在构建区段时,从您自己的第一方特征和Audience Marketplace数据馈送中获取实时特征推荐。
首先观看下面的Trait Recommendations视频,然后阅读以了解更多信息。 该视频演示向您展示了如何使用您自己的第一方特征中的推荐,以及Audience Marketplace数据馈送中已订阅的特征推荐。
下一个视频概述了Marketplace Recommendations的工作流程,其中显示了如何根据Audience Marketplace中数据馈送的推荐,将特征添加到区段。 这些建议基于您未订阅的数据馈送。
Trait Recommendations由提供支 Adobe Sensei持,将数据科学融入到您的Audience Manager日常工作流程中。对于Trait Recommendations,在区段生成器中构建或编辑区段时,您会获得可包含的其他推荐特征(与区段规则中的特征类似)。
Audience Manager会从第一方特征、Recommendations部分和Audience Marketplace部分的Recommendations from Marketplace部分显示推荐的特征。
将推荐的特征添加到区段中,可增加目标受众。
一言以蔽之:
通过Trait Recommendations,您可以根据使用Audience Manager的方式改进工作流:
Algorithmic Models 不仅可以找到最具影响力的特征,还可以根据这些特征对用户进行评分,并为每个用户分配一个得分。然后,便可以通过创建算法特征来定位用户。借助Trait Builder中的精度和范围控件,您可以指定要定位具有影响力特征的用户中的哪些用户。
Algorithmic Models 允许您选择不同准确度级别的用户,并测试哪 Audience Lab 组用户转化得更好。有关详细用例,请参阅在 Audience Lab 中比较模型。
在Algorithmic Models中,模型每8天运行一次,并刷新符合算法特征的用户。
Trait Recommendations 是一种快速了解与您在区段中使用的特征类似的其他特征的方法。
在以下情况下,应使用Trait Recommendations:
在区段生成器中构建或编辑区段时,您可以浏览与区段规则中的特征类似的特征。 对于新区段和现有区段, 区段生成器工作流非常相似:
转到受众数据>区段,然后单击新增。
在特征下拉框中,至少向区段规则添加一个特征。
您可以在Recommendations部分中,查看您订阅的动态消息的第一方推荐特征和Audience Marketplace特征推荐。 Recommendations from Marketplace部分显示您未订阅的馈送的特征推荐。 所有这些推荐都与您添加到区段规则的特征类似。 向下滚动以查看所有推荐的特征。
(可选)要从某些数据源中排除推荐的第一方特征,请单击要排除的数据源的X符号。
排除的数据源显示在推荐特征列表的正上方。 单击灰色框中的X以删除排除项,并再次查看来自相应数据源的结果。
在向区段添加Marketplace特征时,该特征仅用于区段估计,直到您订阅了相应的数据馈送为止。 您未订阅的数据馈送中的特征在特征列表中带有购物车图标。 单击特征名称以转到数据馈送页面并订阅该页面。
只有在订阅相应的数据馈送后,才能保存具有第三方特征的区段。
转到Audience Data>Segments,选择要编辑的区段,然后单击。
向下滚动到Traits下拉框。
您可以看到推荐的特征,这些特征与区段规则中已有的特征类似。 向下滚动以查看所有推荐的特征。
(可选)要从某些数据源中排除推荐的特征,请单击要排除的数据源的X符号。
排除的数据源显示在推荐特征列表的正上方。 单击灰色框中的X以删除排除项,并再次查看来自相应数据源的结果。
创建或编辑区段并将特征添加到区段规则时,您最多会看到50个推荐特征,与已添加的特征类似。 如果区段规则包含多个特征,则Audience Manager会使用轮循方法来显示每个特征的最佳匹配项,然后显示区段规则中每个特征的次最佳匹配项,依此类推,对于按群体划分的最大50个特征。
例如,当区段规则中有三个特征(如下所示)时,推荐的特征为:
要获取特定特征的推荐,您可以单击区段规则(1)或推荐特征视图(2)中的特征。
单击第一方特征会打开一个弹出窗口,如下图所示。 如果推荐的特征不属于区段的一部分,则可以按+将其添加到区段。
在特征信息弹出窗口中生成推荐时,会考虑从主页中排除的数据源。 此外,如果在此视图中排除数据源,则排除项将应用于主页。
推荐特征可以是您在Audience Marketplace中订阅的数据馈送的第一方特征或第三方特征。
要生成特征推荐,Audience Manager会计算目标特征与您的帐户有权访问的每个其他特征(包括第三方数据)之间的Jaccard相似度。 然后,Audience Manager会显示最多50个相似度最高的特征。
Audience Manager计算两个特征之间的Trait Similarity Score,方法是根据UUIDs的数量计算交集和并集,然后将二者相除。 对于两个特征A和B,计算方式如下所示:
另请参阅下面的两个示例。
给定两个特征A和B,假设每个特征的群体为1,000,000 UUIDs,25,000 UUIDs,这两个特征均符合条件。
使用上述公式,将导致:25,000 / 1,975,000 = 0.012。这个值很低Trait Similarity Score,两个特征非常不同。
如果相同特征A和B具有400,000个UUIDs,且符合这两个特征的条件,则Trait Similarity Score的值要高得多:
400,000 / 1,600,000 = 0.25
使用下表粗略指导特征相似度。 本指南基于在大多数特征中观察到的相似度得分。
Trait Similarity Score | 显着性 |
---|---|
0.1及更高版本 | 特征之间的高度相似性 |
0.03 - 0.1 | 特征之间的中等相似度 |
0.01 - 0.03 | 特征之间的低相似度 |
0 - 0.01 | 特征之间的相似性很低 |
对于使用Role-Based Access Controls (RBAC)的公司,您需要拥有创建和编辑区段的权限,才能查看推荐的特征。 您看到的特征推荐仅是您有权通过RBAC访问的数据源中的推荐。
要向区段添加Marketplace Recommendations,用户必须首先订阅相应的数据馈送。 只有具有管理员权限的用户才能订阅Audience Marketplace数据馈送。
有关RBAC控件的更多信息,请参阅此处。