Predictive Audiences Overzicht predictive-audiences
Met Predictive Audiences kunt u een onbekend publiek in realtime in verschillende personen classificeren met behulp van geavanceerde technieken voor gegevenswetenschap.
In een marketingcontext is een persoon een publiekssegment dat wordt gedefinieerd door bezoekers, gebruikers of potentiële kopers en dat een specifieke reeks kenmerken deelt, zoals demografie, bruisende gewoonten, winkelgeschiedenis, enz.
Predictive Audiences-modellen gaan met dit concept een stap verder: hiermee kunt u de Audience Manager-mogelijkheden voor machine learning gebruiken om onbekende doelgroepen te classificeren als verschillende persona's. Audience Manager helpt u dit te bereiken door de neiging te berekenen van uw onbekende publiek van de eerste partij voor een reeks bekende publiek van de eerste partij.
Wanneer u een Predictive Audiences -model maakt, kiest u eerst de basislijnkenmerken of -segmenten waarop het doelpubliek moet worden geclassificeerd. Met deze kenmerken of segmenten worden uw persona's gedefinieerd.
Tijdens de evaluatiefase maakt het model een nieuw Predictive Audiences segment voor elk kenmerk of segment dat u als basislijn hebt gedefinieerd. De volgende keer dat Audience Manager een bezoeker van het doelpubliek ziet die niet voor een persoon is geclassificeerd (niet in aanmerking kwam voor een van uw basislijnkenmerken of -segmenten), bepaalt het Predictive Audiences -model tot welke van de voorspellende segmenten de bezoeker moet behoren en voegt het de bezoeker toe aan dat segment.
U kunt de voorspellende segmenten die door het model worden gemaakt, identificeren op de pagina Segments . Elk Predictive Audiences -model heeft een eigen map onder de Predictive Audiences -map en u kunt de segmenten van elk model bekijken door op de modelmap te klikken.
Gevallen gebruiken use-cases
Voor een beter begrip van hoe en wanneer u Predictive Audiences kunt gebruiken, zijn er enkele gebruiksgevallen die Audience Manager-klanten met deze functie kunnen oplossen.
Hoofdletters en kleine letters gebruiken 1
Als een marketeer in een e-commercebedrijf, wil ik al mijn Web en mobiele bezoekers in diverse merkaffiniteitscategorieën classificeren, zodat ik hun gebruikerservaring kan personaliseren.
Hoofdletters en kleine letters gebruiken 2
Als een marketeer in een mediabedrijf wil ik mijn ongeautoriseerde web- en mobiele bezoekers classificeren met favoriete genres, zodat ik ze gepersonaliseerde inhoud op alle kanalen kan voorstellen.
Hoofdletters gebruiken #3
Als adverteerder voor een luchtvaartmaatschappij wil ik ervoor zorgen dat ik mijn publiek classificeer op basis van hun interesse in reisbestemmingen, zodat ik ze in real time kan adverteren, binnen een kort herrichtingsvenster.
Hoofdletters gebruiken #4
Als adverteerder wil ik mijn eerste-partijpubliek in real-time classificeren, zodat ik snel kan reageren op trending news.
Hoofdletters en kleine letters gebruiken 5
Als marketeer wil ik voorspellen in welke reisfase mijn websitebezoekers verkeren, zoals detectie, betrokkenheid, aankoop of retentie, zodat ik hen dienovereenkomstig kan richten.
Hoofdletters gebruiken #6
Als mediabedrijf wil ik mijn publiek categoriseren, zodat ik mijn advertentieruimte tegen een hoge prijs kan verkopen en mijn bezoekers relevante advertenties kan aanbieden.
Hoe Predictive Audiences modellen werken how-predictive-audiences-models-work
Wanneer u een Predictive Audiences -model maakt, doorloopt u drie stappen:
- Eerst selecteert u minimaal twee kenmerken of twee segmenten die uw persona's definiëren.
- Vervolgens kiest u een kenmerk of segment dat het doelpubliek definieert dat u wilt classificeren.
- Tot slot kiest u een naam voor het model, een gegevensbron die de voorspellende segmenten zal opslaan, en Profile Merge Rule voor het model.
Selectiecriteria voor personeel selection-personas
U kunt om het even welk van uw eerstepartijeigenschappen of segmenten kiezen om uw karakters te bepalen. Voor optimale resultaten is er echter een set aanbevolen aanbevolen procedures:
- Kies uw persona trekken of segmenten zodat elke persoon minstens een paar honderd apparaat IDsheeft.
- Als uw sporen op dwars-apparaat IDsgebaseerd zijn, kunt u hen in segmenten met de Regels van de Fusie van het Profielverpakken die apparaat IDsgebruiken, zoals Device Graph. Dit zal ervoor zorgen er genoeg apparaat IDszijn dat het algoritme van kan leren.
- Wij adviseren het kiezen van eigenschappen of eenvoudige segmenten voor uw persona's, die uit 1 tot 3 eigenschappen bestaan.
- Kies basislijnkenmerken of segmenten die elkaar minimaal overlappen.
- Zorg ervoor dat u granulaire kenmerken vastlegt over de digitale eigenschappen.
Selectiecriteria voor doelgroep selection-audience
Afhankelijk van uw gebruiksgeval, of u gebruikers in real time, in partij, of allebei wilt classificeren, kies een doelpubliek (trait of segment) dat een significante real-time en/of totale bevolking heeft. Net als een persoonlijke selectie raden we u aan dat uw doelpubliek trait of segment gebruikers met rijke profielen (rijke sets van traits ) heeft.
Wanneer u het doelpubliek selecteert, analyseert u uw gebruiksscenario en bepaalt u welke typen id's u wilt classificeren: device IDs of cross-device IDs . De Profile Merge Rule die u selecteert bij het maken van het model, definieert de gegevens die worden gebruikt om elke gebruiker in het voorspellende gedeelte van het formulier te plaatsen segments .
We raden u aan een Profile Merge Rule te kiezen met dezelfde configuratie als uw doelpubliek Profile Merge Rule , of een met het profieltype (apparaatprofiel of geverifieerd profiel) van uw doelpubliek.
Predictive Audiences Modeltrainingsfase model-training
Voordat het algoritme je publiek van de eerste partij in de juiste persona's kan indelen, moet het zichzelf op de gegevens trainen.
Voor elke persoon die u definieert, analyseert het algoritme zijn respectieve publiek en evalueert het elke activiteit in real time en/of ongeboekt trait voor zijn gebruikers in de laatste 30 dagen.
Deze stap vindt om de 24 uur plaats om rekening te houden met wijzigingen in uw eerstepartijpubliek.
Predictive Audiences Modelindelingsfase model-classification
Voor publieksclassificatie in real time en batch, controleert het model eerst of een gebruiker tot het doelpubliek behoort. Als de gebruiker voor het doelpubliek kwalificeert en niet tot om het even welke persona's behoort, wijst het model hen een persona kwalificatiescore toe.
Bij het evalueren van het publiek van de eerste partij en het toewijzen van scores, gebruikt het model de standaard Profile Merge Rule die in uw account is gedefinieerd. Tot slot wordt de bezoeker geclassificeerd in de persoon waarvoor hij de hoogste score heeft ontvangen.
Overwegingen en beperkingen considerations
Houd rekening met de volgende overwegingen en beperkingen wanneer u uw Predictive Audiences -modellen configureert:
-
U kunt maximaal 10 Predictive Audiences modellen maken.
-
Voor elk model kunt u maximaal 50 basiskenmerken/segmenten kiezen.
-
Gegevens van derden en derden worden momenteel niet ondersteund in Predictive Audiences .
-
Predictive Audiences voert publieksclassificatie uit op basis van uw eerste partijkenmerken, van al uw eerste-partijgegevensbronnen.
-
Bij de evaluatie van segmenten voor Predictive Audiences wordt de Profile Merge Rule gebruikt die u kiest tijdens het maken van het model. Meer over Profile Merge Rules leren zie de specifieke documentatie.
-
Sommige kenmerken en segmenten worden niet ondersteund als basislijnen of doelgroepen. Predictive Audiences -modellen worden niet opgeslagen wanneer u een van de volgende opties kiest als basislijn of doelpubliek:
- voorspellende kenmerken en segmenten die met voorspellende kenmerken zijn gecreëerd;
- Adobe Experience Platformtrekken of segmenten;
- Algoritmische kenmerken;
- Tweede en derdekenmerken.
-
Predictive Audience segments kan niet worden gebruikt in Audience Lab .
Data Export Controls dec
De voorspellende segmenten die door Predictive Audiences modellen worden gecreeerd erven de Controles van de Uitvoer van Gegevensvan de volgende eerste gegevensbronnen van de partij:
- De eerste gegevensbron die u kiest bij het bouwen van het model.
- De gegevensbronnen van de eerste partij van uw doelpubliek. Met name de besturingselementen voor gegevensexport van de traits of segments die het doelpubliek vormen.
- De Controles van de Uitvoer van Gegevensvan Profile Merge Rule die u voor het model selecteerde.
De nieuwe voorspellende functies traits en segments hebben dezelfde privacybeperkingen als de samenvoeging van de hierboven beschreven gegevensbronnen van de eerste partij.
Traits die aanvullende beperkingen hebben die geen deel uitmaken van de privacybeperkingen voor segmenten van Predictive Audiences , worden uitgesloten van de trainingsfase en worden niet beïnvloed door het model.
Profile Merge Rules pmr
Aan alle voorspellende segmenten wordt de Profile Merge Rule toegewezen die u hebt geselecteerd bij het maken van het model. De Profile Merge Rule die u kiest, is om de volgende redenen belangrijk:
-
Hiermee wordt gedefinieerd met welke apparaten en/of geverifieerde profielen rekening moet worden gehouden wanneer het model het invloedrijke traits analyseert, op het moment dat een gebruiker in een voorspellend profiel wordt ingedeeld segment .
-
De klasse bepaalt welke trait -typen (apparaatniveau of apparaatniveau) tijdens de modeltrainingsstap moeten worden gebruikt en als invloedrijk traits moeten worden weergegeven. Predictief segments zijn subsets van uw doelgroep.
- Als het doelpubliek een segment is, raden we u aan om dezelfde Profile Merge Rule voor het model te selecteren als het model dat aan uw doelpubliek is toegewezen, of een Profile Merge Rule die het profieltype van uw doelpubliek bevat.
- Als het doelpubliek een trait is, raden we u aan een Profile Merge Rule te selecteren die toegang kan krijgen tot hetzelfde type gegevens als de doeldoelgroep (apparaatprofielgegevens of apparaatprofielgegevens).
-
Profile Merge Rules het gebruik van de opties Current Authenticated Profiles en No Device Profile wordt alleen ondersteund voor publieksclassificatie in realtime. Voor meer informatie zie {de Opties van de Regels van de Fusie van het 0} Profiel bepaalde .
Als u een Profile Merge Rule selecteert die zowel apparaatgegevens als apparaatgegevens gebruikt, maximaliseert u het aantal traits dat kan worden gebruikt voor modeltraining en gebruikersclassificatie in de voorspellende segments .
Role-Based Access Controls rbac
De eigenschappen en de segmenten die u voor persona's en publieksclassificatie kiest zijn onderworpen aan Audience Manager Op rol-Gebaseerde Controles van de Toegang.
De gebruikers van Audience Manager kunnen slechts sporen of segmenten voor persona's en doelpubliek selecteren, dat zij toestemming hebben omte bekijken.