Comprendre les Look-Alike Modeling about-algorithmic-models
Rechercher de nouveaux utilisateurs avec Look-Alike Modeling find-new-users
Look-Alike Modeling vous permet de découvrir de nouvelles audiences uniques grâce à l’analyse automatisée des données. Le processus démarre lorsque vous sélectionnez un trait ou un segment, un intervalle de temps, ainsi qu’un data sources propriétaire et tiers. Vos choix fournissent les entrées du 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 l’opération terminée, ces données sont disponibles dans créateur de caractéristiques où vous pouvez les utiliser pour créer des caractéristiques basées sur précision et 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 tenir les résultats à jour et pertinents.
- Automatisation : vous n’avez pas à gérer un grand nombre de règles statiques. L’algorithme trouvera des audiences pour vous.
- Gagnez du temps et réduisez les efforts : grâce à notre processus de modélisation, vous n’avez pas à deviner les traits/segments qui peuvent fonctionner ni à consacrer du temps aux 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 de voir les visiteurs de votre site pour les qualifier pour une caractéristique.
Workflow workflow
Vous gérez des modèles dans Audience Data > Models. À un niveau élevé, le processus de workflow implique ce qui suit :
- Sélectionnez les données de référence que l’algorithme doit évaluer. Cela inclut une trait ou une segment, une période et une data sources (vos propres données et les données tierces auxquelles vous avez déjà accès par le biais de Audience Manager). Dans le workflow de création de modèle, vous pouvez exclure les traits que 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 ce processus peut prendre jusqu’à 7 jours. Audience Manager vous envoie un e-mail lorsque l’algorithme est terminé et que les résultats sont disponibles pour la création de trait.
- Créer des traits algorithmiques dans Trait Builder.
- Combinez les traits en segments dans les Segment Builder.
- Créer et envoyer des données segment à un destination.
Dépannage troubleshooting
Nous désactivons toutes les Look-Alike Model qui ne parviennent pas à générer des données pendant trois exécutions consécutives. Notez que vous ne pouvez pas redéfinir le statut 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 une traits suffisante pour accumuler les données.
Comprendre les TraitWeight understanding-traitweight
TraitWeight est un algorithme propriétaire conçu pour découvrir automatiquement de nouveaux traits. Il compare trait données de votre traits et segments actuels à toutes les autres données propriétaires et tierces auxquelles vous avez accès par le biais de Audience Manager. Reportez-vous à cette section pour une description du processus de découverte algorithmique TraitWeight.
Les étapes suivantes décrivent le processus d’évaluation TraitWeight.
Étape 1 : créer une ligne de base pour Trait comparaison
Pour créer une ligne de base, TraitWeight mesure toutes les traits associées à une audience pendant un intervalle de 30, 60 ou 90 jours. Ensuite, il classe les traits en fonction de leur fréquence et de leur corrélation. Le nombre de fréquences mesure les points communs. La corrélation mesure la probabilité qu’un trait soit présent uniquement dans l’audience de base. On dit que les Traits qui apparaissent souvent ont beaucoup de points communs, une caractéristique importante utilisée pour établir un score pondéré lorsqu’ils sont combinés avec des traits découverts dans le data sources sélectionné.
Étape 2 : Rechercher le même Traits dans le Data Source
Après avoir créé une ligne de base à comparer, l’algorithme recherche des traits identiques dans le data sources sélectionné. Au cours de cette étape, TraitWeight effectue un comptage de fréquence de toutes les traits découvertes et les compare à la ligne de base. Cependant, contrairement à la ligne de base, les traits peu fréquents sont classés plus haut que ceux qui apparaissent plus souvent. Les traits rares présentent un haut degré de spécificité. TraitWeight évalue les combinaisons de traits de base communs et de data source de traits peu fréquents (hautement spécifiques) comme étant plus influentes ou souhaitables que traits communes aux deux ensembles de données. En fait, notre modèle reconnaît ces grandes traits communes et n’attribue pas de priorité excessive aux ensembles de données présentant des corrélations élevées. Les traits rares bénéficient d’une priorité plus élevée, car ils sont plus susceptibles de représenter de nouveaux utilisateurs uniques que les traits ayant des points communs importants à tous les niveaux.
Étape 3 : Attribuer un poids
Au cours de cette étape, TraitWeight classe les nouveaux traits découverts par ordre d’influence ou de désirabilité. L’échelle de poids est un pourcentage qui va de 0 % à 100 %. Traits classement proche de 100 % signifie qu’ils ressemblent davantage à l’audience de votre population de référence. 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 TraitWeight considère que les traits ayant des points communs élevés dans la ligne de base et une spécificité élevée dans les sources de données comparées ont plus de valeur que traits courants dans chaque ensemble de données.
Étape 4 : notation des utilisateurs
Chaque utilisateur dans le data sources sélectionné reçoit un score d'utilisateur qui est égal à la somme de tous les poids de l'traits influent sur le profil de cet utilisateur. Les scores des utilisateurs sont ensuite normalisés entre 0 et 100%.
Étape 5 : affichage et utilisation des résultats
Audience Manager affiche les résultats du modèle pondéré dans Trait Builder. Lorsque vous souhaitez créer un algorithmic trait, Trait Builder vous permet de créer des traits en fonction du score pondéré généré par l’algorithme au cours d’une exécution de données. Vous pouvez choisir une précision plus élevée pour qualifier uniquement les utilisateurs qui ont des scores d’utilisateur très élevés et qui 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 l’importance d’un Trait sur l’ensemble des cycles de traitement
Périodiquement, TraitWeight réévalue l'importance d'une trait en fonction de la taille et de l'évolution de la population de cette trait. Cela se produit lorsque le nombre d’utilisateurs qualifiés pour ce trait augmente ou diminue au fil du temps. Ce comportement est plus clairement visible dans les caractéristiques qui deviennent très grandes. Supposons, par exemple, que l’algorithme utilise trait A pour la modélisation. À mesure que la population de trait A augmente, TraitWeight réévalue l’importance de ce trait et peut attribuer un score inférieur ou l’ignorer. Dans ce cas, trait A est trop fréquent ou trop grand pour dire quoi que ce soit de significatif sur sa population. Après TraitWeight réduit la valeur de trait A (ou l’ignore dans le modèle), la population de la caractéristique algorithmique diminue. La liste des traits influents reflète l’évolution de la population de référence. Utilisez la liste des traits d’influence pour comprendre pourquoi ces modifications se produisent.
Liens connexes :
Mettre à jour le planning pour Look-Alike Models et Traits update-schedule
Créer et mettre à jour des plannings pour des algorithmic models et des traits nouveaux ou existants.
Look-Alike Model de création et de mise à jour de planning
Pour les Look-Alike Models nouvelles ou clonées, le processus de création s’exécute une fois par jour à l’adresse :
- 17 h EST (novembre - mars)
- 18 h (HAE) (mars à novembre)
Les modèles créés ou clonés après l’échéance 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 aucune donnée, une troisième tentative aura lieu le lendemain. Le modèle s’arrête si la troisième tentative ne génère pas non plus de données. Dans ce cas, nous désactiverons le modèle. Pour en savoir plus, consultez section Dépannage des modèles semblables.
Dans des conditions idéales, les modèles existants fonctionnent en semaine, au moins une fois tous les 7 jours. Par exemple, si vous créez un modèle (avant la date limite) le lundi, il est mis à jour le lundi suivant au plus tard.
Un modèle est réexécuté s’il répond à l’une des conditions suivantes :
- Sa dernière exécution a échoué.
- Il a été exécuté avec succès auparavant ET il n’a pas été exécuté du tout au cours des 7 derniers jours ET le modèle est associé à au moins une caractéristique active.
Look-Alike Trait de création et de mise à jour de planning
Vue Liste des modèles models-list-view
La vue Liste est un espace de travail central qui vous permet de créer, réviser et gérer des modèles.
La page de liste Models contient des fonctionnalités et des outils qui vous permettent d’effectuer les opérations suivantes :
- Créez de nouveaux modèles.
- Gérer les modèles existants (modifier, suspendre, supprimer ou cloner).
- Recherchez des modèles par nom.
- Créez des 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/la précision, l’historique du traitement et les traits créés à partir du modèle. La page comprend également des paramètres qui vous permettent de créer et de gérer des modèles. Cliquez sur le nom d’un modèle dans la liste récapitulative pour en afficher les détails.
La page de résumé du modèle comprend les sections suivantes.
Le tableau les caractéristiques d’influence :
- Répertorie les 50 caractéristiques les plus influentes qui sont le mieux représentées dans la population de base du modèle.
- Classe chaque caractéristique dans l’ordre de son poids relatif classement. Le Poids relatif trie les caractéristiques nouvellement découvertes par ordre d’influence ou de désirabilité. 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 référence. Voir Présentation de TraitWeight.
- Affiche les caractéristiques uniques sur 30 jours et la population totale de chaque caractéristique.
Affiche une liste des caractéristiques algorithmiques en fonction du modèle sélectionné. Cliquez sur le nom ou l’ID d’une caractéristique pour plus d’informations sur la caractéristique. Sélectionnez Créer une caractéristique avec le modèle pour passer au processus de création de caractéristique algorithmique.
Le libellé de la section change en fonction du nom de votre modèle. Supposons, par exemple, que vous créiez un modèle et que vous lui donniez le nom Modèle A. Lorsque vous chargez la page de résumé, le nom de cette section est remplacé par Caractéristiques à l’aide du modèle A.