Comprendre Look-Alike Modeling

Rechercher de nouveaux utilisateurs avec Look-Alike Modeling

Look-Alike Modeling vous aide à découvrir de nouvelles audiences uniques grâce à l’analyse automatisée des données. Le processus se début lorsque vous sélectionnez trait ou segment, un intervalle de temps, et data sources premier et tiers. Vos choix fournissent les entrées pour le modèle algorithmique. Lorsque le processus d’analyse s’exécute, il recherche les utilisateurs éligibles en fonction de caractéristiques partagées de la population sélectionnée. Une fois les données terminées, elles sont disponibles dans Trait Builder où vous pouvez les utiliser pour créer des caractéristiques basées sur la précision et la portée. De plus, vous pouvez créer des segments qui combinent des caractéristiques algorithmiques avec rules-based traits et ajouter d’autres exigences de qualification avec des expressions et des opérateurs de comparaison Boolean. Look-Alike Modeling vous permet d’extraire de la valeur de toutes les données de caractéristiques disponibles de manière dynamique.

Avantages

Les principaux avantages de l'utilisation de Look-Alike Modeling sont les suivants :

  • Précision des données : l’algorithme s’exécute régulièrement, ce qui permet de garder les résultats à jour et pertinents.
  • Automatisation : vous n’avez pas à gérer un ensemble important de règles statiques. L'algorithme trouvera des audiences pour vous.
  • Gagnez du temps et réduisez les efforts : grâce à notre processus de modélisation, vous n’avez pas à deviner ce qui traits/segments peut fonctionner ou consacrer du temps aux campagnes pour découvrir de nouvelles audiences. Le modèle peut faire ça pour vous.
  • Fiabilité : la modélisation fonctionne avec des processus de détection et de qualification côté serveur qui évaluent vos propres données et les données tierces sélectionnées auxquelles vous avez accès. Cela signifie que vous n’avez pas besoin de voir les visiteurs sur votre site pour les qualifier pour une caractéristique.

Processus

Vous gérez les modèles dans Audience Data > Models. A un niveau élevé, le processus de flux de travail implique les éléments suivants :

  • Sélectionnez les données de base que l’algorithme doit évaluer. Cela inclut une plage de temps trait ou segment et data sources (vos propres données et données tierces auxquelles vous avez déjà accès par Audience Manager). Dans le processus de création de modèle, vous pouvez exclure le traits que vous ne souhaitez pas interférer avec votre modèle.
  • Enregistrez votre modèle. Une fois enregistré, le processus d’évaluation algorithmique s’exécute automatiquement. Notez toutefois que cette procédure peut prendre jusqu’à 7 jours. Audience Manager vous envoie un courrier électronique lorsque l’algorithme est terminé et que les résultats sont disponibles pour trait la création.
  • Créez l’algorithme traits dans Trait Builder.
  • Combinez traits en segments dans Segment Builder.
  • Créez et envoyez des données segment à un destination.

Résolution des problèmes

Nous désactivons toute Look-Alike Model qui ne parvient pas à générer des données pour trois exécutions consécutives. Notez que vous ne pouvez pas redéfinir l'état du modèle sur principal après. Pour nous assurer que vos modèles génèrent des données, nous vous recommandons de créer des modèles à partir de sources de données avec un traits suffisant pour accumuler des données.

Comprendre TraitWeight

TraitWeight est un algorithme propriétaire conçu pour découvrir traits automatiquement les nouveaux. Il compare les données trait de vos traits et segments actuels à toutes les autres données propriétaires et tierces auxquelles vous avez accès par Audience Manager. Reportez-vous à cette section pour une description du processus de découverte algorithmique TraitWeight.

Les étapes suivantes décrivent le processus d'évaluation de TraitWeight.

Étape 1 : Créer une ligne de base pour la comparaison Trait

Pour créer une ligne de base, TraitWeight mesure tous les traits associés à une audience pour un intervalle de 30, 60 ou 90 jours. Ensuite, il classe traits en fonction de leur fréquence et de leur corrélation. Le décompte des fréquences mesure les points communs. La corrélation mesure la probabilité qu'un trait ne soit présent que dans l'audience de référence. Traits qui semblent souvent présenter des points communs élevés, une caractéristique importante utilisée pour définir un score pondéré lorsqu'il est combiné avec traits découvert dans votre data sourceschoix.

Étape 2 : Rechercher la même Traits dans le Data Source

Après avoir créé une ligne de base à des fins de comparaison, l’algorithme recherche traits identique dans le data sources sélectionné. Au cours de cette étape, TraitWeight effectue un décompte de fréquence de tous les traits découverts et les compare à la ligne de base. Cependant, contrairement à la ligne de base, traits rare est classé plus haut que ceux qui apparaissent plus souvent. On dit que les traits rares présentent un haut degré de spécificité. TraitWeight évalue les combinaisons de lignes de base communes traits et de lignes de base inhabituelles (très spécifiques) data source traits comme étant plus influentes ou souhaitables que traits communes aux deux ensembles de données. En fait, notre modèle reconnaît ces grandes traits communes et n'accorde pas une priorité excessive aux ensembles de données présentant des corrélations élevées. Rare traits a une priorité plus élevée parce qu'ils sont plus susceptibles de représenter de nouveaux utilisateurs uniques que traits avec une communauté élevée dans l'ensemble.

Étape 3 : Attribuer un Poids

À cette étape, TraitWeight classe traits les nouveaux par ordre d'influence ou d'opportunité. L'échelle de poids est un pourcentage qui s'étend de 0 % à 100 %. Traits classé plus près de 100 % signifie qu’ils ressemblent davantage à l’audience de votre population de base. En outre, les traits fortement pondérés sont utiles parce qu'ils représentent de nouveaux utilisateurs uniques qui peuvent se comporter de la même manière que votre audience de base établie. N'oubliez pas que TraitWeight considère traits que la ligne de base présente des points communs élevés et que la grande spécificité des sources de données comparées est plus précieuse que traits que ce qui est commun à chaque jeu de données.

Étape 4 : Notation des utilisateurs

Chaque utilisateur de l’élément data sources sélectionné reçoit un score d’utilisateur égal à la somme de tous les poids de l’élément traits influent sur son profil. Les scores de l’utilisateur sont ensuite normalisés entre 0 et 100 %.

Étape 5 : Affichage et utilisation des résultats

Audience Manager affiche les résultats du modèle pondéré dans Trait Builder. Lorsque vous souhaitez créer un algorithmic trait, Trait Builder vous permet de créer traits en fonction du score pondéré généré par l’algorithme au cours d’une exécution de données. Vous pouvez choisir une précision plus élevée afin de ne qualifier que les utilisateurs dont les scores d’utilisateur sont très élevés et sont donc très similaires à l’audience de base, plutôt que le reste de l’audience. Si vous souhaitez atteindre une plus grande audience (portée), vous pouvez réduire la précision.

Étape 6 : Réévaluer l'importance d'un Trait sur plusieurs cycles de traitement

Périodiquement, TraitWeight réévalue l'importance d'un trait en fonction de la taille et du changement de la population de ce trait. Cela se produit lorsque le nombre d’utilisateurs qualifiés pour ce trait augmente ou diminue au fil du temps. Ce comportement est plus clairement visible dans les caractères qui deviennent très grands. Par exemple, supposons que l’algorithme utilise trait A pour la modélisation. À mesure que la population de trait A augmente, TraitWeight réévalue l'importance de trait et peut attribuer un score inférieur ou l'ignorer. Dans ce cas, trait A est trop courant ou trop grand pour dire quoi que ce soit d'important sur sa population. Une fois TraitWeight réduit la valeur de trait A (ou l'ignore dans le modèle), la population de la caractéristique algorithmique diminue. La liste de traits influent reflète l'évolution de la population de base. Utilisez la liste de l'influent traits pour comprendre pourquoi ces changements se produisent.

Liens connexes :

Calendrier de mise à jour pour Look-Alike Models et Traits

Planifications de création et de mise à jour pour algorithmic models et traits nouveaux ou existants.

Look-Alike Model Planification de la création et de la mise à jour

Type d’activité Description
Création ou duplication d’un modèle

Pour les nouveaux Look Alike Models ou clonés, le processus de création s’exécute une fois par jour à l’adresse suivante :

  • 17 h (novembre à mars)
  • 18h HAE (mars à novembre)

Les modèles créés ou clonés après l’échéance de création sont traités le lendemain.

Si la première exécution d'un modèle ne génère aucune donnée, elle s'exécute une deuxième fois, le lendemain. Si la deuxième tentative ne génère pas de données, il y aura une troisième tentative, le lendemain. Le modèle s'arrête si la troisième tentative ne génère pas non plus de données. Dans ce cas, nous désactiverons le modèle. Pour en savoir plus, voir Dépannage des modèles ressemblant à un look.

Mettre à jour un modèle

Dans des conditions idéales, les modèles existants s'exécutent en semaine, au moins une fois tous les 7 jours. Par exemple, si vous créez un modèle (avant la date limite) le lundi, il met à jour le lundi suivant au plus tard.

Un modèle se réexécute s’il répond à l’une des conditions suivantes :

  • Sa dernière exécution a échoué.
  • Il s'est exécuté avec succès avant ET il ne s'est pas exécuté du tout au cours des 7 derniers jours ET le modèle a au moins un trait principal qui lui est associé.

Look-Alike Trait Planification de la création et de la mise à jour

Type d’activité Description
Créer une caractéristique

Le processus de création de caractéristiques s’exécute tous les jours, du lundi au vendredi. En règle générale, de nouvelles caractéristiques algorithmiques apparaissent dans l’interface utilisateur dans les 48 heures.

Mettre à jour un trait

Les caractéristiques existantes sont mises à jour au moins une fois tous les 7 jours et suivent le calendrier des mises à jour des modèles.

Vue de Liste de modèles

La vue de liste est un espace de travail central qui vous permet de créer, de réviser et de gérer des modèles.

La page de liste Models contient des fonctionnalités et des outils qui vous aident à :

  • Créez de nouveaux modèles.
  • Gérer les modèles existants (modifier, suspendre, supprimer ou cloner).
  • Rechercher des modèles par nom.
  • Créez algorithmic traits à l'aide d'un modèle donné.

Vue de résumé des modèles

La page de résumé affiche les détails du modèle tels que le nom, la portée/précision, l'historique de traitement et traits créés à partir du modèle. La page comprend également des paramètres qui vous permettent de créer et de gérer des modèles. Cliquez sur un nom de modèle dans la liste de résumé pour en afficher les détails.

La page de résumé du modèle comprend les sections suivantes.

Section Description

Informations fondamentales

Inclut des informations de base sur le modèle, telles que son nom et sa dernière exécution.

Portée et précision du modèle

Affiche la précision et les données de portée pour la dernière exécution du modèle.

Historique de traitement du modèle

Affiche la date et l’heure de traitement des 10 dernières exécutions et indique si des données ont été générées sur ces exécutions.

Caractéristiques influentes

Le tableau Caractéristiques d'influence :

  • Liste les 50 principales caractéristiques influentes les mieux représentées dans la population de référence du modèle.
  • Classe chaque trait dans l'ordre de son classement Poids relatif. Le Poids relatif trie les caractéristiques nouvellement découvertes par ordre d'influence ou de désirabilité. L'échelle de poids est un pourcentage qui s'étend de 0 % à 100 %. Les traits classés plus près de 100 % signifient qu’ils ressemblent davantage à l’audience de votre population de base. Voir Présentation de TraitWeight.
  • Affiche les valeurs uniques de 30 jours et la population totale de caractéristiques pour chaque caractéristique.

Caractéristiques utilisant le modèle

Affiche une liste des caractéristiques algorithmiques en fonction du modèle sélectionné. Cliquez sur un nom de caractéristique ou un ID de caractéristique pour plus d’informations sur la caractéristique. Sélectionnez Créer une caractéristique avec le modèle pour accéder au processus de création de caractéristiques algorithmiques.

Le libellé de la section change en fonction du nom de votre modèle. Supposons, par exemple, que vous créiez un modèle et que vous le nommiez Modèle A. Lorsque vous chargez la page de résumé, le nom de cette section est remplacé par Caractéristiques utilisant le modèle A.

Sur cette page

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