Look-Alike Modeling hilft Ihnen bei der Erkennung neuer, einzigartiger Zielgruppen durch die automatisierte Datenanalyse. Der Prozess beginnt, wenn Sie trait oder segment, ein Zeitintervall sowie data sources eines Erstanbieters und eines Drittanbieters 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 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 bietet Ihnen eine dynamische Möglichkeit, Werte aus allen verfügbaren Eigenschaftsdaten zu extrahieren.
Die wichtigsten Vorteile der Verwendung von Look-Alike Modeling sind:
Sie verwalten Modelle in Audience Data > Models. Auf hoher Ebene umfasst der Workflow-Prozess Folgendes:
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 Ihnen, Modelle aus Datenquellen mit genügend traits zu erstellen, aus denen Daten gesammelt werden können.
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. In diesem Abschnitt finden Sie eine Beschreibung des algorithmischen Erkennungsprozesses von TraitWeight.
Die folgenden Schritte beschreiben den Bewertungsprozess für TraitWeight.
Um eine Grundlinie zu erstellen, misst TraitWeight alle traits, die mit einer Zielgruppe verknüpft sind, für einen Zeitraum von 30, 60 oder 90 Tagen. Als Nächstes wird traits nach Häufigkeit und Korrelation sortiert. Die Häufigkeitszählung misst die Gemeinsamkeit. Korrelation misst die Wahrscheinlichkeit, dass trait nur in der Grundzielgruppe vorhanden ist. Traits die häufig auftreten, weisen eine hohe Gemeinsamkeit auf, ein wichtiges Merkmal, das verwendet wird, um einen gewichteten Wert festzulegen, wenn es mit traits Entdeckt in Ihrer ausgewählten data sourceszu kombinieren.
Nachdem eine Grundlinie für den Vergleich erstellt wurde, sucht der Algorithmus in Ihrem ausgewählten data sources nach identischen traits. In diesem Schritt führt TraitWeight eine Frequenzanzahl aller entdeckten traits aus und vergleicht sie mit der Grundlinie. Im Gegensatz zum Ausgangswert sind die ungewöhnlichen traits jedoch höher eingestuft als diejenigen, die häufiger vorkommen. Selten traits sind angeblich ein hohes Maß an Spezifität. TraitWeight bewertet Kombinationen von häufigen Ausgangswerten traits und ungewöhnlichen (hochspezifischen) Werten data source traits als einflussreicher oder wünschenswerter als traits üblich. In der Tat erkennt unser Modell diese großen, gemeinsamen traits und weist Datensätzen mit hohen Korrelationen keine übermäßige Priorität zu. Sie erhalten seltene traits höhere Priorität, da sie neue, einzigartige Benutzer mit höherer Wahrscheinlichkeit darstellen als traits mit hoher Gemeinsamkeit auf der gesamten Seite.
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 näher an 100 % platziert sind, bedeutet, dass sie der Zielgruppe in Ihrer Grundgesamtheit eher 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 für jeden Datensatz wertvoller ist als traits.
Jeder Benutzer im ausgewählten data sources erhält eine Benutzerbewertung, die der Summe aller Gewichtungen des einflussreichen traits im Profil dieses Benutzers entspricht. Die Benutzerbewertungen werden dann zwischen 0 und 100 % normalisiert.
Audience Manager zeigt Ihre gewichteten Modellergebnisse in Trait Builderan. Wenn Sie einen algorithmic trait erstellen möchten, können Sie mit Trait Builder traits basierend auf dem gewichteten Wert 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.
TraitWeight bewertet regelmäßig die Bedeutung eines trait anhand der Größe und der Veränderung der Population dieses trait. Dies geschieht, wenn sich die Anzahl der für 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. Da die Population von trait A zunimmt, bewertet TraitWeight die Wichtigkeit dieser trait erneut und kann einen niedrigeren Wert zuweisen oder sie ignorieren. In diesem Fall ist trait A zu häufig oder zu groß, um irgendetwas Wichtiges über die Population zu sagen. Nachdem TraitWeight den Wert von trait A verringert (oder ihn im Modell ignoriert), nimmt die Population der algorithmischen Eigenschaft ab. Die Liste der einflussreichen traits spiegelt die Entwicklung der Grundlinie-Population wider. Verwenden Sie die Liste der einflussreichen traits , um zu verstehen, warum diese Änderungen auftreten.
Verwandte Links:
Erstellen und Aktualisieren von Zeitplänen für neue oder vorhandene algorithmic models und traits.
Aktivitätstyp | Beschreibung |
---|---|
Erstellen oder Klonen eines Modells | Für neue oder geklonte Look-Alike Models wird der Erstellungsprozess einmal täglich ausgeführt unter:
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 für Look-alike-Modelle. |
Modell aktualisieren | Unter idealen Bedingungen laufen vorhandene Modelle an Werktagen, mindestens einmal alle 7 Tage. Wenn Sie beispielsweise am Montag ein Modell (bis zum Stichtag) erstellen, wird es spätestens am folgenden Montag aktualisiert. Ein Modell wird erneut ausgeführt, wenn eine der folgenden Bedingungen erfüllt ist:
|
Aktivitätstyp | Beschreibung |
---|---|
Erstellen einer Eigenschaft | Der Erstellungsprozess für Eigenschaften wird täglich von Montag bis Freitag ausgeführt. Im Allgemeinen werden in der Benutzeroberfläche innerhalb von 48 Stunden neue algorithmische Eigenschaften angezeigt. |
Aktualisieren einer Eigenschaft | Vorhandene Eigenschaften werden mindestens alle 7 Tage aktualisiert und folgen dem Zeitplan für Modellaktualisierungen. |
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:
Auf der Zusammenfassungsseite werden Modelldetails wie Name, Reichweite/Genauigkeit, Verarbeitungsverlauf und traits angezeigt, die aus dem Modell erstellt wurden. 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 Modellzusammenfassungsseite enthält die folgenden Abschnitte.
Abschnitt | Beschreibung |
---|---|
Basisinformationen |
Enthält grundlegende Informationen zum Modell, z. B. seinen Namen und den Zeitpunkt der letzten Ausführung. |
Modellreichweite und -genauigkeit |
Zeigt die -Genauigkeit und Reichweite-Daten für die letzte Modellausführung an. |
Modellverarbeitungsverlauf |
Zeigt das Verarbeitungsdatum und die Verarbeitungszeit für die letzten zehn Ausführungen an und ob Daten für diese Ausführungen generiert wurden. |
Einflussreiche Eigenschaften |
Die Tabelle Einflussreiche Eigenschaften:
|
Eigenschaften mit Modell |
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 algorithmischen Erstellungsprozess für 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. |