이해 Look-Alike Modeling

다음을 사용하여 새 사용자 찾기 Look-Alike Modeling

Look-Alike Modeling 는 자동화된 데이터 분석을 통해 새롭고 고유한 대상을 발견할 수 있도록 지원합니다. 을(를) 선택하면 프로세스가 시작됩니다 trait 또는 segment, 시간 간격, 자사 및 타사 data sources. 선택 항목은 알고리즘 모델에 대한 입력을 제공합니다. Analytics 프로세스가 실행되면 선택한 모집단의 공유 특성을 기반으로 적합한 사용자를 찾습니다. 완료 시 이 데이터는에서 사용할 수 있습니다. 트레이트 빌더 를 사용하여 를 기반으로 트레이트를 만들 수 있는 위치 정확성 및 도달 범위. 또한 알고리즘 트레이트를 와 결합하는 세그먼트를 만들 수 있습니다 rules-based traits 및 을 사용하여 기타 자격 요구 사항 추가 Boolean 표현식 및 비교 연산자. Look-Alike Modeling 는 사용 가능한 모든 트레이트 데이터에서 값을 추출하는 동적 방법을 제공합니다.

장점

를 사용할 때의 주요 이점 Look-Alike Modeling 포함:

  • 데이터 정확도: 알고리즘은 정기적으로 실행되므로 결과를 최신 상태로 유지하는 데 도움이 됩니다.
  • 자동화: 대규모 정적 규칙 세트를 관리할 필요는 없습니다. 알고리즘이 사용자를 위한 대상을 찾습니다.
  • 시간 절약 및 노력 감소: 모델링 프로세스를 통해 다음을 추측할 필요가 없습니다. traits/segments 는 캠페인에 리소스를 투입하여 새로운 대상자를 발견할 수 있습니다. 모델이 이 작업을 수행할 수 있습니다.
  • 안정성: 모델링은 사용자 자신의 데이터와 액세스 권한이 있는 선택한 타사 데이터를 평가하는 서버측 검색 및 자격 부여 프로세스와 함께 작동합니다. 즉, 사이트에서 방문자를 보고 트레이트에 대한 자격을 얻을 필요가 없습니다.

워크플로

에서 모델을 관리합니다. Audience Data > Models. 높은 수준에서 워크플로 프로세스에는 다음이 포함됩니다.

  • 알고리즘에서 평가할 기준 데이터를 선택합니다. 여기에는 다음이 포함됩니다. trait 또는 segment, 시간 범위 및 data sources (이미 을 통해 액세스할 수 있는 자체 데이터 및 타사 데이터) Audience Manager). 모델 생성 워크플로우에서 다음을 제외할 수 있습니다. traits 모델을 방해하고 싶지 않다는 뜻입니다.
  • 모델을 저장합니다. 저장되면 알고리즘 평가 프로세스가 자동으로 실행됩니다. 단, 이 프로세스가 완료되는 데 최대 7일이 소요될 수 있습니다. Audience Manager 은 알고리즘이 완료되고 다음에 대한 결과를 사용할 수 있을 때 이메일을 보냅니다. trait 생성.
  • 알고리즘 빌드 traits 위치: Trait Builder.
  • 결합 traits 대상 segments 위치: Segment Builder.
  • 만들기 및 보내기 segment 에 데이터 보내기 destination.

문제 해결

모든 항목을 비활성화합니다. Look-Alike Model 3회 연속 실행 시 데이터를 생성하지 못합니다. 이후에 모델의 상태를 다시 활성으로 설정할 수 없습니다. 모델이 데이터를 생성하도록 하려면 충분한 데이터 소스에서 모델을 만드는 것이 좋습니다 traits 의 데이터를 누적합니다.

이해 TraitWeight

TraitWeight 는 새로운 을 검색하도록 설계된 독점 알고리즘입니다. traits 자동으로 표시됩니다. 비교 trait 현재 데이터 traits 및 segments 를 통해 액세스할 수 있는 다른 모든 자사 및 타사 데이터에 대해 Audience Manager. 다음에 대한 설명은 이 섹션 을 참조하십시오. TraitWeight 알고리즘 검색 프로세스

다음 단계에서는 TraitWeight 평가 프로세스입니다.

1단계: 기준선 만들기 Trait 비교

베이스라인을 작성하려면 TraitWeight 다음을 모두 측정 traits 30일, 60일 또는 90일 간격 동안 대상자와 연결됩니다. 다음으로, 순위 traits 그들의 빈도와 상관관계에 따라서. 빈도 수는 공통성을 측정합니다. 상관 관계는 다음과 같은 가능성을 측정합니다. trait 기준선 대상에만 표시됩니다. Traits 종종 나타나는 것은 높은 공통성을 나타낸다고 하는데, 이는 과 결합할 때 가중 점수를 설정하는 데 사용되는 중요한 특성이다. traits 선택한 항목에서 검색됨 data sources.

2단계: 동일한 항목 찾기 Traits 다음에서 Data Source

비교를 위해 기준선을 만들면 알고리즘이 동일한 항목을 찾습니다 traits 선택한 항목에서 data sources. 이 단계에서는 TraitWeight 검색된 모든 항목의 빈도 수를 수행합니다. traits 및 를 기준선과 비교합니다. 그러나 기준선과 달리 흔하지 않습니다 traits 는 더 자주 나타나는 순위보다 높은 순위를 갖습니다. 희귀 traits 고도의 특이성을 나타낸다고 합니다. TraitWeight 공통 기준 조합 평가 traits 및 일반적이지 않음(매우 구체적임) data source traits 보다 더 강력하거나 바람직한 traits 두 데이터 세트 모두에 공통됩니다. 사실, 우리 모형은 이러한 크고 공통적인 것들을 인식한다 traits 는 상관 관계가 높은 데이터 세트에 초과 우선 순위를 할당하지 않습니다. 희귀 traits 보다 높은 우선 순위를 얻으십시오. 이는 보다 새롭고 고유한 사용자를 나타낼 가능성이 높기 때문입니다. traits 전반적으로 공통점이 높음.

3단계: 가중치 지정

이 단계에서는 TraitWeight 새로 발견된 순위 traits 영향력 또는 바람직성의 순서로. 중량 척도는 0%에서 100%까지 이어지는 백분율이다. Traits 100%에 가까운 순위는 기준 모집단의 대상자와 더 비슷하다는 것을 의미합니다. 또한 가중치가 매우 높음 traits 는 기존의 기본 대상자와 유사하게 작동할 수 있는 새롭고 고유한 사용자를 나타내므로 중요합니다. 기억해, TraitWeight 고려 사항 traits 기준에서 높은 공통성과 비교된 데이터 소스에서 높은 특수성을 가지고보다 가치 있음 traits 각 데이터 세트에 공통으로 사용됩니다.

4단계: 사용자 점수 지정

선택한 의 각 사용자 data sources 은 영향력 있는 사용자의 모든 가중치의 합과 같은 사용자 점수를 부여합니다 traits 사용자 프로필에 게시합니다. 그런 다음 사용자 점수가 0과 100% 사이에서 표준화됩니다.

5단계: 결과 표시 및 작업

Audience Manager 가중치가 적용된 모델의 결과를 Trait Builder. 을(를) 빌드하려는 경우 algorithmic trait, Trait Builder 을(를) 만들 수 있습니다. traits 데이터 실행 중에 알고리즘에서 생성된 가중 점수를 기반으로 합니다. 높은 정확도를 선택하여 사용자 점수가 매우 높기 때문에 나머지 대상자가 아닌 기준 대상자와 매우 유사한 사용자에게만 자격을 부여할 수 있습니다. 더 많은 대상에 도달하려는 경우(도달) 정확도를 낮출 수 있습니다.

6단계: 의 중요도 재평가 Trait 처리 주기 간

정기적으로, TraitWeight 의 중요도 재평가 trait 그 규모와 인구의 변화를 토대로 trait. 해당 항목에 대해 자격이 있는 사용자 수로 발생합니다 trait 시간이 지남에 따라 증가 또는 감소합니다. 이러한 행동은 매우 커지게 되는 특성에서 가장 뚜렷하게 나타난다. 예를 들어 알고리즘이 trait A 모델링용입니다. 의 모집단으로 trait A 증가, TraitWeight 의 중요성 재평가 trait 낮은 점수를 할당하거나 무시할 수 있습니다. 이 경우, trait A 은 너무 흔하거나 커서 인구수에 대해 중요한 것을 말할 수 없습니다. 다음 이후 TraitWeight 의 가치 감소 trait A (또는 모델에서 이를 무시함) 알고리즘 트레이트의 모집단은 감소합니다. 영향력 있는 목록 traits 기준선 모집단의 진화를 반영합니다. 영향력 있는 사용자 목록 사용 traits 이러한 변경 사항이 발생하는 이유를 이해할 수 있습니다.

관련 링크:

다음에 대한 일정 업데이트 Look-Alike Models 및 Traits

신규 또는 기존 일정 생성 및 업데이트 algorithmic models 및 traits.

Look-Alike Model 일정 만들기 및 업데이트

활동 유형 설명
모델 생성 또는 복제

신규 또는 복제의 경우 Look-Alike Models, 만들기 프로세스는 하루에 한 번 실행됩니다.

  • EST 오후 5시 (11월 - 3월)
  • 오후 6시 EDT(3월~11월)

생성 기한 이후에 빌드되거나 복제된 모델은 다음 날 처리됩니다.

모델의 첫 번째 실행에서 데이터가 생성되지 않으면 다음 날 두 번째로 실행됩니다. 두 번째 시도에서도 데이터가 생성되지 않으면 다음 날인 세 번째 시도가 있습니다. 세 번째 시도에서도 데이터가 생성되지 않으면 모델 실행이 중지됩니다. 이 경우 모델을 비활성화합니다. 다음에서 자세히 보기 유사 모델 문제 해결.

모델 업데이트

이상적인 조건에서 기존 모델은 최소 7일에 한 번, 평일에 실행됩니다. 예를 들어 월요일에 모델을 만드는 경우(기한까지) 늦어도 다음 월요일에는 업데이트됩니다.

다음 조건 중 하나를 충족하면 모델이 다시 실행됩니다.

  • 마지막 실행이 실패했습니다.
  • 이전에 성공적으로 실행되었으며 지난 7일 동안 전혀 실행되지 않았으며 모델에 하나 이상의 활성 트레이트가 연결되어 있습니다.

Look-Alike Trait 일정 만들기 및 업데이트

활동 유형 설명
트레이트 만들기

트레이트 만들기 프로세스는 월요일부터 금요일까지 매일 실행됩니다. 일반적으로 새로운 알고리즘 트레이트는 48시간 이내에 UI에 표시됩니다.

트레이트 업데이트

기존 트레이트는 7일에 한 번 이상 업데이트되며 모델 업데이트 일정을 따릅니다.

모델 목록 보기

목록 보기는 모델을 생성, 검토 및 관리하는 데 도움이 되는 중앙 작업 영역입니다.

다음 Models 목록 페이지에는 다음 작업을 수행하는 데 도움이 되는 기능 및 도구가 포함되어 있습니다.

  • 새 모델을 만듭니다.
  • 기존 모델을 관리합니다(편집, 일시 중지, 삭제 또는 복제).
  • 이름으로 모델을 검색합니다.
  • 만들기 algorithmic traits 주어진 모델을 사용합니다.

모델 요약 보기

요약 페이지에는 이름, 도달/정확도, 처리 내역 및 traits 모델에서 생성됨. 이 페이지에는 모델을 만들고 관리할 수 있는 설정도 포함되어 있습니다. 요약 목록에서 모델 이름을 클릭하여 세부 정보를 확인합니다.

모델 요약 페이지에는 다음 섹션이 포함되어 있습니다.

섹션 설명

기본 정보

모델 이름, 마지막으로 실행된 시간 등 모델에 대한 기본 정보가 포함됩니다.

모델 도달 범위 및 정확도

표시 정확성 및 도달 범위 마지막 모델 실행에 대한 데이터입니다.

모델 처리 기록

최근 10번의 실행에 대한 처리 날짜 및 시간과 해당 실행에 데이터가 생성되었는지 여부를 표시합니다.

영향력 있는 트레이트

다음 영향력 있는 트레이트 표:

  • 모델의 기준선 모집단에서 가장 잘 나타나는 영향력 있는 상위 50개 트레이트를 나열합니다.
  • 각 트레이트의 순위를 순서대로 매깁니다. 상대 가중치 등급. 다음 상대 가중치 영향 또는 바람직성의 순서로 새로 검색된 트레이트를 정렬합니다. 중량 척도는 0%에서 100%까지 이어지는 백분율이다. 100%에 가까운 트레이트는 기준 모집단의 대상자와 더 비슷하다는 의미입니다. 다음을 참조하십시오 TraitWeight 이해.
  • 각 트레이트에 대한 30일 고유 수 및 총 트레이트 인구를 표시합니다.

모델을 사용한 트레이트

선택한 모델을 기반으로 알고리즘 트레이트 목록을 표시합니다. 트레이트에 대한 자세한 내용을 보려면 트레이트 이름 또는 트레이트 ID를 클릭하십시오. 선택 모델을 사용하여 새 트레이트 만들기 알고리즘 트레이트 만들기 프로세스로 이동합니다.

섹션 레이블은 모델 이름에 따라 변경됩니다. 예를 들어 모델을 만들고 이름을 모델 A로 지정한다고 가정해 보겠습니다. 요약 페이지를 로드하면 이 섹션의 이름이 로 변경됩니다. 모델 A를 사용한 트레이트.

관련 글

이 페이지에서는