Predictive Audiences 개요 predictive-audiences

Predictive Audiences을(를) 사용하면 알 수 없는 대상을 고급 데이터 과학 기술을 사용하여 실시간으로 개별 성향으로 분류할 수 있습니다.

마케팅 컨텍스트에서 성향은 인구 통계, 탐색 습관, 쇼핑 내역 등과 같은 특정 트레이트 집합을 공유하는 방문자, 사용자 또는 잠재적 구매자로 정의되는 대상 세그먼트입니다.

Predictive Audiences 모델은 Audience Manager의 기계 학습 기능을 사용하여 알 수 없는 대상을 개별 성향으로 분류할 수 있도록 함으로써 이러한 개념을 한 단계 더 발전시킵니다. Audience Manager을 사용하면 일단의 알려진 자사 고객에 대해 알 수 없는 자사 대상의 성향을 계산하여 이를 달성할 수 있습니다.

Predictive Audiences 모델을 만들 때 첫 번째 단계는 대상 대상자를 분류할 기준 특성 또는 세그먼트를 선택하는 것입니다. 이러한 트레이트 또는 세그먼트는 성향을 정의합니다.

평가 단계 동안 모델은 기준선으로 정의한 각 트레이트 또는 세그먼트에 대해 새 Predictive Audiences 세그먼트를 만듭니다. 다음에 Audience Manager이 어떤 성향에 대해 분류되지 않은(기준 트레이트 또는 세그먼트에 적합하지 않은) 대상 대상의 방문자를 보게 되면, Predictive Audiences 모델은 방문자가 속해야 하는 예측 세그먼트 중 하나를 결정하고 해당 세그먼트에 방문자를 추가합니다.

Segments 페이지에서 모델이 만든 예측 세그먼트를 식별할 수 있습니다. 각 Predictive Audiences 모델의 폴더는 Predictive Audiences 폴더 아래에 있으며 모델 폴더를 클릭하면 각 모델의 세그먼트를 볼 수 있습니다.

사용 사례 use-cases

Predictive Audiences을(를) 사용하는 방법과 시기를 더 잘 이해할 수 있도록 Audience Manager 고객이 이 기능을 사용하여 해결할 수 있는 몇 가지 사용 사례를 소개합니다.

사용 사례 #1

전자 상거래 회사의 마케터로서 사용자 경험을 개인화할 수 있도록 모든 웹 및 모바일 방문자를 다양한 브랜드 선호도 범주로 분류하고 싶습니다.

사용 사례 #2

미디어 회사의 마케터로서 인증되지 않은 웹 및 모바일 방문자를 즐겨 찾는 장르로 분류하여 모든 채널에서 개인화된 콘텐츠를 제안할 수 있도록 하려고 합니다.

사용 사례 #3

저는 항공사의 광고주로서, 여행지에 대한 관심도에 따라 고객들을 분류하여 짧은 리타겟팅 기간 내에서 실시간으로 광고할 수 있게 하고 싶습니다.

사용 사례 #4

광고주로서, 저는 실시간으로 자사 대상자를 분류하여 트렌드 뉴스에 신속하게 대응할 수 있도록 하고 싶습니다.

사용 사례 #5

마케터는 웹 사이트 방문자가 검색, 참여, 구매 또는 유지와 같은 어떤 고객 여정 단계에 있는지 예측하여 그에 따라 타깃팅할 수 있도록 하고 싶습니다.

사용 사례 #6

미디어 회사로서 대상을 분류하여 방문자에게 관련 광고를 제공하면서 프리미엄 가격으로 광고 공간을 판매할 수 있도록 하고 싶습니다.

Predictive Audiences 모델 작동 방식 how-predictive-audiences-models-work

Predictive Audiences 모델을 만들 때 다음 세 단계를 수행합니다.

성향 선택 기준 selection-personas

자사 트레이트 또는 세그먼트를 선택하여 가상 사용자를 정의할 수 있습니다. 그러나 최적의 결과를 얻으려면 다음과 같은 권장 모범 사례 세트가 있습니다.

타겟 대상에 대한 선택 기준 selection-audience

사용 사례에 따라 실시간, 일괄 처리 중 어느 방법으로 사용자를 분류할지 또는 두 가지 모두로 분류할지, 중요한 실시간 및/또는 총 모집단을 가진 대상(trait 또는 segment)을 선택하십시오. 사용자 선택과 유사하게 대상 대상자 trait 또는 segment에게 풍부한 프로필(traits의 풍부한 집합)을 가진 사용자가 있는 것이 좋습니다.

대상 대상을 선택할 때 사용 사례를 분석하고 분류할 ID 유형(device IDs 또는 cross-device IDs)을 결정하십시오. 모델을 만들 때 선택하는 Profile Merge Rule은(는) 각 사용자를 예측 segments에 배치하는 데 사용할 데이터를 정의합니다.

가장 좋은 방법은 타겟 대상 Profile Merge Rule과(와) 구성이 동일한 Profile Merge Rule을(를) 선택하거나 타겟 대상의 프로필 유형(장치 프로필 또는 인증된 프로필)을 포함하는 것을 선택하는 것입니다.

Predictive Audiences 모델 교육 단계 model-training

알고리즘이 자사 대상자를 적합한 개인으로 분류하려면 먼저 데이터에 대해 자신을 교육해야 합니다.

정의한 각 담당자에 대해 알고리즘은 각각의 대상자를 분석하고 지난 30일 동안 사용자에 대한 실시간 및/또는 온보딩된 트레이트 활동을 평가합니다.
이 단계는 자사 대상의 변경 사항을 고려하여 24시간마다 한 번씩 수행됩니다.

Predictive Audiences 모델 분류 단계 model-classification

실시간 및 배치 대상 분류의 경우 모델은 먼저 사용자가 타겟 대상에 속하는지 여부를 확인합니다. 사용자가 타겟 대상 자격을 충족하고 어떤 성향에도 속하지 않는 경우 모델은 사용자에게 성향 자격 점수를 지정합니다.

자사 대상을 평가하고 점수를 할당하는 동안 모델은 계정에 정의된 기본 Profile Merge Rule ​을(를) 사용합니다. 마지막으로 방문자는 가장 높은 점수를 받은 담당자로 분류됩니다.

고려 사항 및 제한 사항 considerations

Predictive Audiences 모델을 구성할 때는 다음 고려 사항과 제한 사항에 유의하십시오.

Data Export Controls dec

Predictive Audiences 모델에서 만든 예측 세그먼트는 다음 자사 데이터 원본에서 데이터 내보내기 제어를 상속합니다.

새로 만든 예측 traits 및 segments은(는) 위에서 설명한 자사 데이터 원본의 통합과 동일한 개인 정보 보호 제한 사항을 갖습니다.

Predictive Audiences 세그먼트 개인 정보 보호 제한에 속하지 않는 추가 제한이 있는 트레이트는 교육 단계에서 제외되며, 모델에 영향을 주지 않습니다.

Profile Merge Rules pmr

모델을 만들 때 선택한 Profile Merge Rule에 모든 예측 세그먼트가 할당됩니다. 선택한 Profile Merge Rule은(는) 다음과 같은 이유로 중요합니다.

장치 데이터와 교차 장치 데이터를 모두 사용하는 Profile Merge Rule을(를) 선택하면 모델 교육 및 사용자 분류에 사용할 수 있는 traits의 수를 예측 segments로 최대화합니다.

Role-Based Access Controls rbac

성향 및 대상 분류에 대해 선택하는 트레이트 및 세그먼트는 Audience Manager 역할 기반 액세스 제어의 적용을 받습니다.

Audience Manager 사용자는 볼 수 있는 권한이 있는 가상 사용자 및 대상 대상에 대한 트레이트 또는 세그먼트만 선택할 수 있습니다.