jelas tidak merangkumi:

• Mana-mana pengecam kuki (_ga, _gid, atau yang lain).
• Mana-mana maklumat penjejakan rentas laman.
• Mana-mana maklumat pengenalan peribadi.
• Alamat IP pengguna dalam bentuk yang boleh digunakan untuk pengenalpastian (ia hanya digunakan untuk geolokasi kasar dan kemudian dibuang).

Ping ini memberikan Google maklumat kontekstual yang mencukupi untuk dimasukkan ke dalam model penukaran tanpa menjejaskan privasi pengguna secara individu.

Advanced Mode vs Basic Mode: Pilihan yang Kritikal

Consent Mode V2 menawarkan dua tahap pelaksanaan, dan perbezaan antara keduanya amat besar dari segi pemulihan data:

Basic mode tidak menghantar sebarang data kepada Google sehingga pengguna memberikan keizinan. Ia ialah pelaksanaan paling mudah — pada asasnya hanya menyekat tag Google sehingga keizinan diberikan. Kelebihannya ialah kesederhanaan maksimum; kelemahannya ialah tiada pemulihan data langsung daripada sesi tanpa keizinan. Tiada cookieless ping bermakna tiada input untuk pemodelan.

Advanced mode menghantar cookieless ping untuk sesi tanpa keizinan sambil menghormati sepenuhnya keputusan keizinan pengguna dengan tidak menetapkan sebarang kuki atau mengumpul sebarang pengecam peribadi. Inilah yang membolehkan conversion modelling. Google mengesyorkan Advanced mode dan mewajibkannya untuk pematuhan penuh Consent Mode V2.

Pilihan antara mod ini memberi kesan langsung dan boleh diukur kepada data anda. Laman dengan kadar keizinan 60 peratus yang menggunakan Basic mode hanya melihat 60 peratus data penukarannya. Laman yang sama menggunakan Advanced mode berpotensi melihat 80 hingga 90 peratus penukaran yang dianggar melalui gabungan data yang diperhati (dengan keizinan) dan dimodelkan (tanpa keizinan).

Ambang Pengaktifan: Bila Pemodelan Bermula

Conversion modelling tidak diaktifkan secara automatik untuk setiap laman web. Google memerlukan volum data minimum untuk memastikan model adalah boleh dipercayai secara statistik. Ambang utama ialah:

• Conversion modelling Google Ads: Kira-kira 1,000 klik iklan sehari selama sekurang-kurangnya 7 hari berturut-turut. Di bawah ambang ini, tiada data penukaran dengan keizinan yang mencukupi untuk model belajar dengan boleh dipercayai.
• GA4 behavioural modelling: Ambang lebih rendah, tetapi Google masih memerlukan minimum 1,000 peristiwa sehari dengan keizinan diberikan untuk setiap jenis peristiwa yang dimodelkan.
• Keperluan konsistensi: Ambang ini mesti dipenuhi secara konsisten. Lonjakan trafik sesekali yang diikuti tempoh sunyi tidak akan mengaktifkan pemodelan.

Bagi laman web yang tidak memenuhi ambang ini, conversion modelling akan dipaparkan sebagai tidak tersedia dalam akaun Google Ads anda. Ini adalah kekecewaan biasa bagi pengiklan kecil dan sederhana, tetapi ia mencerminkan had statistik sebenar — model yang dilatih dengan data terlalu sedikit akan menghasilkan anggaran yang tidak boleh dipercayai.

Berapa Banyak Data yang Sebenarnya Boleh Anda Pulihkan?

Data yang diterbitkan Google dan kajian bebas menunjukkan bahawa conversion modelling melalui Consent Mode V2 Advanced mode boleh memulihkan 50 hingga 70 peratus penukaran yang sebaliknya akan hilang akibat penolakan keizinan. Kadar pemulihan sebenar bergantung pada beberapa faktor:

• Kadar keizinan: Laman dengan kadar keizinan lebih tinggi menyediakan lebih banyak data latihan untuk model, meningkatkan ketepatannya bagi segmen tanpa keizinan.
• Volum trafik: Trafik yang lebih tinggi bermakna lebih banyak isyarat dan prestasi model yang lebih baik.
• Jenis penukaran: Penukaran mudah dan volum tinggi (seperti matlamat berasaskan paparan halaman) lebih mudah dimodelkan berbanding penukaran kompleks dan volum rendah (seperti penyerahan prospek perusahaan).
• Kepelbagaian tingkah laku pengguna: Jika pengguna dengan dan tanpa keizinan berkelakuan sangat berbeza, tugas model menjadi lebih sukar. Dalam praktiknya, perbezaan tingkah laku utama biasanya hanyalah keputusan keizinan itu sendiri, jadi model berfungsi dengan agak baik.

Secara praktikal: laman dengan kadar keizinan 60 peratus yang kehilangan 40 peratus data penukarannya boleh menjangka untuk memulihkan kira-kira 20 hingga 28 mata peratusan melalui pemodelan, menjadikan jumlah penukaran diperhati + dimodelkan kepada kira-kira 80 hingga 88 peratus daripada jumlah sebenar.

Kesan ke atas Smart Bidding dan ROAS

Conversion modelling bukan hanya tentang ketepatan pelaporan — ia memberi kesan secara langsung kepada strategi bidaan automatik. Algoritma Smart Bidding Google Ads (Target CPA, Target ROAS, Maximise Conversions) menggunakan data penukaran sebagai isyarat latihan utama. Apabila data penukaran tidak lengkap akibat jurang keizinan, algoritma ini membuat keputusan bidaan yang kurang optimum.

Tanpa pemodelan, Smart Bidding melihat lebih sedikit penukaran daripada yang sebenarnya berlaku dan mungkin:

• Kurang membida pada kata kunci bernilai tinggi, lalu kehilangan bahagian tontonan kepada pesaing.
• Salah mengatribusi prestasi merentasi kempen, mengalihkan bajet daripada kempen berkesan yang kebetulan mempunyai kadar penolakan keizinan lebih tinggi.
• Melaporkan ROAS yang terlalu rendah, yang berpotensi membawa kepada pemotongan bajet bagi kempen yang sebenarnya menguntungkan.

Dengan conversion modelling aktif, Smart Bidding menerima gambaran yang lebih lengkap tentang volum penukaran sebenar, membolehkannya membida dengan lebih agresif apabila wajar dan memperuntukkan bajet dengan lebih berkesan merentasi kempen.

Mengapa Ini Penting untuk Pengiklan Sekarang

Google telah menjadikan Consent Mode V2 sebagai keperluan untuk pengiklan yang menyasarkan pengguna EEA dan UK. Sejak Mac 2024, ciri pengiklanan diperibadikan untuk audiens ini hanya tersedia kepada pengiklan yang menggunakan CMP bertauliah Google dengan Consent Mode V2. Ini bukan pilihan — ia ialah keperluan yang dikuatkuasakan.

Pengiklan yang belum melaksanakan Consent Mode V2 dengan CMP bertauliah sudah pun mengalami:

• Kehilangan data audiens pemasaran semula untuk pengguna EEA/UK.
• Tiada conversion modelling, mengakibatkan jurang data yang lebih besar.
• Prestasi Smart Bidding yang merosot.
• Keupayaan yang berkurang untuk mengukur dan mengoptimumkan ROAS kempen.

FlexyConsent ialah CMP bertauliah Google yang melaksanakan Consent Mode V2 dalam Advanced mode secara lalai. Ia secara automatik mengurus semua parameter keizinan yang diperlukan — analytics_storage, ad_storage, ad_user_data, ad_personalization, dan functionality_storage — memastikan konfigurasi Google Ads dan GA4 anda menerima isyarat yang diperlukan untuk mengaktifkan conversion modelling.

Dengan sokongan IAB TCF 2.3, integrasi natif untuk WordPress, Shopify dan PrestaShop, serta pelan bermula daripada EUR 0 sebulan, FlexyConsent menghapuskan kedua-dua halangan teknikal dan kewangan untuk pelaksanaan Consent Mode V2 yang betul.

Inti utama: Conversion modelling bukan sekadar ciri tambahan — ia ialah mekanisme yang merapatkan jurang antara pematuhan privasi dan pengukuran pengiklanan yang berkesan. Tanpanya, anda membuat keputusan bidaan dan bajet berdasarkan data yang tidak lengkap. Dengan Consent Mode V2 Advanced mode dan CMP bertauliah Google, anda boleh memulihkan 50 hingga 70 peratus penukaran yang hilang dan memberikan algoritma Smart Bidding isyarat yang diperlukan untuk berprestasi secara optimum.