Informazioni su Look-Alike Modeling

Trova nuovi utenti con Look-Alike Modeling

Look-Alike Modeling consente di scoprire audience nuove e uniche tramite l'analisi automatizzata dei dati. Il processo inizia quando si seleziona un trait o segment, un intervallo di tempo e la prima e terza parte 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 è possibile utilizzarli per creare caratteristiche basate sulla precisione e raggiungere. Inoltre, puoi creare segmenti che combinano caratteristiche algoritmiche con rules-based traits e aggiungere altri requisiti di qualifica con espressioni Boolean e operatori di confronto. Look-Alike Modeling offre un metodo dinamico per estrarre valore da tutti i dati sulle caratteristiche disponibili.

Vantaggi

I vantaggi principali dell'utilizzo di Look-Alike Modeling comprendono:

• Precisione dei dati: l'algoritmo viene eseguito regolarmente, in modo da mantenere i risultati aggiornati e pertinenti.
• Automazione: non è necessario gestire un insieme di regole statiche di grandi dimensioni. L'algoritmo troverà audience per voi.
• Risparmiate tempo e riducete il lavoro: con il nostro processo di modellazione non è necessario indovinare cosa traits/segments potrebbe funzionare o spendere tempo nelle campagne per scoprire nuovi tipi di pubblico. Il modello può fare questo per voi.
• Affidabilità: la modellazione funziona con processi di individuazione e qualificazione lato server che valutano i tuoi dati 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

Puoi gestire i modelli in Audience Data > Models. A un livello elevato, il processo di workflow comprende le seguenti attività:

• Selezionare i dati di base che si desidera valutare dall'algoritmo. Questo include un trait o segment, un intervallo di tempo e data sources (i dati personali e i dati di terze parti a cui hai già accesso tramite Audience Manager). Nel flusso di lavoro per la creazione del modello, è possibile escludere la traits che non si desidera interferire con il modello.
• Salvare 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 invia un messaggio e-mail al termine dell’algoritmo e i risultati sono disponibili per la trait creazione.
• Creare un algoritmo traits in Trait Builder.
• Combinare traits in segments in Segment Builder.
• Creare e inviare segment dati a destination.

Risoluzione dei problemi

Disattiva 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, è consigliabile creare modelli da origini dati con un numero sufficiente di traits per accumulare dati.

Informazioni su TraitWeight

TraitWeight è un algoritmo proprietario progettato per scoprire nuovi traits automaticamente. Vengono confrontati i dati trait della traits e segments correnti rispetto a tutti gli altri dati di prime e terze parti a cui si ha accesso tramite Audience Manager. Fare riferimento a questa sezione per una descrizione del processo di individuazione algoritmica TraitWeight.

I passaggi seguenti descrivono il processo di valutazione TraitWeight.

Passaggio 1: Creare una baseline per il confronto tra Trait

Per generare una linea di base, TraitWeight misura tutti gli traits associati a un'audience per un intervallo di 30, 60 o 90 giorni. Successivamente, si classifica traits in base alla frequenza e alla correlazione. Il conteggio delle frequenze misura la comunanza. La correlazione misura la probabilità che un trait sia presente solo nel pubblico di riferimento. Traits che appaiono spesso mostrano un'alta comunanza, una caratteristica importante usata per impostare un punteggio ponderato quando combinato con traits scoperto nel vostro selezionato data sources.

Passaggio 2: Trovare lo stesso Traits nella Data Source

Dopo aver creato una baseline 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, traits raramente viene classificato più in alto rispetto a quelli visualizzati più spesso. Rare traits è detto che mostra un alto grado di specificità. TraitWeight valuta le combinazioni di riferimento comune traits e non comune (altamente specifico) data source traits come più influente o desiderabile di quanto traits comune a entrambi i set di dati. In realtà, il nostro modello riconosce queste grandi traits comuni e non assegna priorità in eccesso ai set di dati con correlazioni elevate. Rare traits ottenere priorità più alta perché è più probabile che rappresentino utenti nuovi e univoci rispetto a traits con un'elevata comuni a tutti i livelli.

Passaggio 3: Assegna spessore

In questo passaggio, TraitWeight classifica traits appena scoperti in ordine di influenza o desiderabilità. La scala del peso è una percentuale compresa tra 0% e 100%. Traits con un punteggio più vicino al 100%, i dati sono più simili al pubblico della popolazione di riferimento. Inoltre, le traits pesate pesantemente sono preziose perché rappresentano utenti nuovi e unici 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 preziose di traits comuni in ciascun set di dati.

Passaggio 4: Punteggio utenti

A ogni utente della data sources selezionata viene assegnato un punteggio utente pari alla somma di tutti i pesi dell'influente traits nel profilo dell'utente. I punteggi utente vengono quindi normalizzati tra 0 e 100%.

Passaggio 5: Visualizzazione e utilizzo dei risultati

Audience Manager visualizza i risultati ponderati del modello in Trait Builder. Se si desidera creare un algorithmic trait, Trait Builder consente di creare traits in base al punteggio ponderato generato dall'algoritmo durante un'esecuzione dei dati. Potete scegliere una precisione più elevata per qualificare solo gli utenti con un punteggio utente molto elevato e quindi molto simile al pubblico previsto, anziché il resto del pubblico. Se desiderate raggiungere un pubblico più vasto (portata), potete ridurre la precisione.

Passaggio 6: Rivalutare l'importanza di un Trait nei cicli di elaborazione

Periodicamente, TraitWeight rivaluta l'importanza di un trait in base alle dimensioni e ai cambiamenti della popolazione di tale trait. Questo accade quando il numero di utenti idonei per quella trait aumenta o diminuisce nel tempo. Questo comportamento è più chiaro nelle caratteristiche che diventano molto grandi. Ad esempio, supponiamo che l'algoritmo utilizzi trait A per la modellazione. Con l'aumento della popolazione di trait A, 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. Utilizzate l'elenco delle traits influenti per comprendere il motivo per cui tali modifiche si verificano.

Collegamenti correlati:

• Model Builder
• Precisione e portata

Programma di aggiornamento per Look-Alike Models e Traits

Pianificazione di creazione e aggiornamento per algorithmic models e traits nuovi o esistenti.

Look-Alike Model Pianificazione creazione e aggiornamento

Look-Alike Trait Pianificazione creazione e aggiornamento

Visualizzazione elenco modelli

La vista 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:

• Creare nuovi modelli.
• Gestire i modelli esistenti (modificare, mettere in pausa, eliminare o duplicare).
• Cercare modelli per nome.
• Create algorithmic traits utilizzando qualsiasi modello specificato.

Visualizzazione riepilogo modelli

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 inoltre impostazioni che consentono di creare e gestire i modelli. Fate clic sul nome di un modello dall'elenco di riepilogo per visualizzarne i dettagli.

La pagina di riepilogo del modello include le sezioni seguenti.