理解 Look-Alike Modeling

查找新用戶 Look-Alike Modeling

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。

優勢

使用 Look-Alike Modeling 包括：

  • 資料準確性： 算法定期運行，有助於保持結果的最新和相關性。
  • 自動化： 您不必管理大量靜態規則。 算法會為你找到觀眾。
  • 節省時間並減少工作量： 通過我們的建模過程，你不必猜測 traits/segments 可能會在活動上工作或花費時間來發現新的受眾。 模型可以為您執行此操作。
  • 可靠性： 建模與伺服器端的發現和鑑定過程配合使用，這些過程評估您自己的資料和您有權訪問的選定第三方資料。 這意味著您不必在網站上看到訪問者，就可以確認他們的某種特性。

工作流程

您在 Audience Data > Models。 在高級別上，工作流進程涉及以下內容：

  • 選擇希望算法計算的基線資料。 這包括 trait 或 segment、時間範圍和 data sources (您自己的資料和您已有權訪問的第三方資料 Audience Manager)。 在模型建立工作流中，可以排除 traits 你不想干涉你的模型。
  • 保存模型。 一旦保存，算法評估過程將自動運行。 但請注意，此過程可能需要7天才能完成。 Audience Manager 算法完成後，結果可供使用時向您發送電子郵件 trait 建立。
  • 生成算法 traits 在 Trait Builder。
  • 組合 traits 入 segments 在 Segment Builder。
  • 建立和發送 segment 資料到 destination。

疑難排解

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。

理解 TraitWeight

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。

步驟1:生成基線 Trait 比較

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。

步驟2:查找相同 Traits 的 Data Source

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。

第3步：分配權重

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。

第4步：評分用戶

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%。

第5步：顯示和處理結果

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。

步驟6:重新評價 Trait 跨處理週期

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：

更新計畫 Look-Alike Models 和 Traits

建立和更新新計畫或現有計畫 algorithmic models 和 traits。

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 Look-Alike Models，建立過程每天運行一次，時間：

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

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：

  • 上次運行未成功。
  • 它在運行之前已成功運行，過去7天裡一直未運行。模型至少附有一個活動特性。

Look-Alike Trait 建立和更新計畫

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。

模型清單視圖

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：

  • 建立新模型。
  • 管理現有模型（編輯、暫停、刪除或克隆）。
  • 按名稱搜索模型。
  • 建立 algorithmic traits 使用任何給定模型。

模型摘要視圖

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：

  • 列出模型基線人口中最能代表的前50個影響力特徵。
  • 將每個特徵按其順序排序 相對權重 排名。 的 相對權重 根據影響力或可取性對新發現的特徵進行分類。 重量比是0%到100%的百分比。 排名接近100%的特性意味著他們更像你的基本群體中的觀眾 請參閱 瞭解特質權重。
  • 顯示30天單位和每個特徵的總特徵群體。

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。

相關文章

本頁內容