Look-Alike Modeling ajuda você a descobrir públicos novos e exclusivos por meio da análise de dados automatizada. O processo é iniciado ao selecionar um trait ou segment, um intervalo de tempo e data sources próprio e de terceiros. Suas escolhas fornecem as entradas para o modelo algorítmico. Quando o processo de análise é executado, ele busca usuários qualificados com base em características compartilhadas da população selecionada. Após a conclusão, esses dados estão disponíveis no Construtor de características, onde você pode usá-los para criar características com base em precisão e alcance. Além disso, é possível criar segmentos que combinam características algorítmicas com rules-based traits e adicionar outros requisitos de qualificação com expressões Boolean e operadores de comparação. Look-Alike Modeling O oferece uma maneira dinâmica de extrair valor de todos os dados de características disponíveis.
Os principais benefícios de usar Look-Alike Modeling incluem:
Você gerencia modelos em Audience Data > Models. Em um alto nível, o processo do workflow envolve o seguinte:
Desativamos qualquer Look-Alike Model que não gere dados por três execuções consecutivas. Observe que não é possível definir o status do modelo como ativo posteriormente. Para garantir que seus modelos gerem dados, recomendamos criar modelos a partir de fontes de dados com traits suficiente para acumular dados do .
TraitWeight é um algoritmo proprietário projetado para descobrir novos traits automaticamente. Ele compara os dados trait de seus traits e segments atuais com todos os outros dados primários e de terceiros aos quais você tem acesso por meio de Audience Manager. Consulte esta seção para obter uma descrição do processo de descoberta algorítmica TraitWeight.
As etapas a seguir descrevem o processo de avaliação TraitWeight.
Para criar uma linha de base, TraitWeight mede todos os traits associados a um público-alvo para um intervalo de 30, 60 ou 90 dias. Em seguida, ele classifica traits de acordo com sua frequência e sua correlação. A contagem de frequência mede a uniformidade. A correlação mede a probabilidade de um trait estar presente somente no público-alvo da linha de base. Traits que aparecem frequentemente exibem alta uniformidade, uma característica importante usada para definir uma pontuação ponderada quando combinada com traits descoberta em seu data sourcesselecionado.
Depois que ele cria uma linha de base para comparação, o algoritmo procura traits idêntico no data sources selecionado. Nesta etapa, TraitWeight executa uma contagem de frequência de todos os traits descobertos e os compara à linha de base. No entanto, ao contrário da linha de base, pouco comuns traits são classificadas como mais altas do que as que aparecem com mais frequência. Diz-se que traits raras exibem um alto grau de especificidade. TraitWeight Avalia combinações de linha de base comum traits e pouco frequentes (altamente específicas) data source traits como mais influentes ou desejáveis do que traits comuns a ambos os conjuntos de dados. Na verdade, nosso modelo reconhece esses traits grandes e comuns e não atribui prioridade excessiva a conjuntos de dados com altas correlações. Raros traits têm prioridade mais alta porque têm mais probabilidade de representar usuários novos e exclusivos do que traits com alta compatibilidade em todos os sentidos.
Nesta etapa, TraitWeight classifica traits recentemente descoberto em ordem de influência ou conveniência. A escala de peso é uma porcentagem que vai de 0% a 100%. Traits Classificado mais próximo de 100% significa que são mais parecidas com o público-alvo na sua população de linha de base. Além disso, os traits pesados são valiosos porque representam usuários novos e exclusivos que podem se comportar de forma semelhante ao público-alvo estabelecido na linha de base. Lembre-se, TraitWeight considera traits com alta compatibilidade na linha de base e alta especificidade nas fontes de dados comparadas como mais valiosa do que traits comum em cada conjunto de dados.
Cada usuário no data sources selecionado recebe uma pontuação de usuário igual à soma de todos os pesos do traits influente no perfil desse usuário. As pontuações do usuário são normalizadas entre 0 e 100%.
Audience Manager exibe os resultados do modelo ponderado em Trait Builder. Quando quiser criar um algorithmic trait, Trait Builder permite criar traits com base na pontuação ponderada gerada pelo algoritmo durante uma execução de dados. Você pode escolher uma precisão maior para qualificar somente usuários que tenham pontuações de usuário muito altas e, portanto, sejam muito semelhantes ao público-alvo da linha de base, em vez do resto do público-alvo. Se quiser alcançar um público maior (alcance), você pode diminuir a precisão.
Periodicamente, TraitWeight reavalia a importância de um trait com base no tamanho e na alteração na população desse trait. Isso acontece quando o número de usuários qualificados para esse trait aumenta ou diminui com o tempo. Esse comportamento é mais claramente visto em características que se tornam muito grandes. Por exemplo, suponha que o algoritmo use trait A para modelagem. À medida que a população de trait A aumenta, TraitWeight reavalia a importância desse trait e pode atribuir uma pontuação menor ou ignorá-la. Nesse caso, trait A é muito comum ou grande para dizer algo significativo sobre sua população. Depois de TraitWeight reduzir o valor de trait A (ou ignorá-lo no modelo), o preenchimento da característica algorítmica diminui. A lista de influentes traits reflete a evolução da população da linha de base. Use a lista do traits influente para entender por que essas alterações estão ocorrendo.
Links relacionados:
Criação e atualização de agendamentos para algorithmic models e traits novas ou existentes.
Tipo de atividade | Descrição |
---|---|
Criar ou clonar um modelo | Para modelos semelhantes novos ou clonados do , o processo de criação é executado uma vez por dia em:
Os modelos construídos ou clonados após o prazo de criação são processados no dia seguinte. Se a primeira execução de um modelo não gerar dados, ela será executada uma segunda vez, no dia seguinte. Se a segunda tentativa também não gerar dados, haverá uma terceira tentativa, no dia seguinte. O modelo parará de ser executado se a terceira tentativa também não gerar dados. Nesse caso, desativaremos o modelo. Veja mais em Solução de problemas de modelos semelhantes. |
Atualizar um modelo | Em condições ideais, os modelos existentes são executados em dias da semana, pelo menos uma vez a cada 7 dias. Por exemplo, se você criar um modelo (até o prazo final) na segunda-feira, ele será atualizado na segunda-feira seguinte, o mais tardar. Um modelo será executado novamente se atender a qualquer uma das seguintes condições:
|
Tipo de atividade | Descrição |
---|---|
Criar uma característica | O processo de criação de características é executado todos os dias, de segunda a sexta-feira. Geralmente, novas características algorítmicas aparecem na interface do usuário em 48 horas. |
Atualizar uma característica | As características existentes são atualizadas pelo menos uma vez a cada 7 dias e seguem o agendamento para atualizações do modelo. |
A exibição de lista é um espaço de trabalho central que ajuda a criar, revisar e gerenciar modelos.
A página de lista Models contém recursos e ferramentas que ajudam a:
A página de resumo exibe detalhes do modelo, como nome, alcance/precisão, histórico de processamento e traits criados a partir do modelo. A página também inclui configurações que permitem criar e gerenciar modelos. Clique em um nome de modelo na lista de resumo para ver seus detalhes.
A página de resumo do modelo inclui as seguintes seções.
Seção | Descrição |
---|---|
Informações básicas |
Inclui informações básicas sobre o modelo, como seu nome e quando foi executado pela última vez. |
Alcance e precisão do modelo |
Mostra a precisão e os dados de alcance para a última execução do modelo. |
Histórico de processamento do modelo |
Exibe a data e a hora de processamento das últimas 10 execuções e se os dados foram gerados nessas execuções. |
Características influentes |
A tabela Características influentes:
|
Características usando modelo |
Mostra uma lista de características algorítmicas com base no modelo selecionado. Clique em um nome de característica ou ID de característica para obter mais informações sobre a característica. Selecione Criar nova característica com modelo para ir para o processo de criação de característica algorítmica. O rótulo da seção muda com base no nome do modelo. Por exemplo, digamos que você crie um modelo e o nomeie como Modelo A. Ao carregar a página de resumo, o nome desta seção é alterado para Características usando o modelo A. |