Explicación de Look-Alike Modeling

Buscar nuevos usuarios con Look-Alike Modeling

Look-Alike Modeling ayuda a descubrir nuevas audiencias únicas mediante la análisis de datos automatizada. El proceso inicio cuando selecciona un trait o segment, un intervalo de tiempo y un data sources de origen y de terceros. Las opciones proporcionan las entradas para el modelo algorítmico. Cuando se ejecuta el proceso de análisis, busca usuarios elegibles en función de las características compartidas de la población seleccionada. Una vez finalizados, estos datos están disponibles en Generador de características, donde puede utilizarlos para crear características basadas en precisión y alcance. Además, puede generar segmentos que combinen características algorítmicas con rules-based traits y agregar otros requisitos de calificación con Boolean expresiones y operadores de comparación. Look-Alike Modeling proporciona una forma dinámica de extraer valor de todos los datos de características disponibles.

Ventajas

Los principales beneficios del uso de Look-Alike Modeling incluyen:

  • Precisión de los datos: el algoritmo se ejecuta con regularidad, lo que ayuda a mantener los resultados actualizados y relevantes.
  • Automatización: no tiene que administrar un gran conjunto de reglas estáticas. El algoritmo encontrará audiencias para usted.
  • Ahorre tiempo y reduzca el esfuerzo: Con nuestro proceso de modelado no tiene que adivinar qué traitspuede segments funcionar o dedicar recursos de tiempo a campañas para descubrir nuevas audiencias. El modelo puede hacer esto por usted.
  • Fiabilidad: La creación de modelos funciona con procesos de calificación y descubrimiento del lado del servidor que evalúan sus propios datos y los datos de terceros seleccionados a los que tiene acceso. Esto significa que no tiene que ver los visitantes en su sitio para calificarlos para una característica.

Flujo de trabajo

Los modelos se administran en Audience Data > Models. En un nivel superior, el proceso de flujo de trabajo incluye lo siguiente:

  • Seleccione los datos de línea de base que desee que evalúe el algoritmo. Esto incluye un trait o segment, intervalo de tiempo y data sources (sus propios datos y datos de terceros a los que ya tiene acceso mediante Audience Manager). En el flujo de trabajo de creación de modelos, puede excluir el traits que no desee que interfiera con el modelo.
  • Guarde el modelo. Una vez guardado, el proceso de evaluación algorítmica se ejecuta automáticamente. Sin embargo, tenga en cuenta que este proceso puede tardar hasta 7 días en completarse. Audience Manager le envía un mensaje de correo electrónico cuando el algoritmo ha finalizado y los resultados están disponibles para la trait creación.
  • Genere algorítmico traits en Trait Builder.
  • Combine traits en segments en Segment Builder.
  • Cree y envíe segment datos a destination.

Resolución de problemas

Desactivamos cualquier Look-Alike Model que no pueda generar datos para tres ejecuciones consecutivas. Tenga en cuenta que no puede volver a activar el estado del modelo posteriormente. Para garantizar que los modelos generen datos, le recomendamos que cree modelos a partir de fuentes de datos con suficiente traits para acumular datos.

Explicación de TraitWeight

TraitWeight es un algoritmo propietario diseñado para descubrir nuevos traits automáticamente. Compara trait datos de su traits y segments actual con todos los demás datos de origen y de terceros a los que tiene acceso mediante Audience Manager. Consulte esta sección para obtener una descripción del proceso de detección algorítmica TraitWeight.

Los siguientes pasos describen el proceso de evaluación TraitWeight.

Paso 1: Generar una línea de base para la comparación Trait

Para generar una línea base, TraitWeight mide todos los traits asociados con una audiencia para un intervalo de 30, 60 ó 90 días. Luego, se clasifica traits según su frecuencia y correlación. El recuento de frecuencias mide la comunidad. La correlación mide la probabilidad de que una trait esté presente solamente en la audiencia de base. Traits que aparecen a menudo se dice que exhiben una alta generalidad, una característica importante utilizada para establecer una puntuación ponderada cuando se combina con traits descubierta en la data sources.

Paso 2: Busque Igual Traits en el Data Source

Después de crear una línea de base para la comparación, el algoritmo busca traits idénticos en el data sources seleccionado. En este paso, TraitWeight realiza un recuento de frecuencia de todos los traits detectados y los compara con la línea base. Sin embargo, a diferencia de la línea base, los poco comunes traits se clasifican más que los que aparecen con más frecuencia. Se dice que traits raros muestran un alto grado de especificidad. TraitWeight evalúa las combinaciones de línea base común traits y poco frecuentes (muy específicas) data source traits como más influyentes o deseables que traits comunes a ambos conjuntos de datos. De hecho, nuestro modelo reconoce estas traits grandes y comunes y no asigna prioridad excesiva a los conjuntos de datos con correlaciones altas. Las traits raras obtienen mayor prioridad porque es más probable que representen a usuarios nuevos y únicos que traits con una gran comunidad en todos los ámbitos.

Paso 3: Asignar Peso

En este paso, TraitWeight clasifica los traits recién descubiertos en orden de influencia o conveniencia. La escala de pesos es un porcentaje que va del 0 % al 100 %. Traits clasificado cerca del 100% significa que son más como la audiencia en la población basal. Además, los traits ponderados con mayor ponderación son valiosos porque representan usuarios nuevos y únicos que pueden comportarse de manera similar a la audiencia de línea de base establecida. Recuerde que TraitWeight considera que traits con una alta concordancia en la línea de base y alta especificidad en las fuentes de datos comparadas es más valiosa que traits común en cada conjunto de datos.

Paso 4: Usuarios con puntuación

A cada usuario del data sources seleccionado se le asigna una puntuación de usuario que es igual a la suma de todos los pesos del traits influyente en el perfil de ese usuario. Las puntuaciones del usuario se normalizan entre 0 y 100%.

Paso 5: Mostrar y trabajar con resultados

Audience Manager muestra los resultados del modelo ponderado en Trait Builder. Cuando desee generar un algorithmic trait, Trait Builder le permite crear traits basándose en la puntuación ponderada generada por el algoritmo durante una ejecución de datos. Puede elegir una precisión mayor para calificar solo a los usuarios con puntuaciones de usuario muy altas y, por lo tanto, son muy similares a la audiencia de línea de base, en lugar de al resto de la audiencia. Si desea alcanzar una audiencia mayor (alcance), puede reducir la precisión.

Paso 6: Volver a evaluar la importancia de un Trait en los ciclos de procesamiento

Periódicamente, TraitWeight vuelve a evaluar la importancia de un trait basándose en el tamaño y el cambio en la población de ese trait. Esto sucede a medida que el número de usuarios calificados para ese trait aumenta o disminuye con el tiempo. Este comportamiento se ve más claramente en rasgos que se vuelven muy grandes. Por ejemplo, supongamos que el algoritmo utiliza trait A para modelar. A medida que aumenta la población de trait A, TraitWeight vuelve a evaluar la importancia de ese trait y puede asignar una puntuación más baja o ignorarla. En este caso, trait A es demasiado común o grande para decir algo significativo sobre su población. Después de que TraitWeight reduzca el valor de trait A (o lo ignore en el modelo), la población de la característica algorítmica disminuye. La lista de influyentes traits refleja la evolución de la población basal. Utilice la lista del traits influyente para comprender por qué se producen estos cambios.

Vínculos relacionados:

Actualizar programación para Look-Alike Models y Traits

Creación y actualización de programas para algorithmic models y traits nuevos o existentes.

Look-Alike Model Programa de creación y actualización

Tipo de actividad Descripción
Crear o clonar un modelo

Para los Modelos con apariencia similar de nuevos o clonados, el proceso de creación se ejecuta una vez al día en:

  • 5 PM EST (noviembre - marzo)
  • 6 PM EDT (marzo - noviembre)

Los modelos creados o clonados después de la fecha límite de creación se procesan al día siguiente.

Si la primera ejecución de un modelo no genera datos, se ejecutará por segunda vez, al día siguiente. Si el segundo intento tampoco genera datos, habrá un tercer intento, al día siguiente. El modelo dejará de ejecutarse si el tercer intento tampoco genera datos. En este caso, desactivaremos el modelo. Consulte más en Resolución de problemas de modelos similares.

Actualizar un modelo

En condiciones ideales, los modelos existentes se ejecutan en días de semana, al menos una vez cada 7 días. Por ejemplo, si crea un modelo (antes de la fecha límite) el lunes, se actualizará el lunes siguiente a más tardar.

Un modelo se volverá a ejecutar si cumple cualquiera de las siguientes condiciones:

  • Su última ejecución no tuvo éxito.
  • Se ha ejecutado correctamente antes Y no se ha ejecutado en absoluto en los últimos 7 días Y el modelo tiene al menos una característica activa conectada a él.

Look-Alike Trait Programa de creación y actualización

Tipo de actividad Descripción
Crear una característica

El proceso de creación de rasgos se ejecuta todos los días, de lunes a viernes. En general, aparecen nuevas características algorítmicas en la interfaz de usuario en un plazo de 48 horas.

Actualizar una característica

Las características existentes se actualizan al menos una vez cada 7 días y siguen la programación de actualizaciones de modelos.

Vista de Lista de modelos

La vista de lista es un espacio de trabajo central que le ayuda a crear, revisar y administrar modelos.

La página de lista Models contiene funciones y herramientas que le ayudan a:

  • Cree nuevos modelos.
  • Administre modelos existentes (editar, pausar, eliminar o clonar).
  • Busque modelos por nombre.
  • Cree algorithmic traits utilizando cualquier modelo determinado.

Vista de resumen de modelos

La página de resumen muestra detalles del modelo como nombre, alcance/precisión, historial de procesamiento y traits creados a partir del modelo. La página también incluye opciones que le permiten crear y administrar modelos. Haga clic en un nombre de modelo de la lista de resumen para ver sus detalles.

La página de resumen del modelo incluye las siguientes secciones.

Sección Descripción

Información básica

Incluye información básica sobre el modelo, como su nombre y cuándo se ejecutó por última vez.

Alcance y precisión del modelo

Muestra precisión y datos de alcance para la última ejecución del modelo.

Historial de procesamiento del modelo

Muestra la fecha y hora de procesamiento de las últimas 10 ejecuciones y si se generaron datos en dichas ejecuciones.

Características influyentes

La tabla Características influyentes:

  • Lista los 50 rasgos influyentes principales que mejor se representan en la población base del modelo.
  • Clasifica cada característica en orden de su rango de Peso relativo. El Peso relativo ordena las características recientemente descubiertas en orden de influencia o conveniencia. La escala de pesos es un porcentaje que va del 0 % al 100 %. Las características clasificadas cerca del 100% significan que son más como la audiencia en la población basal. Consulte Explicación de TraitWeight.
  • Muestra los únicos de 30 días y la población total de características de cada característica.

Características con modelo

Muestra una lista de las características algorítmicas en función del modelo seleccionado. Haga clic en un nombre de característica o en un ID de característica para obtener más información sobre la característica. Seleccione Crear nueva característica con modelo para ir al proceso de creación de características algorítmicas.

La etiqueta de sección cambia según el nombre del modelo. Por ejemplo, supongamos que se crea un modelo y se le asigna el nombre Modelo A. Al cargar la página de resumen, el nombre de esta sección se cambia a características usando el modelo A.

En esta página

Adobe Summit Banner

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free
Adobe Summit Banner

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free
Adobe Maker Awards Banner

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now
Adobe Maker Awards Banner

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now