Explicación de Look-Alike Modeling

Buscar nuevos usuarios con Look-Alike Modeling

Look-Alike Modeling ayuda a descubrir audiencias nuevas y únicas mediante el análisis automatizado de datos. El proceso se inicia cuando selecciona trait o segment, un intervalo de tiempo y 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 características compartidas de la población seleccionada. Una vez finalizados, estos datos están disponibles en Generador de rasgos, donde puede utilizarlos para crear rasgos basados en la precisión y el alcance. Además, puede generar segmentos que combinen características algorítmicas con rules-based traits y agregar otros requisitos de calificación con expresiones Boolean y operadores de comparación. Look-Alike Modeling le ofrece una forma dinámica de extraer valor de todos los datos de rasgos disponibles.

Ventajas

Los principales beneficios de utilizar Look-Alike Modeling incluyen:

  • Precisión de los datos: el algoritmo se ejecuta regularmente, lo que ayuda a mantener los resultados actualizados y relevantes.
  • Automatización: no es necesario administrar un gran conjunto de reglas estáticas. El algoritmo encontrará audiencias para usted.
  • Ahorre tiempo y reduzca los esfuerzos: Con nuestro proceso de modelado no tiene que adivinar qué traits/segments puede funcionar o dedicar recursos de tiempo en campañas para descubrir nuevas audiencias. El modelo puede hacerlo por usted.
  • Fiabilidad: el modelado funciona con procesos de detección y calificación 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 del sitio para calificarlos para un rasgo.

Flujo de trabajo

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

  • Seleccione los datos de línea de base que desea 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 desea que interfiera con el modelo.
  • Guarde el modelo. Una vez guardado, el proceso de evaluación algorítmica se ejecuta automáticamente. Tenga en cuenta, sin embargo, 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 su trait creación.
  • Generar traits algorítmico en Trait Builder.
  • Combine traits en segments en Segment Builder.
  • Cree y envíe datos segment a un destination.

Resolución de problemas

Desactivamos cualquier Look-Alike Model que no genere datos para tres ejecuciones consecutivas. Tenga en cuenta que no puede volver a establecer el estado del modelo en activo posteriormente. Para garantizar que los modelos generen datos, se recomienda crear modelos a partir de fuentes de datos con suficiente traits para acumular datos de.

Explicación de TraitWeight

TraitWeight es un algoritmo propietario diseñado para descubrir nuevas traits automáticamente. Compara los trait datos de sus traits y segments actuales con 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 crear una línea de base, TraitWeight mide todos los traits asociados a una audiencia para un intervalo de 30, 60 o 90 días. A continuación, se clasifica traits según su frecuencia y correlación. El recuento de frecuencia mide la cantidad de elementos comunes. La correlación mide la probabilidad de que un trait esté presente solo en la audiencia de línea de base. Traits que aparecen a menudo se dice que exhiben alta generalidad, una característica importante usada para establecer una puntuación ponderada cuando se combina con traits descubierto en el data sources.

Paso 2: Busque Same Traits en el Data Source

Después de crear una línea de base para la comparación, el algoritmo busca traits idéntico en el data sources seleccionado. En este paso, TraitWeight realiza un recuento de frecuencia de todos los traits descubiertos y los compara con la línea base. Sin embargo, a diferencia de la línea de base, los poco comunes traits se clasifican más que los que aparecen con más frecuencia. Se dice que traits raros exhiben un alto grado de especificidad. TraitWeight evalúa las combinaciones de línea base común traits y poco frecuentes (muy específicos) 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 alta frecuencia 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 ponderación es un porcentaje que va del 0 % al 100 %. Traits clasificado cerca del 100 % significa que se parecen más a la audiencia en la población de línea de base. Además, los traits ponderados en gran medida son valiosos porque representan usuarios nuevos y únicos que pueden comportarse de manera similar a la audiencia establecida y de línea de base. Recuerde, TraitWeight considera que traits con una alta generalidad en la línea de base y una 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 igual a la suma de todas las ponderaciones del traits influyente en el perfil de ese usuario. A continuación, las puntuaciones del usuario se normalizan entre el 0 y el 100%.

Paso 5: Mostrar y trabajar con resultados

Audience Manager muestra los resultados del modelo ponderado en Trait Builder. Cuando desea generar un algorithmic trait, Trait Builder permite crear traits en función de la puntuación ponderada generada por el algoritmo durante una ejecución de datos. Puede elegir una precisión mayor para solo calificar a los usuarios que tienen 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 relevancia de un Trait en los ciclos de procesamiento

Periódicamente, TraitWeight vuelve a evaluar la importancia de un trait en función del tamaño y el cambio en la población de ese trait. Esto sucede a medida que el número de usuarios clasificados para ese trait aumenta o disminuye con el tiempo. Este comportamiento se ve claramente en rasgos que se vuelven muy grandes. Por ejemplo, supongamos que el algoritmo utiliza trait A para el modelado. A medida que aumenta la población de trait A, TraitWeight vuelve a evaluar la importancia de ese trait y puede asignar una puntuación inferior 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 del rasgo algorítmico disminuye. La lista de influyentes traits refleja la evolución de la población basal. Utilice la lista de traits influyentes 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 Creación y actualización de programación

Tipo de actividad Descripción
Crear o clonar un modelo

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

  • 5 PM EST (noviembre a 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 información en Solución de problemas de modelos de similitud.

Actualizar un modelo

En condiciones ideales, los modelos existentes se ejecutan entre 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 de AND no se ha ejecutado en absoluto en los últimos 7 días Y el modelo tiene al menos un rasgo activo adjunto.

Look-Alike Trait Creación y actualización de programación

Tipo de actividad Descripción
Crear un rasgo

El proceso de creación de características se ejecuta todos los días, de lunes a viernes. Por lo general, aparecen nuevos rasgos algorítmicos en la interfaz de usuario en un plazo de 48 horas.

Actualizar un rasgo

Los rasgos existentes se actualizan al menos una vez cada 7 días y siguen la programación de las actualizaciones del modelo.

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.
  • Administrar 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 creado a partir del modelo. La página también incluye configuraciones que 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 el momento en que se ejecutó por última vez.

Alcance y precisión del modelo

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

Historial de procesamiento de modelo

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

Características influyentes

La tabla Rasgos influyentes:

  • Enumera las 50 principales características influyentes que se representan mejor en la población de línea de base del modelo.
  • Clasifica cada rasgo en orden de su Peso relativo rango. El Peso relativo clasifica los rasgos recién descubiertos en orden de influencia o conveniencia. La escala de ponderación es un porcentaje que va del 0 % al 100 %. Los rasgos clasificados cerca del 100 % significan que se parecen más a la audiencia en la población de línea de base. Consulte Explicación de TraitWeight.
  • Muestra los únicos de 30 días y la población total de rasgos de cada rasgo.

Rasgos con modelo

Muestra una lista de los rasgos algorítmicos en función del modelo seleccionado. Haga clic en un nombre o ID de rasgo para obtener más información sobre el rasgo. Seleccione Crear nuevo rasgo con modelo para ir al proceso de creación algorítmica de rasgos.

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

En esta página