Look-Alike Modeling について about-algorithmic-models

Look-Alike Modeling での新規ユーザーの検索 find-new-users

Look-Alike Modeling を使用すると、自動データ分析により、新しい一意のオーディエンスを発見できます。このプロセスは、traitまたはsegment、時間間隔、ファーストパーティおよびサードパーティのdata sourcesを選択した時点で開始します。この選択が、アルゴリズムモデルの入力となります。分析処理が実行されると、選択した母集団と共有する特徴に基づいて、該当するユーザーを検索します。完了すると、このデータは特性ビルダーで使用可能になります。ここでは、このデータを使用して精度とリーチに基づいて特性を作成できます。さらに、アルゴリズム特性とrules-based traitsを結合するセグメントを作成し、Boolean式や比較演算子を使用して他の認定要件を追加することができます。Look-Alike Modeling を使用すると、使用可能なすべての特性データから価値を動的に抽出できます。

メリット advantages

Look-Alike Modeling を使用する主なメリットには、次のようなものがあります。

ワークフロー workflow

Audience Data > Models ​でモデルを管理します。全体的なワークフローとして、以下の処理をおこないます。

トラブルシューティング troubleshooting

データの生成に 3 回連続で失敗した Look-Alike Model は、非アクティブ化されます。後でモデルのステータスを「Active」に戻すことはできません。モデルがデータを生成するようにするには、データを蓄積するために十分な量のtraitsを持つデータソースからモデルを作成することが推奨されます。

TraitWeight について understanding-traitweight

TraitWeight は、新しいtraitsを自動的に検出するように設計された独自のアルゴリズムです。現在のtraitsおよびsegmentsのtraitデータを、Audience Manager を通じてアクセスできる他のあらゆるファーストパーティおよびサードパーティデータと比較します。この節では、TraitWeight アルゴリズムの検出プロセスについて説明します。

次の手順は、TraitWeight による評価プロセスを示しています。

手順 1：Trait比較のベースラインを作成する

TraitWeight はベースラインを作成するために、オーディエンスと関連付けられているすべてのtraitsを 30 日、60 日、90 日の間隔で測定します。その後、頻度と相関関係に基づいてtraitsをランク付けします。頻度では一般性が測定されます。相関関係では、ベースラインオーディエンスのみにおけるtraitの出現頻度が測定されます。出現頻度が高いTraitsは一般性が高いと見なされます。これは、選択したdata sourcesで検出されたtraitsと組み合わせて重み付けスコアを設定するために使用する、重要な特徴です。

手順 2：Data Sourceで同じTraitsを見つける

比較のためのベースラインを作成した後、アルゴリズムは選択したdata sources内で同じtraitsを検索します。この手順では、TraitWeight は、見つかったすべてのtraitsの頻度を計上し、ベースラインと比較します。しかし、ベースラインとは異なり、一般的でないtraitsは出現頻度が高い特性よりランクが高くなります。出現頻度が低いtraitsは、特異性が高いと見なされます。TraitWeight は、一般的なベースラインtraitsと一般的でない（特異性が高い）data source traitsの組み合わせを、両方のデータセットに共通するtraitsより影響力が大きく望ましいと評価します。アドビのモデルでは、このような大規模で一般的なtraitsが認識され、相関関係が強いデータセットに過剰な優先度は割り当てられません。一般的でないtraitsの優先度が高くなるのは、このようなtraitsのほうが、ボード全体で一般性の高い特性よりも、新しいユニークユーザーを表していると考えられるからです。

手順 3：重みを割り当てる

この手順では、TraitWeight は新しく見つかったtraitsを、影響力や望ましさの順にランク付けします。重みの基準は、0％～ 100％の割合です。Traitsのランクが 100％に近づくと、基準となる母集団のオーディエンスに似ていることを意味します。また、重みの大きいtraitsは高く評価されます。これは、このような特性が、確立されたベースラインオーディエンスと同様に行動する可能性がある、新しいユニークユーザーを表しているためです。TraitWeight は、ベースラインで一般性が高く、比較対象のデータで特異性が高いtraitsを、各データセットで共通のtraitsよりも高く評価します。

手順 4：ユーザーにスコアを割り当てる

選択したdata sourcesに含まれる各ユーザーに、ユーザーのプロファイルにおいて影響力を持つtraitsの重みの合計に等しいユーザースコアが割り当てられます。その後、各ユーザースコアが 0～100％の範囲で正規化されます。

手順 5：結果を表示して操作する

Audience Manager は重み付けモデルの結果をTrait Builderに表示します。algorithmic traitを作成する場合、Trait Builderを使用すると、データ実行時にアルゴリズムにより生成された重み付けスコアに基づいてtraitsを作成できます。選択する精度を高くするほど、ユーザースコアが高いユーザー、つまり他のオーディエンスよりもベースラインオーディエンスに近いユーザーのみを認定できます。精度を低くすると、オーディエンス（リーチ）を広げることができます。

手順 6：処理サイクルをまたいでTraitの重要性を再評価する

TraitWeight は、traitの母集団のサイズと変更に基づいて、traitの重要性を定期的に再評価します。この処理は、そのtraitについて認定されたユーザーの数が時間の経過とともに増減するとおこなわれます。この動作は、非常に大規模になる特性で最も明確に見られます。例えば、アルゴリズムがtrait Aをモデリングに使用しているとします。trait A の母集団が増加すると、TraitWeight はこのtraitを再評価し、低いスコアを割り当てたり、無視する場合があります。この場合、trait Aは一般的すぎる、または大きすぎるので、母集団について重要性が高いとは言えません。TraitWeightでtrait Aの価を減らす（またはモデル内で無視する）と、アルゴリズム特性の母集団が小さくなります。影響力のあるtraitsのリストは、ベースライン母集団の増加を反映しています。影響力のあるtraitsのリストを使用すると、これらの変化がなぜ発生しているかがわかります。

関連リンク：

Look-Alike Models および Traits のスケジュールを更新 update-schedule

新規または既存のalgorithmic modelsおよびtraitsのスケジュールを作成および更新します。

Look-Alike Modelスケジュールの作成と更新

Look-Alike Traitスケジュールの作成と更新

モデルのリスト表示 models-list-view

リスト表示は、モデルを作成、確認および管理するのに役立つ一元的なワークスペースです。

Modelsリストページには、以下をおこなうために役立つ機能およびツールが含まれています。

モデルの概要表示 models-summary-view

概要ページには、名前、リーチ／精度、処理履歴、モデルから作成されたtraitsなどの、モデルの詳細が表示されます。このページにはまた、モデルを作成および管理するための設定も含まれています。概要リストでモデル名をクリックすると、モデルの詳細が表示されます。

モデル概要ページには、以下のセクションが含まれています。