了解Look-Alike Modeling

查找Look-Alike Modeling的新用户

Look-Alike Modeling 帮助您通过自动化数据分析发现新的独特受众。当您选择trait或segment、时间间隔以及第一方和第三方data sources时,进程开始。 您的选择为算法模型提供输入。 当分析过程运行时,它会根据所选人群的共享特征来查找符合条件的用户。 完成后,此数据在特征生成器中可用,您可以使用它根据准确性创建特征并到达。 此外,您还可以构建将算法特征与rules-based traits结合在一起的细分,并通过Boolean表达式和比较运算符添加其他资格要求。 Look-Alike Modeling 为您提供了从所有可用特征数据中提取值的动态方式。

优势

使用Look-Alike Modeling的主要益处包括:

  • 数据准确性: 算法定期运行,有助于使结果保持最新且相关。
  • 自动 化:您不必管理大量静态规则。算法将为您找到受众。
  • 节省时间并减少工作量: 通过我们的建模过程,您不必猜测哪些功 traits能可segments 能有效或将时间资源花在活动上即可发现新受众。模型可以为您执行此操作。
  • 可靠性: 建模可与服务器端发现和鉴定流程结合使用,这些流程可评估您自己的数据和您有权访问的选定第三方数据。这意味着您不必查看网站上的访客即可确定其是否具有某个特征。

工作流

在​Audience Data > Models​中管理模型。 从高层来说,工作流过程涉及以下方面:

  • 选择要算法评估的基线数据。 这包括trait或segment、时间范围和data sources(您已通过Audience Manager访问过自己的数据和第三方数据)。 在模型创建工作流中,可以排除不想与模型相干的traits。
  • 保存模型。 一旦保存,算法评估过程将自动运行。 但是,请注意,完成此过程最多可能需要7天。 Audience Manager 当算法完成且结果可供创建时,会向您发送电子 trait 邮件。
  • 在Trait Builder中构建算法traits。
  • 将traits合并到Segment Builder中的segments中。
  • 创建segment数据并将其发送到destination。

疑难解答

我们将取消激活任何未能为连续三个运行生成数据的Look-Alike Model。 请注意,之后不能将模型的状态设置回活动状态。 为确保您的模型生成数据,我们建议您从数据源中构建模型,并且该数据源的traits足以累积数据。

了解TraitWeight

TraitWeight 是一种专有的算法,旨在自动发现 traits 新内容。它将当前traits和segments中的trait数据与您通过Audience Manager访问的所有其他第一方和第三方数据进行比较。 有关TraitWeight算法发现过程的说明,请参阅本节。

以下步骤描述了TraitWeight评估过程。

第1步:为Trait比较生成基线

要构建基线,TraitWeight在30、60或90天间隔内测量与受众关联的所有traits。 然后,根据其频率和相关性对traits进行排名。 频率计数可衡量通用性。 关联度量trait仅在基线受众中存在的可能性。 Traits 这通常被说为具有高通用性,这是在与在选定内容中发现的加权分数进行组合时用于设 traits 置加权分数的重要特 data sources征。

第2步:在Data Source中查找相同的Traits

在生成要比较的基线后,算法会在所选data sources中查找相同的traits。 在此步骤中,TraitWeight执行所有发现的traits的频率计数,并将它们与基线进行比较。 但是,与基线不同,不常见的traits排名高于显示频率更高的排名。 据说稀有traits表现出高度特异性。 TraitWeight 评估共同基准和不 traits 常见(高度特定)的组合 data source traits 比两个数据集 traits 的共性更具影响力或可取。事实上,我们的模型能够识别这些大的、常见的traits,并且不会为关联度高的数据集分配过多的优先级。 极少数traits会获得更高的优先级,因为与具有较高通用性的traits相比,它们更可能代表新的独特用户。

第3步:分配权重

在此步骤中,TraitWeight按照影响或可取性的顺序对新发现的traits进行排名。 权重比例是介于0%到100%之间的百分比。 Traits 排名接近100%意味着它们更像基线人口中的受众。此外,重加权traits很有价值,因为它们代表新的、独特的用户,这些用户的行为可能与您既定的基准受众相似。 请记住,TraitWeight认为,在基线中具有高通用性,在比较的数据源中具有高特异性,这比每个数据集中的traits更有价值。traits

第4步:评分用户

所选data sources中的每个用户都将获得一个用户分数,该分数等于该用户用户档案上有影响力的traits的所有权重的总和。 然后,将用户分数标准化为0%到100%。

第5步:显示和处理结果

Audience Manager 显示加权模型结果 Trait Builder。当您要构建algorithmic trait时,Trait Builder允许您根据算法在数据运行期间生成的加权得分创建traits。 您可以选择更高的准确度,以仅限定用户分数非常高的用户,因此与基准受众非常相似,而不是受众的其余部分。 如果您希望达到更大的受众(触及范围),则可以降低准确性。

第6步:重新评估Trait在处理周期中的重要性

TraitWeight定期根据trait的人口大小和变化重新评估trait的重要性。 随着时间的推移,符合该trait条件的用户数量增加或减少。 这种行为在变得非常大的特征中最为明显。 例如,假设算法使用trait A进行建模。 随着trait A的人口增加,TraitWeight会重新评估该trait的重要性,并可能会分配较低的分数或忽略它。 在这种情况下,trait A太常或太大,不能对其人口说出任何重要的话。 在TraitWeight降低trait A的值(或在模型中忽略它)后,算法特征的种群会减少。 影响traits的列表反映了基线种群的演化。 使用有影响力的traits的列表来了解发生这些更改的原因。

相关链接:

Look-Alike Models和Traits的更新计划

为新的或现有的algorithmic models和traits创建和更新计划。

Look-Alike Model 创建和更新计划

活动类型 描述
创建或克隆模型

对于新的或克隆的相似模型,创建过程每天运行一次:

  • 东部标准时间下午5点(11月 — 3月)
  • 美国东部夏令时间下午6点(3月 — 11月)

在创建截止日期之后构建或克隆的模型将在第二天进行处理。

如果模型的第一次运行没有生成任何数据,它将再次运行,即第二天。 如果第二次尝试也未生成任何数据,则第三次尝试,即第二天。 如果第三次尝试也未生成任何数据,则模型将停止运行。 在这种情况下,我们将取消激活模型。 请参阅类似型模型疑难解答中的更多信息。

更新模型

在理想条件下,现有车型在工作日运行,至少每7天运行一次。 例如,如果您在星期一(截止日期)创建了一个模型,则它会在下一个星期一最晚更新。

如果模型满足以下任一条件,将重新运行该模型:

  • 它上次的运行没有成功。
  • 它在过去7天中根本没有运行,而且模型至少附加了一个活动特征。

Look-Alike Trait 创建和更新计划

活动类型 描述
创建特征

特征创建过程每天(周一至周五)运行。 通常,新的算法特征会在48小时内显示在UI中。

更新特征

现有特征至少每7天更新一次,并按照计划更新模型。

模型列表视图

列表视图是一个中心工作区,可帮助您创建、审阅和管理模型。

Models列表页面包含有助于您:

  • 创建新模型。
  • 管理现有模型(编辑、暂停、删除或克隆)。
  • 按名称搜索模型。
  • 使用任何给定型号创建algorithmic traits。

模型摘要视图

摘要页显示模型详细信息,如名称、访问/准确性、处理历史记录以及从模型创建的traits。 该页面还包含允许您创建和管理模型的设置。 单击摘要列表中的模型名称以查看其详细信息。

“模型摘要”页包含以下部分。

区域 描述

基本信息

包括有关模型的基本信息,如其名称和上次运行时间。

模型范围和准确性

显示准确性并达到上次运行模型的数据。

模型处理历史记录

显示最近10个运行的处理日期和时间,以及这些运行是否生成了数据。

影响力特征

影响特征表:

  • 列表模型基准群体中最能代表的50个最具影响力的特征。
  • 按其相对权重排名对每个特征进行排名。 相对权重按影响或可取性对新发现的特征进行排序。 权重比例是介于0%到100%之间的百分比。 排名接近100%的特征意味着它们更像基线人口中的受众。 请参阅了解TraitWeight
  • 显示每个特征的30天唯一值和总特征人口。

特征使用模型

显示基于所选模型的算法特征列表。 单击特征名称或特征ID可了解有关该特征的详细信息。 选择使用Model创建新特征以转到算法特征创建过程。

章节标签会根据模型的名称而更改。 例如,假设您创建一个模型并将其命名为Model A。加载摘要页面时,此部分的名称将更改为使用模型A的特征。

On this page