Werken met Look-Alike Modeling about-algorithmic-models
Nieuwe gebruikers zoeken met Look-Alike Modeling find-new-users
Met Look-Alike Modeling kunt u nieuwe, unieke doelgroepen detecteren via geautomatiseerde gegevensanalyse. Het proces wordt gestart wanneer u een trait of segment , een tijdinterval en een eerste en een derde data sources selecteert. Uw keuzen verstrekken de input voor het algoritmische model. Wanneer het analyseproces loopt, zoekt het naar in aanmerking komende gebruikers die op gedeelde kenmerken van de geselecteerde bevolking worden gebaseerd. Op voltooiing, is dit gegeven beschikbaar in Trait Builderwaar u het kunt gebruiken om eigenschappen tot stand te brengen die op worden gebaseerd nauwkeurigheid en bereik. Daarnaast kunt u segmenten maken die algoritmische kenmerken combineren met rules-based traits en andere kwalificatievereisten toevoegen met Boolean -expressies en vergelijkingsoperatoren. Look-Alike Modeling biedt u een dynamische manier om waarde te extraheren uit al uw beschikbare gegevens over de eigenschap.
Voordelen advantages
De belangrijkste voordelen van het gebruik van Look-Alike Modeling zijn:
- de nauwkeurigheid van Gegevens: de algoritmelooppas regelmatig, die hulp huidige en relevante resultaten houdt.
- Automatisering: u moet geen grote reeks statische regels beheren. Het algoritme zal publiek voor u vinden.
- sparen tijd en vermindert inspanning: met ons modelleringsproces moet u niet raden bij wat traits segments kan werken of tijdmiddelen aan campagnes doorbrengen om nieuw publiek te ontdekken. Het model kan dit voor u doen.
- Betrouwbaarheid: modellering werkt met server-zijontdekking en kwalificatieprocessen die uw eigen gegevens en geselecteerde derdegegevens evalueren die u toegang tot hebt. Dit betekent dat u de bezoekers op uw site niet hoeft te zien om ze in aanmerking te laten komen voor een kenmerk.
Workflow workflow
U beheert modellen in Audience Data > Models . Op hoog niveau omvat het workflowproces het volgende:
- Selecteer de basislijngegevens die door het algoritme moeten worden geëvalueerd. Dit omvat een trait of segment , een tijdbereik en data sources (uw eigen gegevens en gegevens van derden waartoe u al toegang hebt via Audience Manager ). In de workflow voor het maken van modellen kunt u de traits uitsluiten die u niet wilt beïnvloeden in uw model.
- Sla uw model op. Zodra bewaard, loopt het algoritmische evaluatieproces automatisch uit. Het kan echter tot 7 dagen duren voordat dit proces is voltooid. Audience Manager stuurt u een e-mail wanneer het algoritme is voltooid en de resultaten beschikbaar zijn voor het maken van trait .
- Bouw algoritmisch traits in Trait Builder.
- Combineer traits tot segments in Segment Builder .
- segment -gegevens maken en verzenden naar een destination .
Problemen oplossen troubleshooting
We deactiveren elke Look-Alike Model die er niet in slaagt gegevens te genereren voor drie opeenvolgende uitvoeringen. U kunt de status van het model niet instellen op actief achteraf. Om ervoor te zorgen dat uw modellen gegevens genereren, raden we u aan modellen te maken van gegevensbronnen die voldoende traits bevatten om gegevens van te verzamelen.
Werken met TraitWeight understanding-traitweight
TraitWeight is een eigen algoritme dat is ontworpen om automatisch nieuwe traits te ontdekken. trait -gegevens van uw huidige traits en segments worden vergeleken met alle andere gegevens van eerste en derde partijen waartoe u toegang hebt via Audience Manager . Zie deze sectie voor een beschrijving van het TraitWeight algoritmische-detectieproces.
De volgende stappen beschrijven het TraitWeight evaluatieproces.
Stap 1: Een basislijn maken voor Trait vergelijking
Als u een basislijn wilt maken, meet TraitWeight alle traits die aan een publiek is gekoppeld voor een interval van 30, 60 of 90 dagen. Vervolgens wordt traits gerangschikt op basis van hun frequentie en correlatie. De frequentietelling meet de uniformiteit. Correlatie meet de waarschijnlijkheid dat een trait alleen aanwezig is in het basispubliek. Traits die vaak worden weergegeven, hebben een hoge standaardisering. Dit is een belangrijk kenmerk dat wordt gebruikt om een gewogen score in te stellen in combinatie met traits dat in de geselecteerde selectie wordt ontdekt data sources .
Stap 2: Hetzelfde zoeken Traits in het dialoogvenster Data Source
Nadat het een basislijn voor vergelijking bouwt, zoekt het algoritme identieke traits in uw geselecteerde data sources. In deze stap voert TraitWeight een frequentietelling uit van alle gevonden traits en vergelijkt ze met de basislijn. In tegenstelling tot de basislijn, worden soms voorkomende traits gerangschikt hoger dan de vaker weergegeven waarden. Zelden traits zouden een hoge mate van specificiteit vertonen. TraitWeight beoordeelt combinaties van gangbare basislijn traits en soms (zeer specifiek) data source traits als invloedrijker of wenselijker dan traits voor beide gegevenssets. In feite erkent ons model deze grote, algemene traits en kent het geen bovenmatige prioriteit toe aan gegevenssets met hoge correlaties. Zelden krijgt traits een hogere prioriteit omdat het waarschijnlijker is dat ze nieuwe, unieke gebruikers vertegenwoordigen dan traits met een hoge algemene standaardisering.
Stap 3: Gewicht toewijzen
In deze stap rangschikt TraitWeight pas ontdekte waarden traits in volgorde van invloed of wenselijkheid. De weegschaal is een percentage dat loopt van 0% tot 100%. Traits die dichter bij 100% staat, houdt in dat ze meer overeenkomen met het publiek in uw basisbevolking. Bovendien zijn zwaar gewogen traits waardevol omdat ze nieuwe, unieke gebruikers vertegenwoordigen die zich op dezelfde manier gedragen als uw gevestigde, basislijnpubliek. Vergeet niet dat TraitWeight traits met een hoge mate van gemeenschappelijkheid in de basislijn en hoge specificiteit in de vergeleken gegevensbronnen waardevoller vindt dan traits algemeen in elke gegevensset.
Stap 4: gebruikers scoren
Elke gebruiker in de geselecteerde data sources krijgt een gebruikersscore die gelijk is aan de som van alle gewichten van het invloedrijke traits in het profiel van die gebruiker. De scores van de gebruiker worden dan genormaliseerd tussen 0 en 100%.
Stap 5: Weergeven en werken met resultaten
Audience Manager geeft de gewogen modelresultaten weer in Trait Builder . Wanneer u een algorithmic trait wilt maken, kunt u met Trait Builder traits een gewogen score maken die tijdens de gegevensuitvoering door het algoritme wordt gegenereerd. U kunt een hogere nauwkeurigheid kiezen om alleen gebruikers te kwalificeren die zeer hoge gebruikersscores hebben en daarom zeer gelijkaardig aan het basislijnpubliek, eerder dan de rest van het publiek zijn. Als u een groter publiek (bereik) wilt bereiken, kunt u de nauwkeurigheid verminderen.
Stap 6: De significantie van een Trait -bewerking opnieuw evalueren over alle verwerkingscycli
TraitWeight evalueert periodiek het belang van een trait op basis van de grootte en de verandering in de populatie van dat trait . Dit gebeurt wanneer het aantal gebruikers dat voor die trait in aanmerking komt, na verloop van tijd toeneemt of afneemt. Dit gedrag is het duidelijkst zichtbaar in kenmerken die erg groot worden. Stel dat het algoritme trait A gebruikt voor modellering. Naarmate de populatie van trait A toeneemt, evalueert TraitWeight het belang van dat trait en wijst het een lagere score toe of negeert het. In dit geval is trait A te gebruikelijk of te groot om iets belangrijks over zijn bevolking te zeggen. Nadat TraitWeight de waarde van trait A heeft verminderd (of deze in het model negeert), neemt de populatie van de algoritmische eigenschap af. De lijst met invloedrijke factoren traits geeft de ontwikkeling van de basislijnpopulatie weer. Gebruik de lijst van invloedrijke traits om te begrijpen waarom deze veranderingen voorkomen.
Verwante koppelingen:
Tijdschema bijwerken voor Look-Alike Models en Traits update-schedule
Planning maken en bijwerken voor nieuwe of bestaande algorithmic models en traits .
Look-Alike Model Plan voor maken en bijwerken
Voor nieuwe of gekloonde Look-Alike Models wordt het aanmaakproces eenmaal per dag uitgevoerd om:
- 5 PM EST (november - maart)
- 6 PM EDT (maart - november)
Modellen die na de aanmaakdeadline zijn gemaakt of gekloond, worden de volgende dag verwerkt.
Als de eerste looppas van een model geen gegevens produceert zal het een tweede keer, de volgende dag in werking stellen. Als de tweede poging ook geen gegevens produceert, zal er een derde poging, de volgende dag zijn. Het model zal ophouden lopend als de derde poging ook geen gegevens produceert. In dit geval deactiveren we het model. Zie meer in het Oplossen van problemen kijkt-als Modellen.
Onder ideale omstandigheden lopen bestaande modellen op weekdagen, minstens om de 7 dagen. Als u bijvoorbeeld een model maakt (tegen de deadline) op maandag, wordt de volgende maandag bijgewerkt.
Een model wordt opnieuw uitgevoerd als het aan een van de volgende voorwaarden voldoet:
- De laatste uitvoering is mislukt.
- Het is gelukt vóór EN het heeft de afgelopen 7 dagen helemaal niet gewerkt EN het model heeft minstens één actief kenmerk eraan gekoppeld.
Look-Alike Trait Plan voor maken en bijwerken
Modellen-lijstweergave models-list-view
De lijstmening is een centrale werkruimte die u helpt om modellen tot stand te brengen, te herzien en te beheren.
De lijstpagina Models bevat functies en gereedschappen die u helpen:
- Nieuwe modellen maken.
- Bestaande modellen beheren (bewerken, pauzeren, verwijderen of klonen).
- Zoek naar modellen door naam.
- Maak algorithmic traits met een bepaald model.
Modellen - overzichtsweergave models-summary-view
Op de overzichtspagina worden de modeldetails weergegeven, zoals naam, bereik/nauwkeurigheid, verwerkingsgeschiedenis en traits die op basis van het model zijn gemaakt. De pagina bevat ook instellingen waarmee u modellen kunt maken en beheren. Klik op een modelnaam in de overzichtslijst om de details weer te geven.
De overzichtspagina van het model bevat de volgende secties.
De tabel Influential Traits :
- Vermeldt de bovenste 50 invloedrijke kenmerken die het best worden vertegenwoordigd in de basislijnpopulatie van het model.
- Elke eigenschap wordt opnieuw gespeld in volgorde van de rang Relatief gewicht . Met Relatief gewicht sorteert u pas ontdekte kenmerken in volgorde van invloed of wenselijkheid. De weegschaal is een percentage dat loopt van 0% tot 100%. Traits gerangschikt dichter bij 100% betekent dat ze meer lijken op het publiek in je basispopulatie. Zie Informatie over TraitWeight.
- Toont de uniques van 30 dagen en de totale populatie van eigenschappen voor elk kenmerk.
Toont een lijst van de algoritmische eigenschappen die op het geselecteerde model worden gebaseerd. Klik op de naam van een kenmerk of de handels-id voor meer informatie over de eigenschap. Selecteer Nieuwe eigenschap maken met model om naar het maken van de algoritmische eigenschap te gaan.
De veranderingen van het sectielabel die op de naam van uw model worden gebaseerd. Stel dat u een model maakt en dit model modelnaam geeft. Wanneer u de overzichtspagina laadt, wordt de naam van deze sectie veranderd in Traits Gebruikend Model A .