在Twitter上关注克里斯
Posted: Sat Feb 01, 2025 3:34 am
拦截器非常难对付。如果你试图根据广告数据进行预测，而拦截器正在删除数据，那么很难修复。数据没有错；你甚至没有数据。它是不完整的。
您可以通过两种方式处理不完整的数据。首先，您可以寻找一些有方向性的数据，因为您拥有的数据仍然具有代表性。假设您知道 30% 的被屏蔽广告发生在移动设备上，但这是一个一致的 30%。您不会在一个网站上屏蔽了 22% 的广告，而在另一个网站上只有 5%。
如果以一致的方式阻止数据，则可以根据不完整数据进行预测。文本“数据不完整？”后面的绿色拼图块图像。
如果拦截都相对一致，那么您仍然会被引导到正确的方向，因为随着时间的推移，某些广告的效果会变好或变差。
第二种选择仅适用于拥有海量数据库的公司，例如大型科技公司或数据公司。对于大量数据，你可以进行插补，即使用现有的训练数据集和机器学习来填补不完整的部分。
归因的一个非常好的例子是社交分享。2 月初，LinkedIn 关闭了其分享数字，因此您不再能从任何社交媒体监控工具中获得该数字。如果 Chris 在一家社交媒体监控公司工作，他会使用过去 10 年的数据作为训练集并推断分享次数。
只要你有其他并行数据集（如 Twitter 和 Pinterest），你就可以推断出分享次数。这些分享 卡塔尔手机号码列表 数字实际上可以让机器填补 LinkedIn 分享的空白。
示例
对于一家知名的办公用品公司，Chris 对品牌名称和通用术语“办公用品”进行了预测分析。尽管品牌名称和通用术语彼此相似，但“办公用品”比品牌名称晚 20 天。
例如，该品牌名称在 8 月底出现了大幅增长，Chris 将此归因于返校季和人们重返工作岗位。但 20 天后，“办公用品”的搜索量也出现了完全相同的峰值和完全相同的模式。无论行为上发生了什么，人们都会搜索该品牌，然后在 20 天后搜索通用术语。
根据调查结果，Chris 建议公司开展为期 19 天的重新定位活动。19 天后，向所有访问您网站的人重新投放广告，提醒他们回来购买更多办公用品。借助重新定位广告，公司可以重新获得部分需求。
您可以通过两种方式处理不完整的数据。首先，您可以寻找一些有方向性的数据，因为您拥有的数据仍然具有代表性。假设您知道 30% 的被屏蔽广告发生在移动设备上，但这是一个一致的 30%。您不会在一个网站上屏蔽了 22% 的广告，而在另一个网站上只有 5%。
如果以一致的方式阻止数据，则可以根据不完整数据进行预测。文本“数据不完整？”后面的绿色拼图块图像。
如果拦截都相对一致，那么您仍然会被引导到正确的方向，因为随着时间的推移，某些广告的效果会变好或变差。
第二种选择仅适用于拥有海量数据库的公司，例如大型科技公司或数据公司。对于大量数据，你可以进行插补，即使用现有的训练数据集和机器学习来填补不完整的部分。
归因的一个非常好的例子是社交分享。2 月初，LinkedIn 关闭了其分享数字，因此您不再能从任何社交媒体监控工具中获得该数字。如果 Chris 在一家社交媒体监控公司工作，他会使用过去 10 年的数据作为训练集并推断分享次数。
只要你有其他并行数据集（如 Twitter 和 Pinterest），你就可以推断出分享次数。这些分享 卡塔尔手机号码列表 数字实际上可以让机器填补 LinkedIn 分享的空白。
示例
对于一家知名的办公用品公司，Chris 对品牌名称和通用术语“办公用品”进行了预测分析。尽管品牌名称和通用术语彼此相似，但“办公用品”比品牌名称晚 20 天。
例如，该品牌名称在 8 月底出现了大幅增长，Chris 将此归因于返校季和人们重返工作岗位。但 20 天后，“办公用品”的搜索量也出现了完全相同的峰值和完全相同的模式。无论行为上发生了什么，人们都会搜索该品牌，然后在 20 天后搜索通用术语。
根据调查结果，Chris 建议公司开展为期 19 天的重新定位活动。19 天后，向所有访问您网站的人重新投放广告，提醒他们回来购买更多办公用品。借助重新定位广告，公司可以重新获得部分需求。