Informazioni su Look-Alike Modeling about-algorithmic-models
Trova nuovi utenti con Look-Alike Modeling find-new-users
Look-Alike Modeling consente di individuare nuovi tipi di pubblico univoci tramite l'analisi automatizzata dei dati. Il processo viene avviato quando si seleziona un trait o un segment, un intervallo di tempo e un data sources di prime e terze parti. Le scelte effettuate forniscono gli input per il modello algoritmico. Durante l’esecuzione del processo di analisi, vengono cercati 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 basate sulla precisione e portata. Inoltre, puoi creare segmenti che combinano caratteristiche algoritmiche con rules-based traits e aggiungere altri requisiti di qualificazione con Boolean espressioni e operatori di confronto. Look-Alike Modeling offre un modo dinamico per estrarre valore da tutti i dati delle caratteristiche disponibili.
Vantaggi advantages
I principali vantaggi dell'utilizzo di Look-Alike Modeling includono:
- Precisione dei dati: l'algoritmo viene eseguito regolarmente, per mantenere i risultati aggiornati e pertinenti.
- Automazione: Non è necessario gestire un set elevato di regole statiche. L’algoritmo troverà i tipi di pubblico per te.
- Risparmia tempo e riduci l'impegno: Con il nostro processo di modellazione non devi indovinare a cosa traits/segments può funzionare o spendere tempo nelle risorse per le campagne per scoprire nuovi tipi di pubblico. Il modello può farlo per voi.
- Affidabilità: la modellazione funziona con processi di individuazione e qualificazione lato server che valutano i dati personali e i dati di terze parti selezionati a cui hai accesso. Ciò significa che non è necessario visualizzare i visitatori sul sito per qualificarli per una caratteristica.
Flusso di lavoro workflow
I modelli vengono gestiti in Audience Data > Models. Ad alto livello, il processo del flusso di lavoro prevede quanto segue:
- Selezionare i dati della baseline che si desidera vengano valutati dall'algoritmo. Sono inclusi trait o segment, intervallo di tempo e data sources (dati personalizzati e dati di terze parti a cui si ha già accesso tramite Audience Manager). Nel flusso di lavoro di creazione del modello è possibile escludere traits che non si desidera interferire con il modello.
- Salva il modello. Una volta salvato, il processo di valutazione algoritmica viene eseguito automaticamente. Tuttavia, il completamento di questo processo può richiedere fino a 7 giorni. Audience Manager ti invia un'e-mail quando l'algoritmo è terminato e i risultati sono disponibili per la creazione di trait.
- Genera algoritmo traits in Trait Builder.
- Combinare traits in segments in Segment Builder.
- Crea e invia dati segment a destination.
Risoluzione dei problemi troubleshooting
Disattiviamo qualsiasi Look-Alike Model che non riesce a generare dati per tre esecuzioni consecutive. Non potete riattivare lo stato del modello in seguito. Per garantire che i modelli generino dati, è consigliabile creare modelli da origini dati con un numero di traits sufficiente per accumulare dati da.
Informazioni su TraitWeight understanding-traitweight
TraitWeight è un algoritmo proprietario progettato per individuare automaticamente il nuovo traits. Confronta i dati di trait dei tuoi traits e segments correnti con tutti gli altri dati di prime e terze parti a cui hai accesso tramite Audience Manager. Fare riferimento a questa sezione per una descrizione del processo di individuazione algoritmica di TraitWeight.
I passaggi seguenti descrivono il processo di valutazione TraitWeight.
Passaggio 1: creare una baseline per il confronto Trait
Per generare una linea di base, TraitWeight misura tutti i traits associati a un pubblico per un intervallo di 30, 60 o 90 giorni. Successivamente, classifica traits in base alla loro frequenza e correlazione. Il conteggio delle frequenze misura la compatibilità. La correlazione misura la probabilità che un trait sia presente solo nel pubblico di base. Si dice che Traits che appaiono spesso presentino un'elevata compatibilità, una caratteristica importante utilizzata per impostare un punteggio ponderato quando combinati con traits individuati nel data sources selezionato.
Passaggio 2: trovare lo stesso Traits in Data Source
Dopo aver creato una linea di base per il confronto, l'algoritmo cerca traits identico nel data sources selezionato. In questo passaggio, TraitWeight esegue un conteggio di frequenza di tutti i traits individuati e li confronta con la linea di base. Tuttavia, a differenza della linea di base, traits non comuni sono classificati più in alto di quelli che appaiono più spesso. Si dice che traits rari presentino un elevato grado di specificità. TraitWeight valuta le combinazioni della linea di base comune traits e non comune (altamente specifico) data source traits come più influente o desiderabile di traits comune a entrambi i set di dati. In effetti, il nostro modello riconosce questi traits grandi e comuni e non assegna un'eccessiva priorità ai set di dati con correlazioni elevate. traits rari hanno priorità più alta perché hanno maggiori probabilità di rappresentare nuovi utenti univoci rispetto a traits con elevata compatibilità in tutto il mondo.
Passaggio 3: assegnare il peso
In questo passaggio, TraitWeight classifica i nuovi traits individuati in ordine di influenza o desiderabilità. La scala del peso è una percentuale compresa tra 0% e 100%. Traits si è classificato più vicino al 100% significa che è più simile al pubblico nella popolazione linea di base. Inoltre, traits pesantemente ponderati sono preziosi perché rappresentano nuovi utenti univoci che possono comportarsi in modo simile al pubblico consolidato e di base. Ricorda che TraitWeight considera traits con elevata compatibilità nella linea di base e alta specificità nelle origini dati confrontate più preziose di traits comuni in ogni set di dati.
Passaggio 4: assegnazione del punteggio agli utenti
A ogni utente nella data sources selezionata viene assegnato un punteggio pari alla somma di tutti i pesi della traits influente sul profilo dell'utente. I punteggi utente vengono quindi normalizzati tra 0 e 100%.
Passaggio 5: visualizzare e utilizzare i risultati
Audience Manager visualizza i risultati del modello ponderato in Trait Builder. Quando desideri generare un algorithmic trait, Trait Builder ti consente di creare traits in base al punteggio ponderato generato dall'algoritmo durante un'esecuzione dei dati. Puoi scegliere una precisione più elevata per qualificare solo gli utenti con punteggi molto elevati e quindi molto simili al pubblico di riferimento, anziché al resto del pubblico. Se desideri raggiungere un pubblico più ampio (portata), puoi ridurne la precisione.
Passaggio 6: rivalutare la significatività di un Trait in tutti i cicli di elaborazione
Periodicamente TraitWeight rivaluta l'importanza di trait in base alle dimensioni e alla modifica della popolazione di trait. Questo accade quando il numero di utenti qualificati per trait aumenta o diminuisce nel tempo. Questo comportamento si nota soprattutto nelle caratteristiche che diventano molto grandi. Si supponga ad esempio che l'algoritmo utilizzi trait A per la modellazione. Con l'aumento della popolazione di trait A, TraitWeight rivaluta l'importanza di trait e può assegnare un punteggio inferiore o ignorarlo. In questo caso, trait A è troppo comune o troppo grande per fornire informazioni significative sulla popolazione. Quando TraitWeight riduce il valore di trait A (o lo ignora nel modello), la popolazione della caratteristica algoritmica diminuisce. L'elenco di traits influenti riflette l'evoluzione della popolazione linea di base. Utilizza l'elenco degli traits influenti per capire perché si verificano queste modifiche.
Collegamenti correlati:
Aggiorna pianificazione per Look-Alike Models e Traits update-schedule
Creazione e aggiornamento delle pianificazioni per algorithmic models e traits nuovi o esistenti.
Look-Alike Model pianificazione creazione e aggiornamento
Per Look-Alike Models nuovi o clonati, il processo di creazione viene eseguito una volta al giorno alle:
- 17:00 CET (novembre - marzo)
- 18.00 EDT (marzo - novembre)
I modelli generati o clonati dopo la scadenza per la creazione vengono elaborati il giorno successivo.
Se la prima esecuzione di un modello non genera dati, verrà eseguita una seconda volta, ovvero il giorno successivo. Se anche il secondo tentativo non genera dati, verrà effettuato un terzo tentativo, il giorno successivo. Il modello terminerà l’esecuzione se anche il terzo tentativo non genera dati. In questo caso, il modello verrà disattivato. Ulteriori informazioni sono disponibili in Risoluzione dei problemi relativi ai modelli lookalike.
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 aggiorna al più tardi il lunedì successivo.
Un modello viene rieseguito se soddisfa una delle seguenti condizioni:
- L’ultima esecuzione non è andata a buon fine.
- È stato eseguito correttamente prima E non è stato eseguito affatto negli ultimi 7 giorni E al modello è associata almeno una caratteristica attiva.
Look-Alike Trait pianificazione creazione e aggiornamento
Vista a elenco modelli models-list-view
La vista a elenco è un’area di lavoro centrale che consente di creare, esaminare e gestire i modelli.
La pagina dell'elenco Models contiene funzionalità e strumenti utili per:
- Creare nuovi modelli.
- Gestisci i modelli esistenti (modifica, pausa, eliminazione o clonazione).
- Cerca i modelli per nome.
- Crea algorithmic traits utilizzando un dato modello.
Visualizzazione riepilogo modelli models-summary-view
Nella pagina di riepilogo vengono visualizzati i dettagli del modello quali nome, portata/precisione, cronologia di elaborazione e traits creato dal modello. La pagina include anche impostazioni che consentono di creare e gestire i 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 riportate di seguito.
Tabella delle caratteristiche influenti :
- Elenca le prime 50 caratteristiche influenti meglio rappresentate nella popolazione linea di base del modello.
- Classifica ogni caratteristica in base al relativo peso relativo . Il peso relativo ordina le caratteristiche appena scoperte in ordine di influenza o desiderabilità. La scala del peso è una percentuale compresa tra 0% e 100%. Le caratteristiche classificate più vicino al 100% indicano che sono più simili al pubblico nella popolazione linea di base. Vedi Informazioni su TraitWeight.
- Mostra gli univoci di 30 giorni e la popolazione totale delle caratteristiche per ogni caratteristica.
Mostra un elenco delle caratteristiche algoritmiche basate sul modello selezionato. Per ulteriori informazioni sulla caratteristica, fai clic sul nome o sull’ID della caratteristica. Selezionare Crea nuova caratteristica con modello per passare al processo di creazione delle caratteristiche algoritmiche.
L’etichetta della sezione cambia 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.