Förstå Look-Alike Modeling about-algorithmic-models
Hitta nya användare med Look-Alike Modeling find-new-users
Look-Alike Modeling hjälper dig att identifiera nya, unika målgrupper genom automatiserad dataanalys. Processen startar när du väljer trait eller segment, ett tidsintervall och först och tredje part data sources. Dina val innehåller indata för den algoritmiska modellen. När analysprocessen körs letar programmet efter berättigade användare baserat på delade egenskaper från den valda populationen. När du är klar är dessa data tillgängliga i Trait Builder där du kan använda dem för att skapa egenskaper baserat på noggrannhet och räckvidd. Dessutom kan du skapa segment som kombinerar algoritmiska egenskaper med rules-based traits och lägga till andra kvalificeringskrav med Boolean uttryck och jämförelseoperatorer. Look-Alike Modeling ger dig ett dynamiskt sätt att extrahera värde från alla tillgängliga trait-data.
Fördelar advantages
De största fördelarna med att använda Look-Alike Modeling är:
- Datakvalitet: Algoritmen körs regelbundet, vilket gör att resultaten hålls aktuella och relevanta.
- Automatisering: Du behöver inte hantera en stor uppsättning statiska regler. Algoritmen hittar målgrupper åt er.
- Spara tid och minska arbetet: Med vår modelleringsprocess behöver du inte gissa vad traits/segments kan arbeta eller lägga tid på att hitta nya målgrupper med hjälp av resurser för kampanjer. Modellen kan göra detta åt dig.
- Tillförlitlighet: Modellering fungerar med identifierings- och kvalificeringsprocesser på serversidan som utvärderar dina egna data och valda tredjepartsdata som du har tillgång till. Det innebär att du inte behöver se besökarna på din webbplats för att kvalificera dem för ett yrke.
Arbetsflöde workflow
Du hanterar modeller i Audience Data > Models. På en hög nivå omfattar arbetsflödesprocessen följande:
- Markera de baslinjedata som du vill att algoritmen ska utvärdera. Detta inkluderar trait eller segment, tidsintervall och data sources (egna data och tredjepartsdata som du redan har tillgång till via Audience Manager). I arbetsflödet för att skapa modeller kan du utesluta traits som du inte vill störa modellen.
- Spara modellen. När den har sparats körs den algoritmiska utvärderingsprocessen automatiskt. Observera att det kan ta upp till 7 dagar innan den här processen är klar. Audience Manager skickar ett e-postmeddelande till dig när algoritmen har slutförts och resultaten är tillgängliga för att trait ska kunna skapas.
- Skapa algoritmisk traits i Trait Builder.
- Kombinera traits till segments i Segment Builder.
- Skapa och skicka segment-data till en destination.
Felsökning troubleshooting
Vi inaktiverar alla Look-Alike Model som inte kan generera data för tre efterföljande körningar. Observera att du inte kan ange status för modellen till aktiv i efterhand. För att dina modeller ska kunna generera data rekommenderar vi att du skapar modeller från datakällor med tillräckligt många traits för att samla in data från.
Förstå TraitWeight understanding-traitweight
TraitWeight är en egen algoritm som utformats för att identifiera nya traits automatiskt. Den jämför trait-data från din nuvarande traits och segments med alla andra första- och tredjepartsdata som du har tillgång till via Audience Manager. I det här avsnittet finns en beskrivning av den algoritmiska identifieringsprocessen TraitWeight.
Följande steg beskriver utvärderingsprocessen för TraitWeight.
Steg 1: Skapa en baslinje för jämförelsen av Trait
Om du vill skapa en baslinje mäter TraitWeight alla traits som är associerade med en målgrupp för ett intervall på 30, 60 eller 90 dagar. Därefter rangordnas traits efter deras frekvens och korrelation. Frekvensantalet mäter gemensamma värden. Korrelation mäter sannolikheten för att en trait bara förekommer i den ursprungliga målgruppen. Traits som ofta verkar vara vanliga, är en viktig egenskap som används för att ställa in ett viktat poängvärde i kombination med traits som identifieras i den valda data sources.
Steg 2: Hitta samma Traits i Data Source
När en baslinje har skapats för jämförelse söker algoritmen efter identisk traits i vald data sources. I det här steget utför TraitWeight ett frekvensantal av alla identifierade traits och jämför dem med baslinjen. Till skillnad från baslinjen rangordnas mindre vanliga traits högre än de som visas oftare. Sällsynta traits sägs ha en hög grad av specificitet. TraitWeight utvärderar kombinationer av gemensam baslinje traits och mindre vanlig (mycket specifik) data source traits som mer inflytelserika eller önskvärda än traits som är gemensamma för båda datauppsättningarna. Vår modell känner faktiskt igen dessa stora, vanliga traits och tilldelar inte överflödig prioritet till datauppsättningar med höga korrelationer. Sällsynta traits får högre prioritet eftersom det är troligare att de representerar nya, unika användare än traits med hög gemensamma nämnare.
Steg 3: Tilldela bredd
I det här steget rankas TraitWeight som nyligen identifierade traits i ordningen för påverkan eller önskvärdhet. Viktskalan är ett procentvärde mellan 0 % och 100 %. Traits rankades närmare 100 % vilket innebär att de är mer som målgruppen i din baslinjepopulation. Dessutom är kraftigt viktade traits värdefulla eftersom de representerar nya, unika användare som kan bete sig på samma sätt som din etablerade, ursprungliga målgrupp. Kom ihåg att TraitWeight anser att traits med hög gemensamma egenskaper i baslinjen och hög specificitet i jämförda datakällor är mer värdefull än traits vanliga i varje datauppsättning.
Steg 4: Betygsätta användare
Varje användare i den valda data sources får ett användarpoäng som är lika med summan av alla vikter för den inflytelserika traits i den användarens profil. Användarpoängen normaliseras sedan till mellan 0 och 100 %.
Steg 5: Visa och arbeta med resultat
Audience Manager visar viktade modellresultat i Trait Builder. När du vill skapa en algorithmic trait kan du med Trait Builder skapa traits baserat på den viktade poäng som genereras av algoritmen under en datakörning. Du kan välja en högre precision om du bara vill kvalificera användare som har mycket höga användarpoäng och därför är mycket lika den ursprungliga målgruppen, i stället för den övriga målgruppen. Om du vill nå en större publik (räckvidd) kan du minska noggrannheten.
Steg 6: Utvärdera om betydelsen av Trait i olika bearbetningscykler
TraitWeight utvärderar regelbundet vikten av en trait baserat på storleken och förändringen i populationen för den trait. Detta inträffar när antalet användare som är kvalificerade för trait ökar eller minskar med tiden. Detta beteende syns tydligast i egenskaper som blir mycket stora. Anta till exempel att algoritmen använder trait A för modellering. När populationen av trait A ökar, utvärderar TraitWeight vikten av trait och kan tilldela ett lägre poäng eller ignorera det. I det här fallet är trait A för vanligt eller stort för att säga något om sin befolkning. När TraitWeight har minskat värdet för trait A (eller ignorerat det i modellen) minskar populationen av algoritmisk egenskap. Listan över inflytelserika traits återspeglar utvecklingen av baslinjepopulationen. Använd listan över inflytelserika traits för att förstå varför dessa ändringar inträffar.
Relaterade länkar:
Uppdatera schema för Look-Alike Models och Traits update-schedule
Skapa och uppdatera scheman för nya eller befintliga algorithmic models och traits.
Schema för att skapa och uppdatera Look-Alike Model
För nya eller klonade Look-Alike Models körs skapandeprocessen en gång om dagen på:
- 17:00 EST (november - mars)
- 6:00 EDT (mars - november)
Modeller som byggts eller klonats efter att tidsgränsen för skapandet har uppnåtts bearbetas följande dag.
Om den första körningen av en modell inte genererar några data kommer den att köras en andra gång nästa dag. Om det andra försöket inte genererar några data kommer det att göras ett tredje försök nästa dag. Modellen kommer att sluta köras om det tredje försöket inte genererar några data. I det här fallet inaktiverar vi modellen. Mer information finns i Felsöka stilliknande modeller.
Under idealiska förhållanden körs befintliga modeller på vardagar, minst en gång var sjunde dag. Om du t.ex. skapar en modell (med deadline) på måndag, uppdateras den följande måndagen senast.
En modell körs igen om den uppfyller något av följande villkor:
- Den senaste körningen misslyckades.
- Den har körts innan OCH har inte körts alls under de senaste 7 dagarna OCH modellen har minst en aktiv egenskap kopplad till sig.
Schema för att skapa och uppdatera Look-Alike Trait
Modelllistvy models-list-view
Listvyn är en central arbetsyta som du kan använda för att skapa, granska och hantera modeller.
Listsidan Models innehåller funktioner och verktyg som hjälper dig att:
- Skapa nya modeller.
- Hantera befintliga modeller (redigera, pausa, ta bort eller klona).
- Sök efter modeller efter namn.
- Skapa algorithmic traits med en angiven modell.
Sammanfattningsvy för modeller models-summary-view
Sammanfattningssidan visar modellinformation som namn, räckvidd/precision, bearbetningshistorik och traits som skapats från modellen. Sidan innehåller även inställningar som gör att du kan skapa och hantera modeller. Klicka på ett modellnamn i sammanfattningslistan för att se information om det.
Modellsammanfattningssidan innehåller följande avsnitt.
Tabellen Influentiella egenskaper :
- Visar de 50 mest inflytelserika egenskaperna som bäst representeras i modellens baslinjepopulation.
- Rangordna varje egenskap i rangordningen för dess relativa vikt . Den relativa vikten sorterar nyligen identifierade egenskaper i ordning av påverkan eller önskvärdhet. Viktskalan är ett procentvärde mellan 0 % och 100 %. Fällor rankade närmare 100 % innebär att de är mer som målgruppen i din baslinjepopulation. Se Om TraitWeight.
- Visar en 30-dagars unix och den totala trait-populationen för varje egenskap.
Visar en lista över algoritmiska egenskaper baserat på den valda modellen. Klicka på ett trait-namn eller trait-ID om du vill ha mer information om trait-egenskapen. Välj Skapa nytt spår med modell för att gå till processen för att skapa algoritmiska egenskaper.
Avsnittsetiketten ändras baserat på modellens namn. Anta att du skapar en modell och ger den namnet Modell A. När du läser in sammanfattningssidan ändras namnet på det här avsnittet till Traits Using Model A.