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：

• 模型產生器
• 精確度和觸及

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

Look-Alike Trait 建立和更新計畫

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。