Compreendendo Look-Alike Modeling about-algorithmic-models

Localizar Novos Usuários com Look-Alike Modeling find-new-users

O Look-Alike Modeling ajuda você a descobrir públicos novos e exclusivos por meio da análise de dados automatizada. O processo é iniciado quando você seleciona um trait ou segment, um intervalo de tempo e data sources próprio e de terceiros. Suas opções fornecem as entradas para o modelo algorítmico. Quando o processo de análise é executado, ele procura usuários qualificados com base em características compartilhadas da população selecionada. Após a conclusão, esses dados estarão disponíveis no Construtor de características, onde você poderá usá-los para criar características com base na precisão e no alcance. Além disso, você pode criar segmentos que combinam características algorítmicas com rules-based traits e adicionar outros requisitos de qualificação com Boolean expressões e operadores de comparação. Look-Alike Modeling oferece uma maneira dinâmica de extrair valor de todos os dados de características disponíveis.

Benefícios advantages

Os principais benefícios de usar o Look-Alike Modeling incluem:

  • Precisão dos dados: o algoritmo é executado regularmente, o que ajuda a manter os resultados atuais e relevantes.
  • Automação: não é necessário gerenciar um grande conjunto de regras estáticas. O algoritmo encontrará públicos-alvo para você.
  • Economize tempo e reduza o esforço: com nosso processo de modelagem, você não precisa adivinhar o que traits/segments pode dar certo ou gastar tempo em campanhas para descobrir novos públicos. O modelo pode fazer isso para você.
  • Confiabilidade: a modelagem funciona com processos de descoberta e qualificação do lado do servidor que avaliam seus próprios dados e os dados de terceiros selecionados aos quais você tem acesso. Isso significa que você não precisa ver os visitantes do site para qualificá-los para uma característica.

Fluxo de trabalho (WRK) workflow

Você gerencia modelos em Audience Data > Models. Em um nível superior, o processo de workflow envolve o seguinte:

  • Selecione os dados da linha de base que você deseja que o algoritmo avalie. Isso inclui um trait ou segment, intervalo de tempo e data sources (seus próprios dados e dados de terceiros aos quais você já tem acesso até Audience Manager). No fluxo de trabalho de criação do modelo, você pode excluir o traits que não deseja que interfira no modelo.
  • Salve seu modelo. Depois de salvo, o processo de avaliação algorítmica é executado automaticamente. No entanto, observe que pode levar até 7 dias para que esse processo seja concluído. Audience Manager envia um email quando o algoritmo é concluído e os resultados estão disponíveis para a criação de trait.
  • Compilação algorítmica traits em Trait Builder.
  • Combinar traits em segments em Segment Builder.
  • Criar e enviar dados de segment para um destination.

Solução de problemas troubleshooting

Desativamos qualquer Look-Alike Model que não consiga gerar dados para três execuções consecutivas. Observe que não é possível definir o status do modelo novamente como ativo posteriormente. Para garantir que seus modelos gerem dados, recomendamos que você compile modelos de fontes de dados com traits suficiente para acumular dados do.

Compreendendo TraitWeight understanding-traitweight

TraitWeight é um algoritmo proprietário projetado para descobrir novos traits automaticamente. Ele compara os dados do trait dos traits e do segments atuais com todos os outros dados primários e de terceiros aos quais você tem acesso por meio do Audience Manager. Consulte esta seção para obter uma descrição do processo de descoberta algorítmica do TraitWeight.

As etapas a seguir descrevem o processo de avaliação TraitWeight.

Etapa 1: Criar uma Linha de Base para Comparação de Trait

Para criar uma linha de base, TraitWeight mede todos os traits associados a um público-alvo para um intervalo de 30, 60 ou 90 dias. Em seguida, ele classifica traits de acordo com sua frequência e sua correlação. A contagem de frequência mede a compatibilidade. A correlação mede a probabilidade de um trait estar presente somente no público da linha de base. Diz-se que os Traits que aparecem com frequência exibem alta semelhança, uma característica importante usada para definir uma pontuação ponderada quando combinada com traits descobertos no data sources selecionado.

Etapa 2: Localizar o Mesmo Traits no Data Source

Depois de criar uma linha de base para comparação, o algoritmo procurará por traits idêntico na data sources selecionada. Nesta etapa, o TraitWeight executa uma contagem de frequência de todos os traits descobertos e os compara à linha de base. No entanto, ao contrário da linha de base, os traits incomuns estão classificados acima daqueles que aparecem com mais frequência. Raros traits exibem um alto grau de especificidade. TraitWeight avalia as combinações de traits de linha de base comum e data source traits incomum (altamente específico) como mais influentes ou desejáveis do que traits comuns a ambos os conjuntos de dados. Na verdade, nosso modelo reconhece esses traits grandes e comuns e não atribui prioridade em excesso a conjuntos de dados com correlações altas. Raros traits obtêm prioridade mais alta porque têm mais probabilidade de representar usuários novos e exclusivos do que traits com alta compatibilidade em todos os níveis.

Etapa 3: Atribuir Peso

Nesta etapa, TraitWeight classifica o traits recém-descoberto em ordem de influência ou desejabilidade. A escala de peso é uma porcentagem que vai de 0% a 100%. Traits classificado mais próximo de 100% significa que é mais parecido com o público da sua população da linha de base. Além disso, os traits com alto peso são importantes porque representam usuários novos e exclusivos que podem se comportar de forma semelhante ao seu público-alvo estabelecido na linha de base. Lembre-se, o TraitWeight considera traits com alta similaridade na linha de base e alta especificidade nas fontes de dados comparadas mais valioso que traits comum em cada conjunto de dados.

Etapa 4: Pontuação de usuários

A cada usuário na data sources selecionada é dada uma pontuação de usuário que é igual à soma de todos os pesos da traits influente no perfil desse usuário. As pontuações do usuário são normalizadas entre 0 e 100%.

Etapa 5: exibir e trabalhar com resultados

Audience Manager exibe seus resultados de modelo ponderados em Trait Builder. Quando quiser criar um algorithmic trait, o Trait Builder permite criar traits com base na pontuação ponderada gerada pelo algoritmo durante uma execução de dados. Você pode escolher uma precisão mais alta para qualificar apenas os usuários que têm pontuações de usuário muito altas e, portanto, são muito semelhantes ao público-alvo da linha de base, em vez do restante do público-alvo. Se você quiser alcançar um público maior (alcance), diminua a precisão.

Etapa 6: reavalie a significância de um Trait nos ciclos de processamento

Periodicamente, TraitWeight reavalia a importância de um trait com base no tamanho e na alteração na população desse trait. Isso acontece quando o número de usuários qualificados para esse trait aumenta ou diminui com o tempo. Esse comportamento é visto com mais clareza em características que se tornam muito grandes. Por exemplo, suponha que o algoritmo use trait A para modelagem. À medida que a população de trait A aumenta, TraitWeight reavalia a importância desse trait e pode atribuir uma pontuação mais baixa ou ignorá-la. Neste caso, trait A é muito comum ou grande para dizer algo significativo sobre sua população. Depois que TraitWeight reduz o valor de trait A (ou ignora no modelo), a população da característica algorítmica diminui. A lista de traits influentes reflete a evolução da população da linha de base. Use a lista de traits influentes para entender por que essas alterações estão ocorrendo.

Links relacionados:

Atualizar Calendário para Look-Alike Models e Traits update-schedule

Agendamentos de criação e atualização para algorithmic models e traits novos ou existentes.

Agendamento de Criação e Atualização do Look-Alike Model

Tipo de atividade
Descrição
Criar ou clonar um modelo

Para Look-Alike Models novos ou clonados, o processo de criação é executado uma vez por dia às:

  • 17h EST (novembro - março)
  • 18h EDT (março - novembro)

Os modelos criados ou clonados após o prazo de criação são processados no dia seguinte.

Se a primeira execução de um modelo não gerar dados, ele será executado uma segunda vez, no dia seguinte. Se a segunda tentativa também não gerar dados, haverá uma terceira tentativa, no dia seguinte. O modelo parará de ser executado se a terceira tentativa também não gerar dados. Nesse caso, desativaremos o modelo. Veja mais em Solução de Problemas de Modelos Semelhantes.

Atualizar um Modelo

Sob condições ideais, os modelos existentes são executados em dias da semana, pelo menos uma vez a cada 7 dias. Por exemplo, se você criar um modelo (pelo prazo) na segunda-feira, ele atualizará a segunda-feira seguinte o mais tardar.

Um modelo será executado novamente se atender a qualquer uma das seguintes condições:

  • Sua última execução não foi bem-sucedida.
  • Foi executado com sucesso antes DE E não foi executado nos últimos 7 dias E o modelo tem pelo menos uma característica ativa anexada a ele.

Agendamento de Criação e Atualização do Look-Alike Trait

Tipo de atividade
Descrição
Criar uma característica
O processo de criação de características é executado todos os dias, de segunda a sexta-feira. Geralmente, novas características algorítmicas aparecem na interface do usuário em 48 horas.
Atualizar uma Característica
As características existentes são atualizadas pelo menos uma vez a cada 7 dias e seguem a programação para atualizações de modelo.

Exibição da lista de modelos models-list-view

A exibição de lista é um espaço de trabalho central que ajuda você a criar, revisar e gerenciar modelos.

A página da lista Models contém recursos e ferramentas que ajudam você a:

  • Criar novos modelos.
  • Gerenciar modelos existentes (editar, pausar, excluir ou clonar).
  • Procure modelos por nome.
  • Criar algorithmic traits usando qualquer modelo fornecido.

Exibição do resumo dos modelos models-summary-view

A página de resumo exibe detalhes do modelo, como nome, alcance/precisão, histórico de processamento e traits criado a partir do modelo. A página também inclui configurações que permitem criar e gerenciar modelos. Clique em um nome de modelo na lista de resumo para ver seus detalhes.

A página de resumo do modelo inclui as seções a seguir.

Seção
Descrição
Informações Básicas
Inclui informações básicas sobre o modelo, como seu nome e quando foi executado pela última vez.
Precisão e Alcance do Modelo
Mostra dados de precisão e alcance para a última execução do modelo.
Histórico de Processamento de Modelo
Exibe a data e a hora do processamento das últimas 10 execuções e se os dados foram gerados nessas execuções.
Características influentes

A tabela Características Influentes:

  • Lista as 50 características influentes mais bem representadas na população da linha de base do modelo.
  • Classifica cada característica na ordem de sua classificação Peso relativo. O Peso Relativo classifica as características recém-descobertas em ordem de influência ou desejabilidade. A escala de peso é uma porcentagem que vai de 0% a 100%. As características classificadas mais próximas de 100% significam que são mais semelhantes ao público-alvo na população da linha de base. Consulte Entendendo TraitWeight.
  • Mostra os únicos de 30 dias e a população total de características de cada característica.
Características Usando Modelo

Mostra uma lista de características algorítmicas com base no modelo selecionado. Clique em um nome de característica ou ID de característica para obter mais informações sobre a característica. Selecione Criar nova característica com modelo para ir para o processo de criação de característica algorítmica.

O rótulo da seção muda com base no nome do seu modelo. Por exemplo, digamos que você crie um modelo e o nomeie como Modelo A. Quando você carrega a página de resumo, o nome desta seção é alterado para Características usando o Modelo A.

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