Look-Alike Modeling 이해

Look-Alike Modeling을 사용하여 새 사용자 찾기

Look-Alike Modeling 은 자동화된 데이터 분석을 통해 새롭고 고유한 대상을 찾는 데 도움이 됩니다. 프로세스는 trait 또는 segment, 시간 간격, 그리고 첫 번째 및 타사 data sources를 선택하면 시작됩니다. 선택한 사항에서 알고리즘 모델의 입력을 제공합니다. Analytics 프로세스가 실행되면 선택한 모집단의 공유 특성을 기반으로 적합한 사용자를 찾습니다. 완료 시 이 데이터는 트레이트 빌더에서 사용할 수 있습니다. 여기서 의 정확도를 기반으로 트레이트를 만들고에 도달합니다. 또한 알고리즘 트레이트를 rules-based traits과 결합하는 세그먼트를 작성하고 Boolean 표현식 및 비교 연산자와 함께 다른 자격 요구 사항을 추가할 수 있습니다. Look-Alike Modeling 는 사용 가능한 모든 트레이트 데이터에서 값을 추출하는 동적 방법을 제공합니다.

장점

Look-Alike Modeling을 사용하면 다음과 같은 주요 이점이 있습니다.

  • 데이터 정확도: 알고리즘이 정기적으로 실행되므로 결과를 최신 및 연관성 있게 유지할 수 있습니다.
  • 자동화: 대량의 정적 규칙을 관리할 필요가 없습니다. 알고리즘에서 대상을 찾을 수 있습니다.
  • 시간 절약 및 노력 절약: 모델링 프로세스를 통해 작업 traits/segments 시간을 추측하거나 새로운 대상을 발견하기 위해 캠페인에서 리소스를 사용할 필요가 없습니다. 모델이 자동으로 이 작업을 수행합니다.
  • 안정성: 모델링은 자체 데이터와 액세스 권한이 있는 선택한 타사 데이터를 평가하는 서버측 검색 및 자격 프로세스와 함께 작동합니다. 즉, 트레이트에 대한 자격을 얻기 위해 사이트 방문자를 볼 필요가 없습니다.

워크플로우

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

  • 알고리즘을 평가할 기준 데이터를 선택합니다. 여기에는 trait 또는 segment, 시간 범위 및 data sources (사용자 고유의 데이터 및 이미 Audience Manager을 통해 액세스할 수 있는 타사 데이터)가 포함됩니다. 모델 생성 워크플로우에서 모델을 방해하지 않으려는 traits을 제외할 수 있습니다.
  • 모델을 저장합니다. 저장하면 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) 작성합니다.
  • traits을 Segment Builder에 segments에 결합합니다.
  • segment 데이터를 만들고 destination에 보냅니다.

문제 해결

세 번의 연속 실행에 대한 데이터를 생성하지 않는 Look-Alike Model을 비활성화합니다. 모델의 상태를 이후에 다시 활성으로 설정할 수 없습니다. 모델이 데이터를 생성하도록 하려면 충분한 traits 데이터를 축적할 수 있는 데이터 소스에서 모델을 만드는 것이 좋습니다.

TraitWeight 이해

TraitWeight 는 새로운 기능을 자동으로 검색하도록 설계된 독점 traits 알고리즘입니다. 또한 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 프로세스를 설명합니다.

1단계:Trait 비교를 위한 기준 작성

기준선을 작성하려면 TraitWeight이 30, 60 또는 90일 간격 동안 대상자와 연결된 모든 traits을 측정합니다. 다음으로, 빈도 및 상관 관계에 따라 traits의 등급을 매깁니다. 빈도 수는 공통성을 측정합니다. 상관 관계는 기준 대상에만 trait이 있을 가능성을 측정합니다. Traits 자주 나타나는 현상은 선택한 항목에서 traits 발견된 항목과 결합할 때 가중치가 적용된 점수를 설정하는 데 사용되는 중요한 특성인 높은 공통성을 나타낸다고 data sources합니다.

2단계:Data Source에서 동일한 Traits을 찾습니다.

비교를 위해 기준을 빌드하면 알고리즘이 선택한 data sources에서 동일한 traits을 찾습니다. 이 단계에서 TraitWeight은(는) 검색된 모든 traits의 빈도 수를 수행하고 기준 요소와 비교합니다. 그러나 기준선과 달리 일반적이지 않은 traits은(는) 더 자주 나타나는 것보다 더 높게 평가됩니다. 드문 traits은 높은 수준의 특이도를 나타낸다고 합니다. TraitWeight 공통 기준선 traits 과 일반적이지 않은(매우 특정) 조합을 두 데이터 세트 data source traits 에 traits 공통으로 사용할 때보다 더 영향적이거나 바람직한 것으로 평가합니다. 실제로 우리 모델은 이러한 큰 공통 traits을 인식하며 상관 관계가 높은 데이터 세트에 과도한 우선순위를 할당하지 않습니다. 드문 traits 은(는) 보드 전체에서 공통성이 높은 traits보다 새롭고 고유한 사용자를 나타낼 가능성이 높으므로 우선순위가 더 높습니다.

3단계:가중치 할당

이 단계에서 TraitWeight은(는) 영향 또는 계획성 순으로 새로 발견된 traits의 등급을 매깁니다. 중량%는 0%에서 100%로 실행되는 백분율입니다. Traits 등급 100%에 근접하면 기준선 모집단의 대상자와 더 비슷해집니다. 또한, 가중치가 높은 traits은(는) 설정한 기본 대상과 유사하게 작동할 수 있는 새롭고 고유한 사용자를 나타내므로 유용합니다. TraitWeight은(는) 비교된 데이터 소스의 기준선 공통성과 높은 특수성이 있는 traits을 각 데이터 세트의 traits보다 더 중요하게 간주합니다.

4단계:사용자 점수 책정

선택한 data sources의 각 사용자에게는 해당 사용자 프로필에서 영향력 있는 traits의 모든 가중치 합계와 동일한 사용자 점수가 제공됩니다. 그러면 사용자 점수가 0에서 100% 사이에 표준화됩니다.

5단계:결과 표시 및 작업

Audience Manager 가중치가 적용된 모델 결과를 로 표시합니다 Trait Builder. algorithmic trait을(를) 만들려면, Trait Builder을(를) 사용하여 데이터 실행 중에 알고리즘에서 생성된 가중치 점수를 기반으로 traits를 만듭니다. 매우 높은 사용자 점수를 가지고 있으므로 나머지 대상이 아니라 기본 대상과 매우 유사한 사용자에게만 자격을 부여하도록 더 높은 정확도를 선택할 수 있습니다. 더 많은 대상(도달)에 도달하려는 경우 정확도를 낮출 수 있습니다.

6단계:처리 주기마다 Trait 중요성 재평가

TraitWeight은(는) 정기적으로 trait의 크기 및 모집단의 변경에 따라 trait의 중요성을 다시 평가합니다. 이 문제는 해당 trait에 대해 자격이 있는 사용자 수가 시간이 지남에 따라 증가 또는 감소함에 따라 발생합니다. 이 행동은 매우 크게 보이는 특징에서 가장 잘 보입니다. 예를 들어 알고리즘이 모델링에 trait A을 사용한다고 가정합니다. trait A 모집단이 증가하면 TraitWeight이(가) 해당 trait의 중요성을 다시 평가하고 더 낮은 점수를 할당하거나 무시할 수 있습니다. 이 경우 trait A은(는) 너무 일반적이거나 커서 모집단에서 중요한 것을 말할 수 없습니다. TraitWeight 이 trait A 값을 줄이거나 모델에서 이 값을 무시합니다. 영향력 있는 traits 목록은 베이스라인 모집단의 진화를 반영합니다. 이러한 변경 사항이 발생하는 이유를 이해하려면 영향력 있는 traits 목록을 사용하십시오.

관련 링크:

Look-Alike Models 및 Traits 일정 업데이트

새 또는 기존 algorithmic models 및 traits에 대한 일정을 만들고 업데이트합니다.

Look-Alike Model 생성 및 업데이트 일정

활동 유형 설명
모델 생성 또는 복제

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

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

생성 기한 이후에 만들거나 복제된 모델은 다음 날 처리됩니다.

모델의 첫 번째 실행에서 데이터가 생성되지 않으면 두 번째 실행에서 다음 날 실행됩니다. 두 번째 시도에서도 데이터를 생성하지 않으면 다음 날 세 번째 시도가 발생합니다. 세 번째 시도에서도 데이터가 생성되지 않으면 모델의 실행이 중지됩니다. 이 경우 모델을 비활성화합니다. 자세한 내용은 유사 모델 문제 해결을 참조하십시오.

모델 업데이트

이상적인 조건에서, 기존 모델은 7일에 한 번 이상 주중에 실행됩니다. 예를 들어 월요일(마감일)에 모델을 만드는 경우, 늦어도 다음 월요일에는 업데이트됩니다.

다음 조건을 충족하면 모델이 재실행됩니다.

  • 마지막 실행이 성공하지 못했습니다.
  • 이 모델은 성공적으로 실행되었으며 지난 7일 동안 전혀 실행되지 않았습니다. 이 모델에 하나 이상의 활성 트레이트가 연결되어 있습니다.

Look-Alike Trait 생성 및 업데이트 일정

활동 유형 설명
트레이트 만들기

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

트레이트 업데이트

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

모델 목록 보기

목록 보기는 모델을 만들고, 검토하고, 관리하는 데 도움이 되는 중앙 작업 공간입니다.

Models 목록 페이지에는 다음과 같은 기능을 제공하는 기능과 도구가 포함되어 있습니다.

  • 새 모델을 만듭니다.
  • 기존 모델(편집, 일시 중지, 삭제 또는 복제)을 관리합니다.
  • 이름별로 모델을 검색합니다.
  • 지정된 모델을 사용하여 algorithmic traits 을 만듭니다.

모델 요약 보기

요약 페이지에는 이름, 도달/정확도, 처리 내역 및 모델에서 생성된 traits 등의 모델 세부 정보가 표시됩니다. 또한 페이지에 모델을 만들고 관리할 수 있는 설정이 포함되어 있습니다. 요약 목록에서 모델 이름을 클릭하여 해당 세부 정보를 확인합니다.

모델 요약 페이지에는 다음 섹션이 포함됩니다.

섹션 설명

기본 정보

모델 이름 및 마지막으로 실행된 시점과 같은 기본 정보를 포함합니다.

모델 도달 및 정확도

마지막 모델 실행에 대한 정확도와 도달 데이터를 표시합니다.

모델 처리 내역

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

영향력 있는 트레이트

영향력 있는 트레이트 테이블:

  • 모델의 기준선 모집단에 가장 잘 표현되는 상위 50개의 영향력 있는 트레이트를 나열합니다.
  • 상대 가중치 등급 순서로 각 트레이트의 등급을 매깁니다. 상대적 가중치 는 영향이나 계획성 순서로 새로 발견된 트레이트를 정렬합니다. 중량%는 0%에서 100%로 실행되는 백분율입니다. 트레이트가 100%에 가까운 등급 지정은 기본 모집단의 대상자와 더 비슷하다는 것을 의미합니다. TraitWeight 이해 를 참조하십시오.
  • 각 트레이트에 대한 30일 고유 정보와 총 트레이트 모집단을 보여줍니다.

모델을 사용한 트레이트

선택한 모델을 기반으로 알고리즘 트레이트의 목록을 표시합니다. 트레이트에 대한 자세한 내용을 보려면 트레이트 이름 또는 트레이트 ID를 클릭하십시오. 모델으로 새 트레이트 만들기 를 선택하여 알고리즘 트레이트 생성 프로세스로 이동합니다.

모델 이름에 따라 단면 레이블이 변경됩니다. 예를 들어 모델을 만들고 모델 A로 이름을 지정한다고 가정합니다.요약 페이지를 로드할 때 이 섹션의 이름이 모델 A을 사용하여 트레이트로 변경됩니다.

이 페이지에서는