Explicación de Look-Alike Modeling about-algorithmic-models

Buscar nuevos usuarios con Look-Alike Modeling find-new-users

Look-Alike Modeling le ayuda a descubrir nuevas audiencias únicas mediante el análisis automatizado de datos. El proceso se inicia al seleccionar trait o segment, un intervalo de tiempo y data sources de origen y de terceros. Las opciones proporcionan las entradas para el modelo algorítmico. Cuando se ejecuta el proceso de análisis, busca usuarios aptos en función de las características compartidas de la población seleccionada. Una vez completados, estos datos están disponibles en Generador de rasgos, donde puede utilizarlos para crear rasgos basados en la precisión y el alcance. Además, puede generar segmentos que combinen características algorítmicas con rules-based traits y agregar otros requisitos de calificación con expresiones Boolean y operadores de comparación. Look-Alike Modeling le ofrece una forma dinámica de extraer valor de todos sus datos de rasgos disponibles.

Ventajas advantages

Las principales ventajas de usar Look-Alike Modeling son las siguientes:

  • Precisión de los datos: El algoritmo se ejecuta con regularidad, lo que ayuda a mantener los resultados actualizados y relevantes.
  • Automatización: No tiene que administrar un gran conjunto de reglas estáticas. El algoritmo encuentra las audiencias que necesita.
  • Ahorre tiempo y reduzca el esfuerzo: Con nuestro proceso de modelado no tiene que adivinar lo que traits/segments puede funcionar o gastar tiempo en recursos en campañas para descubrir nuevas audiencias. El modelo puede hacer esto por usted.
  • Fiabilidad: el modelado funciona con procesos de calificación y detección del lado del servidor que evalúan sus propios datos y los datos de terceros seleccionados a los que tiene acceso. Esto significa que no tiene que ver los visitantes del sitio para clasificarlos para un rasgo.

Flujo de trabajo workflow

Usted administra los modelos en Audience Data > Models. En un nivel superior, el proceso de flujo de trabajo implica lo siguiente:

  • Seleccione los datos de línea de base que desea que evalúe el algoritmo. Esto incluye trait o segment, un intervalo de tiempo y data sources (sus propios datos y los de terceros a los que ya tiene acceso a través de Audience Manager). En el flujo de trabajo de creación del modelo, puede excluir traits que no desee que interfiera con el modelo.
  • Guarde el modelo. Una vez guardado, el proceso de evaluación algorítmica se ejecuta automáticamente. Sin embargo, tenga en cuenta que este proceso puede tardar hasta siete días en completarse. Audience Manager le envía un correo electrónico cuando el algoritmo ha finalizado y los resultados están disponibles para la creación de trait.
  • Generar algoritmo traits en Trait Builder.
  • Combinar traits en segments en Segment Builder.
  • Crear y enviar datos de segment a destination.

Resolución de problemas troubleshooting

Desactivamos cualquier Look-Alike Model que no genere datos durante tres ejecuciones consecutivas. Tenga en cuenta que no puede volver a establecer el estado del modelo como activo posteriormente. Para garantizar que los modelos generen datos, le recomendamos que genere modelos a partir de fuentes de datos con traits suficientes para acumular datos de.

Explicación de TraitWeight understanding-traitweight

TraitWeight es un algoritmo propietario diseñado para detectar traits nuevos automáticamente. Compara los datos de trait de sus traits y segments actuales con el resto de los datos de origen y de terceros a los que tiene acceso a través de Audience Manager. Consulte esta sección para obtener una descripción del proceso de detección mediante algoritmos de TraitWeight.

Los pasos siguientes describen el proceso de evaluación de TraitWeight.

Paso 1: Generar una línea de base para la comparación de Trait

Para generar una línea de base, TraitWeight mide todos los traits asociados con una audiencia para un intervalo de 30, 60 o 90 días. A continuación, clasifica traits según su frecuencia y correlación. El recuento de frecuencia mide la uniformidad. La correlación mide la probabilidad de que trait esté presente solamente en la audiencia de línea de base. Se dice que las Traits que aparecen con frecuencia tienen una alta similitud, una característica importante que se usa para establecer una puntuación ponderada cuando se combina con traits que se descubrió en la data sources que seleccionó.

Paso 2: buscar lo mismo Traits en Data Source

Después de crear una línea de base para la comparación, el algoritmo busca traits idénticos en el data sources seleccionado. En este paso, TraitWeight realiza un recuento de frecuencia de todos los traits detectados y los compara con la línea de base. Sin embargo, a diferencia de la línea de base, las traits poco comunes se clasifican más alto que las que aparecen con más frecuencia. Se dice que las traits raras muestran un alto grado de especificidad. TraitWeight considera que las combinaciones de línea de base común traits y poco común (altamente específico) data source traits son más influyentes o deseables que traits comunes a ambos conjuntos de datos. De hecho, nuestro modelo reconoce estos grandes conjuntos de datos comunes traits y no asigna prioridad excesiva a los conjuntos de datos con correlaciones altas. Los(as) traits raros(as) obtienen mayor prioridad porque es más probable que representen a usuarios nuevos y únicos que traits con una alta comunidad en todos los tableros.

Paso 3: Asignar Peso

En este paso, TraitWeight clasifica a traits recién descubierto en orden de influencia o conveniencia. La escala de peso es un porcentaje que va del 0 % al 100 %. Traits se clasificó cerca del 100%, lo que significa que se parecen más a la audiencia en la población de línea de base. Además, los traits de alto peso son útiles porque representan a usuarios nuevos y únicos que pueden comportarse de manera similar a la audiencia de línea de base establecida. Recuerde, TraitWeight considera que traits con alta similitud en la línea de base y alta especificidad en las fuentes de datos comparadas es más valioso que traits común en cada conjunto de datos.

Paso 4: Puntuación de usuarios

A cada usuario del data sources seleccionado se le asigna una puntuación que es igual a la suma de todas las ponderaciones del traits influyente en el perfil de ese usuario. Las puntuaciones del usuario se normalizan entre 0 y 100 %.

Paso 5: Mostrar y trabajar con resultados

Audience Manager muestra los resultados del modelo ponderado en Trait Builder. Si desea generar un algorithmic trait, Trait Builder le permite crear traits basándose en la puntuación ponderada generada por el algoritmo durante una ejecución de datos. Puede elegir una precisión mayor para clasificar solo a los usuarios que tienen puntuaciones de usuario muy altas y, por lo tanto, son muy similares a la audiencia de línea de base, en lugar de al resto de la audiencia. Si desea llegar a una audiencia mayor (alcance), puede reducir la precisión.

Paso 6: Volver a evaluar la relevancia de un(a) Trait en todos los ciclos de procesamiento

Periódicamente, TraitWeight vuelve a evaluar la importancia de un(a) trait en función del tamaño y el cambio en la población de ese(a) trait. Esto sucede a medida que el número de usuarios calificados para ese(a) trait aumenta o disminuye con el tiempo. Este comportamiento se ve más claramente en rasgos que se vuelven muy grandes. Por ejemplo, suponga que el algoritmo utiliza trait A para el modelado. A medida que aumenta la población de trait A, TraitWeight vuelve a evaluar la importancia de ese(a) trait y puede asignar una puntuación más baja o ignorarla. En este caso, trait A es demasiado común o grande como para decir algo significativo acerca de su población. Después de que TraitWeight reduzca el valor de trait A (o lo ignore en el modelo), la población del rasgo algorítmico disminuye. La lista de traits influyentes refleja la evolución de la población de línea de base. Use la lista de los traits más influyentes para comprender por qué se producen estos cambios.

Enlaces relacionados:

Programación de actualizaciones para Look-Alike Models y Traits update-schedule

Programaciones de creación y actualización para algorithmic models y traits nuevos o existentes.

Programación de creación y actualización de Look-Alike Model

Tipo de actividad
Descripción
Crear o clonar un modelo

Para Look-Alike Models nuevos o clonados, el proceso de creación se ejecuta una vez al día a las:

  • 17:00 EST (de noviembre a marzo)
  • 18:00 EDT (de marzo a noviembre)

Los modelos creados o clonados después de la fecha límite de creación se procesan al día siguiente.

Si la primera ejecución de un modelo no genera datos, se ejecutará una segunda vez, al día siguiente. Si el segundo intento tampoco genera datos, habrá un tercer intento, al día siguiente. El modelo dejará de ejecutarse si el tercer intento tampoco genera datos. En este caso, desactivaremos el modelo. Ver más en resolución de problemas de modelos similares.

Actualizar un modelo

En condiciones ideales, los modelos existentes se ejecutan entre semana, al menos una vez cada 7 días. Por ejemplo, si crea un modelo (dentro del plazo) el lunes, se actualizará el lunes siguiente como máximo.

Un modelo se volverá a ejecutar si cumple cualquiera de las siguientes condiciones:

  • Su última ejecución no se realizó correctamente.
  • Se ha ejecutado correctamente antes de y no se ha ejecutado en absoluto en los últimos 7 días Y el modelo tiene al menos un rasgo activo adjunto.

Programación de creación y actualización de Look-Alike Trait

Tipo de actividad
Descripción
Crear un rasgo
El proceso de creación de rasgos se ejecuta todos los días, de lunes a viernes. Por lo general, los nuevos rasgos algorítmicos aparecen en la interfaz de usuario en un plazo de 48 horas.
Actualizar un rasgo
Las características existentes se actualizan al menos una vez cada 7 días y siguen la programación de actualizaciones de modelos.

Vista de lista de modelos models-list-view

La vista de lista es un espacio de trabajo central que le ayuda a crear, revisar y administrar modelos.

La página de lista Models contiene características y herramientas que le ayudarán a:

  • Cree nuevos modelos.
  • Administrar modelos existentes (editar, pausar, eliminar o clonar).
  • Buscar modelos por nombre.
  • Crear algorithmic traits con un modelo determinado.

Vista de resumen de modelos models-summary-view

La página Resumen muestra detalles del modelo, como nombre, alcance/precisión, historial de procesamiento y traits creado a partir del modelo. La página también incluye configuraciones que le permiten crear y administrar modelos. Haga clic en el nombre de un modelo en la lista de resumen para ver sus detalles.

La página de resumen del modelo incluye las siguientes secciones.

Sección
Descripción
información básica
Incluye información básica sobre el modelo, como su nombre y cuándo se ejecutó por última vez.
Alcance y precisión del modelo
Muestra la precisión de y alcanzadatos para la última ejecución del modelo.
historial de procesamiento de modelo
Muestra la fecha y hora de procesamiento de las últimas 10 ejecuciones y si se generaron datos en esas ejecuciones.
rasgos influyentes

La tabla rasgos influyentes :

  • Enumera los 50 rasgos influyentes principales que se representan mejor en la población de línea de base del modelo.
  • Clasifica cada rasgo en orden de su peso relativo rango. El peso relativo ordena los rasgos descubiertos recientemente en orden de influencia o conveniencia. La escala de peso es un porcentaje que va del 0 % al 100 %. Las características clasificadas cerca del 100 % significan que se parecen más a la audiencia en la población de línea de base. Consulte Explicación de TraitWeight.
  • Muestra los valores exclusivos de 30 días y la población total de rasgos para cada rasgo.
rasgos que usan el modelo

Muestra una lista de los rasgos algorítmicos en función del modelo seleccionado. Haga clic en un nombre o ID de rasgo para obtener más información sobre el rasgo. Seleccione Crear nuevo rasgo con modelo para ir al proceso de creación de rasgos algorítmicos.

La etiqueta de sección cambia según el nombre del modelo. Por ejemplo, supongamos que crea un modelo y le asigna el nombre Modelo A. Al cargar la página de resumen, el nombre de esta sección cambia a rasgos mediante el modelo A.

recommendation-more-help
de293fbf-b489-49b0-8daa-51ed303af695