Predictive Audiences 개요

Predictive Audiences 고급 데이터 과학 기술을 사용하여 알려지지 않은 고객을 개별 인물로 실시간으로 분류할 수 있습니다.

중요

이 문서에는 이 기능의 설정 및 사용을 안내하는 제품 설명서가 포함되어 있습니다. 여기에 들어 있는 어떠한 것도 법적 권고사항이다. 법률 자문을 위해 법률 자문을 구할 수 있습니다.

마케팅 컨텍스트에서 성향은 인구 통계, 탐색 습관, 쇼핑 이력 등과 같은 특정 트레이트 집합을 공유하는 방문자, 사용자 또는 잠재적 구매자로 정의되는 대상 세그먼트로입니다.

Predictive Audiences 모델은 Audience Manager의 기계 학습 기능을 사용하여 알 수 없는 대상을 개별 성향으로 분류할 수 있도록 함으로써 이러한 개념을 한 단계 더 발전시킵니다. Audience Manager를 사용하면 일단의 알려진 자사 고객에 대해 알 수 없는 자사 대상의 성향을 계산하여 이를 달성할 수 있습니다.

Predictive Audiences 모델을 만들 때 첫 번째 단계는 대상 대상을 분류할 기준 특성이나 세그먼트를 선택하는 것입니다. 이러한 트레이트 또는 세그먼트는 사용자의 성격을 정의합니다.

평가 단계 동안 모델은 기준선으로 정의한 각 특성 또는 세그먼트에 대해 새 Predictive Audiences 세그먼트를 만듭니다. 다음 번에 Audience Manager에서 가상 사용자로 분류되지 않은 대상 대상의 방문자를 볼 때(기준선 트레이트 또는 세그먼트에 대한 자격이 부여되지 않음), Predictive Audiences 모델은 방문자가 속해 있어야 하는 예측 세그먼트 중 어느 것을 결정하고 해당 세그먼트에 방문자를 추가합니다.

Segments 페이지에서 모델이 생성한 예측 세그먼트를 식별할 수 있습니다. 각 Predictive Audiences 모델의 폴더는 Predictive Audiences 폴더 아래에 있으며, 모델 폴더를 클릭하여 각 모델의 세그먼트를 볼 수 있습니다.

predictive-audiences-segments

사용 사례

Audience Manager 고객이 이 기능을 사용하여 해결할 수 있는 몇 가지 사용 사례가 있습니다.Predictive Audiences

사용 사례 #1

e커머스 회사의 마케터로서 모든 웹 및 모바일 방문자를 다양한 브랜드 친화성 카테고리로 분류하여 사용자 경험을 개인화할 수 있습니다.

사용 사례 #2

미디어 기업의 마케터로서 저는 인증되지 않은 웹 및 모바일 방문자를 즐겨 사용하는 장르별로 분류하고 싶습니다. 그러면 모든 채널에서 개인화된 컨텐츠를 제공할 수 있습니다.

사용 사례 #3

항공사 광고주로서, 저는 제 고객을 여행 목적지에 대한 관심에 따라 분류하고, 짧은 리타겟팅 기간 내에 그들에게 실시간으로 광고할 수 있도록 하고 싶습니다.

사용 사례 #4

광고주로서 저는 제 퍼스트 파티 참가자를 실시간으로 분류하여 트렌드 뉴스에 빠르게 반응하고 싶습니다.

사용 사례 #5

마케터는 검색, 참여, 구매 또는 유지 등 웹 사이트 방문자가 어떤 고객 경로 단계를 경험하는지 예측하여 그에 따라 타깃팅할 수 있습니다.

사용 사례 #6

미디어 회사로서 고객을 분류하고 싶은데, 이를 통해 방문자에게 연관성 있는 광고를 제공하는 동시에 프리미엄 가격으로 광고 공간을 판매할 수 있습니다.

Predictive Audiences 모델이 작동하는 방법

Predictive Audiences 모델을 만들 때 다음 세 단계를 진행합니다.

  1. 먼저, 성향을 정의할 최소한 두 개의 특성이나 두 개의 세그먼트를 선택합니다.
  2. 그런 다음 분류할 대상 대상을 정의하는 트레이트 또는 세그먼트를 선택합니다.
  3. 마지막으로, 모델의 이름, 예측 세그먼트를 저장할 데이터 소스 및 모델에 대해 Profile Merge Rule을 선택합니다.

페르소나의 선택 기준

자사 특성 또는 세그먼트를 선택하여 개인 이름을 정의할 수 있습니다. 그러나 최적의 결과를 얻으려면 다음 권장 우수 사례 세트가 있습니다.

  • 각 페르소나를 최소 수백 개의 개의 장치 ID로 지정할 수 있도록 페르소나를 특성이나 세그먼트를 선택합니다.
  • 트레이트가 크로스 장치 ID를 기반으로 하는 경우 장치 ID를 사용하는 프로필 병합 규칙으로 트레이닝할 수 있습니다(예: Device Graph). 그러면 알고리즘에서 배울 수 있는 장치 ID가 충분합니다.
  • 1~3개의 트레이트로 구성된 특성에 대해 특성이나 간단한 세그먼트를 선택하는 것이 좋습니다.
  • 겹치지 않는 기준 특성이나 세그먼트를 선택할 수 있습니다.
  • 디지털 자산에서 세부적인 트레이트를 캡처하고 있는지 확인합니다.

Target 대상에 대한 선택 기준

사용 사례에 따라 사용자를 실시간으로 분류할지, 일괄적으로 분류할지 또는 둘 다에 따라 상당한 실시간 및/또는 총 모집단인 대상(trait 또는 segment)을 선택합니다. 가상 선택 내용과 유사하게, 대상 대상 trait 또는 segment에 리치 프로필(풍부한 traits 세트)을 가진 사용자가 있는 것이 좋습니다.

대상 대상을 선택할 때 사용 사례를 분석하고 분류할 ID 유형을 결정합니다.device IDs 또는 cross-device IDs. 모델을 만들 때 선택하는 Profile Merge Rule은 각 사용자를 예측 segments에 배치하는 데 사용할 데이터를 정의합니다.

타겟 대상 Profile Merge Rule과 동일한 구성을 가진 Profile Merge Rule 또는 대상 대상의 프로필 유형(장치 프로파일 또는 인증된 프로필)을 포함하는 대상을 선택하는 것이 좋습니다.

Predictive Audiences 모델 교육 단계

이 알고리즘이 자사 고객을 적합한 개인으로 분류하려면 먼저 데이터를 기반으로 학습해야 합니다.

사용자가 정의하는 각 페르소나에 대해 알고리즘은 해당 대상을 분석하고 지난 30일 동안 해당 사용자에 대한 실시간 및/또는 온보딩 트레이트 활동을 평가합니다.
이 단계는 자사 대상의 변경 사항을 반영하기 위해 24시간마다 한 번씩 수행됩니다.

Predictive Audiences 모델 분류 단계

실시간 및 일괄 처리 대상 분류의 경우 모델은 먼저 사용자가 대상 대상자에 속하는지 여부를 확인합니다. 사용자가 대상 대상에 대해 자격이 되고 해당 대상에 속하지 않는 경우 모델은 해당 사용자에게 페르소나 자격 점수를 지정합니다.

자사 대상을 평가하고 점수를 할당하는 동안 모델은 계정에 정의된 기본 Profile Merge Rule​을 사용합니다. 마지막으로 방문자는 최고 점수를 받은 가상 사용자로 분류됩니다.

예측 대상 그래프

고려 사항 및 제한 사항

중요

구현 단계로 이동하기 전에 이 섹션을 자세히 읽어 보십시오.

Predictive Audiences 모델을 구성할 때는 다음 고려 사항 및 제한 사항에 주의하십시오.

  • 최대 10개의 Predictive Audiences 모델을 만들 수 있습니다.
  • 각 모델에 대해 최대 50개의 기본 트레이트/세그먼트를 선택할 수 있습니다.
  • 두 번째 및 타사 데이터는 현재 Predictive Audiences에서 지원되지 않습니다.
  • Predictive Audiences 모든 자사 데이터 소스에서 자사 트레이트를 기반으로 고객 분류를 수행합니다.
  • Predictive Audiences에 대한 세그먼트 평가는 모델을 생성하는 동안 선택하는 Profile Merge Rule​을 사용합니다. Profile Merge Rules에 대한 자세한 내용은 전용 설명서를 참조하십시오.
  • 일부 트레이트 및 세그먼트는 기준선 또는 대상 대상으로 지원되지 않습니다. Predictive Audiences 다음 중 하나를 기준선 또는 대상 대상으로 선택할 때 모델이 저장되지 않습니다.
    • 예측 트레이트로 생성된 예측 트레이트 및 세그먼트
    • Adobe Experience Platform 트레이트 또는 세그먼트
    • 알고리즘 특성;
    • 제휴 및 제3자 특성
  • Predictive Audience segments 를 사용할 수 없습니다 Audience Lab.

Data Export Controls

Predictive Audiences 모델로 만든 예측 세그먼트는 다음 자사 데이터 소스에서 데이터 내보내기 컨트롤을 상속합니다.

  1. 모델을 작성할 때 선택하는 퍼스트 파티 데이터 소스.
  2. 타겟 고객의 퍼스트 파티 데이터 소스 특히 대상 대상을 구성하는 traits 또는 segments의 데이터 내보내기 컨트롤을 사용합니다.
  3. 모델에 대해 선택한 Profile Merge Rule의 데이터 내보내기 컨트롤입니다.

새로 만들어진 예측 traits 및 segments은 위에 설명된 자사 데이터 소스의 결합과 동일한 개인 정보 보호 제한을 가집니다.

Predictive Audiences 세그먼트 개인 정보 보호 제한에 속하지 않는 추가 제한 사항이 있는 트레이트는 교육 단계에서 제외되며 모델에 영향을 주지 않습니다.

Profile Merge Rules

모든 예측 세그먼트는 모델을 만들 때 선택한 Profile Merge Rule에 할당됩니다. 선택한 Profile Merge Rule은 다음과 같은 이유로 중요합니다.

  • 사용자가 예측 segment으로 분류될 때 모델이 영향력 있는 traits을 분석할 때 고려해야 할 디바이스 및/또는 인증된 프로파일을 정의합니다.
  • 모델 교육 단계 중 trait 유형(장치 수준 또는 장치 간 수준)을 사용해야 하며 영향력 있는 traits으로 드러나야 하는 문제가 해결되었습니다. 예측 segments은 타겟 대상의 하위 세트입니다.
    • 대상 대상이 세그먼트인 경우 대상 대상에 할당된 모델과 동일한 Profile Merge Rule 또는 대상 대상의 프로필 유형을 포함하는 Profile Merge Rule을 선택하는 것이 좋습니다.
    • 대상 대상이 trait인 경우 대상 대상 특성(장치 프로파일 데이터 또는 장치 간 프로필 데이터)과 동일한 유형의 데이터에 액세스할 수 있는 Profile Merge Rule을 선택하는 것이 좋습니다.
  • Profile Merge Rules Current Authenticated Profiles 및 No Device Profile 옵션 사용은 실시간 대상 분류에만 지원됩니다. 자세한 내용은 프로필 병합 규칙 옵션 정의를 참조하십시오.

장치 데이터와 장치 간 데이터를 모두 사용하는 Profile Merge Rule을 선택하면 모델 교육 및 사용자 분류에 사용할 수 있는 traits 수가 예측 segments으로 최대화됩니다.

Role-Based Access Controls

개인 및 대상 분류에 대해 선택하는 트레이트 및 세그먼트는 Audience Manager 역할 기반 액세스 제어의 적용을 받습니다.

Audience Manager 사용자는 권한을 가지고 있는 개인 및 대상 대상의 특성이나 세그먼트만 선택할 수 있습니다.

이 페이지에서는

Adobe Summit Banner

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free
Adobe Summit Banner

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free