Look-Alike Modeling이해

Look-Alike Modeling로 새 사용자 찾기

Look-Alike Modeling 자동화된 데이터 분석을 통해 고유한 새로운 고객을 발견할 수 있습니다. 프로세스는 trait 또는 segment, 시간 간격, 첫 번째 및 타사 data sources을 선택하면 시작됩니다. 선택 사항은 알고리즘 모델에 대한 입력을 제공합니다. 분석 프로세스가 실행될 때 선택한 모집단에서 공유된 특성을 기반으로 적격한 사용자를 찾습니다. 완료되면 이 데이터를 특성 빌더에서 사용할 수 있습니다. 여기에서 의 정확도와 도달을 기반으로 트레이트를 만들 수 있습니다. 또한 알고리즘 특성을 rules-based traits과 결합하는 세그먼트를 만들고 Boolean 표현식 및 비교 연산자와 다른 자격 요구 사항을 추가할 수 있습니다. Look-Alike Modeling 사용 가능한 모든 트레이트 데이터에서 값을 추출하는 다이내믹한 방법을 제공합니다.

장점

Look-Alike Modeling을(를) 사용할 때의 주요 이점은 다음과 같습니다.

  • 데이터 정확도: 알고리즘이 정기적으로 실행되므로 결과를 최신 상태로 유지하고 연관성을 높일 수 있습니다.
  • 자동화: 대량의 정적 규칙을 관리할 필요가 없습니다. 알고리즘에서 사용자를 찾습니다.
  • 작업 시간 단축 및 노력 절약: Adobe 모델링 프로세스를 통해 어떤/ traits효과가 있는지, 어떤 리소스를 캠페인에 segments 사용하는지 추측하지 않아도 되며 새로운 고객을 발견할 수 있습니다. 모델이 해줄 수 있습니다.
  • 안정성: 모델링은 자체 데이터와 액세스 권한이 있는 타사 데이터를 평가하는 서버측 검색 및 검증 프로세스와 연동됩니다. 즉, 사이트 방문자가 트레이트 자격을 갖추도록 방문자를 확인할 필요가 없습니다.

워크플로우

Audience Data > Models​에서 모델을 관리합니다. 높은 수준의 워크플로우 프로세스에는 다음이 포함됩니다.

  • 알고리즘을 평가할 기준 데이터를 선택합니다. 여기에는 trait 또는 segment, 시간 범위 및 data sources (사용자가 이미 Audience Manager을 통해 액세스할 수 있는 자체 데이터 및 타사 데이터)가 포함됩니다. 모델 생성 작업 과정에서는 모델 사용을 방해하지 않으려는 traits을 제외할 수 있습니다.
  • 모델을 저장합니다. 일단 저장되면 알고리즘 평가 프로세스가 자동으로 실행됩니다. 그러나 이 프로세스를 완료하는 데 최대 7일이 걸릴 수 있습니다. Audience Manager 알고리즘이 완료되고 결과를 만들 수 있을 때 이메일을 trait 보냅니다.
  • Trait Builder에서 알고리즘 traits을(를) 만듭니다.
  • traits을(를) Segment Builder의 segments에 결합합니다.
  • segment 데이터를 만들어 destination에 보냅니다.

문제 해결

연속 3개의 실행에 대한 데이터를 생성하지 못하는 Look-Alike Model을 비활성화했습니다. 이후 모델의 상태를 다시 활성으로 설정할 수는 없습니다. 모델이 데이터를 생성하도록 하려면 데이터를 누적할 충분한 traits의 데이터 소스에서 모델을 구축하는 것이 좋습니다.

TraitWeight이해

TraitWeight 는 새로운 것을 traits 자동으로 검색하도록 설계된 독점 알고리즘입니다. 현재 traits 및 segments의 trait 데이터를 Audience Manager을 통해 액세스할 수 있는 다른 모든 자사 데이터와 비교합니다. TraitWeight 알고리즘 검색 프로세스에 대한 설명은 이 섹션을 참조하십시오.

다음 단계에서는 TraitWeight 평가 프로세스에 대해 설명합니다.

1단계:Trait 비교에 대한 기준 만들기

기준선을 만들려면 TraitWeight이 30, 60 또는 90일 간격 동안 대상과 연관된 모든 traits을 측정합니다. 그 다음, 빈도와 상관관계에 따라 traits의 등급을 매깁니다. 빈도 수는 공통성을 측정합니다. 상관 관계는 기준 대상에만 trait이(가) 있을 가능성을 측정합니다. Traits 자주 나타나는 공통성은 선택한 항목에서 traits 발견된 가중치를 설정하는 데 사용되는 중요한 특성입니다 data sources.

2단계:Data Source에서 동일한 Traits 찾기

비교를 위해 기준을 빌드한 후 알고리즘이 선택한 data sources에서 동일한 traits을 찾습니다. 이 단계에서 TraitWeight은 검색된 모든 traits의 빈도 수를 수행하고 기준 요소와 비교합니다. 하지만 기준선과 달리 일반적이지 않은 traits은(는) 자주 나타나는 기준보다 높은 순위를 갖습니다. 드문 traits은 높은 수준의 특수성을 갖는다고 합니다. TraitWeight 일반적인 기준선 traits 과 일반적이지 않은(매우 특수함)의 조합을 두 데이터 세트 data source traits 에 traits 일반적으로 사용되는 것보다 더 영향력적이거나 바람직한 것으로 평가합니다. 실제로 Adobe 모델은 이러한 크고 일반적인 traits을 인식하며 상관 관계가 높은 데이터 세트에 초과 우선 순위를 할당하지 않습니다. 보드 전체에서 공통성이 높은 traits보다 새롭고 고유한 사용자를 나타낼 가능성이 높으므로 드물게 traits의 우선 순위가 더 높습니다.

3단계:두께 지정

이 단계에서, TraitWeight은(는) 영향력이나 desigibility 순으로 새로 발견된 traits의 순위를 매깁니다. 중량 척도는 0%에서 100%까지 가는 백분율입니다. Traits 순위가 100%에 가까울수록 기준 모집단 내 대상과 더 비슷해집니다. 또한 가중치가 높은 traits은(는) 사용자가 설정된 기준 대상과 유사하게 작동할 수 있는 새롭고 고유한 사용자를 나타내므로 매우 유용합니다. TraitWeight은 비교 데이터 소스의 기준선 및 높은 특수성이 높은 traits을 각 데이터 세트에서 공통되는 traits보다 더 중요한 것으로 간주합니다.

4단계:점수 사용자

선택한 data sources의 각 사용자에게는 해당 사용자의 프로필에 있는 영향력 있는 traits의 모든 가중치의 합과 같은 사용자 점수가 주어집니다. 그런 다음 사용자 점수가 0~100% 사이로 표준화됩니다.

5단계:결과 표시 및 작업

Audience Manager 가중치가 적용된 모델 결과를 표시합니다 Trait Builder. algorithmic trait을(를) 빌드하려는 경우 Trait Builder에서는 데이터 실행 중 알고리즘에 의해 생성된 가중치를 기반으로 traits를 만들 수 있습니다. 높은 정확도를 선택하여 사용자 점수가 매우 높으므로 나머지 대상이 아니라 기본 대상자와 매우 비슷한 사용자만 평가할 수 있습니다. 더 많은 고객(도달)에게 도달하려면 정확도를 낮출 수 있습니다.

6단계:처리 주기 전체에서 Trait의 중요도를 다시 평가

TraitWeight은(는) 해당 trait의 크기 및 모집단의 변경을 기반으로 trait의 중요도를 주기적으로 재평가합니다. 이 문제는 해당 trait에 자격이 있는 사용자 수가 시간이 지남에 따라 증가하거나 감소하므로 발생합니다. 이러한 행동은 매우 커지는 특성들에서 가장 선명하게 보입니다. 예를 들어 알고리즘이 모델링에 trait A을 사용한다고 가정합니다. trait A의 모집단수가 증가하면 TraitWeight은(는) 해당 trait의 중요도를 다시 평가하고 낮은 점수를 할당하거나 무시할 수 있습니다. 이 경우, trait A은 너무 일반적이거나 커서 해당 모집단에서 중요한 의미를 부여할 수 없습니다. TraitWeight이(가) trait A의 값을 줄이거나 모델에서 무시합니다. 영향력 있는 traits 목록은 기준 모집단 진화를 반영합니다. 이러한 변경 사항이 발생하는 이유를 이해하려면 영향력 있는 traits 목록을 사용하십시오.

관련 링크:

Look-Alike Models 및 Traits에 대한 업데이트 일정

신규 또는 기존 algorithmic models 및 traits에 대한 생성 및 업데이트 일정

Look-Alike Model 작성 및 업데이트 일정

활동 유형 설명
모델 생성 또는 복제

새 모델 또는 복제된 유사 모델의 경우 작성 프로세스는 다음 위치에서 하루에 한 번 실행됩니다.

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

작성 마감 시간 이후에 빌드되거나 복제된 모델은 다음 날에 처리됩니다.

모델의 첫 번째 실행에서 데이터가 생성되지 않으면 두 번째 실행, 그 다음 날. 두 번째 시도에서도 데이터가 생성되지 않으면 다음 날 세 번째 시도가 발생합니다. 세 번째 시도에서도 데이터가 생성되지 않으면 모델이 실행되지 않습니다. 이 경우 모델을 비활성화합니다. 유사 모델 문제 해결에서 자세한 내용을 참조하십시오.

모델 업데이트

이상적인 조건 하에서, 기존 모델은 7일에 한 번 이상 주중에 실행됩니다. 예를 들어, 월요일에 모델(마감 시간)을 만들면 다음 월요일이 최신 상태로 업데이트됩니다.

모델이 다음 조건을 충족하면 다시 실행됩니다.

  • 마지막 출장이 안 되었다.
  • 이 속성은 IT 이전에 성공적으로 실행되었으며 지난 7일 동안 전혀 실행되지 않았습니다. 이 모델에 하나 이상의 활성 특성이 연결되어 있습니다.

Look-Alike Trait 작성 및 업데이트 일정

활동 유형 설명
특성 만들기

특성 생성 프로세스는 매일, 월요일부터 금요일까지 실행됩니다. 일반적으로 새로운 알고리즘 특성이 48시간 이내에 UI에 나타납니다.

특성 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 공간입니다.

Models 목록 페이지에는 다음과 같은 유용한 기능과 도구가 포함되어 있습니다.

  • 새로운 모델 제작
  • 기존 모델 관리(편집, 일시 중지, 삭제 또는 복제)
  • 이름별로 모델을 검색합니다.
  • 지정된 모델을 사용하여 algorithmic traits을(를) 만듭니다.

모델 요약 보기

요약 페이지에는 이름, 도달/정확도, 처리 내역 및 모델에서 생성된 traits과 같은 모델 세부 사항이 표시됩니다. 또한 이 페이지에는 모델을 만들고 관리할 수 있는 설정도 포함되어 있습니다. 요약 목록에서 모델 이름을 클릭하여 세부 사항을 확인합니다.

모델 요약 페이지에는 다음 섹션이 포함됩니다.

섹션 설명

기본 정보

모델의 이름 및 마지막으로 실행된 시간과 같은 기본 정보를 포함합니다.

모델 도달 및 정확도

마지막 모델 실행에 대한 정확도와 도달 데이터를 표시합니다.

모델 처리 내역

마지막 10개 실행에 대한 처리 날짜 및 시간과 해당 실행에 데이터가 생성되었는지 여부를 표시합니다.

영향력 있는 특성

영향력 있는 특성 테이블:

  • 모델의 기준선 모집단에서 가장 잘 나타내는 상위 50개의 영향력 있는 트레이트가 나열됩니다.
  • 각 트레이트의 순위를 상대 가중치 등급 순서로 지정합니다. 상대적 무게는 영향이나 designability에 따라 새로 발견된 트레이트를 정렬합니다. 중량 척도는 0%에서 100%까지 가는 백분율입니다. 트레이트가 100%에 가까울수록 기준선 모집단 내 대상과 더 비슷하다는 것을 의미합니다. TraitWeight 이해를 참조하십시오.
  • 각 트레이트에 대한 총 30일 고유 수와 총 특성 인구를 보여줍니다.

모델을 사용한 트레이트

선택한 모델을 기반으로 알고리즘 트레이트 목록을 표시합니다. 트레이트에 대한 자세한 내용을 보려면 트레이트 이름이나 트레이트 ID를 클릭합니다. 모델을 사용하여 새 특성 만들기를 선택하여 알고리즘 특성 생성 프로세스로 이동합니다.

단면 레이블은 모델 이름을 기준으로 변경됩니다. 예를 들어 모델을 만들고 모델 A로 이름을 지정합니다.요약 페이지를 로드할 때 이 섹션의 이름이 모델 A을 사용하여 트레이트로 변경됩니다.

이 페이지에서는