Predictive Audiences 概述

Predictive Audiences 帮助您使用高级数据科学技术将未知受众实时分类为不同的角色。

重要

本文包含用于指导您完成此功能的设置和使用的产品文档。 此处包含的任何内容都不是法律建议。 请咨询您自己的法律顾问以获得法律指导。

在营销环境中,角色是指由具有一系列相同特征(例如人口统计特征、浏览习惯、购物历史记录等)的访客、用户或潜在购买者构成的一个受众区段。

Predictive Audiences 模型进一步扩展了角色这一概念的应用,允许您使用 Audience Manager 的机器学习功能将未知受众分类为不同的角色。Audience Manager 可以计算未知的第一方受众与一组已知的第一方受众之间的相似性,从而帮助您做到这一点。

创建Predictive Audiences模型时,第一步是选择希望目标受众分类的基线特征或区段。 这些特征或细分将定义您的角色。

在评估阶段,模型会为您定义为基线的每个特征或区段创建新的Predictive Audiences区段。 下次Audience Manager看到目标受众中未分类为人物(未符合任何基线特征或区段的资格)的访客时,Predictive Audiences模型将确定访客应属于哪个预测区段,并将访客添加到该区段。

您可以在Segments页面中标识模型创建的预测区段。 每个Predictive Audiences型号的Predictive Audiences文件夹下都有其自己的文件夹,单击模型文件夹即可查看每个型号的区段。

预测受众细分

用例

为了帮助您更好地了解如何使用Predictive Audiences以及何时使用<a0/>,以下是Audience Manager客户可通过使用此功能解决的几个使用案例。

用例#1

作为电子商务公司的营销人员,我希望将我的所有Web和移动访客分类为不同的品牌关联类别,以便个性化其用户体验。

用例#2

作为媒体公司的营销人员,我希望按最喜爱的类别对未经身份验证的Web和移动访客进行分类,以便向他们建议跨所有渠道的个性化内容。

用例#3

作为航空公司的广告商,我想确保根据受众对旅游目的地的兴趣对其进行分类,以便在一个较短的重新定位窗口内实时向他们投放广告。

用例#4

作为广告商,我想实时对第一方受众进行分类,以便能够对热门新闻做出快速反应。

用例#5

作为营销人员,我希望预测我的网站访客处于哪个客户旅程阶段,如发现、参与、购买或保留,以便我能够相应地目标他们。

用例#6

作为媒体公司,我希望将受众分类,以便以优惠价格销售广告空间,同时为访客提供相关广告。

Predictive Audiences型号如何工作

创建Predictive Audiences模型时,需要执行三个步骤:

  1. 首先,您至少选择两个特征或两个将定义您角色的区段。
  2. 然后,选择一个特征或区段,它定义要分类的目标受众。
  3. 最后,为模型选择一个名称、一个将存储预测段的数据源和一个Profile Merge Rule作为模型。

角色的选择标准

您可以选择任何第一方特征或细分来定义您的角色。 但是,为获得最佳效果,以下是一组推荐的最佳实践:

  • 选择您的人物特征或区段,以便每个人物至少有几百个设备ID
  • 如果您的特征基于跨设备ID,则可以用使用设备ID用户档案合并规则(如Device Graph)将其包含在区段中。 这将确保有足够的设备ID可供算法学习。
  • 我们建议您为角色选择特征或简单的细分,包括1到3个特征。
  • 选择重叠最小的基线特征或区段。
  • 确保在您的数字资产中捕获粒度特征。

目标受众的选择标准

根据您的用例,无论您是要实时、批量还是同时对用户进行分类,都可以选择具有显着实时和/或总人口的目标受众(trait或segment)。 与人物选择类似,我们建议您的目标受众trait或segment具有富用户档案(富集traits集)的用户。

选择目标受众时,分析您的用例并确定要分类的ID类型:device IDs或cross-device IDs。 创建模型时选择的Profile Merge Rule定义将用于将每个用户放入预测segments的数据。

作为最佳实践,我们建议选择与目标受众Profile Merge Rule配置相同的Profile Merge Rule,或选择包含目标受众的用户档案类型(设备用户档案或验证用户档案)的<a0/>。

Predictive Audiences 模型培训阶段

在算法将第一方受众分类为正确的角色之前,它需要根据您的数据进行自我培训。

对于您定义的每个人物,算法会分析其各自的受众,并评估过去30天内其用户的任何实时和/或载入的特征活动。
此步骤每24小时执行一次,以说明第一方受众中的更改。

Predictive Audiences 模型分类阶段

对于实时和批量受众分类,模型首先检查用户是否属于目标受众。 如果用户符合目标受众并且不属于任何角色,则模型会为他们分配角色资格得分。

在评估第一方受众和分配得分时,模型使用帐户中定义的默认​Profile Merge Rule。 最后,访客被归为他们获得最高分的角色。

预测受众图

注意事项和限制

重要

进入实施阶段前,请仔细阅读本节内容。

配置Predictive Audiences型号时,请注意以下注意事项和限制:

  • 您最多可以创建 10 个 Predictive Audiences 模型。
  • 对于每个模型,您最多可以选择50个基本特征/区段。
  • 当前Predictive Audiences不支持第二方和第三方数据。
  • Predictive Audiences 根据您的第一方特征从所有第一方数据源执行受众分类。
  • Predictive Audiences的区段评估使用在创建模型时选择的​Profile Merge Rule。 要进一步了解Profile Merge Rules,请参阅专用的文档
  • 某些特征和区段不支持作为基准或目标受众。 Predictive Audiences 当选择以下某项作为基准或目标受众时,模型将无法保存:
    • 利用预测特征创建的预测特征和细分;
    • Adobe Experience Platform 特征或细分;
    • 算法特征;
    • 第二方和第三方特征。
  • Predictive Audience segments 不能在中使 Audience Lab用。

Data Export Controls

由Predictive Audiences模型创建的预测段从以下第一方数据源继承数据导出控制:

  1. 在构建模型时选择的第一方数据源。
  2. 您的目标受众的第一方数据源。 具体而言,traits或segments的目标导出控件构成了您的受众。
  3. 您为模型选择的Profile Merge Rule的数据导出控件

新创建的预测traits和segments将具有与上述第一方数据源的合并相同的隐私限制。

具有不属于Predictive Audiences区段隐私限制的其他限制的特征将被排除在培训阶段,并且不会对模型产生影响。

Profile Merge Rules

创建模型时,将为所有预测区段分配您选择的Profile Merge Rule。 您选择的Profile Merge Rule很重要,原因如下:

  • 它定义当模型分析影响traits时,在将用户分类为预测segment时,应考虑哪些设备和/或认证用户档案。
  • 它控制在模型培训步骤中应使用哪些trait类型(设备级别或跨设备级别),并以影响traits的形式呈现。 预测segments是目标受众的子集。
    • 如果目标受众是区段,建议您为模型选择与分配给目标受众的Profile Merge Rule相同的<a0/>,或选择包含目标受众的用户档案类型的Profile Merge Rule。
    • 如果目标受众是trait,我们建议您选择一个Profile Merge Rule,它可以访问与目标受众特征(设备用户档案数据或跨设备用户档案数据)相同类型的数据。
  • Profile Merge Rules 只支 Current Authenticated Profiles 持 No Device Profile 使用和选项进行实时受众分类。有关详细信息,请参阅用户档案合并规则选项已定义

选择同时使用设备数据和跨设备数据的Profile Merge Rule将可用于模型培训和用户分类的traits数量最大化为预测segments。

Role-Based Access Controls

您为角色和受众分类选择的特征和区段受Audience Manager基于角色的访问控制的约束。

Audience Manager用户只能为角色和目标受众选择其具有视图权限的特征或区段。

在此页面上