Наиболее популярные мобильные приложения, такие как Twitter, Facebook, Linkedin, Instagram, Youtube и т.д., используют свои собственные in-app браузеры. Каждый раз, когда пользователь кликает на рекламу в таких приложениях, открывается in-app браузер этого приложения со своими уникальным cookies.
Константин, спасибо за статью.
Осталось непонятным, откуда возьмутся первоначальные "полные цепочки" для обучения модели.
Как вы оцените вероятность конверсии человека, чья цепочка потом рвётся?
Это же может совершенно систематически происходить: у вас есть какие-то действия внутри инстаграммового инапп-браузера, которые никогда не продолжаются в других сеансах (так что вы замеряете на них очень мало конверсий). Почему вдруг модель насчитает пользователям в нём существенную дополнительную вероятность конверсии?
Привет. Дело в том, что обучение идет на всем трафике, а не только на инстраграмных in-app сессиях. Поэтому, модель легко может опредлить конвертирующе паттерны, которые свойственны пользователям с большой вовлеченностью и применить их к трафику с "разорванным" путем к покупке.
Звучит круто, но есть два вопроса:
1) Не решает ли новый GA 4 поставленные проблемы (они же анонсировали и кросс-платформенное отслеживание и предективность покупки (Propensity & Churn Audience)?
2) Хотелось бы вcе же получить ответ на вопрос @Yuri Gavrilov, от которого автор почему-то уклоняется ;) (как строится обучающая выборка, если цепочки по факту разорваны и в самой выборке?).
1) Не знаю. Никаких технических предпосылок для этого нет.
2) Я уже ответил на этот вопрос. Но могу также скопировать более детальный ответ в из моей оригинальной статьи на cxl.com:
But what happens as full journey data continues to dry up?
If deterministic stitching is hard and—based on more devices, more browsers, and more privacy restrictions—only getting harder, will that undermine the quality of future models?
As long as some portion of people still purchase during a single journey (i.e. “full journeys”), you’ll have required data to learn. But with only interrupted journeys, it could still work. Imagine that with only interrupted journeys, 100% of conversions (based on last interaction) are (direct)/(none).
You can still recognize patterns of users who engage and tend to buy. A subset of direct users will share features (i.e. events) with users who come from Facebook. The model doesn’t know where people came from; you show only behavior for on-site and contextual events.
So the model sees that a user from a Facebook in-app browser behaves like users who tend to buy (trained on direct traffic). And it will allocate non-zero values to such sessions.
По поводу GA 4 - вы как-то быстро, на мой взгляд, отмахнулись... Огромная корпорация, однозначный лидер рынка заявляет о революции, а вы "да ну, вряд ли, не вижу предпосылок". Как минимум тут стоит разобрать их клеймы и обсудить. А в идеале - потестить... Ну это я так...
Да, кроссплатформенность превратила аналитику в ад...
Все описанное автором, как я понимаю, это типизация условно "полных" мультиканальных пользовательских сессий и создание на этой основе N-количества шаблонов-предикатов. По сути, нам предлагается поверить в то, что некоторая последовательность взаимодействий с сайтом приведет к неким действиям (конверсии ?) с вероятностью в Х %.
В связи с этим один простой вопрос - а пруфы реальной работы технологии можно увидеть?
Присоединяюсь к вопросу