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.
I vantaggi principali dell'utilizzo di Look-Alike Modeling comprendono:
Puoi gestire i modelli in Audience Data > Models. A un livello elevato, il processo di workflow comprende le seguenti attività:
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.
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.
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.
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.
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.
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%.
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.
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:
Pianificazione di creazione e aggiornamento per algorithmic models e traits nuovi o esistenti.
Tipo di attività | Descrizione |
---|---|
Creare o duplicare un modello | Per i modelli Look-Alike Models 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 si interrompe se anche il terzo tentativo non genera dati. In questo caso, il modello verrà disattivato. Per ulteriori informazioni, vedere Risoluzione dei problemi relativi ai modelli simili a quelli descritti. |
Aggiornamento di 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, il lunedì successivo verrà aggiornato al più tardi. Un modello verrà 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, nell’interfaccia utente vengono visualizzate nuove caratteristiche algoritmiche entro 48 ore. |
Aggiorna una caratteristica | Le caratteristiche esistenti vengono aggiornate almeno una volta ogni 7 giorni e seguono la pianificazione per gli aggiornamenti dei 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:
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.
Sezione | Descrizione |
---|---|
Informazioni di base |
Include informazioni di base sul modello, ad esempio il nome e la data dell'ultima esecuzione. |
Raggiungimento e precisione dei modelli |
Mostra la precisione e i dati REACH per l'ultima esecuzione del modello. |
Cronologia elaborazione modello |
Visualizza la data e l'ora di elaborazione per le ultime 10 esecuzioni e se i dati sono stati generati su tali esecuzioni. |
Caratteristiche influenti |
Tabella Caratteristiche influenti:
|
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. Selezionare 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 denominarlo Modello A. Quando si carica la pagina di riepilogo, il nome di questa sezione viene modificato in Caratteristiche che utilizzano il modello A. |