Comprendre Look-Alike Modeling about-algorithmic-models
Rechercher de nouveaux utilisateurs avec Look-Alike Modeling find-new-users
Look-Alike Modeling vous aide à découvrir de nouvelles audiences uniques grâce à l’analyse automatisée des données. Le processus démarre lorsque vous sélectionnez un trait ou segment, un intervalle de temps et un data sources propriétaire et tiers. Vos choix fournissent les entrées pour le modèle algorithmique. Lorsque le processus d’analyse s’exécute, il recherche les utilisateurs éligibles en fonction des caractéristiques partagées de la population sélectionnée. Une fois ces données terminées, elles sont disponibles dans le créateur de caractéristiques où vous pouvez les utiliser pour créer des caractéristiques en fonction de la précision et de la portée. De plus, vous pouvez créer des segments qui combinent des caractéristiques algorithmiques avec rules-based traits et ajouter d’autres exigences de qualification avec des expressions Boolean et des opérateurs de comparaison. Look-Alike Modeling vous offre un moyen dynamique d’extraire de la valeur de toutes vos données de caractéristiques disponibles.
Avantages advantages
Les principaux avantages de l’utilisation de Look-Alike Modeling sont les suivants :
- Précision des données : l’algorithme s’exécute régulièrement, ce qui permet de maintenir les résultats à jour et pertinents.
- Automatisation : Vous n’avez pas à gérer un grand ensemble de règles statiques. L’algorithme recherche les audiences pour vous.
- Gagnez du temps et réduisez l’effort : Avec notre processus de modélisation, vous n’avez pas à deviner ce que traits/segments peut utiliser ou dépenser des ressources de temps sur les campagnes pour découvrir de nouvelles audiences. Le modèle peut le faire pour vous.
- Fiabilité : La modélisation fonctionne avec des processus de découverte et de qualification côté serveur qui évaluent vos propres données et les données tierces sélectionnées auxquelles vous avez accès. Cela signifie que vous n’avez pas besoin d’afficher les visiteurs de votre site pour les qualifier pour une caractéristique.
Workflow workflow
Vous gérez les modèles dans Audience Data > Models. A un niveau général, le processus de workflow implique les opérations suivantes :
- Sélectionnez les données de base que l’algorithme doit évaluer. Cela inclut un trait ou segment, une période et data sources (vos propres données et données tierces auxquelles vous avez déjà accès via Audience Manager). Dans le workflow de création de modèle, vous pouvez exclure le traits dont vous ne souhaitez pas interférer avec votre modèle.
- Enregistrez votre modèle. Une fois enregistré, le processus d’évaluation algorithmique s’exécute automatiquement. Notez toutefois que la fin de ce processus peut prendre jusqu’à 7 jours. Audience Manager vous envoie un courrier électronique lorsque l’algorithme est terminé et que les résultats sont disponibles pour la création de trait.
- Créez l’algorithme traits dans Trait Builder.
- Combinez traits en segments dans Segment Builder.
- Créez et envoyez des données segment à un destination.
Dépannage troubleshooting
Nous désactivons tout Look-Alike Model qui ne parvient pas à générer des données pour trois exécutions consécutives. Notez que vous ne pouvez pas redéfinir l’état du modèle sur actif par la suite. Pour vous assurer que vos modèles génèrent des données, nous vous recommandons de créer des modèles à partir de sources de données avec un nombre suffisant de traits pour accumuler des données.
Comprendre TraitWeight understanding-traitweight
TraitWeight est un algorithme propriétaire conçu pour découvrir automatiquement le nouveau traits. Il compare trait données provenant de vos traits et segments actuels à toutes les autres données propriétaires et tierces auxquelles vous avez accès via Audience Manager. Reportez-vous à cette section pour une description du processus de découverte algorithmique TraitWeight.
Les étapes suivantes décrivent le processus d’évaluation de TraitWeight.
Étape 1 : création d’une ligne de base pour la comparaison Trait
Pour créer une ligne de base, TraitWeight mesure tous les traits associés à une audience pendant un intervalle de 30, 60 ou 90 jours. Ensuite, il classe traits en fonction de leur fréquence et de leur corrélation. Le comptage des fréquences mesure la similarité. La corrélation mesure la probabilité qu’un trait ne soit présent que dans l’audience de base. Traits qui apparaissent souvent présente des points communs élevés, une caractéristique importante utilisée pour définir un score pondéré lorsqu’elle est combinée avec traits découvert dans votre data sources sélectionné.
Étape 2 : Rechercher le même Traits dans le Data Source
Une fois qu’il a créé une ligne de base pour la comparaison, l’algorithme recherche les traits identiques dans le data sources sélectionné. Au cours de cette étape, TraitWeight effectue un comptage de fréquence de tous les traits découverts et les compare à la ligne de base. Cependant, contrairement à la ligne de base, les traits rares sont classés plus haut que ceux qui apparaissent plus souvent. On dit que les traits rares présentent un haut degré de précision. TraitWeight considère les combinaisons de lignes de base courantes traits et peu courantes (hautement spécifiques) data source traits comme plus influentes ou souhaitables que traits communes aux deux ensembles de données. En fait, notre modèle reconnaît ces traits volumineux et courants et n’affecte pas une priorité excessive aux jeux de données avec des corrélations élevées. Les traits rares ont une priorité plus élevée, car ils sont plus susceptibles de représenter de nouveaux utilisateurs uniques que traits avec une communauté élevée dans l’ensemble.
Étape 3 : Attribuer un poids
Au cours de cette étape, TraitWeight classe les traits nouvellement découverts dans l’ordre d’influence ou de pertinence. L'échelle de poids est un pourcentage qui va de 0 à 100 %. Traits classé plus près de 100 % signifie qu’ils ressemblent davantage à l’audience de votre population de base. En outre, les traits fortement pondérés sont utiles car ils représentent de nouveaux utilisateurs uniques qui peuvent se comporter de la même manière que votre audience de base établie. N’oubliez pas que TraitWeight considère traits avec une grande communauté dans la ligne de base et une grande spécificité dans les sources de données comparées comme plus précieuse que traits commune à chaque jeu de données.
Étape 4 : Notation des utilisateurs
Chaque utilisateur du data sources sélectionné obtient un score d’utilisateur égal à la somme de tous les poids de l’influent traits sur son profil. Les scores de l’utilisateur sont ensuite normalisés entre 0 et 100 %.
Étape 5 : affichage et utilisation des résultats
Audience Manager affiche les résultats de votre modèle pondéré dans Trait Builder. Lorsque vous souhaitez créer un algorithmic trait, Trait Builder vous permet de créer traits en fonction du score pondéré généré par l’algorithme au cours d’une exécution de données. Vous pouvez choisir une précision plus élevée afin de ne qualifier que les utilisateurs qui ont des scores d’utilisateur très élevés et sont donc très similaires à l’audience de base, plutôt qu’au reste de l’audience. Si vous souhaitez atteindre une plus grande audience (portée), vous pouvez réduire la précision.
Étape 6 : réévaluer la signification d’un Trait sur plusieurs cycles de traitement
Régulièrement, TraitWeight réévalue l’importance d’un trait en fonction de la taille et du changement de la population de cet trait. Cela se produit lorsque le nombre d'utilisateurs qualifiés pour cet trait augmente ou diminue au fil du temps. Ce comportement est plus clairement visible dans les caractéristiques qui deviennent très grandes. Par exemple, supposons que l’algorithme utilise trait A pour la modélisation. À mesure que la population de trait A augmente, TraitWeight réévalue l'importance de cet trait et peut attribuer un score plus faible ou l'ignorer. Dans ce cas, trait A est trop courant ou trop grand pour dire quoi que ce soit d'important sur sa population. Une fois que TraitWeight a réduit la valeur de trait A (ou l’a ignoré dans le modèle), la population de la caractéristique algorithmique diminue. La liste des traits influents reflète l’évolution de la population de base. Utilisez la liste des traits influents pour comprendre pourquoi ces modifications se produisent.
Liens connexes :
Mise à jour de la planification pour Look-Alike Models et Traits update-schedule
Création et mise à jour des plannings pour algorithmic models et traits nouveaux ou existants.
Look-Alike Model Planification de la création et de la mise à jour
Pour les Look-Alike Models nouveaux ou clonés, le processus de création s’exécute une fois par jour à l’adresse :
- 17h00 (novembre à mars)
- 18h00 (mars à novembre)
Les modèles créés ou clonés après la date limite de création sont traités le jour suivant.
Si la première exécution d’un modèle ne génère aucune donnée, elle s’exécute une seconde fois, le lendemain. Si la deuxième tentative ne génère pas de données, il y aura une troisième tentative, le lendemain. Le modèle cessera de fonctionner si la troisième tentative ne génère aucune donnée. Dans ce cas, nous désactiverons le modèle. Pour en savoir plus, voir Dépannage des modèles analogue.
Dans des conditions idéales, les modèles existants s’exécutent en semaine, au moins une fois tous les 7 jours. Par exemple, si vous créez un modèle (avant la date limite) le lundi, il met à jour le lundi suivant au plus tard.
Un modèle se réexécute s’il répond à l’une des conditions suivantes :
- Sa dernière exécution a échoué.
- Il s’est exécuté avec succès avant ET il ne s’est pas exécuté du tout au cours des 7 derniers jours ET le modèle comporte au moins une caractéristique active qui lui est associée.
Look-Alike Trait Planification de la création et de la mise à jour
Mode Liste des modèles models-list-view
Le mode Liste est un espace de travail central qui vous permet de créer, de réviser et de gérer des modèles.
La page de liste Models contient des fonctionnalités et des outils qui vous aident à :
- Créez de nouveaux modèles.
- Gérer les modèles existants (modifier, mettre en pause, supprimer ou cloner).
- Recherchez des modèles par nom.
- Créez algorithmic traits à l’aide d’un modèle donné.
Mode Résumé des modèles models-summary-view
La page de résumé affiche les détails du modèle tels que le nom, la portée/précision, l’historique de traitement et traits créés à partir du modèle. La page comprend également des paramètres qui vous permettent de créer et de gérer des modèles. Cliquez sur un nom de modèle dans la liste récapitulative pour afficher ses détails.
La page de résumé du modèle comprend les sections suivantes.
La table Caractéristiques influentes :
- Répertorie les 50 principales caractéristiques influentes les mieux représentées dans la population de base du modèle.
- Classe chaque caractéristique dans l’ordre de son rang Poids relatif. Le Poids relatif trie les caractéristiques nouvellement découvertes par ordre d’influence ou de pertinence. L'échelle de poids est un pourcentage qui va de 0 à 100 %. Les caractéristiques classées plus près de 100 % correspondent davantage à l’audience de votre population de base. Voir Présentation de TraitWeight.
- Affiche les uniques de 30 jours et la population totale des caractéristiques pour chaque caractéristique.
Affiche une liste des caractéristiques algorithmiques basées sur le modèle sélectionné. Pour plus d’informations sur la caractéristique, cliquez sur son nom ou son identifiant. Sélectionnez Create New Trait with Model pour accéder au processus de création de caractéristiques algorithmiques.
Le libellé de la section change en fonction du nom de votre modèle. Supposons, par exemple, que vous créiez un modèle et que vous le nommiez Modèle A. Lorsque vous chargez la page de résumé, le nom de cette section est remplacé par Caractéristiques à l’aide du modèle A.