Look-Alike Modeling consente di scoprire tipi di pubblico nuovi e univoci tramite l’analisi automatizzata dei dati. Il processo viene avviato quando si seleziona un trait o segment, un intervallo di tempo e il primo e terzo data sources. Le scelte forniscono gli input per il modello algoritmico. Quando il processo di analisi viene eseguito, cerca gli utenti idonei in base alle caratteristiche condivise della popolazione selezionata. Al termine, questi dati sono disponibili in Generatore di caratteristiche dove puoi utilizzarli per creare caratteristiche in base alla precisione e portata. Inoltre, puoi creare segmenti che combinano caratteristiche algoritmiche con rules-based traits e aggiungere altri requisiti di qualificazione con espressioni Boolean e operatori di confronto. Look-Alike Modeling offre un modo dinamico di estrarre il valore da tutti i dati sulle caratteristiche disponibili.
I principali vantaggi dell'utilizzo di Look-Alike Modeling includono:
Puoi gestire i modelli in Audience Data > Models. Ad un livello elevato, il processo del flusso di lavoro prevede quanto segue:
Disattiviamo qualsiasi Look-Alike Model che non genera dati per tre esecuzioni consecutive. Non è possibile impostare nuovamente lo stato del modello su attivo in seguito. Per garantire che i modelli generino dati, ti consigliamo di generare modelli da origini dati con un numero sufficiente di traits per accumulare dati.
TraitWeight è un algoritmo proprietario progettato per individuare traits automaticamente nuovi elementi. Confronta i dati trait del traits e segments correnti con tutti gli altri dati di prime e terze parti a cui hai accesso tramite Audience Manager. Fai riferimento a questa sezione per una descrizione del processo di individuazione algoritmica TraitWeight .
I passaggi seguenti descrivono il processo di valutazione TraitWeight.
Per generare una linea di base, TraitWeight misura tutti i valori traits associati a un pubblico per un intervallo di 30, 60 o 90 giorni. Successivamente, classifica traits in base alla loro frequenza e alla loro correlazione. Il conteggio delle frequenze misura la comunanza. La correlazione misura la probabilità che un elemento trait sia presente solo nel pubblico di base. Traits che appaiono spesso mostrano alta comunanza, una caratteristica importante utilizzata per impostare un punteggio ponderato quando combinato con traits scoperto nel tuo selezionato data sources.
Dopo aver creato una linea di base per il confronto, l'algoritmo cerca traits identici nella data sources selezionata. In questo passaggio, TraitWeight esegue un conteggio di frequenza di tutti i valori rilevati traits e li confronta con la linea di base. Tuttavia, a differenza della linea di base, i valori traits non comuni sono classificati più in alto di quelli visualizzati più spesso. Rare traits si dice che mostrino un alto grado di specificità. TraitWeight valuta le combinazioni della linea di base comune traits e delle combinazioni non comuni (molto specifiche) data source traits come più influenti o desiderabili rispetto a quelle traits comuni a entrambi i set di dati. In realtà, il nostro modello riconosce queste grandi e comuni traits e non assegna priorità in eccesso ai set di dati con correlazioni elevate. Rare traits ha una priorità più alta perché è più probabile che rappresentino utenti nuovi e univoci rispetto a traits con un’elevata comunanza a tutti gli effetti.
In questo passaggio, TraitWeight classifica i nuovi traits scoperti in ordine di influenza o desiderabilità. La scala del peso è una percentuale che va dallo 0% al 100%. Traits posizionati più vicino al 100% significa che assomigliano più al pubblico nella popolazione di base. Inoltre, le traits pesate pesantemente sono preziose perché rappresentano utenti nuovi e univoci che possono comportarsi in modo simile al pubblico di riferimento stabilito. Ricorda che TraitWeight considera traits con un’elevata comunanza nella linea di base e un’elevata specificità nelle origini dati confrontate più importanti di traits comuni in ogni set di dati.
A ciascun utente della data sources selezionata viene assegnato un punteggio utente pari alla somma di tutti i pesi dell’ traits influente sul profilo dell’utente. I punteggi utente vengono quindi normalizzati tra 0 e 100%.
Audience Manager visualizza i risultati del modello ponderato in Trait Builder. Quando si desidera generare un algorithmic trait, Trait Builder consente di creare un elemento traits in base al punteggio ponderato generato dall'algoritmo durante un'esecuzione di dati. Puoi scegliere una precisione maggiore per qualificare solo gli utenti con punteggi utente molto elevati e quindi molto simili al pubblico di base, anziché al resto del pubblico. Se desideri raggiungere un pubblico più ampio (portata), puoi abbassare la precisione.
Periodicamente, TraitWeight rivaluta l'importanza di un trait in base alle dimensioni e alla variazione della popolazione di tale trait. Questo accade quando il numero di utenti qualificati per quel trait aumenta o diminuisce nel tempo. Questo comportamento è visto più chiaramente nelle caratteristiche che diventano molto grandi. Ad esempio, supponiamo che l’algoritmo utilizzi trait A per la modellazione. Man mano che la popolazione di trait A aumenta, TraitWeight rivaluta l'importanza di tale trait e può assegnare un punteggio inferiore o ignorarlo. In questo caso, trait A è troppo comune o grande per dire qualcosa di significativo sulla sua popolazione. Dopo che TraitWeight riduce il valore di trait A (o lo ignora nel modello), la popolazione della caratteristica algoritmica diminuisce. L'elenco delle persone influenti traits riflette l'evoluzione della popolazione di base. Utilizza l'elenco dei traits influenti per capire perché si verificano queste modifiche.
Collegamenti correlati:
Creazione e aggiornamento di pianificazioni per algorithmic models e traits nuovi o esistenti.
Tipo di attività | Descrizione |
---|---|
Creare o clonare un modello | Per i modelli lookalike nuovi o clonati, il processo di creazione viene eseguito una volta al giorno a:
I modelli generati o clonati dopo la scadenza della creazione vengono elaborati il giorno successivo. Se la prima esecuzione di un modello non genera dati, verrà eseguita una seconda volta, il giorno successivo. Se anche il secondo tentativo non genera dati, verrà effettuato un terzo tentativo, il giorno successivo. Il modello smetterà di funzionare se anche il terzo tentativo non genera dati. In questo caso, disattiveremo il modello. Per ulteriori informazioni, consulta Risoluzione dei problemi relativi ai modelli lookalike. |
Aggiornare un modello | In condizioni ideali, i modelli esistenti vengono eseguiti nei giorni feriali, almeno una volta ogni 7 giorni. Ad esempio, se crei un modello (entro la scadenza) il lunedì, questo verrà aggiornato al più tardi il lunedì successivo. Un modello viene rieseguito se soddisfa una delle seguenti condizioni:
|
Tipo di attività | Descrizione |
---|---|
Creare una caratteristica | Il processo di creazione delle caratteristiche viene eseguito ogni giorno, dal lunedì al venerdì. In genere, le nuove caratteristiche algoritmiche vengono visualizzate nell’interfaccia utente entro 48 ore. |
Aggiornare una caratteristica | Le caratteristiche esistenti vengono aggiornate almeno una volta ogni 7 giorni e seguono la pianificazione per gli aggiornamenti del modello. |
La vista a elenco è un’area di lavoro centrale che consente di creare, rivedere e gestire i modelli.
La pagina dell'elenco Models contiene funzioni e strumenti utili per:
Nella pagina di riepilogo sono visualizzati i dettagli del modello, quali nome, portata/precisione, cronologia di elaborazione e traits creati dal modello. La pagina include anche impostazioni che consentono di creare e gestire modelli. Fare clic sul nome di un modello nell'elenco di riepilogo per visualizzarne i dettagli.
La pagina di riepilogo del modello include le sezioni seguenti.
Sezione | Descrizione |
---|---|
Informazioni di base |
Include informazioni di base sul modello, ad esempio il nome e la data dell’ultima esecuzione. |
Raggiungimento e accuratezza del modello |
Mostra la precisione e la portata dei dati per l'ultima esecuzione del modello. |
Cronologia elaborazione modello |
Visualizza la data e l’ora di elaborazione per le ultime 10 esecuzioni e indica se i dati sono stati generati su tali esecuzioni. |
Caratteristiche influenti |
La tabella Caratteristiche influenti:
|
Caratteristiche che utilizzano il modello |
Mostra un elenco delle caratteristiche algoritmiche in base al modello selezionato. Fai clic sul nome o sull’ID di una caratteristica per ulteriori informazioni sulla caratteristica. Seleziona Crea nuova caratteristica con modello per passare al processo di creazione delle caratteristiche algoritmiche. L’etichetta della sezione viene modificata in base al nome del modello. Ad esempio, supponiamo di creare un modello e di denominarlo Modello A. Quando carichi la pagina di riepilogo, il nome di questa sezione viene modificato in Caratteristiche utilizzando il modello A. |