Entendendo Look-Alike Modeling

Encontrar novos usuários com Look-Alike Modeling

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.

Benefícios

Os principais benefícios de usar Look-Alike Modeling incluem:

  • Precisão dos dados: o algoritmo é executado regularmente, o que ajuda a manter os resultados atualizados e relevantes.
  • Automação: não é necessário gerenciar um grande conjunto de regras estáticas. O algoritmo encontrará públicos para você.
  • Economize tempo e reduza o esforço: com nosso processo de modelagem, não é necessário adivinhar o que traits/segments pode funcionar ou gastar recursos de tempo em campanhas para descobrir novos públicos-alvo. O modelo pode fazer isso por você.
  • Confiabilidade: a modelagem funciona com processos de detecção e qualificação do lado do servidor que avaliam seus próprios dados e selecionam dados de terceiros aos quais você tem acesso. Isso significa que você não precisa ver os visitantes em seu site para qualificá-los para uma característica.

Fluxo de trabalho

Você gerencia modelos em Audience Data > Models. Em um alto nível, o processo do workflow envolve o seguinte:

  • Selecione os dados da linha de base que o algoritmo deve avaliar. Isso inclui trait ou segment, intervalo de tempo e data sources (seus próprios dados e dados de terceiros aos quais você já tem acesso por meio de Audience Manager). No fluxo de trabalho de criação do modelo, você pode excluir o traits que não deseja interferir no modelo.
  • Salve o modelo. Depois de salvo, o processo de avaliação algorítmica é executado automaticamente. No entanto, observe que pode levar até 7 dias para que esse processo seja concluído. Audience Manager envia um email quando o algoritmo é concluído e os resultados estão disponíveis para trait criação.
  • Crie algoritmos traits em Trait Builder.
  • Combine traits em segments em Segment Builder.
  • Crie e envie segment dados para um destination.

Solução de problemas

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 .

Entendendo TraitWeight

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.

Etapa 1: Criar uma linha de base para Trait comparação

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.

Etapa 2: Encontre o mesmo Traits no Data Source

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.

Etapa 3: Atribuir peso

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.

Etapa 4: Usuários de pontuação

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%.

Etapa 5: Exibir e trabalhar com resultados

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.

Etapa 6: Reavalie a significância de um Trait em ciclos de processamento

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:

Atualizar Agendamento para Look-Alike Models e Traits

Criação e atualização de agendamentos para algorithmic models e traits novas ou existentes.

Look-Alike Model Cronograma de criação e atualização

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:

  • 17 PM EST (novembro - março)
  • 18 PM EDT (março - novembro)

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:

  • Sua última execução não foi bem-sucedida.
  • Ele foi executado com êxito antes E não foi executado nos últimos 7 dias E o modelo tem pelo menos uma característica ativa anexada a ele.

Look-Alike Trait Cronograma de criação e atualização

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.

Exibição da lista de modelos

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:

  • Crie novos modelos.
  • Gerenciar modelos existentes (editar, pausar, excluir ou clonar).
  • Procure por modelos por nome.
  • Crie algorithmic traits usando qualquer modelo.

Visualização do resumo dos modelos

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:

  • Lista as 50 principais características influentes que são melhor representadas na população de linha de base do modelo.
  • Classifica cada característica em ordem de sua classificação Peso relativo. O Peso relativo classifica características recém-descobertas em ordem de influência ou conveniência. A escala de peso é uma porcentagem que vai de 0% a 100%. Características classificadas mais próximas de 100% significa que são mais parecidas com o público-alvo na sua população de linha de base. Consulte Entendendo o TraitWeight.
  • Mostra os únicos de 30 dias e a população total de características para cada característica.

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.

Artigos relacionados

Nesta página