了解Look-Alike Modeling

查找具有Look-Alike Modeling的新用户

Look-Alike Modeling 通过自动数据分析帮助您发现新的独特受众。当您选择trait或segment、时间间隔以及第一方和第三方data sources时，将开始该过程。 您的选择为算法模型提供了输入。 运行分析流程时，它会根据所选群体的共享特征查找符合条件的用户。 完成后，此数据将在特征生成器中提供，您可以在其中使用这些数据根据准确性创建特征并访问。 此外，您还可以构建将算法特征与rules-based traits结合在一起的区段，并使用Boolean表达式和比较运算符添加其他资格要求。 Look-Alike Modeling 可让您动态地从所有可用特征数据中提取值。

优势

使用Look-Alike Modeling的主要好处包括：

• 数据准确性： 算法会定期运行，这有助于保持结果为最新且相关。
• 自动化： 您无需管理大量静态规则。算法将为您查找受众。
• 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 traits/segments 项目可能起作用，也不必花时间在营销活动上发现新受众。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别流程结合使用，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。这意味着您无需查看网站上的访客即可确定其是否符合某个特征。

工作流

在​Audience Data > Models​中管理模型。 在高级别，工作流流程涉及以下内容：

• 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（您自己的数据和已通过Audience Manager访问的第三方数据）。 在模型创建工作流中，可以排除不想干扰模型的traits。
• 保存模型。 保存后，算法评估进程将自动运行。 但请注意，此过程可能需要长达7天的时间才能完成。 Audience Manager 当算法完成并且结果可供创建时，会向您发送电子 trait 邮件。
• 在Trait Builder中生成算法traits。
• 将traits组合到Segment Builder的segments中。
• 创建segment数据并将其发送到destination。

故障诊断

我们会停用任何未能连续三次生成数据的Look-Alike Model。 请注意，以后不能将模型的状态重新设置为活动状态。 为确保模型生成数据，我们建议您从数据源构建模型，其中traits足以累计中的数据。

了解TraitWeight

TraitWeight 是专用的算法，旨在自动发现 traits 新。它会将当前traits和segments中的trait数据与您通过Audience Manager有权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，请参阅此部分。

以下步骤描述了TraitWeight评估过程。

步骤1:构建基线以进行比较Trait

要构建基线，TraitWeight会测量与受众关联的所有traits，间隔为30、60或90天。 接下来，根据其频率和相关性对traits进行排名。 频率计数衡量通用性。 关联度量trait仅出现在基线受众中的可能性。 Traits 通常，这些标记显示出高度的通用性，这是一个重要特征，用于在与您在所选内容中发现的加 traits 权分数结合时设 data sources置。

步骤2:在Data Source中找到相同的Traits

算法在生成基线以进行比较后，会在选定的data sources中查找相同的traits。 在此步骤中，TraitWeight将执行所有发现的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排名比显示频率更高的排名。 所述稀有traits表现出高度特异性。 TraitWeight 将公共基线和不常见( traits 高度特定)的组合评 data source traits 估为比两个数据集的 traits 通用更具影响力或更可取。事实上，我们的模型识别了这些大型且常见的traits，并且不会为具有高关联的数据集分配过多的优先级。 极少有的traits会获得更高的优先级，因为与traits相比，它们更可能代表全局具有高度通用性的新的独特用户。

步骤3:分配权重

在此步骤中，TraitWeight按影响或期望顺序对新发现的traits进行排名。 重量比是0%到100%的百分比。 Traits 排名接近100%意味着他们更像基线群体中的受众。此外，重量加权traits很有价值，因为它们代表的是新的独特用户，这些用户的行为可能与您已建立的基准受众类似。 请记住，TraitWeight认为在基线中具有高通用性的traits和在比较的数据源中具有高专一性的比每个数据集中的traits通用性更有价值。

步骤4:评分用户

选定data sources中的每个用户都会获得一个用户分数，该分数等于该用户配置文件中具有影响力的traits的所有权重的总和。 然后，将用户分数标准化为0%到100%。

步骤5:显示和处理结果

Audience Manager 显示加权模型结果 Trait Builder。如果要构建algorithmic trait，可使用Trait Builder根据算法在数据运行期间生成的加权分数创建traits。 您可以选择更高的准确性，以便仅鉴定用户得分非常高，因此与基准受众非常相似的用户，而不是其余的受众。 如果您想要访问更大的受众（访问），可以降低准确性。

步骤6:重新评估Trait跨处理周期的显着性

TraitWeight会定期根据trait的大小和人口变化重新评估trait的重要性。 当符合该trait条件的用户数量随着时间的推移而增加或减少时，会发生这种情况。 这种行为在变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的群体增加，TraitWeight会重新评估该trait的重要性，并可以分配较低的分数或忽略该分数。 在这种情况下，trait A太常见或太大，无法对其人口发表任何重要的评论。 在TraitWeight减小值trait A（或在模型中忽略该值）后，算法特征的群体会减少。 具有影响力的traits列表反映了基线群体的演变。 使用具有影响力的traits列表了解发生这些更改的原因。

相关链接：

• 模型生成器
• 精度和范围

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

Look-Alike Trait 创建和更新计划

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列表页面包含可帮助您：

• 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。
• 使用任何给定模型创建algorithmic traits。

模型摘要视图

摘要页显示模型详细信息，如名称、访问/准确度、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可查看其详细信息。

模型摘要页面包括以下部分。