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。
使用Look-Alike Modeling的主要好处包括:
在Audience Data > Models中管理模型。 在高级别,工作流流程涉及以下内容:
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。
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。
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。
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。
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。
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%。
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。
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:
为新的或现有的algorithmic models和traits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人群拓展模型,创建过程每天在以下位置运行一次:
在创建截止日期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未生成任何数据,则它将在次日再运行一次。 如果第二次尝试也未生成任何数据,则将在次日进行第三次尝试。 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,我们将停用模型。 请参阅相似人群拓展模型疑难解答中的更多信息。 |
更新模型 | 在理想条件下,现有模型在工作日运行,至少每7天运行一次。 例如,如果您在星期一创建一个模型(截止时间),则该模型会在下一个星期一更新最晚。 如果模型满足以下任一条件,则将重新运行该模型:
|
活动类型 | 描述 |
---|---|
创建特征 | 特征创建过程每天(星期一到星期五)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,并遵循模型更新计划。 |
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:
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。
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的时间。 |
模型范围和准确度 |
显示精度,并达到上次模型运行的数据。 |
模型处理历史记录 |
显示最近10次运行的处理日期和时间以及这些运行中是否生成了数据。 |
具有影响力的特征 |
具有影响力的特征表:
|
使用模型的特征 |
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 ,以了解有关该特征的更多信息。 选择使用模型创建新特征以转到算法特征创建过程。 区域标签会根据模型名称而发生更改。 例如,假设您创建一个模型并将其命名为模型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。 |