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 una trait o segment, un intervallo di tempo e la prima e terza parte data sources. 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 utilizzarlo per creare caratteristiche basate su precisione e portata. Inoltre, puoi creare segmenti che combinano caratteristiche algoritmiche con rules-based traits e aggiungere altri requisiti di qualifica con Boolean espressioni e operatori di confronto. Look-Alike Modeling offre un modo dinamico di estrarre valore da tutti i dati delle caratteristiche disponibili.
Vantaggi principali dell'utilizzo di Look-Alike Modeling include:
Gestione dei modelli in Audience Data > Models. Ad alto livello, il processo del flusso di lavoro prevede quanto segue:
Disattiviamo qualsiasi Look-Alike Model che non genera dati per tre esecuzioni consecutive. Non potete riattivare lo stato del modello in seguito. Per garantire che i modelli generino dati, si consiglia di creare modelli da origini dati con traits per accumulare dati da.
TraitWeight è un algoritmo proprietario progettato per scoprire traits automaticamente. Confronta trait dati dal tuo attuale traits e segments rispetto a 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 TraitWeight processo di individuazione algoritmica.
I passaggi seguenti descrivono TraitWeight processo di valutazione.
Per creare una linea di base, TraitWeight misura tutte le traits associato a un pubblico per un intervallo di 30, 60 o 90 giorni. Quindi, classifica traits in base alla loro frequenza e correlazione. Il conteggio delle frequenze misura la compatibilità. La correlazione misura la probabilità di un trait essere presente solo nel pubblico di riferimento. Traits che appaiono spesso mostrano un'elevata comunanza, una caratteristica importante utilizzata per impostare un punteggio ponderato quando combinato con traits individuato nel file data sources.
Dopo aver creato una linea di base per il confronto, l'algoritmo cerca lo stesso traits nel file selezionato data sources. In questo passaggio, TraitWeight esegue un conteggio di frequenza di tutti gli elementi individuati traits e li confronta con la linea di base. Tuttavia, a differenza della linea di base, non comune traits sono classificati più in alto di quelli che appaiono più spesso. Raro traits presentano un elevato grado di specificità. TraitWeight valuta le combinazioni di un basale comune traits e non comuni (altamente specifici) data source traits più influente o auspicabile di traits comune a entrambi i set di dati. Infatti, il nostro modello riconosce questi grandi, comuni traits e non assegna una priorità eccessiva a set di dati con correlazioni elevate. Raro traits ottenere una priorità più elevata perché è più probabile che rappresentino nuovi utenti univoci rispetto a traits con un'elevata uniformità a tutti i livelli.
In questo passaggio, TraitWeight ranghi appena scoperti traits in ordine di influenza o di desiderabilità. La scala del peso è una percentuale compresa tra 0% e 100%. Traits classificato più vicino al 100% significa che è più simile al pubblico nella popolazione linea di base. Inoltre, pesantemente ponderato traits sono utili perché rappresentano nuovi utenti univoci che possono comportarsi in modo simile al pubblico di base consolidato. Ricorda: TraitWeight considera traits con elevata compatibilità nella linea di base e alta specificità nelle fonti di dati confrontate per essere più preziosi di traits comuni in ciascun set di dati.
Ogni utente nella data sources viene assegnato un punteggio utente uguale alla somma di tutti i pesi dell’influente traits sul profilo di tale utente. I punteggi utente vengono quindi normalizzati tra 0 e 100%.
Audience Manager visualizza i risultati del modello ponderato in Trait Builder. Quando desideri creare un’ algorithmic trait, Trait Builder 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.
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 tale operazione trait aumenta o diminuisce nel tempo. Questo comportamento si nota soprattutto nelle caratteristiche che diventano molto grandi. Ad esempio, supponiamo che l’algoritmo utilizzi trait A per modellare. Come popolazione di trait A aumenti, TraitWeight rivaluta l'importanza di tale trait e possono 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 TraitWeight riduce il valore di trait A (o lo ignora nel modello), la popolazione della caratteristica algoritmica diminuisce. L'elenco degli influenti traits riflette l’evoluzione della popolazione al basale. Utilizza l’elenco delle influenti traits per capire perché si verificano questi cambiamenti.
Collegamenti correlati:
Creazione e aggiornamento di pianificazioni per nuove o esistenti algorithmic models e traits.
Tipo di attività | Descrizione |
---|---|
Creare o clonare un modello | Per nuovo o clonato Look-Alike Models, il processo di creazione viene eseguito una volta al giorno alle:
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 in Risoluzione dei problemi dei 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 aggiorna 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 dei modelli. |
La vista a elenco è un’area di lavoro centrale che consente di creare, esaminare e gestire i modelli.
Il Models La pagina dell’elenco contiene funzioni e strumenti che consentono di:
La pagina di riepilogo mostra i dettagli del modello come 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.
Sezione | Descrizione |
---|---|
Informazioni di base |
Include informazioni di base sul modello, ad esempio il nome e l’ultima esecuzione. |
Portata e precisione del modello |
Show precisione e portata 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 in tali esecuzioni. |
Caratteristiche influenti |
Il Caratteristiche influenti tabella:
|
Caratteristiche che utilizzano il modello |
Mostra un elenco delle caratteristiche algoritmiche basate sul modello selezionato. Per ulteriori informazioni sulla caratteristica, fai clic sul nome o sull’ID della caratteristica. Seleziona Creare una nuova caratteristica con il 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 che utilizzano il modello A. |