Look-Alike Modeling 通過自動資料分析幫助您發現新的、獨特的受眾。 當您選擇 trait 或 segment、時間間隔,以及第一和第三方 data sources。 你的選擇為算法模型提供輸入。 當分析進程運行時,它根據所選人口中的共用特徵查找合格用戶。 完成後,此資料可在 特性生成器 你可以用它來建立 精確到。 此外,您還可以構建將算法特性與 rules-based traits 並添加其他資格要求 Boolean 表達式和比較運算子。 Look-Alike Modeling 為您提供了從所有可用特性資料中提取值的動態方法。
使用 Look-Alike Modeling 包括:
您在 Audience Data > Models。 在高級別上,工作流進程涉及以下內容:
我們停用任何 Look-Alike Model 連續三次運行無法生成資料。 請注意,以後不能將模型的狀態設定回活動狀態。 為確保模型生成資料,我們建議您使用足夠的資料源構建模型 traits 從中積累資料。
TraitWeight 是專為發現 traits 的下界。 它比較 trait 資料 traits 和 segments 與您有權訪問的所有其他第一和第三方資料 Audience Manager。 請參閱本節,瞭解 TraitWeight 算法發現過程。
以下步驟介紹 TraitWeight 評估過程。
要構建基線, TraitWeight 測量所有 traits 在30、60或90天間隔內與受眾關聯。 接下來,它 traits 根據它們的頻率和相關性。 頻率計數度量通用性。 關聯度量 trait 只出現在基線觀眾中。 Traits 通常顯示的是高通用性,這是在與 traits 已發現 data sources。
建立比較基線後,算法會查找相同的 traits 在 data sources。 在這一步, TraitWeight 執行所有已發現的頻率計數 traits 並與基線進行比較。 但是,與基線不同, traits 排名比那些更頻繁的排名高。 稀有 traits 都顯示出高度的特異性。 TraitWeight 評估共同基線組合 traits 不常見(高度特定) data source traits 比 traits 兩個資料集通用。 事實上,我們的模型識別了這些 traits 並且不會為關聯度高的資料集指定過多優先順序。 稀有 traits 獲得更高的優先順序,因為他們更可能代表新的、獨特的用戶,而不是 traits 通用性強。
在這一步, TraitWeight 新發現的 traits 影響力或慾望。 重量比是0%到100%的百分比。 Traits 排名接近100%意味著他們更像你的基線人口中的觀眾 此外, traits 非常有價值,因為它們代表的是新的、獨特的用戶,他們的行為可能與已建立的基線受眾類似。 記住, TraitWeight 考慮 traits 基線通用性強,比較資料源的特異性高,比 traits 在每個資料集中都很常見。
選定的每個用戶 data sources 給出一個用戶分數,該分數等於所有影響力權重之和 traits 用戶的個人資料。 然後,將用戶分數標準化為0%到100%。
Audience Manager 顯示加權模型結果 Trait Builder。 當您要構建 algorithmic trait。 Trait Builder 允許建立 traits 根據算法在資料運行期間生成的加權得分。 您可以選擇更高的準確性,以僅限定用戶分數非常高的用戶,因此與基線受眾非常相似,而不是其他受眾。 如果想接觸更多的受眾(接觸),可以降低準確性。
定期, TraitWeight 重新評估 trait 根據人口規模和變化 trait。 當符合此條件的用戶數時,就會發生這種情況 trait 隨著時間的推移而增加或減少。 這種行為在那些變得非常大的特質中表現得最為明顯。 例如,假設算法使用 trait A 為建模。 作為 trait A 增加, TraitWeight 重新評估其重要性 trait 或者忽略分數。 在這個例子中, trait A 太常見或太大,無法對其人口做出任何重大的評價。 之後 TraitWeight 減少 trait A (或者在模型中忽略它),算法特徵的數量減少。 影響力清單 traits 反映了基線人口的演變。 使用有影響力的 traits 來理解這些變化的原因。
相關連結:
建立和更新新計畫或現有計畫 algorithmic models 和 traits。
活動類型 | 說明 |
---|---|
建立或克隆模型 | 對於新的或克隆的 Look-Alike Models,建立過程每天運行一次,時間:
在建立截止日期後生成或克隆的模型將在第二天進行處理。 如果模型的第一次運行不生成任何資料,則將在第二天再次運行。 如果第二次嘗試也未生成任何資料,則第三次嘗試,即第二天。 如果第三次嘗試也未生成任何資料,則模型將停止運行。 在這種情況下,我們會停用模型。 查看更多資訊 對外觀相似的模型進行故障排除。 |
更新模型 | 在理想條件下,現有模型在工作日運行,至少每7天運行一次。 例如,如果在星期一建立模型(截止時間),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,將重新運行該模型:
|
活動類型 | 說明 |
---|---|
建立特性 | 特質創造過程每天,從星期一到星期五。 通常,新算法特徵在48小時內出現在用戶介面上。 |
更新特性 | 現有特徵至少每7天更新一次,並遵循模型更新的計畫。 |
清單視圖是一個中心工作區,可幫助您建立、查看和管理模型。
的 Models 清單頁包含有助於您的功能和工具:
摘要頁面顯示模型詳細資訊,如名稱、到達/準確度、處理歷史記錄和 traits 從模型建立。 該頁還包括允許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。
模型摘要頁面包括以下部分。
區域 | 說明 |
---|---|
基本資訊 |
包括有關模型的基本資訊,如模型名稱和上次運行時間。 |
模型的距離和精度 |
顯示 精確到 上次模型運行的資料。 |
模型處理歷史記錄 |
顯示最近10次運行的處理日期和時間以及這些運行是否生成了資料。 |
影響性 |
的 影響性 表:
|
使用模型的特徵 |
顯示基於所選模型的算法特性清單。 按一下特徵名稱或特徵ID以瞭解有關特徵的詳細資訊。 選擇 使用模型建立新特性 進入算法特徵創造過程。 截面標籤會根據模型的名稱進行更改。 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,此節的名稱將更改為 使用模型A的特徵。 |