Deterministycznie kontra probabilistycznie

Najprostsze rozróżnienie, jakie znam, opiera się na pytaniu: skąd wiemy, że ta osoba należy do tej grupy.

W podejściu deterministycznym wiemy, bo mamy zdarzenie. Ktoś odwiedził konkretną podstronę, dodał produkt do koszyka, kupił, zostawił adres e-mail, który wgraliśmy na listę odbiorców. Przynależność jest faktem zapisanym w danych, a lista jest w praktyce spisem.

W podejściu probabilistycznym nie mamy zdarzenia, mamy przesłanki. Zestaw zachowań danej osoby jest podobny do zachowań ludzi, którzy w przeszłości okazywali zainteresowanie pewną kategorią, więc system przypisuje jej do tej kategorii określone prawdopodobieństwo. Jeśli przekracza ono próg, osoba wchodzi do segmentu.

Kluczowa konsekwencja: w segmencie modelowanym jest zawsze pewien odsetek osób, które tam nie należą, i pewien odsetek osób należących, których w nim nie ma. To nie błąd wdrożenia ani wina platformy. To właściwość każdego modelu, także bardzo dobrego. Pytanie brzmi nie „czy segment jest dokładny”, ale „na ile jest dokładny i czy to wystarcza do mojej decyzji”.

Drugie rozróżnienie, o którym warto pamiętać: modelowanie dotyczy nie tylko przynależności do segmentu, ale też liczb w raportach. Część danych demograficznych i część konwersji w panelu to również wartości modelowane, uzupełniające luki tam, gdzie pomiar był niemożliwy.

Gdzie w Google Ads faktycznie na to trafiasz

Lista jest dłuższa, niż większość osób sądzi, bo mechanizm siedzi w miejscach, które wyglądają na zwyczajne ustawienia.

• Segmenty zainteresowań i segmenty odbiorców na rynku — klasyczny przykład. Nikt nie zadeklarował, że planuje remont albo kupno samochodu; system wnioskuje to z zachowań. Segmenty zdarzeń z życia działają tak samo.

• Dane demograficzne — wiek i płeć w raportach są w dużej mierze wnioskowane. Widać to po kategorii „nieznane”, która często obejmuje znaczną część wyświetleń.

• Rozszerzanie zasięgu w kampaniach nastawionych na wyniki — system dokłada odbiorców podobnych do tych z Twoich list, kierując się prawdopodobieństwem konwersji. To dziś najczęstsze miejsce, w którym reklamodawca korzysta z modelowanych odbiorców, nie zdając sobie z tego sprawy.

• Sygnały odbiorców w Performance Max — nazwa jest tu wyjątkowo szczera. To podpowiedź dla modelu, od czego zacząć szukanie, a nie ograniczenie kierowania.

• Uzupełnianie luk przy braku zgody — dla części ruchu bez zgody na personalizację system nie ma żadnych sygnałów jednostkowych i pracuje na zagregowanych oszacowaniach.

Warto to znać, bo pierwsza reakcja klienta na zdanie „nie wiemy dokładnie, kto jest w tej grupie” bywa nerwowa. Tymczasem to jest opis stanu, który obowiązuje w koncie od dawna, a nie nowa propozycja.

Skąd się to wzięło

Kierunek jest wyraźny i ma dwie przyczyny, obie niezależne od reklamodawców.

Pierwsza to kurczenie się danych jednostkowych. Zgody, ograniczenia po stronie przeglądarek, krótsze okresy życia identyfikatorów. Segmenty budowane z faktów są coraz mniejsze, a mała lista nie nadaje się do kierowania, bo kampania przestaje się wyświetlać.

Druga to decyzje samego Google. Najwyraźniejszą z nich było wycofanie list podobnych odbiorców — od maja 2023 przestały powstawać nowe, a w sierpniu tego samego roku zniknęły z kampanii i grup reklam. Zastąpiono je nie inną listą, a mechanizmem działającym w trakcie ustalania stawek: system sam szuka podobnych zachowań, korzystając z podanych sygnałów.

Do tego doszło wycofanie kluczowych interfejsów Privacy Sandbox w październiku 2025, które miały pozwolić na kierowanie oparte na grupach zainteresowań liczonych w przeglądarce. Nie ma zamiennika i nie jest zapowiedziany.

Skutek jest taki, że modelowanie przestało być jedną z opcji, a stało się domyślnym sposobem działania platformy. Można je ograniczać, ale nie da się z niego całkowicie wyjść, jeśli chce się korzystać z kampanii nastawionych na konwersje.

Na jakich sygnałach opiera się przypisanie

Dokładnej listy sygnałów nikt nam nie poda i nie warto udawać, że ją znamy. Znamy natomiast kategorie, bo Google je opisuje.

Historia aktywności w usługach Google, o ile użytkownik wyraził zgodę na personalizację: zapytania w wyszukiwarce, oglądane treści na platformie wideo, aktywność w aplikacjach. Do tego wizyty w witrynach należących do sieci reklamowej i sygnały kontekstowe — czym jest strona, na której teraz jest użytkownik, czego dotyczy zapytanie, jaka jest pora dnia i lokalizacja.

Osobną i coraz ważniejszą kategorią są dane własne reklamodawcy jako punkt startowy. Wgrywając listę klientów, nie tylko dostajesz możliwość kierowania na nią, ale też opisujesz modelowi, kogo szukać. Jakość tego opisu ma znaczenie: lista wszystkich klientów z pięciu lat to inna informacja niż lista klientów najbardziej wartościowych z ostatniego roku.

I ograniczenie, o którym trzeba mówić przy każdej takiej rozmowie: dla użytkowników z Europejskiego Obszaru Gospodarczego bez zgody na reklamy spersonalizowane te sygnały nie są wykorzystywane. Nie jest to obszar szarej strefy — to twarde ograniczenie po stronie platformy, i dlatego poprawnie wdrożony tryb uzyskiwania zgody wpływa dziś na skuteczność kierowania bardziej niż ustawienia samych segmentów.

Jak czytać raporty odbiorców

Tu popełnia się najwięcej błędów, i to takich, które prowadzą do złych decyzji budżetowych.

Pierwszy błąd: traktowanie raportu segmentów jako opisu klientów. Jeśli raport pokazuje, że najwięcej konwersji przyszło z segmentu „zainteresowani ogrodnictwem”, nie znaczy to, że Twoi klienci lubią ogród. Znaczy, że model przypisał te osoby do tego segmentu i tam trafiła część budżetu. Segmenty nakładają się — jedna osoba należy do wielu naraz, więc suma po segmentach nie jest sumą użytkowników.

Drugi błąd: porównywanie skuteczności segmentu wąskiego z szerokim bez uwzględnienia wolumenu. Wąski segment prawie zawsze wygląda lepiej w koszcie konwersji, bo model wpuszcza do niego tylko przypadki o wysokim prawdopodobieństwie. To nie znaczy, że warto przenieść tam cały budżet — po zwiększeniu skali dokładność spada.

Trzeci błąd: wyciąganie wniosków z danych demograficznych z dużym udziałem kategorii „nieznane”. Jeśli połowa wyświetleń nie ma przypisanego wieku, wnioski o grupie wiekowej dotyczą drugiej połowy, o której nie wiemy, czy jest reprezentatywna.

Czwarty, najkosztowniejszy: wykluczanie segmentów na podstawie krótkiej obserwacji. Segment modelowany to nie grupa ludzi o stałym składzie, więc wynik z dwóch tygodni bywa artefaktem tego, kogo model wtedy tam umieścił.

Jak używam tego w praktyce

Wypracowałem sobie kilka zasad i trzymam się ich, bo ratują przed wyciąganiem zbyt mocnych wniosków.

Segmenty modelowane dodaję najpierw w trybie obserwacji, nie kierowania. Zbieram dane o tym, jak zachowują się w moim koncie, i dopiero potem decyduję, czy w ogóle warto na nie kierować. Przy kampaniach w wyszukiwarce zwykle zostaję na obserwacji na stałe — intencja z zapytania jest lepszym sygnałem niż przypisanie do segmentu.

Dane własne traktuję jako fundament, a segmenty modelowane jako rozszerzenie zasięgu wtedy, gdy dane własne się skończyły. Nie odwrotnie. Model dostający na wejściu porządną listę klientów pracuje na czymś sensownym; model dostający puste konto z jedną konwersją tygodniowo zgaduje.

Wykluczenia buduję z danych deterministycznych, nigdy z modelowanych. Wykluczam ludzi, którzy właśnie kupili, na podstawie listy z systemu sprzedażowego — nie na podstawie segmentu, który „wygląda na klientów po zakupie”.

I ostatnia zasada: oceniam efekt na poziomie kampanii i konta, nie segmentu. Skoro segmenty się nakładają i zmieniają skład, to jedyny wynik, który mogę obronić, to wynik całości.

Czego ten mechanizm nie zrobi

Na koniec rzeczy, które warto powiedzieć klientowi przed pierwszą kampanią, a nie po trzecim raporcie.

Modelowanie nie zastąpi braku danych o konwersjach. Model przewidujący prawdopodobieństwo zakupu potrzebuje historii zakupów. Przy kilku konwersjach w miesiącu segmenty modelowane nie dadzą przewagi, bo nie ma z czego wnioskować, i widzę to na kontach regularnie.

Modelowanie nie daje precyzji, którą można obiecać w prezentacji. Zdanie „dotrzemy do osób planujących remont w tym kwartale” jest reklamą samej platformy, nie opisem możliwości. Uczciwa wersja brzmi: dotrzemy do grupy, w której takich osób jest istotnie więcej niż w populacji.

Modelowanie nie zwalnia z myślenia o ofercie i kreacji. Im szersze i mniej precyzyjne kierowanie, tym większa część pracy przenosi się na komunikat, który sam odsiewa niewłaściwych odbiorców. To dla mnie najważniejszy praktyczny wniosek z ostatnich kilku lat — w świecie oszacowań treść reklamy zaczęła pełnić funkcję, którą wcześniej pełniło kierowanie.

I rzecz, o której łatwo zapomnieć: ta zmiana nie jest tymczasowa. Nie ma powodu oczekiwać powrotu do list zbudowanych z faktów o pojedynczych osobach. Można narzekać albo nauczyć się pracować z niepewnością i mówić o niej klientom wprost — druga droga jest znacznie mniej męcząca.