INCRMNTAL
User tracking နှင့် holdout test များ မလိုဘဲ ကြော်ငြာတိုးတက်မှု (Incrementality) တိုင်းတာပေးသည့် ပလပ်ဖောင်း
ဝဘ်ဆိုက်သို့ သွားရန် ↗INCRMNTAL သည် အစ္စရေးနိုင်ငံမှ ထွက်ရှိလာသော အဆင့်မြင့်ကြော်ငြာရလဒ်တိုင်းတာရေး ပလပ်ဖောင်းတစ်ခုဖြစ်ပြီး Causal models (အကြောင်းနှင့် အကျိုး ဆက်စပ်မှုပုံစံများ) ကို အသုံးပြု၍ ಮಾರ್ကက်တင်းလှုပ်ရှားမှုများ၏ တကယ့်တိုးတက်မှုအကျိုးအမြတ် (Incrementality) ကို အဆက်မပြတ် ဆန်းစစ်ပေးပါသည်။ လက်ရှိ ကိုယ်ရေးလုံခြုံရေးဆိုင်ရာ အသိအမှတ်ပြုမှု မြင့်တက်လာပြီး tracking ကန့်သတ်ချက်များ များပြားနေသော ဒစ်ဂျစ်တယ်ဝန်းကျင်တွင် ရိုးရာ attribution မော်ဒယ်များ တိကျမှုမရှိတော့ခြင်း သို့မဟုတ် ဝင်ငွေကို ထိခိုက်စေနိုင်သည့် ရှုပ်ထွေးသော Holdout test များကို လုပ်ဆောင်ရသည့် အခက်အခဲများနှင့် စျေးကွက်ရှာဖွေသူများ ရင်ဆိုင်နေရပါသည်။ INCRMNTAL သည် ဤအတားအဆီးများကို ကျော်လွှားနိုင်ရန်အတွက် အချိန်ကုန်သက်သာစေသော သီးသန့် holdout test များကို လုပ်ဆောင်ရန်မလိုသလို၊ ကိုယ်ရေးလုံခြုံရေးကို ထိပါးစေသည့် user-level tracking ကိုလည်း အသုံးမပြုဘဲ ဝဘ်နှင့် မိုဘိုင်းအက်ပ်များ၏ ရှိပြီးသား ကြော်ငြာလှုပ်ရှားမှု ဒေတာများမှတစ်ဆင့် ကြော်ငြာက ရရှိလာမည့် တကယ့်တိုးတက်မှုကို တိကျစွာ တွက်ချက်ပေးနိုင်ပါသည်။
မားကက်တင်း Attribution နှင့် ကိုယ်ရေးလုံခြုံရေးဆိုင်ရာ ကျပ်တည်းမှုနှစ်ရပ်ကို ဖြေရှင်းခြင်း
ရှေးယခင်က အမှတ်တံဆိပ်တစ်ခုအနေဖြင့် ကြော်ငြာသည် "အမှန်တကယ်" အပိုပြောင်းလဲမှုများ (Conversions) ကို ယူဆောင်လာပေးခြင်း ရှိမရှိ သိရှိလိုပါက စားသုံးသူအချို့အတွက် ကြော်ငြာပြသမှုကို ရပ်တဆပ်ခြင်းဖြင့် နှိုင်းယှဉ်အုပ်စု (Control group) ဖန်တီးလေ့ရှိပြီး ၎င်းသည် ရေတိုရောင်းအားကို တိုက်ရိုက် ထိခိုက်စေတတ်ပါသည်။ INCRMNTAL သည် ရှိပြီးသားဒေတာများကို ခွဲခြမ်းစိတ်ဖြာရန် အားကောင်းသော အယ်လဂိုရီသမ်များကို အသုံးပြုထားပြီး Causal inference ကို အလိုအလျောက်နှင့် အဆက်မပြတ် ပံ့ပိုးပေးကာ ရိုးရာ attribution တူးလ်များ၏ "သဘာဝအတိုင်း ကြီးထွားလာမှုနှင့် ကြော်ငြာအကျိုးအမြတ် ကွာခြားချက်" ကို တိုင်းတာမရသည့် အားနည်းချက်ကို ဖြေရှင်းပေးပါသည်။ ဤဆော့ဖ်ဝဲသည် မားကက်တင်းဘတ်ဂျက် ကြီးမားပြီး ချန်နယ်စုံကြော်ငြာဖြန့်ဝေမှု ရှုပ်ထွေးသော အလတ်စားနှင့် အကြီးစားစီးပွားရေးလုပ်ငန်းများ၊ သုံးစွဲသူများ၏ ကိုယ်ရေးလုံခြုံရေးကို အလွန်အမင်းတန်ဖိုးထားပြီး ရှေးဟောင်း tracking နည်းပညာများကို မမှီခိုလိုတော့သည့် မိုဘိုင်းနှင့် ဝဘ်ကြော်ငြာရှင်များအတွက် အထူးသင့်လျော်ကာ အမြဲပြောင်းလဲနေသော စျေးကွက်တွင် အတိကျဆုံး ဘတ်ဂျက်ခွဲဝေမှုနှင့် အကောင်းဆုံးဖြစ်အောင် ဆုံးဖြတ်ချက်များချမှတ်နိုင်ရန် အသင်းအဖွဲ့များကို ကူညီပေးပါသည်။
အဓိက အင်္ဂါရပ်များ
- ကြော်ငြာတိုးတက်မှုကို အဆက်မပြတ် ဆန်းစစ်အကဲဖြတ်ခြင်း
- Causal models ပေါ်အခြေခံထားသော အယ်လဂိုရီသမ်
- User-level tracking လုံးဝမလိုအပ်ခြင်း
- သီးသန့် holdout test များ လုပ်ဆောင်ရန် မလိုအပ်ပါ
- ဝဘ်နှင့် မိုဘိုင်းအက်ပ်များကို ပံ့ပိုးပေးခြင်း
အားသာချက်များ
- စည်းကမ်းများကို မချိုးဖောက်ဘဲ သုံးစွဲသူ၏ ကိုယ်ရေးလုံခြုံရေးကို ကာကွယ်ပေးခြင်း
- စမ်းသပ်ချိန်နှင့် အခွင့်အလမ်းကုန်ကျစရိတ်များကို သက်သာစေခြင်း
- ချက်ချင်းလက်ငင်းနှင့် ဘက်မလိုက်သော မားကက်တင်းရလဒ်များကို ပံ့ပိုးပေးခြင်း
အားနည်းချက်များ
- အတိုင်းအတာတစ်ခုအထိ ရှိသော ကြော်ငြာဒေတာပမာဏ လိုအပ်ခြင်း
- လေ့လာသင်ယူရသည့် ကာလ အနည်းငယ်စောက်ခြင်း
အသုံးပြုမှုများ
- ချန်နယ်စုံ ကြော်ငြာဘတ်ဂျက်ကို အကောင်းဆုံးဖြစ်အောင် စီမံခြင်း
- မားကက်တင်းလှုပ်ရှားမှုများ၏ တကယ့်အကျိုးအမြတ်ကို အကဲဖြတ်ခြင်း
- ကိုယ်ရေးလုံခြုံရေး ကန့်သတ်ချက်များရှိနေချိန်တွင် ရလဒ်များကို Attribution လုပ်ခြင်း
အယ်ဒီတာမှတ်ချက်
INCRMNTAL သည် Causal models ဖြင့် ကိုယ်ရေးလုံခြုံရေး ကန့်သတ်ချက်များကို ကျော်လွှားနိုင်ခဲ့ပြီး တကယ့်ရလဒ်နှင့် ကိုယ်ရေးလုံခြုံရေးကို အလေးထားသော မားကက်တင်းအဖွဲ့များအတွက် အဓိကလက်နက်ကောင်းတစ်ခု ဖြစ်ပါသည်။
မေးလေ့ရှိသောမေးခွန်းများ
INCRMNTAL 如何在沒有保留測試的情況下衡量增量？
它透過先進的因果推模型，分析現有的行銷與業務資料來持續估算廣告帶來的真實增量。
這套平台需要追蹤使用者個人的資料嗎？
不需要，INCRMNTAL 採用不依賴使用者層級追蹤的方法，完美符合當前的隱私權趨勢。
它適合哪種規模的廣告主使用？
適合預算規模較大、進行跨渠道行銷且重視真實廣告效益的網頁與行動應用程式廣告主。