Look-Alike Modeling 이해 about-algorithmic-models
Look-Alike Modeling (으)로 새 사용자 찾기 find-new-users
Look-Alike Modeling은(는) 자동화된 데이터 분석을 통해 새롭고 고유한 대상을 찾는 데 도움이 됩니다. trait 또는 segment, 시간 간격, 첫 번째 및 타사 data sources을(를) 선택하면 프로세스가 시작됩니다. 선택 항목은 알고리즘 모델에 대한 입력을 제공합니다. Analytics 프로세스가 실행되면 선택한 모집단의 공유 특성을 기반으로 적합한 사용자를 찾습니다. 완료 시 이 데이터는 트레이트 빌더에서 사용할 수 있습니다. 여기서 정확도 및 도달을(를) 기준으로 트레이트를 만들 수 있습니다. 또한 알고리즘 트레이트를 rules-based traits과(와) 결합하고 Boolean 표현식 및 비교 연산자와 함께 다른 자격 요구 사항을 추가하는 세그먼트를 만들 수 있습니다. Look-Alike Modeling은(는) 사용 가능한 모든 트레이트 데이터에서 값을 추출하는 동적 방법을 제공합니다.
장점 advantages
Look-Alike Modeling을(를) 사용하면 다음과 같은 이점이 있습니다.
- 데이터 정확도: 알고리즘이 정기적으로 실행되므로 결과를 최신 상태로 유지할 수 있습니다.
- 자동화: 큰 정적 규칙 집합을 관리할 필요가 없습니다. 알고리즘이 사용자를 위한 대상을 찾습니다.
- 시간을 절약하고 노력을 줄이세요. 모델링 프로세스를 통해 traits/segments이(가) 작동하거나 새로운 대상을 발견하기 위해 캠페인에 시간 리소스를 사용할 수 있는 방법을 추측할 필요가 없습니다. 모델이 이 작업을 수행할 수 있습니다.
- 안정성: 모델링은 사용자의 데이터 및 사용자가 액세스할 수 있는 선택한 타사 데이터를 평가하는 서버측 검색 및 자격 부여 프로세스와 함께 작동합니다. 즉, 사이트에서 방문자를 보고 트레이트에 대한 자격을 얻을 필요가 없습니다.
워크플로 workflow
Audience Data > Models 에서 모델을 관리합니다. 높은 수준에서 워크플로 프로세스에는 다음이 포함됩니다.
- 알고리즘에서 평가할 기준 데이터를 선택합니다. 여기에는 trait 또는 segment, 시간 범위 및 data sources (Audience Manager을(를) 통해 이미 액세스할 수 있는 사용자 데이터 및 타사 데이터)이 포함됩니다. 모델 만들기 워크플로우에서 모델을 방해하지 않을 traits을(를) 제외할 수 있습니다.
- 모델을 저장합니다. 저장되면 알고리즘 평가 프로세스가 자동으로 실행됩니다. 단, 이 프로세스가 완료되는 데 최대 7일이 소요될 수 있습니다. Audience Manager이(가) 알고리즘이 완료되어 trait을(를) 만들 수 있는 결과가 나오면 전자 메일을 보냅니다.
- Trait Builder에서 알고리즘 traits을(를) 빌드합니다.
- traits을(를) Segment Builder의 segments (으)로 결합합니다.
- segment 데이터를 만들어 destination (으)로 보냅니다.
문제 해결 troubleshooting
연속 3회 실행에 대한 데이터를 생성하지 못한 Look-Alike Model을(를) 비활성화합니다. 이후에 모델의 상태를 다시 활성으로 설정할 수 없습니다. 모델이 데이터를 생성하도록 하려면 데이터를 누적할 수 있는 traits이(가) 있는 데이터 원본에서 모델을 만드는 것이 좋습니다.
TraitWeight 이해 understanding-traitweight
TraitWeight은(는) 새 traits을(를) 자동으로 검색하도록 설계된 독점 알고리즘입니다. 현재 traits 및 segments의 trait 데이터를 Audience Manager을(를) 통해 액세스할 수 있는 다른 모든 자사 및 서드파티 데이터와 비교합니다. TraitWeight 알고리즘 검색 프로세스에 대한 설명은 이 섹션을 참조하십시오.
다음 단계에서는 TraitWeight 평가 프로세스에 대해 설명합니다.
1단계: Trait 비교에 대한 기준선 만들기
기준선을 만들려면 TraitWeight은(는) 30일, 60일 또는 90일 간격 동안 대상자와 연결된 모든 traits을(를) 측정합니다. 다음으로, 빈도와 상관 관계에 따라 traits의 순위를 지정합니다. 빈도 수는 공통성을 측정합니다. 상관 관계는 trait이(가) 기준 대상자에만 있을 가능성을 측정합니다. 자주 표시되는 Traits은(는) 선택된 data sources에서 발견된 traits과(와) 결합할 때 가중 점수를 설정하는 데 사용되는 중요한 특징인 높은 공통성을 나타낸다고 합니다.
2단계: Data Source에서 동일한 Traits 찾기
비교를 위한 기준선을 만들면 알고리즘이 선택한 data sources에서 동일한 traits을(를) 찾습니다. 이 단계에서 TraitWeight은(는) 검색된 모든 traits의 빈도 수를 수행하고 이를 기준선과 비교합니다. 하지만 기준선과 달리 흔하지 않은 traits은(는) 더 자주 나타나는 순위보다 높은 순위를 갖습니다. 드문 traits은(는) 특이도가 높다고 합니다. TraitWeight은(는) 공통 기준 traits과(와) 비공통(매우 구체적인) data source traits의 조합을 두 데이터 집합에 공통인 traits보다 더 영향력있거나 바람직한 것으로 평가합니다. 실제로 이 모델은 이러한 크고 일반적인 traits을(를) 인식하고 상관 관계가 높은 데이터 집합에 초과 우선 순위를 할당하지 않습니다. 드물게 traits은(는) 게시판에서 공통성이 높은 traits보다 새로운 고유 사용자를 나타낼 가능성이 높으므로 우선 순위가 높습니다.
3단계: 가중치 지정
이 단계에서 TraitWeight은(는) 영향 또는 바람직함 순서로 새로 검색된 traits의 등급을 지정합니다. 중량 척도는 0%에서 100%까지 이어지는 백분율이다. Traits이(가) 100%에 가깝게 순위가 매겨졌다는 것은 기준 모집단의 대상자와 더 비슷하다는 의미입니다. 또한 가중치가 높은 traits은(는) 기존의 기본 대상자와 유사하게 작동할 수 있는 새롭고 고유한 사용자를 나타내므로 중요합니다. TraitWeight은(는) 기준선에서 공통성이 높고 비교되는 데이터 원본에서 특이성이 높은 traits을(를) 각 데이터 집합에서 공통적인 traits보다 더 가치 있게 간주한다는 점을 기억하십시오.
4단계: 사용자 점수 지정
선택한 data sources의 각 사용자에게는 해당 사용자의 프로필에서 영향력 있는 traits의 모든 가중치의 합계와 같은 사용자 점수가 제공됩니다. 그런 다음 사용자 점수가 0과 100% 사이에서 표준화됩니다.
5단계: 결과 표시 및 작업
Audience Manager이(가) Trait Builder에 가중치가 적용된 모델 결과를 표시합니다. algorithmic trait을(를) 작성하려는 경우 Trait Builder을(를) 사용하면 데이터 실행 중에 알고리즘에서 생성된 가중 점수를 기반으로 traits을(를) 만들 수 있습니다. 높은 정확도를 선택하여 사용자 점수가 매우 높기 때문에 나머지 대상자가 아닌 기준 대상자와 매우 유사한 사용자에게만 자격을 부여할 수 있습니다. 더 많은 대상에 도달하려는 경우(도달) 정확도를 낮출 수 있습니다.
6단계: 처리 주기 간 Trait의 중요도 다시 평가
TraitWeight은(는) 해당 trait의 크기 및 모집단 변경을 기반으로 trait의 중요도를 정기적으로 다시 평가합니다. 이 문제는 해당 trait에 대해 자격이 있는 사용자 수가 시간이 지남에 따라 증가하거나 감소할 때 발생합니다. 이러한 행동은 매우 커지게 되는 특성에서 가장 뚜렷하게 나타난다. 예를 들어 알고리즘이 모델링에 trait A을(를) 사용한다고 가정합니다. trait A의 모집단이 증가하면 TraitWeight이(가) 해당 trait의 중요도를 다시 평가하여 낮은 점수를 할당하거나 무시할 수 있습니다. 이 경우 trait A은(는) 너무 일반적이거나 커서 모집단에 대해 중요한 내용을 말할 수 없습니다. TraitWeight이(가) trait A의 값을 줄이면(또는 모델에서 이를 무시하면) 알고리즘 트레이트의 모집단이 줄어듭니다. 영향을 받는 traits 목록은 기준 모집단의 진행 상황을 반영합니다. 영향력 있는 traits의 목록을 사용하여 이러한 변경 내용이 발생하는 이유를 이해하십시오.
관련 링크:
Look-Alike Models 및 Traits의 일정 업데이트 update-schedule
신규 또는 기존 algorithmic models 및 traits에 대한 일정을 만들고 업데이트합니다.
Look-Alike Model 만들기 및 업데이트 일정
새 Look-Alike Models 또는 복제된 의 경우 만들기 프로세스가 매일 한 번씩 실행됩니다.
- EST 오후 5시 (11월 - 3월)
- 오후 6시 EDT(3월~11월)
생성 기한 이후에 빌드되거나 복제된 모델은 다음 날 처리됩니다.
모델의 첫 번째 실행에서 데이터가 생성되지 않으면 다음 날 두 번째로 실행됩니다. 두 번째 시도에서도 데이터가 생성되지 않으면 다음 날인 세 번째 시도가 있습니다. 세 번째 시도에서도 데이터가 생성되지 않으면 모델 실행이 중지됩니다. 이 경우 모델을 비활성화합니다. 유사 모델 문제 해결에서 자세히 알아보세요.
이상적인 조건에서 기존 모델은 최소 7일에 한 번, 평일에 실행됩니다. 예를 들어 월요일에 모델을 만드는 경우(기한까지) 늦어도 다음 월요일에는 업데이트됩니다.
다음 조건 중 하나를 충족하면 모델이 다시 실행됩니다.
- 마지막 실행이 실패했습니다.
- 이전에 성공적으로 실행되었으며 지난 7일 동안 전혀 실행되지 않았으며 모델에 하나 이상의 활성 트레이트가 연결되어 있습니다.
Look-Alike Trait 만들기 및 업데이트 일정
모델 목록 보기 models-list-view
목록 보기는 모델을 생성, 검토 및 관리하는 데 도움이 되는 중앙 작업 영역입니다.
Models 목록 페이지에는 다음 작업을 수행하는 데 도움이 되는 기능과 도구가 포함되어 있습니다.
- 새 모델을 만듭니다.
- 기존 모델을 관리합니다(편집, 일시 중지, 삭제 또는 복제).
- 이름으로 모델을 검색합니다.
- 지정된 모델을 사용하여 algorithmic traits을(를) 만듭니다.
모델 요약 보기 models-summary-view
요약 페이지에는 모델에서 만든 이름, 도달/정확도, 처리 기록 및 traits 등 모델 세부 정보가 표시됩니다. 이 페이지에는 모델을 만들고 관리할 수 있는 설정도 포함되어 있습니다. 요약 목록에서 모델 이름을 클릭하여 세부 정보를 확인합니다.
모델 요약 페이지에는 다음 섹션이 포함되어 있습니다.
개의 영향력 있는 특성 테이블:
- 모델의 기준선 모집단에서 가장 잘 나타나는 영향력 있는 상위 50개 트레이트를 나열합니다.
- 각 트레이트의 상대 가중치 순위 순서대로 순위를 지정합니다. 상대 가중치은(는) 영향 또는 원하는 순서로 새로 검색된 트레이트를 정렬합니다. 중량 척도는 0%에서 100%까지 이어지는 백분율이다. 100%에 가까운 트레이트는 기준 모집단의 대상자와 더 비슷하다는 의미입니다. TraitWeight 이해를 참조하십시오.
- 각 트레이트에 대한 30일 고유 수 및 총 트레이트 인구를 표시합니다.
선택한 모델을 기반으로 알고리즘 트레이트 목록을 표시합니다. 트레이트에 대한 자세한 내용을 보려면 트레이트 이름 또는 트레이트 ID를 클릭하십시오. 알고리즘 특성 생성 프로세스로 이동하려면 (으)로 새 특성 만들기 를 선택합니다.
섹션 레이블은 모델 이름에 따라 변경됩니다. 예를 들어 모델을 만들고 이름을 모델 A로 지정한다고 가정해 보겠습니다. 요약 페이지를 로드하면 이 섹션의 이름이 모델 A을(를) 사용하는 트레이트 개로 변경됩니다.