트레이트 Recommendations

세그먼트를 만들 때 자사 트레이트 및 Audience Marketplace 데이터 피드에서 실시간 트레이트 권장 사항을 얻을 수 있습니다.

비디오 데모

아래의 Trait Recommendations 비디오를 시청한 후 자세한 내용을 읽어 보십시오. 이 비디오 데모에서는 자사 트레이트의 권장 사항과 이미 구독 중 ​인 Audience Marketplace 데이터 피드의 트레이트 권장 사항을 사용하여 작업하는 방법을 보여 줍니다.

다음 비디오는 Audience Marketplace의 데이터 피드에서 권장 사항을 기반으로 세그먼트에 트레이트를 추가하는 방법을 보여 주는 Marketplace Recommendations의 워크플로에 대해 간략하게 설명합니다. 이러한 권장 사항은 구독하지 않은 데이터 피드를 기반으로 합니다.

개요

Adobe Sensei에서 제공하는 Trait Recommendations은(는) 데이터 과학을 Audience Manager의 일반 워크플로우로 가져옵니다.
Trait Recommendations을(를) 사용하면 세그먼트 빌더에서 세그먼트를 작성하거나 편집할 때 포함할 수 있는 추가 트레이트에 대한 권장 사항을 얻을 수 있습니다. 이러한 권장 사항은 세그먼트 규칙의 트레이트와 유사합니다.

Audience Manager은 자사 트레이트, Recommendations 섹션 및 Audience Marketplace, Recommendations from Marketplace 섹션 모두에서 트레이트 권장 사항을 표시합니다.

세그먼트에 권장 트레이트를 추가하여 타겟 대상자를 늘리십시오.

전체:

사용 사례

Trait Recommendations을(를) 사용하면 Audience Manager 사용 방식에 따라 워크플로를 개선할 수 있습니다.

트레이트 Recommendations과 알고리즘 모델 간의 차이점

알고리즘 모델

Algorithmic Models은(는) 가장 영향력 있는 트레이트를 찾을 뿐만 아니라 해당 트레이트를 기반으로 사용자에 대한 점수를 매기고 각 사용자에게 개별 점수를 할당합니다. 그런 다음, 사용자를 타겟팅하는 알고리즘 트레이트를 만듭니다. Trait Builder의 정확성 및 도달 범위 컨트롤을 사용하면 영향력 있는 특성을 가진 모든 사용자 중에서 타깃팅할 사용자를 지정할 수 있습니다.

Algorithmic Models을(를) 사용하면 다양한 정확도 수준에서 사용자를 선택하고 Audience Lab에서 어떤 사용자 그룹이 더 잘 전환되는지 테스트할 수 있습니다. 대상 랩의 모델 비교에서 자세한 사용 사례를 확인하십시오.

Algorithmic Models에서 모델은 8일마다 실행되고 알고리즘 트레이트에 적합한 사용자를 새로 고칩니다.

트레이트 Recommendations

Trait Recommendations은(는) 세그먼트에서 사용 중인 트레이트와 유사한 다른 트레이트에 대한 통찰력을 빠르게 얻을 수 있는 방법입니다.

다음과 같은 경우 Trait Recommendations을(를) 사용해야 합니다.

워크플로

세그먼트 빌더에서 세그먼트를 작성하거나 편집할 때 세그먼트 규칙의 트레이트와 유사한 트레이트를 살펴볼 수 있습니다. 세그먼트 빌더 워크플로는 새 세그먼트와 기존 세그먼트에 대해 매우 유사합니다.

새 세그먼트

기존 세그먼트

세그먼트를 만들거나 편집하고 세그먼트 규칙에 트레이트를 추가하면 추가한 트레이트와 유사한 최대 50개의 권장 트레이트가 표시됩니다. 세그먼트 규칙에 트레이트가 두 개 이상 포함된 경우 Audience Manager은 라운드 로빈 방법을 사용하여 각 트레이트에 가장 적합한 일치 항목을 표시한 다음, 모집단별로 가장 큰 50개 트레이트에 대해 두 번째로 적합한 일치 항목 등을 세그먼트 규칙에서 표시합니다.

예를 들어 세그먼트 규칙에 아래 표시된 대로 세 가지 트레이트가 있는 경우 권장되는 트레이트는 다음과 같습니다.

특정 트레이트에 대한 권장 사항을 얻으려면 세그먼트 규칙 (1)이나 권장 트레이트 보기 (2)에서 트레이트를 클릭할 수 있습니다.

자사 트레이트를 클릭하면 아래 그림과 같이 팝업 창이 열립니다. 권장 트레이트가 세그먼트에 속하지 않는 경우 + ​을 눌러 세그먼트에 추가할 수 있습니다.

작동 방법

트레이트 권장 사항을 만들려면 Audience Manager은 대상 트레이트와 타사 데이터를 포함하여 계정에 액세스할 수 있는 다른 모든 트레이트 간의 Jaccard 유사성을 계산합니다. 그런 다음 Audience Manager은 유사성이 가장 높은 최대 50개의 트레이트를 표시합니다.

트레이트 유사성 점수 trait-similarity-score

Audience Manager은 UUID의 수로 교차와 합집합을 계산하여 두 특성 사이의 Trait Similarity Score을(를) 계산한 다음 두 특성을 나눕니다. 두 트레이트 A와 B의 경우 다음과 같이 계산됩니다.

아래의 두 가지 예제를 참조하십시오.

예제 1 - 낮은 트레이트 유사성 점수

두 개의 트레이트 A와 B를 고려할 때 각 트레이트의 모집단은 1,000,000 UUID이고, 이 중 25,000 UUID개가 두 트레이트에 모두 해당한다고 가정해 보겠습니다.
위의 공식을 사용하면 25,000 / 1,975,000 = 0.012가 됩니다. 낮은 Trait Similarity Score입니다. 두 특성이 매우 다릅니다.

예제 2 - 트레이트 유사성 점수

동일한 트레이트 A와 B에 두 트레이트 모두에 해당하는 UUID이(가) 40만 개 있는 경우 Trait Similarity Score이(가) 훨씬 높습니다.
400,000 / 1,600,000 = 0.25

트레이트 유사성 점수를 해석하는 방법

아래 표를 트레이트 유사성에 대한 대략적인 안내서로 사용하십시오. 이 안내서는 대부분의 트레이트에서 관찰된 유사성 점수를 기반으로 합니다.

역할 기반 액세스 제어(RBAC)

Role-Based Access Controls (RBAC)을(를) 사용하는 회사의 경우 권장 트레이트를 보려면 세그먼트를 만들고 편집할 수 있는 권한이 있어야 합니다. 표시되는 트레이트 권장 사항은 RBAC을(를) 통해 액세스할 수 있는 데이터 소스의 트레이트 권장 사항뿐입니다.

RBAC 컨트롤 여기에 대해 자세히 알아보세요.

제한