Noções básicas Look-Alike Modeling about-algorithmic-models

Localizar novos usuários com Look-Alike Modeling find-new-users

Look-Alike Modeling O ajuda você a descobrir públicos novos e exclusivos por meio da análise automatizada de dados. O processo é iniciado quando você seleciona um trait ou segment, um intervalo de tempo e objetos próprios e de terceiros data sources. Suas opções fornecem as entradas para o modelo algorítmico. Quando o processo de análise é executado, ele procura usuários qualificados com base em características compartilhadas da população selecionada. Após a conclusão, esses dados estão disponíveis em Construtor de características onde você pode usá-lo para criar características com base em precisão e alcance. Além disso, você pode criar segmentos que combinam características algorítmicas com rules-based traits e adicionar outros requisitos de qualificação com Boolean expressões e operadores de comparação. Look-Alike Modeling O oferece uma maneira dinâmica de extrair valor de todos os dados de características disponíveis.

Benefícios advantages

Os principais benefícios de usar Look-Alike Modeling incluem:

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

Fluxo de trabalho (WRK) workflow

Gerenciar modelos no Audience Data > Models. Em um nível superior, o processo de workflow envolve o seguinte:

  • Selecione os dados da linha de base que você deseja que o algoritmo avalie. Isso inclui uma trait ou segment, intervalo de tempo e data sources (seus próprios dados e dados de terceiros aos quais você já tem acesso por meio do Audience Manager). No workflow de criação do modelo, é possível excluir o traits que você não quer interferir no seu modelo.
  • Salve seu 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 ficam disponíveis para trait criação.
  • Criar algorítmica traits in Trait Builder.
  • Combinar traits em segments in Segment Builder.
  • Criar e enviar segment dados para um destination.

Solução de problemas troubleshooting

Desativamos qualquer Look-Alike Model que não gera dados por três execuções consecutivas. Observe que não é possível definir o status do modelo novamente como ativo posteriormente. Para garantir que seus modelos gerem dados, recomendamos que você crie modelos a partir de fontes de dados com recursos suficientes traits para acumular dados do.

Noções básicas TraitWeight understanding-traitweight

TraitWeight é um algoritmo proprietário projetado para descobrir novas traits automaticamente. Ele compara trait dados do seu atual traits e segments contra todos os outros dados primários e de terceiros aos quais você tem acesso por meio do Audience Manager. Consulte esta seção para obter uma descrição do TraitWeight processo de descoberta algorítmica.

As etapas a seguir descrevem o TraitWeight processo de avaliação.

Etapa 1: criar uma linha de base para Trait Comparação

Para criar uma linha de base, TraitWeight mede todos os traits associado a um público-alvo para um intervalo de 30, 60 ou 90 dias. Em seguida, ele se classifica traits de acordo com a sua frequência e correlação. A contagem de frequência mede a compatibilidade. A correlação mede a probabilidade de trait estar presente somente no público da linha de base. Traits que aparecem com frequência exibem alta semelhança, uma característica importante usada para definir uma pontuação ponderada quando combinada com traits descoberto no selecionado data sources.

Etapa 2: encontrar o mesmo Traits no Data Source

Depois de criar uma linha de base para comparação, o algoritmo procura por traits no(a) selecionado(a) data sources. Nesta etapa, TraitWeight executa uma contagem de frequência de todos os detectados traits e os compara à linha de base. No entanto, ao contrário do cenário de base, os traits são classificados acima daqueles que aparecem com mais frequência. Raros traits dizem que exibem um alto grau de especificidade. TraitWeight avalia combinações de linha de base comum traits e incomum (altamente específico) data source traits como mais influente ou desejável do que traits comum aos dois conjuntos de dados. Na verdade, nosso modelo reconhece esses grandes, comuns traits e não atribui prioridade em excesso a conjuntos de dados com correlações altas. Raros traits recebem prioridade mais alta porque têm mais probabilidade de representar usuários novos e únicos do que traits com alta compatibilidade em todos os aspectos.

Etapa 3: Atribuir Peso

Nesta etapa, TraitWeight classificação recém-descoberta traits por ordem de influência ou de preferência. A escala de peso é uma porcentagem que vai de 0% a 100%. Traits classificado mais próximo de 100% significa que se parece mais com o público-alvo na população da linha de base. Além disso, os traits são valiosos porque representam usuários novos e exclusivos que podem se comportar de forma semelhante ao seu público-alvo estabelecido na linha de base. Lembre-se: TraitWeight considera traits de base e de elevada especificidade nas fontes de dados comparadas são mais valiosas do que as fontes de traits comum em cada conjunto de dados.

Etapa 4: Pontuação de usuários

Cada usuário no data sources é dada uma pontuação ao usuário que é igual à soma de todos os pesos do influente traits 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 mais alta para qualificar apenas os usuários que têm pontuações de usuário muito altas e, portanto, são muito semelhantes ao público-alvo da linha de base, em vez do restante do público-alvo. Se você quiser alcançar um público maior (alcance), diminua a precisão.

Etapa 6: reavaliar a significância de um Trait Entre ciclos de processamento

Periodicamente TraitWeight reavalia a importância de uma trait com base no tamanho e na mudança na população desse trait. Isso acontece como o número de usuários qualificados para isso trait aumenta ou diminui com o tempo. Esse comportamento é visto com mais clareza em características que se tornam muito grandes. Por exemplo, suponha que o algoritmo use trait A para modelagem. Como a população de trait A aumentos, TraitWeight reavalia a importância desse trait e podem atribuir uma pontuação mais baixa ou ignorá-la. Nesse caso, trait A é muito comum ou grande para dizer algo significativo sobre sua população. Depois TraitWeight reduz o valor de trait A (ou o ignora no modelo), a população da característica algorítmica diminui. A lista de influentes traits reflete a evolução da população de referência. Use a lista dos influentes traits para entender por que essas mudanças estão ocorrendo.

Links relacionados:

Atualizar programação para Look-Alike Models e Traits update-schedule

Agendamentos de criação e atualização para novos ou existentes algorithmic models e traits.

Look-Alike Model Programação de Criação e Atualização

Tipo de atividade
Descrição
Criar ou clonar um modelo

Para novos ou clonados Look-Alike Models, o processo de criação é executado uma vez por dia às:

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

Os modelos criados ou clonados após o prazo de criação são processados no dia seguinte.

Se a primeira execução de um modelo não gerar dados, ele será executado 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

Sob 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 (pelo prazo) na segunda-feira, ele atualizará a 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.
  • Foi executado com sucesso antes DE E não foi executado nos últimos 7 dias E o modelo tem pelo menos uma característica ativa anexada a ele.

Look-Alike Trait Programação 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 a programação para atualizações de modelo.

Exibição da lista de modelos models-list-view

A exibição de lista é um espaço de trabalho central que ajuda você a criar, revisar e gerenciar modelos.

A variável Models A página de lista contém recursos e ferramentas que ajudam a:

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

Exibição do resumo dos modelos models-summary-view

A página de resumo exibe detalhes do modelo, como nome, alcance/precisão, histórico de processamento e traits criado 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 seções a seguir.

Seção
Descrição
Informações básicas
Inclui informações básicas sobre o modelo, como seu nome e quando foi executado pela última vez.
Precisão e alcance do modelo
Shows precisão e alcance dados da última execução do modelo.
Histórico de processamento do modelo
Exibe a data e a hora do processamento das últimas 10 execuções e se os dados foram gerados nessas execuções.
Características influentes

A variável Características influentes tabela:

  • Lista as 50 características influentes mais bem representadas na população da linha de base do modelo.
  • Classifica cada característica em ordem de sua Peso relativo classificação. A variável Peso relativo O classifica as características recém-descobertas em ordem de influência ou desejabilidade. A escala de peso é uma porcentagem que vai de 0% a 100%. As características classificadas mais próximas de 100% significam que são mais semelhantes ao público-alvo na população da linha de base. Consulte Noções básicas sobre TraitWeight.
  • Mostra os únicos de 30 dias e a população total de características de cada característica.
Características usando o 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. Selecionar Criar nova característica com modelo para acessar o processo de criação de características algorítmicas.

O rótulo da seção muda com base no nome do seu modelo. Por exemplo, digamos que você crie um modelo e o nomeie como Modelo A. Quando você carrega a página de resumo, o nome desta seção é alterado para Características usando o modelo A.

recommendation-more-help
de293fbf-b489-49b0-8daa-51ed303af695