Begrijpen Look-Alike Modeling about-algorithmic-models

Nieuwe gebruikers zoeken met Look-Alike Modeling find-new-users

Look-Alike Modeling helpt u nieuwe, unieke doelgroepen te ontdekken via geautomatiseerde gegevensanalyse. Het proces begint wanneer u een trait of segment, een tijdsinterval en eerste en derde partij data sources. 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. Na voltooiing zijn deze gegevens beschikbaar in Trait Builder waar u het kunt gebruiken om eigenschappen tot stand te brengen die op worden gebaseerd nauwkeurigheid en bereik. Bovendien kunt u segmenten maken waarin algoritmische kenmerken worden gecombineerd rules-based traits en voeg andere kwalificatievereisten toe met Boolean expressies en vergelijkingsoperatoren. Look-Alike Modeling biedt u een dynamische manier om waarde uit al uw beschikbare gegevens van het bezit te halen.

Voordelen advantages

De belangrijkste voordelen van het gebruik Look-Alike Modeling omvatten:

  • Nauwkeurigheid van gegevens: Het algoritme wordt regelmatig uitgevoerd, waardoor de resultaten actueel en relevant blijven.
  • Automatisering: U moet geen grote reeks statische regels beheren. Het algoritme zal publiek voor u vinden.
  • Bespaar tijd en verminder uw inspanningen: Met ons modelleringsproces hoeft u niet te raden wat traits/segments kan tijd besteden aan campagnes om nieuwe doelgroepen te ontdekken. Het model kan dit voor u doen.
  • Betrouwbaarheid: Modellering werkt met detectie- en kwalificatieprocessen aan de serverzijde die uw eigen gegevens en geselecteerde gegevens van derden evalueren waartoe u toegang 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, 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 opdracht traits dat je je model niet wilt beïnvloeden.
  • 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 verzendt u een e-mail wanneer het algoritme heeft gebeëindigd en de resultaten beschikbaar voor trait creëren.
  • Algoritme maken traits in Trait Builder.
  • Combineren traits in segments in Segment Builder.
  • Maken en verzenden segment gegevens naar een destination.

Problemen oplossen troubleshooting

We deactiveren alle Look-Alike Model dat er niet in slaagt gegevens te genereren voor drie opeenvolgende reeksen. 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 met voldoende traits gegevens te verzamelen van.

Begrijpen TraitWeight understanding-traitweight

TraitWeight is een merkgebonden algoritme dat wordt ontworpen om nieuw te ontdekken traits automatisch. Vergelijken trait gegevens uit uw huidige traits en segments tegen alle andere gegevens van de eerste en derde partij die u tot door hebt toegang Audience Manager. Zie deze sectie voor een beschrijving van de TraitWeight algoritmisch detectieproces.

De volgende stappen beschrijven de TraitWeight evaluatieproces.

Stap 1: Een basislijn maken voor Trait Vergelijking

Om een basislijn te bouwen, TraitWeight alle traits geassocieerd met een publiek voor een interval van 30, 60, of 90 dagen. Vervolgens wordt de klasse traits naar gelang van hun frequentie en correlatie. De frequentietelling meet de uniformiteit. Correlatiemaatregelen de waarschijnlijkheid van een trait alleen aanwezig zijn in het basislijnpubliek. Traits die vaak een hoge mate van gemeenschappelijkheid lijken te vertonen, een belangrijk kenmerk dat wordt gebruikt om een gewogen score in te stellen wanneer gecombineerd met traits ontdekt in uw geselecteerde data sources.

Stap 2: Zelfde zoeken Traits in de Data Source

Nadat het een basislijn voor vergelijking bouwt, zoekt het algoritme identiek traits in uw geselecteerde data sources. In deze stap TraitWeight voert een frequentietelling van allen uit ontdekt traits en vergelijkt deze met de basislijn. In tegenstelling tot de basislijn komen echter soms voor traits worden gerangschikt hoger dan de rangschikkingen die vaker voorkomen. Zelden traits naar verluidt 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 beide gegevenssets gemeen hebben. In feite erkent ons model deze grote, gemeenschappelijke traits en geen bovenmatige prioriteit toekent aan gegevenssets met hoge correlaties. Zelden traits krijgt hogere prioriteit omdat zij meer waarschijnlijkheid nieuwe, unieke gebruikers vertegenwoordigen dan traits met een hoge mate van uniformiteit over de hele linie.

Stap 3: Gewicht toewijzen

In deze stap TraitWeight pas ontdekte rangen traits in volgorde van invloed of wenselijkheid. De weegschaal is een percentage dat loopt van 0% tot 100%. Traits gerangschikt naar 100% betekent dat ze meer lijken op het publiek in je basispopulatie. Ook, zwaar gewogen traits zijn waardevol omdat ze nieuwe, unieke gebruikers vertegenwoordigen die zich op dezelfde manier gedragen als uw gevestigde basispubliek. Onthoud, TraitWeight beschouwt traits met een hoge mate van gemeenschappelijkheid in de basislijn en een hoge specificiteit in de vergeleken gegevensbronnen waardevoller zijn dan traits worden gebruikt in elke gegevensset.

Stap 4: Scoregebruikers

Elke gebruiker in de geselecteerde data sources een gebruikersscore heeft die gelijk is aan de som van alle gewichten van de invloedrijke traits op 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, Trait Builder Hiermee kunt u traits op basis van de gewogen score die door het algoritme wordt gegenereerd tijdens een gegevensuitvoering. 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 betekenis van een Trait Alle verwerkingscycli

periodiek, TraitWeight het belang van een trait op basis van de omvang en de verandering van de bevolking van trait. Dit gebeurt als het aantal gebruikers dat hiervoor in aanmerking komt trait neemt toe of daalt in de loop der tijd. Dit gedrag is het duidelijkst zichtbaar in kenmerken die erg groot worden. Stel dat het algoritme het volgende gebruikt trait A voor modellering. Als populatie van trait A stijgingen, TraitWeight herevalueert het belang hiervan trait en kan een lagere score toewijzen of negeren. In dit geval: trait A het is te gebruikelijk of te groot om iets belangrijks over zijn bevolking te zeggen. Na TraitWeight vermindert de waarde van trait A (of negeert het in het model), vermindert de populatie van het algoritmische bezit. De lijst van invloedrijke traits weerspiegelt de ontwikkeling van de basispopulatie. De lijst met invloedrijke traits om te begrijpen waarom deze veranderingen zich voordoen.

Verwante koppelingen:

Plan bijwerken voor Look-Alike Models en Traits update-schedule

Planning voor het maken en bijwerken van nieuwe of bestaande algorithmic models en traits.

Look-Alike Model Planning maken en bijwerken

Type activiteit
Beschrijving
Een model maken of klonen

Voor nieuw of gekloond Look-Alike ModelsHet aanmaakproces wordt 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. Meer informatie in Oplossen van problemen met look-Alike modellen.

Een model bijwerken

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 Planning maken en bijwerken

Type activiteit
Beschrijving
Een overtrek maken
Het proces voor het maken van sporen wordt elke dag uitgevoerd, van maandag tot en met vrijdag. Over het algemeen worden nieuwe algoritmische kenmerken binnen 48 uur weergegeven in de gebruikersinterface.
Een spoor bijwerken
Bestaande kenmerken worden ten minste om de 7 dagen bijgewerkt en volgen het schema voor modelupdates.

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 Models de lijstpagina bevat eigenschappen en hulpmiddelen die u helpen:

  • Nieuwe modellen maken.
  • Bestaande modellen beheren (bewerken, pauzeren, verwijderen of klonen).
  • Zoek naar modellen door naam.
  • Maken algorithmic traits een bepaald model te gebruiken.

Modellen - overzichtsweergave models-summary-view

Op de overzichtspagina worden modeldetails weergegeven, zoals naam, bereik/nauwkeurigheid, verwerkingsgeschiedenis en traits gemaakt van het model. 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.

Sectie
Beschrijving
Basisinformatie
Deze groep bevat basisinformatie over het model, zoals de naam en het tijdstip waarop het voor het laatst is uitgevoerd.
Model Bereik en nauwkeurigheid
Toont nauwkeurigheid en bereik gegevens voor de laatste modeluitvoering.
Verwerkingsgeschiedenis model
Toont de verwerkingsdatum en de tijd voor de laatste 10 looppas en of de gegevens op die looppas werden geproduceerd.
Influente sporen

De Influente sporen tabel:

  • Vermeldt de bovenste 50 invloedrijke kenmerken die het best worden vertegenwoordigd in de basislijnpopulatie van het model.
  • Hiermee wordt elk kenmerk in volgorde gerangschikt Relatieve dikte rang. De Relatieve dikte sorteert pas ontdekte eigenschappen 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 TraitWeight begrijpen.
  • Toont de uniques van 30 dagen en de totale populatie van eigenschappen voor elk kenmerk.
Treits met model

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. Selecteren Nieuwe eigenschap maken met model om naar het proces voor het maken van algoritmische sporen 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 gewijzigd in Treedt met model A.

recommendation-more-help
de293fbf-b489-49b0-8daa-51ed303af695