Look-Alike Modeling 可協助您透過自動化資料分析,探索新的不重複受眾。當您選取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。 您的選擇為演算法模型提供輸入。 分析程式執行時,會根據所選母體的共用特性,尋找符合資格的使用者。 完成後,此資料可在特徵產生器中使用,您可在此處根據正確度建立特徵並達到。 此外,您也可以建立區段,將演算法特徵與rules-based traits結合,並使用Boolean運算式和比較運算子新增其他資格要求。 Look-Alike Modeling 可讓您以動態方式從所有可用的特徵資料中擷取值。
使用Look-Alike Modeling的主要好處包括:
在Audience Data > Models中管理模型。 在高層面,工作流程程式包含下列項目:
我們會停用連續三次無法產生資料的任何Look-Alike Model。 請注意,您無法在之後將模型的狀態設回「活動」(active)。 為確保模型產生資料,建議您從資料來源建立模型,且traits足夠,以便累積資料。
TraitWeight 是專屬的演算法,用於自動 traits 探索。它會將您目前traits和segments的trait資料與您透過Audience Manager存取的所有其他第一方和第三方資料進行比較。 如需TraitWeight演算法探索程式的說明,請參閱本節。
以下步驟描述TraitWeight評估過程。
若要建立基線, TraitWeight會在30、60或90天間隔內測量與對象相關聯的所有traits。 接著,根據其頻率及其相關性對traits進行排名。 頻率計數可測量通用性。 關聯會測量trait僅出現在基線對象中的機率。 Traits 通常會說這些字元顯示出高通用性,這是當與您在所選內容中發現的加權分數結合時,用來設 traits 定加權分數的重要 data sources特性。
建立基線進行比較後,演算法會在您選取的data sources中尋找相同的traits。 在此步驟中, TraitWeight執行所有發現的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排名比較常出現的高。 所述稀有traits表現出高度特異性。 TraitWeight 將通用基準和不常見( traits 高度特定)的組合評 data source traits 估為比兩個資料集共同 traits 更具影響力或更可取。事實上,我們的模型可辨識這些大型且常見的traits,且不會為具有高關聯性的資料集指派過多優先順序。 罕見traits會獲得更高的優先順序,因為與traits相比,它們更可能代表新的不重複用戶,而且整個板塊具有較高的通用性。
在此步驟中,TraitWeight會根據影響或可取性來排名新發現的traits。 重量等級是從0%到100%的百分比。 Traits 接近100%的排名表示他們更像基線人口中的受眾。此外,重度加權traits也很有價值,因為它們代表的是新的不重複使用者,其行為可能與您已建立的基準受眾類似。 請記住,TraitWeight認為traits在基線中具有較高的通用性,而在比較的資料源中具有較高的特異性,這比每個資料集中的traits更有價值。
所選data sources中的每個用戶被賦予一個用戶分數,該分數等於該用戶配置檔案上具有影響力的traits的所有權重的總和。 然後,將使用者分數標準化為0到100%。
Audience Manager 在中顯示加權模型結 Trait Builder果。當您想要建立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,僅限擁有非常高使用者分數的使用者,因此與基準對象非常類似,而非其餘對象。 如果您想觸及較大的對象(觸及),可以降低準確度。
TraitWeight會定期根據trait的母體大小和變化重新評估trait的重要性。 符合該trait資格的使用者人數會隨著時間而增加或減少,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母體的增加,TraitWeight會重新評估該trait的重要性,並可能指派較低的分數或忽略它。 在此情況下,trait A太常或太大,無法對其人口發表任何顯著的評論。 TraitWeight降低trait A值後(或在模型中忽略),演算法特徵的母體會減少。 具影響力的traits清單反映基線母體的演變。 使用具影響力的traits清單來了解這些變更為何發生。
相關連結:
為新的或現有的algorithmic models和traits建立和更新計畫。
活動類型 | 說明 |
---|---|
建立或複製模型 | 若為新的或複製的相似模型,建立程式每天會在下列位置執行一次:
在建立期限後建立或複製的模型,會在次日處理。 如果模型的首次執行未產生任何資料,則會第二次執行,即隔天。 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,則模型將停止運行。 在這種情況下,我們將停用模型。 請參閱相似模型疑難排解中的更多資訊。 |
更新模型 | 在理想條件下,現有模型會在工作日執行,至少每7天執行一次。 例如,如果您在星期一建立模型(截止日期),則最遲會在下星期一更新模型。 如果模型符合下列任一條件,則會重新執行:
|
活動類型 | 說明 |
---|---|
建立特徵 | 特徵建立程式會每天執行,從星期一到星期五。 一般而言,新的演算法特徵會在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,並依照模型更新排程進行。 |
清單檢視是可協助您建立、檢閱及管理模型的中央工作區。
Models清單頁面包含有助於您:
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。 該頁面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」(model summary)頁面包括以下部分。
區域 | 說明 |
---|---|
基本資訊 |
包括模型的基本資訊,如名稱和上次運行時間。 |
模型觸及度和準確度 |
顯示上次模型運行的準確度和達到資料。 |
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。 |
具影響力的特徵 |
具影響力的特徵表:
|
使用模型的特徵 |
根據選取的模型顯示演算法特徵清單。 按一下特徵名稱或特徵ID,以取得特徵的詳細資訊。 選取「使用模型建立新特徵」 ,前往演算法特徵建立程式。 節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」。 |