特征推荐

根据您自己的第一方特征和Audience Marketplace数据源构建细分时获取实时特征推荐。

视频演示

开始，观看下面的Trait Recommendations视频，然后阅读以了解详细信息。 该视频演示向您展示如何处理您自己的第一方特征的建议，以及Audience Marketplace数据服务中您已订阅​的特征建议。

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中数据服务的推荐将特征添加到区段。 这些建议基于您未订阅​的数据服务。

概述

Trait Recommendations在您的支 Adobe Sensei持下，将数据科学引入Audience Manager的日常工作流。在Trait Recommendations中，当您在区段生成器中构建或编辑区段时，您会获得有关可包含的其他特征的建议，这些特征与区段规则中的特征相似。

Audience Manager显示您的特征推荐，包括来自您的第一方特征（在​Recommendations​部分）和来自​Audience Marketplace​的来自​Recommendations from Marketplace​部分。

将推荐的特征添加到区段中，可增加目标受众。

简而言之：

• Audience Manager在Recommendations部分显示第一方特征。 您未订阅的公共和私有源的市场推荐显示在Recommendations from Marketplace部分。 单击源名称以转到Audience Marketplace并订阅。
• Audience Manager显示最多50个与段规则中的特征相似的特征。
• 您可以过滤掉不想从中看到任何推荐的数据源。
• 在计算相似性时，Audience Manager会考虑过去30天内限定该特征的 UUID。
• 如果看到错误消息“未找到类似特征。 特征可能太新。”，这意味着在过去30天内没有该特征的活动，或者Audience Manager尚未更新该特征的建议。 请在24小时后重试。

用例

使用Trait Recommendations，您可以改进工作流，具体取决于您使用Audience Manager的方式：

• 作为营销人员，您可以借助相似特征快速找到对补充产品感兴趣的受众，从而扩大触及范围。
• 如果您以Audience Manager为发布者，使用Trait Recommendations，您可以了解受众行为并为广告销售或用户赢取建立更好的细分。
• 作为Audience Marketplace数据购买者，我希望无需浏览大量源即可发现相关的第三方数据。
• 作为Audience Marketplace数据提供者，我希望向购买者推荐相关数据，以便能够从最优和相关订阅中受益。

特质Recommendations与算法模型的差异

算法模型

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个人得分。然后，便可以通过创建算法特征来定位用户。借助Trait Builder中的准确性和范围控件，您可以指定所有具有您想要目标的影响特征的用户中的哪些用户。

Algorithmic Models 使您能够选择不同准确度级别的用户，并测试哪 Audience Lab 组用户转换效果更好。有关详细用例，请参阅在 Audience Lab 中比较模型。

在Algorithmic Models中，该模型每8天运行一次，并刷新符合算法特征条件的用户。

特征推荐

Trait Recommendations 是一种快速的方法，可让您深入了解与您在区段中使用的特征相似的其他特征。

应在以下情况下使用Trait Recommendations:

• 构建区段时需要快速获取信息；
• 要将区段用于短期促销活动，或者希望快速抑制转化的受众；
• 想要最大化范围。

工作流

在区段生成器中构建或编辑区段时，您可以探索与区段规则中的特征相似的特征。 区段生成器工作流对于新区段和现有区段非常相似：

新细分

1. 转到​受众数据>区段，然后单击​添加新。

2. 在​Traits​下拉框中，向段规则添加至少一个特征。

3. 您可以在​Recommendations​部分查看您订阅的源的第一方推荐特征和Audience Marketplace特征推荐。 Recommendations from Marketplace​部分显示您未订阅源的特征推荐。 所有这些建议都与您添加到区段规则的特征相似。 向下滚动以查看所有推荐特征。

4. （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。

   注意

   被排除的数据源显示在建议特征列表的正上方。 单击灰色框中的​X​以删除排除项，并再次查看各个数据源的结果。

5. 要向段规则添加推荐特征，请单击​+​符号。

现有细分

1. 转到​Audience Data>Segments，选择要编辑的区段，然后单击。

2. 向下滚动到Traits下拉框。

3. 您可以看到推荐的特征，这些特征与段规则中已有的特征相似。 向下滚动以查看所有推荐特征。

4. （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。

   注意

   被排除的数据源显示在建议特征列表的正上方。 单击灰色框中的​X​以删除排除项，并再次查看各个数据源的结果。

5. 要向段规则添加推荐特征，请单击​+​符号。

在创建或编辑区段并向区段规则添加特征时，最多可看到50个推荐特征，与您添加的特征相似。 如果区段规则包含多个特征，则Audience Manager使用循环法来显示每个特征的最佳匹配，然后在每个特征中显示每个特征的次佳匹配，依此类推，在区段规则中按人口划分的最大50个特征。

例如，当区段规则中有三个特征时，建议的特征为：

1. 最适合特征3（人口最多的特征）;
2. 特征1的最佳匹配；
3. 特征2的最佳匹配；
4. 特征3次优匹配；
5. 特征1的次优匹配，等等，直到你达到50个特征。

要获取特定特征的推荐，您可以单击段规则(1)或推荐特征视图(2)中的特征。

单击第一方特征可打开一个弹出窗口，如下图所示。 如果建议的特征不是区段的一部分，可以按​+​将其添加到区段。

工作原理

要生成特征推荐，Audience Manager计算目标特征和您的帐户有权访问的所有其他特征（包括第三方数据）之间的Jaccard相似性。 Audience Manager显示最多50个相似性最高的特征。

特征相似性得分

Audience Manager计算两个特征之间的Trait Similarity Score，方法是根据UUIDs的数量计算交集和合并，然后将这两个特征相除。 对于两个特征A和B，计算如下所示：

另请参见下面的两个示例。

示例1 —— 低特征相似性得分

假设给定两个特征A和B，假设每个特征的人口数为1,000,000 UUIDs, 25,000 UUIDs，其中两个特征均符合。
使用上述公式，这将导致：25,000 / 1,975,000 = 0.012。这是一个低Trait Similarity Score，这两个特征非常不同。

示例2 —— 特征相似性得分

如果相同的特征A和B具有400,000个UUIDs，则Trait Similarity Score要高得多：
400,000 / 1,600,000 = 0.25

如何解读特质相似性评分

使用下表作为特征相似性的粗略指南。 本指南基于在大多数特征上观察到的相似性得分。

Trait Similarity Score	意义
0.1及更高版本	特征之间的高相似性
0.03 - 0.1	特征之间的中等相似性
0.01 - 0.03	特征之间的低相似性
0 - 0.01	特征之间的相似性很低

基于角色的访问控制(RBAC)

对于使用Role-Based Access Controls (RBAC)的公司，您需要具有创建和编辑区段的权限才能查看推荐的特征。 您看到的特征建议只是您有权通过RBAC访问的数据源中的建议。

请阅读有关RBAC控件的更多信息，此处为。

限制

• 目前，Audience Manager不将文件夹特征显示为推荐特征。 请阅读有关文件夹特征的更多信息，此处为。
• 显示特征Recommendations时，Audience Manager不考虑段规则中的Boolean运算符(AND、OR、NOT)。