Grundlagen zu Look-Alike Modeling

Neue Benutzer mit Look-Alike Modeling suchen

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.

Vorteile

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 funktionieren könnte oder Zeitressourcen für Kampagnen verbringen, 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.

Arbeitsablauf

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 ein trait oder segment, ein Zeitraum und data sources (Ihre eigenen Daten und Drittanbieterdaten, auf die Sie bereits über Audience Manager zugreifen können). Im Workflow für die Modellerstellung können Sie den traits ausschließen, den 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 zur trait Erstellung verfügbar sind.
• Erstellen Sie algorithmische traits in Trait Builder.
• Kombinieren Sie traits in segments in Segment Builder.
• Erstellen und senden Sie segment Daten an destination.

Fehlerbehebung

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.

Grundlagen zu 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. In diesem Abschnitt finden Sie eine Beschreibung des algorithmischen Erkennungsprozesses von TraitWeight.

Die folgenden Schritte beschreiben den Bewertungsprozess für TraitWeight.

Schritt 1: Erstellen einer Grundlinie für Trait Vergleich

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.

Schritt 2: Suchen Sie dieselben Traits in der Data Source

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.

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 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.

Schritt 4: Scoring-Benutzer

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.

Schritt 5: Anzeigen und Arbeiten mit Ergebnissen

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.

Schritt 6: Neubewertung der Bedeutung eines Trait für alle Verarbeitungszyklen

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:

• Modell-Builder
• Genauigkeit und Reichweite

Zeitplan für Look-Alike Models und Traits aktualisieren

Erstellen und Aktualisieren von Zeitplänen für neue oder vorhandene algorithmic models und traits.

Look-Alike Model Zeitplan für Erstellung und Aktualisierung

Look-Alike Trait Zeitplan für Erstellung und Aktualisierung

Modelllistenansicht

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

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.