Grundlagen zu Look-Alike Modeling

Letzte Aktualisierung: 20. Dezember 2024

Neue Benutzer mit Look-Alike Modeling suchen

Mit Look-Alike Modeling können Sie durch automatisierte Datenanalyse neue, einzigartige Zielgruppen ermitteln. Der Prozess beginnt mit der Auswahl eines trait oder einer segment, eines Zeitintervalls sowie einer Erst- und data sources. Ihre Auswahl liefert die Eingaben für das algorithmische Modell. Wenn der Analytics-Prozess ausgeführt wird, sucht er basierend auf gemeinsamen Merkmalen der ausgewählten Population nach geeigneten Benutzern. Nach Abschluss stehen diese Daten im Trait Builder) zur Verfügung in dem Sie damit Eigenschaften basierend auf Genauigkeit und Reichweite“ erstellen. Darüber hinaus können Sie Segmente erstellen, die algorithmische Eigenschaften mit rules-based traits kombinieren, und andere Qualifizierungsanforderungen mit Boolean Ausdrücken und Vergleichsoperatoren hinzufügen. Look-Alike Modeling bietet Ihnen eine dynamische Möglichkeit, Wert aus allen verfügbaren Eigenschaftsdaten zu extrahieren.

Vorteile

Zu den wichtigsten Vorteilen der Verwendung von Look-Alike Modeling gehören:

  • Datengenauigkeit: Der Algorithmus wird regelmäßig ausgeführt, wodurch die Ergebnisse aktuell und relevant bleiben.
  • Automatisierung Sie müssen nicht viele statische Regeln verwalten. Der Algorithmus findet Zielgruppen für Sie.
  • Sparen Sie Zeit und reduzieren Sie den Aufwand: Mit unserem Modellierungsprozess müssen Sie nicht erraten, welche traits/segments funktionieren könnten, oder Zeit und Ressourcen für Kampagnen aufwenden, um neue Audiences zu entdecken. Das Modell kann das für Sie tun.
  • Zuverlässigkeit: Modeling arbeitet mit Server-seitigen Erkennungs- und Qualifizierungsprozessen, die Ihre eigenen Daten und ausgewählte Drittanbieterdaten, auf die Sie Zugriff haben, auswerten. Das bedeutet, dass Sie die Besucher auf Ihrer Site nicht sehen müssen, um sie für eine Eigenschaft zu qualifizieren.

Workflow

Sie verwalten Modelle in Audience Data > Models. Im Großen und Ganzen umfasst der Workflow-Prozess Folgendes:

  • Wählen Sie die Baseline-Daten aus, die der Algorithmus auswerten soll. Dazu gehören ein trait oder segment, ein Zeitraum und data sources (Ihre eigenen Daten und Drittanbieterdaten, auf die Sie bereits über Audience Manager Zugriff haben). Im Arbeitsablauf für die Modellerstellung können Sie die traits ausschließen, die Sie nicht mit Ihrem Modell beeinträchtigen möchten.
  • Speichern Sie Ihr Modell. Nach dem Speichern wird der algorithmische Auswertungsprozess automatisch ausgeführt. Beachten Sie jedoch, dass es bis zu 7 Tage dauern kann, bis dieser Vorgang abgeschlossen ist. Audience Manager sendet Ihnen eine E-Mail, wenn der Algorithmus abgeschlossen ist und die Ergebnisse für die trait verfügbar sind.
  • Algorithmische traits in Trait Builder erstellen.
  • traits in Segment Builder zu segments kombinieren.
  • Erstellen und Senden segment Daten an eine destination.

Fehlerbehebung

Wir deaktivieren alle Look-Alike Model, die in drei aufeinander folgenden Durchgängen keine Daten generieren. Beachten Sie, dass Sie den Status des Modells danach nicht mehr auf „aktiv“ zurücksetzen können. Um sicherzustellen, dass Ihre Modelle Daten generieren, empfehlen wir, Modelle aus Datenquellen mit ausreichendem traits zu erstellen, aus denen Daten gesammelt werden können.

Grundlagen zu TraitWeight

TraitWeight ist ein proprietärer Algorithmus, der die automatische Erkennung neuer traits ermöglicht. Es vergleicht trait Daten aus Ihrer aktuellen traits und segments mit allen anderen Erst- und Drittanbieterdaten, auf die Sie über Audience Manager Zugriff haben. In diesem Abschnitt finden Sie eine Beschreibung des TraitWeight algorithmischen Erkennungsprozesses.

Die folgenden Schritte beschreiben den Prozess der TraitWeight.

Schritt 1: Baseline für Trait Vergleich erstellen

Um eine Baseline zu erstellen, misst TraitWeight alle mit einer Zielgruppe verknüpften traits für ein Intervall von 30, 60 oder 90 Tagen. Als Nächstes werden traits nach ihrer Häufigkeit und ihrer Korrelation sortiert. Die Häufigkeitsanzahl misst die Gemeinsamkeit. Die Korrelation misst die Wahrscheinlichkeit, dass ein trait nur in der Baseline-Zielgruppe vorhanden ist. Häufig vorkommende Traits weisen eine hohe Gemeinsamkeit auf. Dies ist ein wichtiges Merkmal, das verwendet wird, um einen gewichteten Wert festzulegen, wenn sie mit traits kombiniert werden, die in Ihrem ausgewählten data sources entdeckt wurden.

Schritt 2: Gleiches Traits im Data Source suchen

Nachdem eine Baseline für den Vergleich erstellt wurde, sucht der Algorithmus nach identischen traits in der ausgewählten data sources. In diesem Schritt führt TraitWeight eine Häufigkeitszählung aller erkannten traits durch und vergleicht sie mit der Grundlinie. Im Gegensatz zur Baseline werden gelegentliche traits jedoch höher eingestuft als solche, die häufiger auftreten. Seltene traits sollen ein hohes Maß an Spezifität aufweisen. TraitWeight bewertet Kombinationen aus häufigen traits und gelegentlichen (hochspezifischen) data source traits als einflussreicher oder wünschenswerter als traits beiden Datensätzen gemeinsam. Tatsächlich erkennt unser Modell diese großen, gemeinsamen traits und weist Datensätzen mit hohen Korrelationen keine übermäßige Priorität zu. Selten traits eine höhere Priorität erhalten, da sie mit höherer Wahrscheinlichkeit neue, eindeutige Benutzende repräsentieren als traits mit hoher allgemeiner Gemeinsamkeit.

Schritt 3: Gewichtung zuweisen

In diesem Schritt reiht TraitWeight neu entdeckte traits nach Einfluss oder Erwünschtheit ein. Die Gewichtsskala ist ein Prozentsatz, der von 0 % bis 100 % reicht. Traits, die näher an 100 % rangen, bedeutet, dass sie der Zielgruppe in Ihrer Grundlinie ähneln. Starke gewichtete traits sind außerdem wertvoll, da sie neue, eindeutige Benutzende darstellen, die sich möglicherweise ähnlich wie Ihre etablierte Baseline-Zielgruppe verhalten. Denken Sie daran, dass TraitWeight traits mit hoher Gemeinsamkeit bei der Baseline und hoher Spezifität in den verglichenen Datenquellen für wertvoller hält als traits in jedem Datensatz.

Schritt 4: Bewertung von Benutzern

Jedem Benutzer im ausgewählten data sources wird ein Benutzerwert zugewiesen, der der Summe aller Gewichtungen der einflussreichen traits im Profil dieses Benutzers entspricht. Die Benutzerbewertungen werden dann zwischen 0 und 100 % normalisiert.

Schritt 5: Ergebnisse anzeigen und verwenden

Audience Manager zeigt die gewichteten Modellergebnisse in Trait Builder an. Wenn Sie ein algorithmic trait erstellen möchten, können Sie mit Trait Builder traits erstellen, die auf dem gewichteten Score basieren, der vom Algorithmus während eines Datendurchgangs generiert wurde. Sie können eine höhere Genauigkeit wählen, um nur Benutzende zu qualifizieren, die sehr hohe Benutzerbewertungen haben und daher der Baseline-Zielgruppe sehr ähnlich sind, anstatt dem Rest der Zielgruppe. Wenn Sie eine größere Zielgruppe (Reichweite) erreichen möchten, können Sie die Genauigkeit verringern.