了解Look-Alike Modeling

查找Look-Alike Modeling的新用戶

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。

優勢

使用Look-Alike Modeling的主要好處包括：

• 資料正確性： 演算法會定期執行，有助於讓結果保持最新且相關。
• 自動化： 您不需要管理大量靜態規則。演算法會為您尋找對象。
• 節省時間並減少工作量： 透過我們的模型程式，您不必猜測什麼/可 traitssegments 能有效，或將時間資源花在行銷活動上以探索新對象。模型可以為您執行此操作。
• 可靠性： 模型可與伺服器端探索和資格認證程式搭配使用，以評估您自己的資料和您有權存取的所選第三方資料。這表示您不必在網站上看見訪客，即可讓他們符合特徵的資格。

工作流程

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：

• 選取要演算法評估的基線資料。 這包括trait或segment、時間範圍和data sources（您已透過Audience Manager存取過的自己資料和第三方資料）。 在模型建立工作流程中，可以排除不想干預模型的traits。
• 保存模型。 儲存後，演算法評估程式會自動執行。 但請注意，此程式最多可能需要7天才能完成。 Audience Manager 演算法完成後會傳送電子郵件給您，並提供建立 trait 結果。
• 在Trait Builder中建立演算法traits。
• 在Segment Builder中將traits組合到segments。
• 建立segment資料並傳送至destination。

疑難排解

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。

了解TraitWeight

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。

步驟1:建立Trait比較的基線

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。

步驟2:在Data Source中找到相同的Traits

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。

步驟3:指定權重

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。

步驟4:計分使用者

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%。

步驟5:顯示和使用結果

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。

步驟6:重新評估各處理週期Trait的顯著性

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：

• 模型產生器
• 精確度和觸及

更新Look-Alike Models和Traits的排程

為新的或現有的algorithmic models和traits建立和更新計畫。

Look-Alike Model 建立和更新計畫

Look-Alike Trait 建立和更新計畫

模型清單視圖

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：

• 建立新模型。
• 管理現有模型（編輯、暫停、刪除或原地複製）。
• 按名稱搜索模型。
• 使用任何給定模型建立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。