Información general de Predictive Audiences predictive-audiences
Predictive Audiences le ayuda a clasificar una audiencia desconocida en personalidades distintas, en tiempo real, mediante técnicas avanzadas de ciencia de datos.
En un contexto de marketing, una persona es un segmento de audiencia definido por visitantes, usuarios o compradores potenciales, que comparten un conjunto específico de rasgos, como su demografía, hábitos de navegación, historial de compras, etc.
Los modelos de Predictive Audiences llevan este concepto un paso más allá, ya que permiten utilizar las capacidades de aprendizaje automático de Audience Manager para clasificar audiencias desconocidas en personalidades distintas. Audience Manager le ayuda a conseguirlo calculando la propensión de la audiencia de origen desconocida para un conjunto de audiencias de origen conocidas.
Cuando crea un modelo Predictive Audiences, el primer paso es elegir los rasgos o segmentos de línea de base por los que desea que se clasifique la audiencia de destino. Estos rasgos o segmentos definirán sus personalidades.
Durante la fase de evaluación, el modelo crea un nuevo segmento Predictive Audiences para cada rasgo o segmento definido como línea de base. La próxima vez que el Audience Manager vea un visitante de su audiencia objetivo que no esté clasificado para una persona (que no cumpla con ninguno de sus segmentos o rasgos de línea de base), el modelo Predictive Audiences determinará a cuál de los segmentos predictivos debe pertenecer el visitante y lo agregará a ese segmento.
Puede identificar los segmentos predictivos creados por el modelo en la página Segments. Cada modelo Predictive Audiences tiene su propia carpeta en la carpeta Predictive Audiences, y puede ver los segmentos de cada modelo haciendo clic en la carpeta del modelo.
Casos de uso use-cases
Para ayudarle a comprender mejor cómo y cuándo puede usar Predictive Audiences, a continuación se indican algunos casos de uso que los clientes de Audience Manager pueden solucionar mediante esta característica.
#1 de casos de uso
Como especialista en marketing de una empresa de comercio electrónico, quiero clasificar a todos mis visitantes web y móviles en varias categorías de afinidad de marca para poder personalizar su experiencia de usuario.
#2 de casos de uso
Como especialista en marketing de una empresa de medios de comunicación, quiero clasificar a mis visitantes web y móviles no autenticados por géneros favoritos, de modo que pueda sugerirles contenido personalizado en todos los canales.
#3 de casos de uso
Como anunciante de una compañía aérea, quiero asegurarme de clasificar mi audiencia en función de su interés en destinos de viaje, para poder anunciarla en tiempo real, en un corto periodo de resegmentación.
#4 de casos de uso
Como anunciante, quiero clasificar mi audiencia de origen en tiempo real, de modo que pueda reaccionar rápidamente a las noticias de tendencia.
#5 de casos de uso
Como especialista en marketing, quiero predecir en qué fase del recorrido de clientes se encuentran los visitantes de mi sitio web, como la detección, la participación, la compra o la retención, para poder dirigirlos en consecuencia.
#6 de casos de uso
Como empresa multimedia, quiero categorizar mi audiencia para poder vender mi espacio publicitario a precios premium, mientras ofrezco a mis visitantes anuncios relevantes.
Cómo funcionan los modelos Predictive Audiences how-predictive-audiences-models-work
Cuando crea un modelo Predictive Audiences, debe seguir tres pasos:
- En primer lugar, debe seleccionar un mínimo de dos rasgos o dos segmentos que definirán las personalidades.
- A continuación, elija un rasgo o segmento que defina la audiencia de destino que desee clasificar.
- Finalmente, elige un nombre para el modelo, una fuente de datos que almacenará los segmentos predictivos y un Profile Merge Rule para el modelo.
Criterios de selección para personalidades selection-personas
Puede elegir cualquiera de sus rasgos de origen o segmentos para definir sus personalidades. Sin embargo, para obtener resultados óptimos, aquí tiene un conjunto de prácticas recomendadas:
- Elija sus rasgos o segmentos de personalidad para que cada personalidad tenga al menos unos cientos de ID de dispositivo.
- Si sus rasgos se basan en ID entre dispositivos, puede envolverlos en segmentos con Reglas de combinación de perfiles que usan ID de dispositivos, como Device Graph. Esto garantizará que haya suficientes ID de dispositivo de los que el algoritmo pueda aprender.
- Recomendamos elegir rasgos o segmentos simples para sus personalidades, que consten de 1 a 3 rasgos.
- Elija rasgos de línea de base o segmentos que tengan una superposición mínima.
- Asegúrese de capturar rasgos granulares en las propiedades digitales.
Criterios de selección para la audiencia de destino selection-audience
Según el caso de uso, tanto si desea clasificar usuarios en tiempo real, por lotes o ambos, elija una audiencia de destino (trait o segment) que tenga una población total o en tiempo real significativa. De forma similar a la selección de personas, recomendamos que la audiencia de destino trait o segment tenga usuarios con perfiles enriquecidos (conjuntos enriquecidos de traits).
Al seleccionar la audiencia de destino, analice el caso de uso y decida qué tipos de ID desea clasificar: device IDs o cross-device IDs. El Profile Merge Rule que seleccionó al crear el modelo define los datos que se utilizarán para colocar a cada usuario en el elemento predictivo segments.
Se recomienda elegir un(a) Profile Merge Rule que tenga la misma configuración que la audiencia de destino Profile Merge Rule, o uno que incluya el tipo de perfil (perfil de dispositivo o perfil autenticado) de la audiencia de destino.
Fase de formación del modelo Predictive Audiences model-training
Antes de que el algoritmo pueda clasificar la audiencia de origen en las personas adecuadas, debe formarse a sí misma en sus datos.
Para cada personalidad que defina, el algoritmo analiza su audiencia respectiva y evalúa cualquier actividad de rasgos en tiempo real o integrada para sus usuarios en los últimos 30 días.
Este paso se realiza una vez cada 24 horas, para tener en cuenta los cambios en la audiencia de origen.
Fase de clasificación del modelo Predictive Audiences model-classification
Para la clasificación de audiencias en tiempo real y por lotes, el modelo comprueba primero si un usuario pertenece a la audiencia de destino. Si el usuario cumple los requisitos de la audiencia de destino y no pertenece a ninguna de las personas, el modelo les asigna una puntuación de calificación de persona.
Al evaluar audiencias de origen y asignar puntuaciones, el modelo utiliza el valor predeterminado Profile Merge Rule definido en su cuenta. Por último, el visitante se clasifica en la persona para la que recibió la puntuación más alta.
Consideraciones y limitaciones considerations
Al configurar sus modelos de Predictive Audiences, tenga en cuenta las siguientes consideraciones y limitaciones:
-
Puede crear hasta 10 Predictive Audiences modelos.
-
Para cada modelo, puede elegir hasta 50 rasgos o segmentos base.
-
En este momento no se admiten datos de segundo nivel y de terceros en Predictive Audiences.
-
Predictive Audiences realiza la clasificación de audiencias en función de sus rasgos de origen, a partir de todas sus fuentes de datos de origen.
-
La evaluación de segmentos de Predictive Audiences usa el Profile Merge Rule que eligió durante la creación del modelo. Para obtener más información acerca de Profile Merge Rules, consulte la documentación dedicada.
-
Algunos rasgos y segmentos no se admiten como líneas de base o audiencias de destino. Predictive Audiences modelos no se podrán guardar al elegir uno de los siguientes como líneas de base o audiencias de destino:
- Características predictivas y segmentos creados con características predictivas;
- Adobe Experience Platform rasgos o segmentos;
- Características algorítmicas;
- Rasgos de segundo nivel y de terceros.
-
Predictive Audience segments no se puede usar en Audience Lab.
Data Export Controls dec
Los segmentos predictivos creados por modelos Predictive Audiences heredan los controles de exportación de datos de las siguientes fuentes de datos de origen:
- La fuente de datos de origen que elija al crear el modelo.
- Las fuentes de datos de origen de la audiencia de destino. En concreto, los controles de exportación de datos de traits o segments que conforman la audiencia de destino.
- Controles de exportación de datos de Profile Merge Rule que seleccionó para el modelo.
Los predictivos traits y segments recién creados tendrán las mismas restricciones de privacidad que la unión de los orígenes de datos de origen descritos anteriormente.
Las características que tengan restricciones adicionales que no formen parte de las restricciones de privacidad del segmento Predictive Audiences se excluirán de la fase de formación y no tendrán influencia en el modelo.
Profile Merge Rules pmr
A todos los segmentos predictivos se les asignará el Profile Merge Rule que seleccionó al crear el modelo. El(la) Profile Merge Rule que elija es importante por los siguientes motivos:
-
Define qué dispositivos o perfiles autenticados deben tenerse en cuenta cuando el modelo analiza el elemento influyente traits, en el momento de clasificar un usuario en un elemento predictivo segment.
-
Establece qué tipos de trait (nivel de dispositivo o nivel de dispositivo cruzado) deben usarse durante el paso de formación del modelo y mostrarse como influyentes traits. Los predictivos segments son subconjuntos de la audiencia de destino.
- Si la audiencia de destino es un segmento, le recomendamos que seleccione el mismo Profile Merge Rule para el modelo que el asignado a su audiencia de destino, o un Profile Merge Rule que incluya el tipo de perfil de su audiencia de destino.
- Si la audiencia de destino es un(a) trait, le recomendamos que seleccione un(a) Profile Merge Rule que pueda acceder al mismo tipo de datos que el rasgo de audiencia de destino (ya sean datos de perfil de dispositivo o datos de perfil entre dispositivos).
-
Profile Merge Rules con las opciones Current Authenticated Profiles y No Device Profile solo se admiten para la clasificación de audiencia en tiempo real. Para obtener más información, vea Opciones definidas de reglas de combinación de perfiles.
Si se selecciona un(a) Profile Merge Rule que usa datos de dispositivos y entre dispositivos, se maximiza el número de traits que se podrían usar para la formación de modelos y la clasificación de usuarios en el elemento predictivo segments.
Role-Based Access Controls rbac
Los rasgos y segmentos que elija para las personalidades y la clasificación de audiencias están sujetos a los controles de acceso basados en roles del Audience Manager.
Los usuarios del Audience Manager solo pueden seleccionar características o segmentos para personalidades y audiencias de destino para las que tengan permiso de visualización.