Grundlegendes zu Look-Alike Modeling about-algorithmic-models
Neue Benutzer mit Look-Alike Modeling suchen find-new-users
Look-Alike Modeling hilft Ihnen bei der Erkennung neuer, eindeutiger Zielgruppen durch automatisierte Datenanalyse. Der Prozess beginnt, wenn Sie einen trait oder segment, ein Zeitintervall sowie den Erstanbieter- und Drittanbieter-Wert data sources auswählen. Ihre Auswahlmöglichkeiten bieten die Eingaben für das algorithmische Modell. Wenn der Analysevorgang ausgeführt wird, sucht er basierend auf gemeinsamen Merkmalen der ausgewählten Population nach infrage kommenden Benutzern. Nach Abschluss sind diese Daten in Trait Builder verfügbar, wo Sie sie verwenden können, um Eigenschaften basierend auf der Genauigkeit und Reichweite zu erstellen. Darüber hinaus können Sie Segmente erstellen, die algorithmische Eigenschaften mit rules-based traits kombinieren und weitere Qualifizierungsanforderungen mit Boolean Ausdrücken und Vergleichsoperatoren hinzufügen. Look-Alike Modeling gibt Ihnen eine dynamische Möglichkeit, Werte aus allen verfügbaren Eigenschaftsdaten zu extrahieren.
Vorteile advantages
Die wichtigsten Vorteile der Verwendung von Look-Alike Modeling sind:
- Datengenauigkeit: Der Algorithmus wird regelmäßig ausgeführt, was dazu beiträgt, Ergebnisse auf dem neuesten Stand zu halten und relevant zu sein.
- 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, was traits/segments möglicherweise funktioniert oder Zeitressourcen für Kampagnen verwendet, um neue Zielgruppen zu entdecken. Das Modell kann das für Sie tun.
- Zuverlässigkeit: Die Modellierung funktioniert mit serverseitigen Erkennungs- und Qualifizierungsprozessen, die Ihre eigenen Daten und ausgewählte Drittanbieterdaten auswerten, auf die Sie Zugriff haben. Das bedeutet, dass Sie die Besucher Ihrer Site nicht sehen müssen, um sie für eine Eigenschaft zu qualifizieren.
Workflow workflow
Sie verwalten Modelle in Audience Data > Models. Auf hoher Ebene umfasst der Workflow-Prozess Folgendes:
- Wählen Sie die Basisdaten aus, die der Algorithmus auswerten soll. Dazu gehören trait oder segment, der Zeitraum und data sources (Ihre eigenen Daten und Drittanbieterdaten, auf die Sie bereits über Audience Manager Zugriff haben). Im Workflow zur Modellerstellung können Sie die traits ausschließen, die Sie nicht in Ihr Modell eingreifen möchten.
- Speichern Sie Ihr Modell. Nach dem Speichern wird der algorithmische Evaluierungsprozess automatisch ausgeführt. Beachten Sie jedoch, dass es bis zu 7 Tage dauern kann, bis dieser Prozess abgeschlossen ist. Audience Manager sendet Ihnen eine E-Mail, wenn der Algorithmus abgeschlossen ist und Ergebnisse für die Erstellung von trait verfügbar sind.
- Erstellen Sie algorithmische traits in Trait Builder.
- Kombinieren Sie traits in Segment Builder zu segments.
- Erstellen und senden Sie segment -Daten an eine destination.
Fehlerbehebung troubleshooting
Wir deaktivieren alle Look-Alike Model , die keine Daten für drei aufeinander folgende Ausführungen generieren können. Beachten Sie, dass Sie den Status des Modells danach nicht wieder auf "aktiv"festlegen können. Um sicherzustellen, dass Ihre Modelle Daten generieren, empfehlen wir, Modelle aus Datenquellen mit genügend traits zu erstellen, aus denen Daten gesammelt werden können.
Grundlegendes zu TraitWeight understanding-traitweight
TraitWeight ist ein proprietärer Algorithmus, der entwickelt wurde, um neue traits automatisch zu entdecken. Er vergleicht trait Daten aus Ihrem aktuellen traits und segments mit allen anderen Erstanbieter- und Drittanbieterdaten, auf die Sie über Audience Manager zugreifen können. Eine Beschreibung des algorithmischen Erkennungsprozesses von TraitWeight finden Sie in diesem Abschnitt .
Die folgenden Schritte beschreiben den TraitWeight-Evaluierungsprozess.
Schritt 1: Erstellen einer Grundlinie für den Vergleich Trait
Um eine Grundlinie zu erstellen, misst TraitWeight alle mit einer Zielgruppe verbundenen traits in einem Intervall von 30, 60 oder 90 Tagen. Als Nächstes wird traits nach ihrer Häufigkeit und ihrer Korrelation sortiert. Die Häufigkeitszählung misst die Gemeinsamkeit. Korrelation misst die Wahrscheinlichkeit, dass ein trait nur in der Zielgruppe der Grundlinie vorhanden ist. "Traits", die häufig vorkommen, weisen eine hohe Gemeinsamkeit auf, ein wichtiges Merkmal, das verwendet wird, um bei Kombination mit traits, das in Ihrem ausgewählten data sources gefunden wird, einen gewichteten Wert festzulegen.
Schritt 2: Derselbe Traits im Data Source finden
Nachdem er eine Grundlinie für den Vergleich erstellt hat, sucht der Algorithmus in Ihrem ausgewählten data sources nach identischem traits . In diesem Schritt führt TraitWeight eine Frequenzanzahl aller entdeckten traits durch und vergleicht sie mit der Grundlinie. Im Gegensatz zur Grundlinie sind die ungewöhnlichen traits jedoch höher als die, die häufiger vorkommen. Selten traits soll ein hohes Maß an Spezifität aufweisen. TraitWeight bewertet Kombinationen der gemeinsamen Grundlinie traits und der ungewöhnlichen (hochspezifischen) data source traits als einflussreicher oder wünschenswerter als traits, die beiden Datensätzen gemeinsam sind. In der Tat erkennt unser Modell diese großen, gemeinsamen traits und weist Datensätzen mit hohen Korrelationen keine übermäßige Priorität zu. Selten traits erhalten höhere Priorität, da sie mit höherer Wahrscheinlichkeit neue Unique Users darstellen als traits mit hoher Gemeinsamkeit.
Schritt 3: Gewichtung zuweisen
In diesem Schritt rangiert TraitWeight neu entdeckte traits in der Reihenfolge des Einflusses oder der Zweckmäßigkeit. Die Gewichtsskala ist ein Prozentsatz, der von 0 % bis 100 % reicht. Traits, der näher an 100 % liegt, bedeutet, dass sie eher der Zielgruppe in Ihrer Grundlinie ähneln. Außerdem sind stark gewichtete traits nützlich, da sie neue Unique Users darstellen, die sich ähnlich wie Ihre etablierte, Baseline-Zielgruppe verhalten können. Beachten Sie, dass TraitWeight traits mit hoher Gemeinsamkeit im Ausgangswert und hoher Spezifität in den verglichenen Datenquellen als wertvoller betrachtet als traits, die in jedem Datensatz vorkommen.
Schritt 4: Scoring-Benutzer
Jeder Benutzer in dem ausgewählten data sources erhält eine Benutzerbewertung, die der Summe aller Gewichtungen des einflussreichen traits für das Profil dieses Benutzers entspricht. Die Benutzerbewertungen werden dann zwischen 0 und 100 % normalisiert.
Schritt 5: Anzeigen und Arbeiten mit Ergebnissen
Audience Manager zeigt Ihre gewichteten Modellergebnisse in Trait Builder an. Wenn Sie einen algorithmic trait erstellen möchten, können Sie mit Trait Builder traits auf der Grundlage des gewichteten Werts erstellen, der vom Algorithmus während einer Datenausführung generiert wurde. Sie können eine höhere Genauigkeit wählen, um nur Benutzer zu qualifizieren, die sehr hohe Benutzerbewertungen aufweisen und daher der Grundzielgruppe und nicht dem Rest der Zielgruppe sehr ähnlich sind. Wenn Sie eine größere Zielgruppe (Reichweite) erreichen möchten, können Sie die Genauigkeit verringern.
Schritt 6: Die Bedeutung eines Trait für alle Verarbeitungszyklen neu bewerten
In regelmäßigen Abständen bewertet TraitWeight die Wichtigkeit eines trait anhand der Größe und der Veränderung der Population dieses trait neu. Dies geschieht, wenn sich die Anzahl der für diese trait qualifizierten Benutzer im Laufe der Zeit erhöht oder verringert. Dieses Verhalten wird am deutlichsten in Eigenschaften beobachtet, die sehr groß werden. Angenommen, der Algorithmus verwendet trait A für die Modellierung. Wenn die Population von trait A zunimmt, bewertet TraitWeight die Wichtigkeit dieses trait erneut und kann einen niedrigeren Wert zuweisen oder ihn ignorieren. In diesem Fall ist trait A zu häufig oder zu groß, um etwas Wichtiges über die Population zu sagen. Nachdem TraitWeight den Wert von trait A verringert (oder ihn im Modell ignoriert) hat, nimmt die Population der algorithmischen Eigenschaft ab. Die einflussreiche Liste traits spiegelt die Entwicklung der Grundlinie-Population wider. Verwenden Sie die Liste des einflussreichen traits , um zu verstehen, warum diese Änderungen auftreten.
Verwandte Links:
Zeitplan für Look-Alike Models und Traits aktualisieren update-schedule
Erstellen und Aktualisieren von Zeitplänen für neue oder vorhandene algorithmic models und traits.
Look-Alike Model Zeitplan für Erstellung und Aktualisierung
Für neue oder geklonte Look-Alike Models wird der Erstellungsprozess einmal täglich ausgeführt bei:
- 17.00 Uhr EST (November - März)
- 18 Uhr EDT (März - November)
Nach Ablauf der Erstellungsfrist erstellte oder geklonte Modelle werden am folgenden Tag verarbeitet.
Wenn die erste Ausführung eines Modells keine Daten generiert, wird sie am nächsten Tag ein zweites Mal ausgeführt. Wenn der zweite Versuch ebenfalls keine Daten generiert, wird am nächsten Tag ein dritter Versuch unternommen. Das Modell wird nicht mehr ausgeführt, wenn der dritte Versuch ebenfalls keine Daten generiert. In diesem Fall wird das Modell deaktiviert. Weitere Informationen finden Sie unter Fehlerbehebung bei Look-alike-Modellen.
Unter idealen Bedingungen laufen vorhandene Modelle an Werktagen, mindestens einmal alle 7 Tage. Wenn Sie beispielsweise am Montag ein Modell (bis zum Termin) erstellen, wird es spätestens am folgenden Montag aktualisiert.
Ein Modell wird erneut ausgeführt, wenn eine der folgenden Bedingungen erfüllt ist:
- Ihr letzter Lauf war nicht erfolgreich.
- Es wurde erfolgreich ausgeführt, bevor ES in den letzten sieben Tagen überhaupt nicht ausgeführt wurde UND dem Modell wurde mindestens eine aktive Eigenschaft angehängt.
Look-Alike Trait Zeitplan für Erstellung und Aktualisierung
Modelllistenansicht models-list-view
Die Listenansicht ist ein zentraler Arbeitsbereich, in dem Sie Modelle erstellen, überprüfen und verwalten können.
Die Listenseite Models enthält Funktionen und Tools, die Ihnen dabei helfen,
- Erstellen Sie neue Modelle.
- Verwalten Sie vorhandene Modelle (Bearbeiten, Anhalten, Löschen oder Klonen).
- Suchen Sie nach Modellen anhand des Namens.
- Erstellen Sie algorithmic traits mit einem beliebigen Modell.
Modellzusammenfassungsansicht models-summary-view
Auf der Zusammenfassungsseite werden Modelldetails wie Name, Reichweite/Genauigkeit, Verarbeitungsverlauf und aus dem Modell erstellter traits angezeigt. Die Seite enthält auch Einstellungen, mit denen Sie Modelle erstellen und verwalten können. Klicken Sie in der Zusammenfassungsliste auf einen Modellnamen, um dessen Details anzuzeigen.
Die Modellzusammenfassungs-Seite enthält die folgenden Abschnitte.
Die Tabelle Einflussnehmende Eigenschaften :
- Führt die 50 einflussreichsten Eigenschaften auf, die am besten in der Grundlinie des Modells dargestellt werden.
- Ordnet jede Eigenschaft in der Reihenfolge ihres Ranges Relative Gewichtung zu. Die Relative Gewichtung sortiert neu entdeckte Eigenschaften in der Reihenfolge ihres Einflusses oder ihrer Zweckmäßigkeit. Die Gewichtsskala ist ein Prozentsatz, der von 0 % bis 100 % reicht. Eigenschaften, die näher bei 100 % platziert wurden, bedeuten, dass sie eher der Zielgruppe in Ihrer Grundlinie ähneln. Siehe Grundlegendes zu TraitWeight.
- Zeigt die eindeutigen 30-Tage-Werte und die gesamte Eigenschaftspopulation für jede Eigenschaft an.
Zeigt eine Liste der algorithmischen Eigenschaften basierend auf dem ausgewählten Modell an. Klicken Sie auf einen Eigenschaftsnamen oder eine Eigenschafts-ID , um weitere Informationen zur Eigenschaft zu erhalten. Wählen Sie Neue Eigenschaft mit Modell erstellen aus, um zum Erstellungsvorgang für algorithmische Eigenschaften zu wechseln.
Die Abschnittsbeschriftung ändert sich basierend auf dem Namen Ihres Modells. Angenommen, Sie erstellen ein Modell und nennen es Modell A. Wenn Sie die Zusammenfassungsseite laden, wird der Name dieses Abschnitts in Eigenschaften mit Modell A geändert.