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：

• Model Builder
• 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。