特徵建議

從您自己的第一方特徵和Audience Marketplace資料饋送建立區段時，取得即時特徵建議。

視訊展示

首先觀看下面的Trait Recommendations視頻，然後閱讀以瞭解詳細資訊。 影片展示會示範如何使用您自己的第一方特徵的建議，以及您已訂閱​之Audience Marketplace資料饋送的特徵建議。

下一個視訊會概述Marketplace Recommendations的工作流程，顯示如何根據Audience Marketplace中資料饋送的建議，將特徵新增至區段。 這些建議是以您未訂閱​的資料饋送為基礎。

概述

Trait Recommendations在Audience Manager的支 Adobe Sensei援下，將資料科學帶入您的日常工作流程。使用Trait Recommendations，當您在區段產生器中建立或編輯區段時，您會獲得可包含的其他特徵建議，這些特徵類似於區段規則中的特徵。

Audience Manager會從您的第一方特徵、Recommendations​區段和​Audience Marketplace​區段中，顯示特徵建議。Recommendations from Marketplace

將建議的特徵加入區段，有助於擴大您的目標對象範圍。

簡而言之：

• Audience Manager在Recommendations區段中顯示第一方特徵。 您未訂閱之公開和私人動態消息的市場建議會顯示在Recommendations from Marketplace區段中。 按一下動態消息名稱，前往Audience Marketplace並訂閱。
• Audience Manager最多顯示50個類似區段規則中的特徵。
• 您可以篩選不想看到任何建議的資料來源。
• 在計算相似度時，Audience Manager會考慮在過去30天內符合特徵的UUID。
• 如果您看到錯誤訊息「找不到類似特徵」。 特徵可能太新。」這表示過去30天內該特徵沒有活動，或Audience Manager尚未更新該特徵的建議。 請在24小時內再試一次。

使用個案

有了Trait Recommendations，您可以改善工作流程，視您使用Audience Manager的方式而定：

• 身為行銷人員，您可以透過類似特性的協助，快速找到對互補產品感興趣的受眾，以便擴大觸及面。
• 如果您使用Audience Manager做為發行者，並搭配Trait Recommendations，您就可以瞭解受眾行為，並建立更好的細分，以利廣告銷售或使用者獲取。
• 身為Audience Marketplace資料購買者，我想在不瀏覽大量動態消息的情況下，發現相關的第三方資料。
• 身為Audience Marketplace資料提供者，我想向購買者推薦相關資料，以便從最佳且相關的訂閱中獲益。

特徵建議與演算法模型的差異

演算法模型

Algorithmic Models 不僅可以找到最具影響力的特徵，還可以根據這些特徵對用戶進行評分，並為每個用戶分配一個單獨的分數。接著您可建立演算法特徵，來鎖定您的使用者。在Trait Builder中，您可以精確控制並觸及控制項，指定您要鎖定哪些具有影響力特性的使用者。

Algorithmic Models 可讓您選擇不同準確度等級的使用者，並測試哪 Audience Lab 組使用者轉換效果更佳。請參閱在 Audience Lab 中比較模型中的詳細使用案例。

在Algorithmic Models中，模型每8天執行一次，並重新整理符合演算法特徵的使用者。

特徵建議

Trait Recommendations 是取得其他特性見解的快速方式，這些特性與您在群體中使用的特性類似。

您應在下列情況下使用Trait Recommendations:

• 您在建立區段時需要快速的深入分析；
• 您正使用區段進行簡短的行銷活動，或想要快速隱藏轉換的受眾；
• 您正嘗試最大程度提高觸及率。

工作流程

在區段產生器中建立或編輯區段時，您可以探索類似於區段規則中特徵的特性。 區段產生器工作流程對於新區段和現有區段非常類似：

新區段

1. 前往​讀者資料>區段，然後按一下「新增​」。

2. 在​Traits​下拉式方塊中，新增至少一個特徵至區段規則。

3. 您可在​Recommendations​區段中，從您訂閱的饋送中看到第一方建議特徵和Audience Marketplace特徵建議。 Recommendations from Marketplace​區段會顯示您未訂閱之饋送的特徵建議。 所有這些建議都類似於您新增至區段規則的特徵。 向下捲動以查看所有建議的特徵。

4. （選擇性）若要從某些資料來源排除建議的第一方特徵，請按一下您要排除之資料來源的​X​符號。

   注意

   排除的資料來源會顯示在建議特徵清單的正上方。 按一下灰色方塊中的​X​以移除排除項目，並再次檢視個別資料來源的結果。

5. 若要將建議的特徵新增至區段規則，請按一下​+​符號。

現有區段

1. 前往​Audience Data>Segments，選取您要編輯的區段，然後按一下「編輯」。

2. 向下捲動至Traits下拉式方塊。

3. 您可以看到與區段規則中現有特徵類似的建議特徵。 向下捲動以查看所有建議的特徵。

4. （可選）若要從某些資料來源排除建議的特徵，請按一下您要排除之資料來源的​X​符號。

   注意

   排除的資料來源會顯示在建議特徵清單的正上方。 按一下灰色方塊中的​X​以移除排除項目，並再次檢視個別資料來源的結果。

5. 若要將建議的特徵新增至區段規則，請按一下​+​符號。

當您建立或編輯區段並新增特徵至區段規則時，最多會看到50個建議特徵，與您新增的特徵類似。 如果區段規則包含多個特徵，Audience Manager會在區段規則中使用循環方式顯示每個特徵的最佳比對，接著顯示每個特徵的次佳比對，依人口數計算，以及最多50個特徵的次佳比對等。

例如，當區段規則中有三個特徵（如下所示）時，建議的特徵為：

1. 特徵3（人口最多的特徵）的最佳匹配；
2. 特徵1的最佳匹配；
3. 特徵2的最佳匹配；
4. 特徵3的次佳匹配；
5. 特徵1的次佳匹配，等等，直到您獲得50個特徵。

若要取得特定特徵的建議，您可以按一下區段規則(1)或建議特徵檢視(2)中的特徵。

按一下第一方特徵會開啟快顯視窗，如下圖所示。 如果建議的特徵不屬於區段，您可以按​+​將其新增至區段。

運作方式

若要產生特徵建議，Audience Manager會計算目標特徵和您的帳戶可存取的所有其他特徵（包括第三方資料）之間的Jaccard相似性。 然後，Audience Manager會顯示最多50個相似度最高的特徵。

特徵相似性分數

Audience Manager會根據UUIDs的數目計算交叉點和並，然後將兩個特徵分割，以計算兩個特徵之間的Trait Similarity Score。 對於兩個特徵A和B，計算結果如下：

另請參見以下兩個示例。

範例1 —— 低特徵相似性分數

假設有兩個特徵A和B，假設每個特徵的人口為1,000,000個UUIDs,25,000個UUIDs，其中兩個特徵都符合。
使用上述公式，將產生：25,000 / 1,975,000 = 0.012。這是一個低Trait Similarity Score的特徵，這兩個特徵非常不同。

範例2 —— 特徵相似性分數

如果相同的特徵A和B有400,000個UUIDs符合這兩個特徵，則Trait Similarity Score要高得多：
400,000 / 1,600,000 = 0.25

如何解讀特徵相似度分數

使用下表作為特徵相似性的粗略指南。 本指南基於在大多數特徵上觀察到的相似性得分。

基於角色的訪問控制(RBAC)

對於使用Role-Based Access Controls (RBAC)的公司，您必須擁有建立和編輯區段的權限，才能查看建議的特徵。 您看到的特徵建議僅是您可透過RBAC存取的資料來源。

閱讀更多RBAC控制項的相關資訊。

限制

• 目前，Audience Manager不會將資料夾特徵顯示為建議特徵。 閱讀更多有關資料夾特徵的資訊，請參閱。
• 在顯示「特徵建議」時，Audience Manager不會在區段規則中考慮Boolean運算子(AND、OR、NOT)。