瞭解Look-Alike Modeling

查找Look-Alike Modeling的新用戶

Look-Alike Modeling 協助您透過自動化資料分析,發掘新的獨特受眾。當您選擇trait或segment、時間間隔,以及第一方和第三方data sources時,流程就會開始。 您的選擇為演算模型提供輸入。 當分析程式執行時,它會根據所選人口的共用特性,尋找符合資格的使用者。 完成時,此資料可在特徵產生器中取用,您可在此使用它根據準確度建立特徵並達到。 此外,您還可以建立結合演算特性與rules-based traits的區段,並新增其他使用Boolean運算式與比較運算子的資格要求。 Look-Alike Modeling 提供您從所有可用特徵資料擷取值的動態方式。

優勢

使用Look-Alike Modeling的主要優點包括:

  • 資料正確性: 演算法會定期執行,有助於保持結果的最新性和相關性。
  • 自動化: 您不需要管理大量的靜態規則。演算法會為您尋找受眾。
  • 節省時間並減少工作量:使用 我們的模型建立程式,您不必猜測哪些 traits功segments 能可行,或花時間在促銷活動上,即可發現新的受眾。模型可以為您執行此操作。
  • 可靠性: 模型可與伺服器端的發現和資格認定程式搭配使用,以評估您自己的資料和您可存取的所選第三方資料。這表示您不必查看網站上的訪客,即可讓他們符合某個特徵的資格。

工作流程

在​Audience Data > Models​中管理模型。 在高層,工作流進程涉及以下內容:

  • 選取您要演算法評估的基線資料。 這包括trait或segment、時間範圍和data sources(您自己的資料和您已透過Audience Manager存取的第三方資料)。 在模型建立工作流中,可以排除不想干擾模型的traits。
  • 保存模型。 儲存後,演算法評估程式就會自動執行。 但請注意,此程式最長需要7天才能完成。 Audience Manager 演算法完成且結果可供建立時,會傳送電子郵件給 trait 您。
  • 在Trait Builder中建立演算法traits。
  • 在Segment Builder中將traits組合到segments。
  • 建立並傳送segment資料至destination。

疑難排解

我們會停用任何無法產生連續三個執行之資料的Look-Alike Model。 請注意,不能將模型的狀態設定回活動狀態。 為確保您的模型產生資料,我們建議您從資料來源建立具備traits的模型,以累積資料。

瞭解TraitWeight

TraitWeight 是專為自動發現新功能而設計的專 traits 屬演算法。它會將您目前traits和segments的trait資料與您可透過Audience Manager存取的所有其他第一方和第三方資料進行比較。 有關TraitWeight演算法發現過程的說明,請參閱本節。

以下步驟說明TraitWeight評估過程。

步驟1:建立Trait比較的基準

若要建立基線,TraitWeight會測量與觀眾相關的所有traits,間隔為30、60或90天。 接著,根據其頻率和相關性對traits進行排序。 頻率計數會測量通用性。 關聯會測量trait僅出現在基準讀者中的可能性。 Traits 通常會顯示高通用性,這是用來設定加權分數的重要特性,並結合在您選取的 traits 項目中發現 data sources。

步驟2:在Data Source中尋找相同的Traits

在建立基準以進行比較後,演算法會在您選取的data sources中尋找相同的traits。 在此步驟中,TraitWeight會執行所有已發現traits的頻率計數,並將它們與基線進行比較。 但是,與基線不同,不常見的traits排名高於較常出現的排名。 所述稀有traits顯示出高度特異性。 TraitWeight 評估共同基準和不 traits 常見(高度特定)的組 data source traits 合比兩個資料集 traits 的共同更有影響力或更可取。事實上,我們的模型會辨識這些大型且常見的traits,而且不會指派過多的優先順序給關聯性較高的資料集。 少有的traits會獲得更高的優先順序,因為它們代表新的獨特用戶的可能性比traits更大,而且在整個主板上具有高度的通用性。

步驟3:指定權重

在此步驟中,TraitWeight會依影響或期望順序排列新發現的traits。 重量級數是從0%到100%的百分比。 Traits 排名接近100%表示他們更像您基準人口中的觀眾。此外,重量traits的重要性在於它們代表新的獨特使用者,其行為可能與您現有的基準讀者類似。 請記住,TraitWeight認為traits在基線中具有高通用性,而在比較的資料源中具有高特異性,這比每個資料集中的traits更有價值。

步驟4:計分使用者

選取的data sources中的每個使用者會獲得一個使用者分數,該分數等於該使用者描述檔上有影響力的traits所有權重的總和。 然後,將用戶分數標準化為0到100%。

步驟5:顯示並處理結果

Audience Manager 在中顯示加權模型結果 Trait Builder。當您要建立algorithmic trait時,Trait Builder可讓您根據演算法在資料執行期間產生的加權分數來建立traits。 您可以選擇更高的準確度,以僅限符合使用者分數極高且因此與基準讀者非常相似的使用者,而非其他對象。 如果您想要觸及到更廣的觀眾(觸及),則可降低精確度。

步驟6:重新評估處理週期中Trait的重要性

TraitWeight會定期根據trait的人口大小和變化重新評估trait的重要性。 當符合該trait資格的使用者人數隨著時間增加或減少時,就會發生此情況。 這種行為在變大的特徵中最為明顯。 例如,假設演算法使用trait A進行建模。 隨著trait A的人口增加,TraitWeight會重新評估該trait的重要性,並可指派較低的分數或忽略它。 在此情況下,trait A太常見或太大,無法對其人口發表任何顯著評論。 在TraitWeight降低trait A的值(或在模型中忽略它)後,演算法特徵的人口數會減少。 影響traits的清單反映了基線人口的演變。 使用有影響力的traits清單,瞭解發生這些變更的原因。

相關連結:

更新Look-Alike Models和Traits的排程

建立和更新新或現有algorithmic models和traits的排程。

Look-Alike Model 建立和更新計畫

活動類型 說明
建立或克隆模型

對於新的或克隆的相似模型,建立過程每天運行一次,網址為:

  • 東部時間下午5點(11月- 3月)
  • 美國東部夏令時間下午6點(3月- 11月)

在建立截止日期之後構建或克隆的模型將在第二天進行處理。

如果模型的首次運行未生成任何資料,則它將在次日運行第二次。 如果第二次嘗試也未產生任何資料,則第三次嘗試,即第二天。 如果第三次嘗試也未產生任何資料,模型將停止執行。 在這種情況下,我們會停用模型。 請參閱類似機型疑難排解中的更多資訊。

更新模型

在理想條件下,現有的模型在工作日運行,至少每7天運行一次。 例如,如果您在星期一(截止日期)建立模型,則最遲會在下星期一更新模型。

如果模型滿足以下任一條件,則其將重新運行:

  • 上次運行未成功。
  • 它在過去7天內根本沒有運行,而且模型至少附有一個活動特徵。

Look-Alike Trait 建立和更新計畫

活動類型 說明
建立特徵

特徵建立程式會每天執行,週一到週五。 通常,新演算法特徵會在48小時內出現在UI中。

更新特徵

現有特徵至少每7天更新一次,並依照模型更新的排程進行。

模型清單視圖

清單檢視是一個集中工作區,可協助您建立、檢視及管理模型。

Models清單頁面包含可協助您:

  • 建立新模型。
  • 管理現有模型(編輯、暫停、刪除或仿製)。
  • 依名稱搜尋模型。
  • 使用任何給定型號建立algorithmic traits。

模型摘要視圖

摘要頁面會顯示模型詳細資訊,例如名稱、觸及/準確度、處理歷史記錄,以及從模型建立的traits。 該頁還包含可讓您建立和管理模型的設定。 按一下摘要清單中的模型名稱以查看其詳細資訊。

模型摘要頁包括以下幾節。

區域 說明

基本資訊

包含模型的基本資訊,例如其名稱和上次執行時間。

模型觸及度與精確度

顯示上次模型運行的準確度和資料。

模型處理歷史記錄

顯示最近10次執行的處理日期和時間,以及這些執行上是否產生資料。

影響力特徵

影響特徵表:

  • 列出模型基線人口中最具影響力的50項最佳特徵。
  • 依其相對權重排名來排名每個特徵。 相對權重會依影響或可取性排序新發現的特徵。 重量級數是從0%到100%的百分比。 排名接近100%的特徵意味著它們更像您基線人口中的受眾。 請參閱瞭解TraitWeight
  • 顯示每個特徵的30天獨特值和特徵總人口。

使用模型的特徵

顯示根據所選模型的演算法特徵清單。 按一下特徵名稱或特徵ID,以取得特徵的詳細資訊。 選取「使用Model建立新特徵」,以前往演算法特徵建立程式。

截面標籤會根據模型名稱而改變。 例如,假設您建立模型並將其命名為模型A。載入摘要頁面時,此區段的名稱會變更為「使用模型A的特徵」。

本頁內容