Förstå Look-Alike Modeling about-algorithmic-models
Hitta nya användare med Look-Alike Modeling find-new-users
Look-Alike Modeling hjälper er att identifiera nya, unika målgrupper genom automatiserad dataanalys. Processen startar när du väljer en trait eller segment, ett tidsintervall samt första och tredje part data sources. Dina val innehåller indata för den algoritmiska modellen. När analysprocessen körs letar programmet efter berättigade användare baserat på delade egenskaper från den valda populationen. När uppgifterna är klara finns de i Trait Builder där du kan använda den för att skapa egenskaper baserat på exakthet och räckvidd. Dessutom kan du skapa segment som kombinerar algoritmiska egenskaper med rules-based traits och lägga till andra kvalifikationskrav med Boolean uttryck och jämförelseoperatorer. Look-Alike Modeling ger dig ett dynamiskt sätt att extrahera värde från alla tillgängliga trait-data.
Fördelar advantages
De största fördelarna med att använda Look-Alike Modeling inkludera:
- Noggrannhet: Algoritmen körs regelbundet, vilket bidrar till att hålla resultaten aktuella och relevanta.
- Automatisering: Du behöver inte hantera en stor uppsättning statiska regler. Algoritmen hittar målgrupper åt er.
- Spara tid och minska arbetet: Med vår modelleringsprocess behöver du inte gissa vad traits/segments kan arbeta eller lägga tid på att hitta nya målgrupper i kampanjer. Modellen kan göra detta åt dig.
- Tillförlitlighet: Modellering fungerar med processer för identifiering och kvalificering på serversidan som utvärderar dina egna data och utvalda tredjepartsdata som du har tillgång till. Det innebär att du inte behöver se besökarna på din webbplats för att kvalificera dem för ett yrke.
Arbetsflöde workflow
Du hanterar modeller i Audience Data > Models. På en hög nivå omfattar arbetsflödesprocessen följande:
- Markera de baslinjedata som du vill att algoritmen ska utvärdera. Detta inkluderar trait eller segment, tidsintervall och data sources (egna data och data från tredje part som ni redan har tillgång till via Audience Manager). I arbetsflödet för att skapa modeller kan du utesluta traits som du inte vill störa din modell.
- Spara modellen. När den har sparats körs den algoritmiska utvärderingsprocessen automatiskt. Observera att det kan ta upp till 7 dagar innan den här processen är klar. Audience Manager skickar ett e-postmeddelande till dig när algoritmen är klar och resultaten är tillgängliga för trait skapa.
- Skapa algoritmisk traits in Trait Builder.
- Kombinera traits till segments in Segment Builder.
- Skapa och skicka segment data till destination.
Felsökning troubleshooting
Vi inaktiverar alla Look-Alike Model som inte kan generera data för tre på varandra följande körningar. Observera att du inte kan ange status för modellen till aktiv i efterhand. Vi rekommenderar att du bygger modeller från datakällor med tillräcklig kapacitet för att dina modeller ska kunna generera data traits att samla in data från.
Förstå TraitWeight understanding-traitweight
TraitWeight är en egen algoritm som är utformad för att upptäcka nya traits automatiskt. Jämför trait data från din nuvarande traits och segments mot alla andra data från första och tredje part som du har tillgång till via Audience Manager. I det här avsnittet finns en beskrivning av TraitWeight process för algoritmisk upptäckt.
Följande steg beskriver TraitWeight utvärderingsprocess.
Steg 1: Skapa en baslinje för Trait Jämförelse
Så här skapar du en baslinje: TraitWeight alla traits associeras med en publik med ett intervall på 30, 60 eller 90 dagar. Härnäst rankas det traits utifrån frekvens och korrelation. Frekvensantalet mäter gemensamma värden. Korrelationsmått sannolikheten för en trait som bara finns i baslinjen. Traits som ofta verkar vara mycket lika, en viktig egenskap som används för att ställa in ett viktat poängvärde i kombination med traits har identifierats i dina valda data sources.
Steg 2: Sök samma Traits i Data Source
När algoritmen har skapat en baslinje för jämförelse söker den efter identiska traits i dina valda data sources. I det här steget TraitWeight utför ett frekvensantal för alla identifierade traits och jämför dem med baslinjen. Till skillnad från baslinjen är dock mindre vanliga traits rangordnas högre än de som visas oftare. Sällsynta traits De sägs vara mycket specifika. TraitWeight utvärderar kombinationer av gemensam baslinje traits och mindre vanliga (mycket specifika) data source traits som mer inflytelserik eller önskvärd än traits som är gemensamma för båda datauppsättningarna. Vår modell känner faktiskt igen dessa stora, vanliga traits och tilldelar inte alltför hög prioritet till datauppsättningar med höga korrelationer. Sällsynta traits får högre prioritet eftersom det är mer sannolikt att de representerar nya, unika användare än traits med hög enhetlighet över hela linjen.
Steg 3: Tilldela bredd
I det här steget TraitWeight rankar som nyligen upptäckts traits i fråga om påverkan eller önskvärdhet. Viktskalan är ett procentvärde mellan 0 % och 100 %. Traits rankas närmare 100 % betyder att de är mer som målgruppen i din baslinjepopulation. Dessutom, kraftigt viktad traits är värdefulla eftersom de representerar nya, unika användare som kan bete sig på samma sätt som er etablerade, grundläggande målgrupp. Kom ihåg: TraitWeight anser traits med hög enhetlighet i baslinjen och hög specificitet i de jämförda datakällorna är mer värdefull än traits som är gemensamma i varje datauppsättning.
Steg 4: Poänganvändare
Varje användare i det markerade data sources får ett poängvärde som är lika med summan av alla vikter för den inflytelserika traits på den användarens profil. Användarpoängen normaliseras sedan till mellan 0 och 100 %.
Steg 5: Visa och arbeta med resultat
Audience Manager visar viktade modellresultat i Trait Builder. När du vill skapa en algorithmic trait, Trait Builder låter dig skapa traits baserat på den viktade poäng som genereras av algoritmen under en datakörning. Du kan välja en högre precision om du bara vill kvalificera användare som har mycket höga användarpoäng och därför är mycket lika den ursprungliga målgruppen, i stället för den övriga målgruppen. Om du vill nå en större publik (räckvidd) kan du minska noggrannheten.
Steg 6: Utvärdera betydelsen av en Trait Över flera bearbetningscykler
Regelbundet, TraitWeight utvärderar vikten av en trait baserat på storleken och förändringen i populationen av trait. Detta inträffar när antalet användare är kvalificerade för det trait ökar eller minskar över tid. Detta beteende syns tydligast i egenskaper som blir mycket stora. Anta att algoritmen använder trait A för modellering. Som befolkningen i trait A ökningar, TraitWeight utvärderar vikten av det trait och kan tilldela en lägre poäng eller ignorera den. I detta fall trait A är för vanligt eller för stort för att säga något om befolkningen. Efter TraitWeight minskar värdet för trait A (eller ignorerar det i modellen) minskar populationen av den algoritmiska egenskapen. Listan över inflytelserika traits återspeglar utvecklingen av baslinjepopulationen. Använd listan över inflytelserika traits för att förstå varför dessa förändringar inträffar.
Relaterade länkar:
Uppdatera schema för Look-Alike Models och Traits update-schedule
Skapa och uppdatera scheman för nya eller befintliga algorithmic models och traits.
Look-Alike Model Schema för att skapa och uppdatera
För nya eller klonade Look-Alike Modelskörs skapandet en gång om dagen på:
- 17:00 EST (november - mars)
- 6:00 EDT (mars - november)
Modeller som byggts eller klonats efter att tidsgränsen för skapandet har uppnåtts behandlas följande dag.
Om den första körningen av en modell inte genererar några data körs den en andra gång, nästa dag. Om det andra försöket inte genererar några data kommer det att göras ett tredje försök nästa dag. Modellen kommer att sluta köras om det tredje försöket inte genererar några data. I det här fallet inaktiverar vi modellen. Se mer i Felsöka stilliknande modeller.
Under idealiska förhållanden körs befintliga modeller på vardagar, minst en gång var sjunde dag. Om du t.ex. skapar en modell (med deadline) på måndag, uppdateras den följande måndagen senast.
En modell körs igen om den uppfyller något av följande villkor:
- Den senaste körningen misslyckades.
- Den har körts innan OCH har inte körts alls under de senaste 7 dagarna OCH modellen har minst en aktiv egenskap kopplad till sig.
Look-Alike Trait Schema för att skapa och uppdatera
Modelllistvy models-list-view
Listvyn är en central arbetsyta som du kan använda för att skapa, granska och hantera modeller.
The Models listsidan innehåller funktioner och verktyg som hjälper dig att:
- Skapa nya modeller.
- Hantera befintliga modeller (redigera, pausa, ta bort eller klona).
- Sök efter modeller efter namn.
- Skapa algorithmic traits med en given modell.
Sammanfattningsvy för modeller models-summary-view
Sammanfattningssidan visar modellinformation som namn, räckvidd/precision, bearbetningshistorik och traits som har skapats från modellen. Sidan innehåller även inställningar som gör att du kan skapa och hantera modeller. Klicka på ett modellnamn i sammanfattningslistan för att se information om det.
Modellsammanfattningssidan innehåller följande avsnitt.
The Influentiella egenskaper tabell:
- Visar de 50 mest inflytelserika egenskaperna som bäst representeras i modellens baslinjepopulation.
- Ordnar varje egenskap efter dess Relativ vikt rankning. The Relativ vikt sorterar nyligen upptäckta egenskaper efter påverkan eller önskvärdhet. Viktskalan är ett procentvärde mellan 0 % och 100 %. Fällor rankade närmare 100 % innebär att de är mer som målgruppen i din baslinjepopulation. Se TraitWeight - introduktion.
- Visar en 30-dagars unix och den totala trait-populationen för varje egenskap.
Visar en lista över algoritmiska egenskaper baserat på den valda modellen. Klicka på ett trait-namn eller trait-ID om du vill ha mer information om trait. Välj Skapa nytt spår med modell för att gå till processen för att skapa algoritmiska egenskaper.
Avsnittsetiketten ändras baserat på modellens namn. Anta att du skapar en modell och ger den namnet Modell A. När du läser in sammanfattningssidan ändras namnet på det här avsnittet till Traits Using Model A.