Predictive Audiences 概述

Predictive Audiences 協助您使用進階的資料科學技術,將未知的受眾即時分類為不同的角色。

重要

本文包含旨在引導您完成此功能設定與使用的產品檔案。 本協定中沒有任何法律建議。 請洽詢您自己的法律顧問以取得法律指導。

在行銷環境中,角色是一種受眾區段,由擁有一組共同特定特徵 (例如人口統計、瀏覽習慣、購物記錄等) 的訪客、使用者或潛在購買者所定義。

Predictive Audiences 模型可讓您使用 Audience Manager 的機器學習功能,將未知的受眾分類為不重複角色,進一步運用此概念。Audience Manager 可協助您針對一組已知的第一方受眾,計算未知第一方受眾的傾向,進而實現此目標。

當您建立模 Predictive Audiences 型時,第一步是選擇您希望目標對象依據的基準特徵或區段。 這些特徵或群體將定義您的角色。

在評估階段,模型會針對您定義為基 Predictive Audiences 線的每個特徵或區段建立新區段。 下次Audience Manager從您的目標對象看到未分類為角色的訪客(不符合任何基準特徵或區段的資格)時,模型會決定訪客應屬於哪個預測區段,並將訪客新增至該區段。 Predictive Audiences

您可以在頁面中識別由模型建立的預測性 Segments 區段。 每個 Predictive Audiences 模型在資料夾下都有其自己的 Predictive Audiences 資料夾,通過按一下模型資料夾可以查看每個模型的段。

predictive-audiences-segments

使用個案

為協助您更清楚瞭解您的使用方式 Predictive Audiences和時間,以下是Audience Manager客戶可使用此功能解決的一些使用案例。

使用案例#1

身為電子商務公司的行銷人員,我想將所有的網路和行動訪客分類為不同的品牌相似性類別,以便個人化其使用者體驗。

使用案例#2

身為媒體公司的行銷人員,我想依照最愛的類型,將未驗證的網路和行動訪客分類,以便我建議他們透過所有通道提供個人化內容。

使用案例#3

身為航空公司的廣告商,我想確定我會根據受眾對旅遊目的地的興趣來分類受眾,以便在短暫的重新定位視窗中即時向受眾發佈廣告。

使用案例#4

身為廣告商,我想即時將第一方受眾分類,以便對趨勢新聞做出快速反應。

使用案例#5

身為行銷人員,我想預測我的網站訪客所處的客戶歷程階段,例如發現、參與、購買或保留,以便我能夠據以鎖定他們。

使用案例#6

身為媒體公司,我想將受眾分類,以便以優惠價格銷售廣告空間,同時為訪客提供相關廣告。

模型 Predictive Audiences 的運作方式

建立模型時, Predictive Audiences 需要執行三個步驟:

  1. 首先,您至少選取兩個特徵或兩個區段來定義您的角色。
  2. 然後,您選擇一個特徵或群體,以定義您要分類的目標對象。
  3. 最後,您為模型選擇名稱、儲存預測性區段的資料來源,以及 Profile Merge Rule 模型。

角色選擇標準

您可以選擇任何第一方特徵或群體來定義您的角色。 不過,為獲得最佳結果,以下是一組建議的最佳實務:

  • 選擇您的角色特徵或群體,讓每個角色至少擁有幾百個 裝置ID
  • 如果您的特徵是以跨裝 置ID為基礎,您可以使用使用裝置ID的描述檔合併規則 ( 例如)將其包住區段 Device Graph。 這可確保有足夠的 裝置ID ,讓演算法學習。
  • 我們建議您為個人選擇特徵或簡單區段,由1到3個特徵組成。
  • 選擇重疊最小的基線特徵或區段。
  • 請確定您正在擷取數位屬性中的細微特徵。

目標對象的選擇標準

視您的使用案例而定,不論您是要即時、批次或兩者皆要分類使用者,請選擇具有大量即時和/或總人口的目標對象(trait 或 segment)。 與人物選擇類似,我們建議您的目標受眾 trait 或 segment 擁有豐富的個人檔案(豐富的 traits集合)。

選取目標對象時,請分析您的使用案例,並決定您要分類的ID類型: device IDs 或 cross-device IDs者。 建 Profile Merge Rule 立模型時所選取的資料會定義將用於將每位使用者放入預測中的資料 segments。

建議您選擇與目標對象具有相 Profile Merge Rule 同設定的設定,或選擇 Profile Merge Rule包含目標對象的描述檔類型(裝置描述檔或已驗證描述檔)的設定檔。

Predictive Audiences 模型培訓階段

在演算法將您的第一方受眾分類為適當角色之前,它必須先針對您的資料進行自我訓練。

對於您定義的每個角色,演算法會分析其個別對象,並評估其使用者在過去30天內的任何即時和/或已登入特徵活動。
此步驟每24小時進行一次,以說明您第一方受眾的變更。

Predictive Audiences 模型分類階段

對於即時和批次對象分類,模型會先檢查使用者是否屬於目標對象。 如果使用者符合目標對象的資格且不屬於任何角色,模型會為其指派個人資格分數。

在評估第一方受眾並指派分數時,模型會使用您帳戶中 Profile Merge Rule 定義的預設值。 最後,訪客被分類為獲得最高分的人物。

預測對象圖

考量事項與限制

重要

請仔細閱讀本節內容,然後再轉至實施階段。

在設定模 Predictive Audiences 型時,請記住下列考量和限制:

  • 您最多可建立 10 個 Predictive Audiences 模型。
  • 對於每個模型,您最多可以選擇50個基本特徵/區段。
  • 目前不支援第二方和第三方資料 Predictive Audiences。
  • Predictive Audiences 從所有第一方資料來源,根據您的第一方特徵執行對象分類。
  • 用於的區 Predictive Audiences 段評估使 Profile Merge Rule 用建立模型時選擇的。 若要進一步瞭解 Profile Merge Rules 專用的 檔案
  • 部分特徵和區段不支援做為基準或目標對象。 Predictive Audiences 當選擇下列其中一項作為基準或目標對象時,模型將無法保存:
  • Predictive Audience segments 無法用於 Audience Lab。

Data Export Controls

模型建立的預 Predictive Audiences 測性區段會從 下列第一方資料來源繼承「資料匯出控制」:

  1. 建立模型時您選擇的第一方資料來源。
  2. 目標對象的第一方資料來源。 具體來說,您目標對象的 traits 或 segments 資料匯出控制項。
  3. 為模 型選擇的資料 Profile Merge Rule 導出控制。

新建立的預 traits 測性 segments 資料,其隱私權限制與上述第一方資料來源的合併相同。

具有不屬於區段隱私權限制之其他限制的特 Predictive Audiences 徵,將會排除在培訓階段之外,不會對模型產生影響。

Profile Merge Rules

建立模型時,系統會為所 Profile Merge Rule 有預測性區段指派您選取的值。 您選 Profile Merge Rule 擇的選項很重要,原因如下:

  • 它定義當模型分析影響時,在將用戶分類為預測時,應考慮哪些設備 traits和/或已驗證配置檔案 segment。
  • 它控制在模 trait 型訓練步驟中應使用哪些類型(裝置層級或跨裝置層級),並呈現為具影響力的 traits。 預測 segments 性是目標對象的子集。
    • 如果目標對象是群體,建議您選擇與指派給目標對象的模型相同的 Profile Merge Rule 模型,或 Profile Merge Rule 是包含目標對象的描述檔類型。
    • 如果目標對象是 trait,建議您選取可存取與目標對象特徵 Profile Merge Rule (裝置描述檔資料或跨裝置描述檔資料)相同類型資料的資料。
  • Profile Merge Rules 使用 Current Authenticated Profiles 和選 No Device Profile 項僅支援即時對象分類。 有關詳細資訊,請參 閱定義的配置檔案合併規則選項

選取 Profile Merge Rule 同時使用裝置資料和跨裝置資料的項目,可將模型訓練和使用者分類 traits 所使用的項目,最大化為預測值 segments。

Role-Based Access Controls

您為角色和對象分類選擇的特徵和區段受Audience Manager角色型存 取控制的約束

Audience Manager使用者只能為其有權檢視的角色和目標對象選取特徵 或區段

本頁內容