Visão geral do Predictive Audiences predictive-audiences
O Predictive Audiences ajuda você a classificar um público-alvo desconhecido em personas distintas, em tempo real, usando técnicas avançadas de ciência de dados.
Em um contexto de marketing, uma pessoa é um segmento de público-alvo definido por visitantes, usuários ou possíveis compradores, que compartilham um conjunto específico de características, como demografia, hábitos de navegação, histórico de compras etc.
Os modelos de Predictive Audiences levam esse conceito um passo além, permitindo que você use os recursos de aprendizado de máquina do Audience Manager para classificar públicos desconhecidos em personas distintas. O Audience Manager ajuda você a fazer isso calculando a propensão do público primário desconhecido para um conjunto de públicos originais conhecidos.
Ao criar um modelo Predictive Audiences, a primeira etapa é escolher as características ou os segmentos da linha de base pelos quais você deseja que seu público-alvo seja classificado. Essas características ou segmentos definirão suas personalidades.
Durante a fase de avaliação, o modelo cria um novo segmento Predictive Audiences para cada característica ou segmento definido como linha de base. Na próxima vez que o Audience Manager vir um visitante de seu público-alvo que não esteja classificado para uma persona (não se qualificou para nenhuma de suas características ou segmentos de linha de base), o modelo Predictive Audiences determinará a qual dos segmentos preditivos o visitante deve pertencer e adicionará o visitante a esse segmento.
Você pode identificar os segmentos preditivos criados pelo modelo, na página Segments. Cada modelo Predictive Audiences tem sua própria pasta na pasta Predictive Audiences, e você pode ver os segmentos de cada modelo clicando na pasta do modelo.
Casos de uso use-cases
Para ajudá-lo a entender melhor como e quando você pode usar o Predictive Audiences, veja alguns casos de uso que os clientes do Audience Manager podem resolver usando esse recurso.
Caso de uso #1
Como comerciante em uma empresa de comércio eletrônico, desejo classificar todos os meus visitantes da Web e móveis em várias categorias de afinidade de marca, para que eu possa personalizar a experiência do usuário.
Caso de uso #2
Como profissional de marketing em uma empresa de mídia, quero classificar meus visitantes móveis e da Web não autenticados por gêneros favoritos, para que eu possa sugerir a eles conteúdo personalizado em todos os canais.
Caso de uso #3
Como anunciante de uma companhia aérea, quero me certificar de classificar meu público com base em seu interesse em destinos de viagem, para que eu possa anunciar a eles em tempo real, dentro de uma pequena janela de redirecionamento.
Caso de uso #4
Como anunciante, quero classificar meu público primário em tempo real, para que eu possa reagir rapidamente às notícias dos "trending topics".
Caso de uso #5
Como profissional de marketing, quero prever em qual fase da jornada do cliente meus visitantes do site estão, como descoberta, envolvimento, compra ou retenção, para que eu possa direcioná-los de acordo.
Caso de uso #6
Como empresa de mídia, quero categorizar meu público para que eu possa vender meu espaço publicitário a preços superiores, e oferecer aos meus visitantes anúncios relevantes.
Como funcionam os modelos Predictive Audiences how-predictive-audiences-models-work
Ao criar um modelo Predictive Audiences, você deve seguir três etapas:
- Primeiro, você seleciona no mínimo duas características ou dois segmentos que definirão suas personas.
- Em seguida, escolha uma característica ou um segmento que defina o público-alvo que deseja classificar.
- Finalmente, você escolhe um nome para o modelo, uma fonte de dados que armazenará os segmentos preditivos e um Profile Merge Rule para o modelo.
Critérios de seleção de personas selection-personas
Você pode escolher qualquer uma de suas características ou segmentos primários para definir seus perfis. No entanto, para obter os melhores resultados, veja um conjunto de práticas recomendadas:
- Escolha suas características ou segmentos de persona para que cada persona tenha pelo menos algumas centenas de IDs de dispositivo.
- Se suas características se baseiam em IDs entre dispositivos, você pode agrupá-las em segmentos com Regras de mesclagem de perfis que usam IDs de dispositivos, como Device Graph. Isso garantirá que haja IDs de dispositivo suficientes com as quais o algoritmo possa aprender.
- Recomendamos escolher características ou segmentos simples para suas personas, consistindo em 1 a 3 características.
- Escolha características ou segmentos da linha de base com sobreposição mínima.
- Certifique-se de capturar características granulares em suas propriedades digitais.
Critérios de seleção para o público-alvo do Target selection-audience
Dependendo do caso de uso, se você deseja classificar usuários em tempo real, em lote ou ambos, escolha um público-alvo (trait ou segment) que tenha uma população significativa em tempo real e/ou total. Semelhante à seleção de persona, recomendamos que seu público-alvo trait ou segment tenha usuários com perfis avançados (conjuntos avançados de traits).
Ao selecionar o público-alvo, analise seu caso de uso e decida quais tipos de IDs você deseja classificar: device IDs ou cross-device IDs. O Profile Merge Rule selecionado ao criar o modelo define os dados que serão usados para colocar cada usuário no segments preditivo.
Como prática recomendada, recomendamos escolher um Profile Merge Rule que tenha a mesma configuração que seu público-alvo Profile Merge Rule ou que inclua o tipo de perfil (perfil de dispositivo ou perfil autenticado) de seu público-alvo.
Fase de treinamento do modelo Predictive Audiences model-training
Antes que o algoritmo possa classificar o público-alvo primário nas personas certas, ele precisa treinar a si mesmo em seus dados.
Para cada persona definida, o algoritmo analisa seu respectivo público e avalia qualquer atividade em tempo real e/ou de características integradas para seus usuários nos últimos 30 dias.
Essa etapa ocorre uma vez a cada 24 horas, para levar em conta as alterações no público-alvo primário.
Fase de Classificação do Modelo Predictive Audiences model-classification
Para classificação de público-alvo em lote e em tempo real, o modelo verifica primeiro se um usuário pertence ao público-alvo. Se o usuário se qualificar para o público-alvo de direcionamento e não pertencer a nenhuma das personas, o modelo atribuirá a ele uma pontuação de qualificação de persona.
Ao avaliar públicos-alvo primários e atribuir pontuações, o modelo usa o Profile Merge Rule padrão definido na sua conta. Finalmente, o visitante é classificado na persona para a qual recebeu a pontuação mais alta.
Considerações e limitações considerations
Ao configurar seus modelos do Predictive Audiences, lembre-se das seguintes considerações e limitações:
-
Você pode criar até 10 modelos de Predictive Audiences.
-
Para cada modelo, você pode escolher até 50 características/segmentos base.
-
Dados secundários e de terceiros não têm suporte no Predictive Audiences.
-
O Predictive Audiences realiza a classificação de público com base em suas características próprias, de todas as suas fontes de dados originais.
-
A avaliação de segmento para Predictive Audiences usa o Profile Merge Rule escolhido durante a criação do modelo. Para saber mais sobre Profile Merge Rules, consulte a documentação dedicada.
-
Algumas características e segmentos não são compatíveis como linhas de base ou públicos-alvo de direcionamento. Predictive Audiences modelos não serão salvos ao escolher um dos seguintes como linhas de base ou públicos-alvo de destino:
- Características preditivas e segmentos criados com características preditivas;
- Adobe Experience Platform características ou segmentos;
- Características algorítmicas;
- Características secundárias e de terceiros.
-
Predictive Audience segments não pode ser usado em Audience Lab.
Data Export Controls dec
Os segmentos preditivos criados por modelos Predictive Audiences herdam os Controles da Exportação de Dados das seguintes fontes de dados primárias:
- A fonte de dados primária escolhida ao criar o modelo.
- As fontes de dados primárias do público-alvo. Especificamente, os controles de exportação de dados do traits ou segments que compõem o público-alvo.
- Os Controles da Exportação de Dados de Profile Merge Rule que você selecionou para o modelo.
A traits preditiva recém-criada e a segments terão as mesmas restrições de privacidade que a união das fontes de dados primárias descritas acima.
As características com restrições adicionais que não fazem parte das Predictive Audiences restrições de privacidade de segmento serão excluídas da fase de treinamento e não se tornarão influentes para o modelo.
Profile Merge Rules pmr
Todos os segmentos preditivos serão atribuídos ao Profile Merge Rule que você selecionou ao criar o modelo. O Profile Merge Rule escolhido é importante pelos seguintes motivos:
-
Ele define quais dispositivos e/ou perfis autenticados devem ser considerados quando o modelo analisa o traits influente, no momento de classificar um usuário em um segment preditivo.
-
Ela controla quais trait tipos (nível de dispositivo ou nível entre dispositivos) devem ser usados durante a etapa de treinamento do modelo e exibidos como traits influentes. A preditiva segments é um subconjunto de seu público-alvo.
- Se o público-alvo for um segmento, recomendamos que você selecione o mesmo Profile Merge Rule para o modelo que foi atribuído ao seu público-alvo, ou um Profile Merge Rule que inclua o tipo de perfil do seu público-alvo.
- Se o público-alvo for um trait, recomendamos que você selecione um Profile Merge Rule que possa acessar o mesmo tipo de dados que a característica do público-alvo (dados de perfil do dispositivo ou dados de perfil entre dispositivos).
-
Só há suporte para Profile Merge Rules que usa as opções Current Authenticated Profiles e No Device Profile para a classificação de público-alvo em tempo real. Para obter mais informações, consulte Opções de Regras de Mesclagem de Perfis Definidas.
Selecionar um Profile Merge Rule que use dados de dispositivo e dados entre dispositivos maximiza o número de traits que poderia ser usado para treinamento de modelo e classificação de usuário no segments preditivo.
Role-Based Access Controls rbac
As características e os segmentos que você escolher para classificação de personas e público-alvo estão sujeitos aos Controles de acesso com base em função do Audience Manager.
Os usuários do Audience Manager só podem selecionar características ou segmentos para personas e públicos-alvo, que têm permissão para visualizar.