Grundlagen zu Look-Alike Modeling about-algorithmic-models
Neue Benutzer mit Look-Alike Modeling suchen find-new-users
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 advantages
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 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 troubleshooting
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 understanding-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.
Schritt 6: Bewertung der Signifikanz eines Trait über alle Verarbeitungszyklen hinweg
In regelmäßigen Abständen bewertet TraitWeight die Bedeutung einer trait anhand der Größe und der Veränderung der Population dieser trait neu. Dies geschieht, wenn die Anzahl der für diese trait qualifizierten Benutzenden im Laufe der Zeit zunimmt oder abnimmt. Dieses Verhalten zeigt sich am deutlichsten bei Eigenschaften, die sehr groß werden. Angenommen, der Algorithmus verwendet trait A für die Modellierung. Wenn die Population der trait A zunimmt, bewertet TraitWeight die Bedeutung dieser trait neu und kann einen niedrigeren Wert zuweisen oder sie ignorieren. In diesem Fall ist trait A zu verbreitet oder zu groß, um irgendetwas Bedeutsames über seine Bevölkerung zu sagen. Nachdem TraitWeight den Wert von trait A verringert (oder im Modell ignoriert) hat, nimmt die Population des algorithmischen Merkmals ab. Die Liste der einflussreichen traits spiegelt die Entwicklung der Grundgesamtheit wider. Verwenden Sie die Liste der 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
Zeitplan für Erstellung und Aktualisierung von Look-Alike Model
Bei neuen oder geklonten Look-Alike Models wird der Erstellungsprozess einmal täglich um ausgeführt:
- 17.00 Uhr EST (November - März)
- 18:00 Uhr EDT (März - November)
Nach Ablauf der Erstellungsfrist erstellte oder geklonte Modelle werden am folgenden Tag verarbeitet.
Wenn bei der ersten Ausführung eines Modells keine Daten generiert werden, erfolgt die Ausführung am nächsten Tag zum zweiten Mal. Wenn der zweite Versuch ebenfalls keine Daten generiert, gibt es einen dritten Versuch, den nächsten Tag. Das Modell wird nicht mehr ausgeführt, wenn auch der dritte Versuch keine Daten generiert. In diesem Fall deaktivieren wir das Modell. Weitere Informationen finden Sie unter Fehlerbehebung Lookalike-Modellen.
Unter idealen Bedingungen werden bestehende Modelle werktags mindestens einmal alle 7 Tage ausgeführt. Wenn Sie beispielsweise ein Modell (innerhalb der Frist) am Montag erstellen, wird es spätestens am folgenden Montag aktualisiert.
Ein Modell wird erneut ausgeführt, wenn es eine der folgenden Bedingungen erfüllt:
- Der letzte Durchgang war nicht erfolgreich.
- Es wurde bereits erfolgreich ausgeführt, bevor UND es wurde in den letzten 7 Tagen überhaupt nicht ausgeführt. UND dem Modell ist mindestens eine aktive Eigenschaft zugeordnet.
Zeitplan für Erstellung und Aktualisierung von Look-Alike Trait
Listenansicht der Modelle models-list-view
Die Listenansicht ist ein zentraler Arbeitsbereich, in dem Sie Modelle erstellen, überprüfen und verwalten können.
Die Seite Models enthält Funktionen und Tools, die Ihnen bei Folgendem helfen:
- Erstellen Sie neue Modelle.
- Verwalten vorhandener Modelle (Bearbeiten, Pausieren, Löschen oder Klonen).
- Suche 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 erstellte traits angezeigt. Die Seite enthält auch Einstellungen zum Erstellen und Verwalten von Modellen. Klicken Sie in der Zusammenfassungsliste auf einen Modellnamen, um dessen Details anzuzeigen.
Die Seite mit der Modellübersicht enthält die folgenden Abschnitte.
Die Tabelle einflussreiche Eigenschaften:
- Führt die 50 wichtigsten einflussreichen Eigenschaften auf, die in der Grundgesamtheit des Modells am besten dargestellt werden.
- Ordnet jedes Merkmal nach seinem relativen Gewicht . Das Relative Gewicht sortiert neu entdeckte Merkmale nach Einfluss oder Erwünschtheit. Die Gewichtsskala ist ein Prozentsatz, der von 0 % bis 100 % reicht. Eigenschaften, die näher an 100 % rangieren, bedeuten, dass sie der Zielgruppe in Ihrer Grundgesamtheit ähnlicher sind. Siehe zum Verstehen von TraitWeight.
- Zeigt die eindeutigen 30-Tage-Werte und die gesamte Population der einzelnen Eigenschaften für jedes Merkmal 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 über die Eigenschaft zu erhalten. Wählen Sie Neue Eigenschaft mit Modell erstellen , um zum Prozess der algorithmischen Eigenschaftserstellung zu wechseln.
Die Abschnittsbeschriftung ändert sich je nach Modellnamen. Angenommen, Sie erstellen ein Modell und benennen es Modell A. Wenn Sie die Zusammenfassungsseite laden, wird der Name dieses Abschnitts in Eigenschaften Modell A geändert.