Predictive Audiences - översikt predictive-audiences
Predictive Audiences hjälper dig att klassificera en okänd publik i distinkta personligheter, i realtid, med avancerade datavetenskapliga tekniker.
I ett marknadsföringssammanhang är en person ett målgruppssegment som definieras av besökare, användare eller potentiella köpare som delar en viss uppsättning egenskaper, som demografi, surfvanor, shoppinghistorik osv.
Predictive Audiences-modeller tar detta koncept ett steg längre genom att använda Audience Managers maskininlärningsfunktioner för att klassificera okända målgrupper i distinkta personas. Audience Manager hjälper er att uppnå detta genom att beräkna hur benägen era okända förstapartsmålgrupper är för en uppsättning kända förstapartsmålgrupper.
När du skapar en Predictive Audiences-modell är det första steget att välja de baslinjeegenskaper eller segment som du vill att målgruppen ska klassificeras efter. Dessa egenskaper eller segment kommer att definiera er personlighet.
Under utvärderingsfasen skapar modellen ett nytt Predictive Audiences-segment för varje egenskap eller segment som du har definierat som baslinje. Nästa gång Audience Manager ser en besökare från målgruppen som inte är klassificerad som en persona (som inte var kvalificerad för någon av dina grundläggande egenskaper eller segment), avgör Predictive Audiences-modellen vilka av de prediktiva segment som besökaren ska tillhöra och lägger till besökaren i det segmentet.
Du kan identifiera de prediktiva segment som skapas av modellen på sidan Segments. Varje Predictive Audiences-modell har en egen mapp under mappen Predictive Audiences, och du kan se varje modells segment genom att klicka på modellmappen.
Användningsexempel use-cases
För att du bättre ska kunna förstå hur och när du kan använda Predictive Audiences finns det några användningsfall som Audience Manager-kunder kan lösa med den här funktionen.
Användningsfall 1
Som marknadsförare i ett e-handelsföretag vill jag klassificera alla mina webb- och mobilbesökare i olika kategorier för varumärkestillhörighet, så att jag kan personalisera deras användarupplevelse.
Användningsfall nr 2
Som marknadsförare i ett medieföretag vill jag klassificera mina oautentiserade webb- och mobilbesökare efter favoritgenrer, så att jag kan föreslå dem personaliserat innehåll i alla kanaler.
Användningsfall nr 3
Som marknadsförare för ett flygbolag vill jag se till att jag klassificerar min publik utifrån deras intresse för resmål, så att jag kan annonsera för dem i realtid, inom ett kort omdirigeringsfönster.
Användningsfall nr 4
Som annonsörer vill jag klassificera min förstapartspublik i realtid, så att jag snabbt kan reagera på trender.
Användningsfall nr 5
Som marknadsförare vill jag förutsäga vilken kundresa som besökarna på min webbplats befinner sig i, till exempel upptäckt, engagemang, köp eller lojalitet, så att jag kan inrikta mig på dem därefter.
Användningsfall nr 6
Som medieföretag vill jag kategorisera min publik så att jag kan sälja min annonsutrymme till premiumpriser samtidigt som jag erbjuder våra besökare relevanta annonser.
Så här fungerar Predictive Audiences modeller how-predictive-audiences-models-work
När du skapar en Predictive Audiences-modell går du igenom tre steg:
- Först väljer du minst två egenskaper eller två segment som definierar dina profiler.
- Sedan väljer du ett varumärke eller segment som definierar målgruppen som du vill klassificera.
- Slutligen väljer du ett namn för modellen, en datakälla som lagrar prediktiva segment och en Profile Merge Rule för modellen.
Urvalskriterier för personer selection-personas
Du kan välja vilken som helst av dina egna egenskaper eller segment för att definiera dina profiler. För bästa resultat finns det dock en uppsättning rekommenderade bästa metoder:
- Välj dina personliga egenskaper eller segment så att varje person har minst ett fåtal enhets-ID.
- Om dina egenskaper baseras på enhets-ID:n kan du kapsla in dem i segment med profilkopplingsregler som använder enhets-ID:n, till exempel Device Graph. Detta garanterar att det finns tillräckligt med enhets-ID som algoritmen kan lära sig av.
- Vi rekommenderar att du väljer egenskaper eller enkla segment för dina profiler, som består av 1 till 3 egenskaper.
- Välj baslinjetrafik eller segment med minimal överlappning.
- Se till att ni fångar in detaljrikedom i alla era digitala resurser.
Urvalskriterier för målpublik selection-audience
Beroende på ditt användningssätt kan du välja om du vill klassificera användare i realtid, i grupp eller både och, och välja en målpublik (trait eller segment) som har en betydande realtids- och/eller totalpopulation. På samma sätt som för en personlig markering rekommenderar vi att målgruppen trait eller segment har användare med avancerade profiler (avancerade uppsättningar av traits).
När du väljer målgrupp analyserar du ditt användningsfall och avgör vilka typer av ID du vill klassificera: device IDs eller cross-device IDs. Profile Merge Rule som du väljer när du skapar modellen definierar de data som ska användas för att placera varje användare i prediktiva segments.
Vi rekommenderar att du väljer en Profile Merge Rule som har samma konfiguration som målgruppen Profile Merge Rule, eller en som innehåller profiltypen (enhetsprofil eller autentiserad profil) för målgruppen.
Predictive Audiences modellutbildningsfas model-training
Innan algoritmen kan klassificera er förstapartsmålgrupp i rätt profiler måste den utbilda sig på era data.
För varje personlighet som du definierar analyserar algoritmen sin respektive målgrupp och utvärderar eventuell realtids- och/eller varumärkesaktivitet för användarna de senaste 30 dagarna.
Det här steget utförs en gång var 24:e timme för att ta hänsyn till förändringar hos er förstapartsmålgrupp.
Predictive Audiences-modellklassificeringsfas model-classification
För att klassificera målgrupper i realtid och i batch kontrollerar modellen först om en användare tillhör målgruppen. Om användaren kvalificerar sig för målgruppen och inte tillhör någon av personerna tilldelas de ett personligt kvalifikationspoäng i modellen.
Vid utvärdering av förstapartsmålgrupper och tilldelning av poäng används standardvärdet Profile Merge Rule som definierats i ditt konto. Slutligen klassificeras besökaren i den personlighet för vilken de fick högsta poäng.
Överväganden och begränsningar considerations
När du konfigurerar dina Predictive Audiences-modeller bör du tänka på följande när du gör det:
-
Du kan skapa upp till 10 Predictive Audiences modeller.
-
För varje modell kan du välja upp till 50 basegenskaper/segment.
-
Data från andra och tredje part stöds för närvarande inte i Predictive Audiences.
-
Predictive Audiences utför målgruppsklassificering baserat på dina egenskaper hos första part från alla dina datakällor från första part.
-
Segmentutvärderingen för Predictive Audiences använder Profile Merge Rule som du väljer när du skapar modellen. Mer information om Profile Merge Rules finns i den dedikerade dokumentationen.
-
Vissa egenskaper och segment stöds inte som baslinjer eller målgrupper. Predictive Audiences modeller kan inte sparas när du väljer något av följande som baslinjer eller målgrupper:
- Prediktiva egenskaper och segment som skapats med prediktiva egenskaper.
- Adobe Experience Platform egenskaper eller segment;
- Algoritmiska egenskaper.
- Andra och tredje parts egenskaper.
-
Predictive Audience segments kan inte användas i Audience Lab.
Data Export Controls dec
Prediktiva segment som skapats av Predictive Audiences modeller ärver dataexportkontrollerfrån följande datakällor från första part:
- Den datakälla från första part som du väljer när du skapar modellen.
- Målgruppens första datakällor. Det gäller särskilt dataexportkontrollerna för traits eller segments som utgör målgruppen.
- Dataexportkontroller för Profile Merge Rule som du har valt för modellen.
Det nya prediktiva objektet traits och segments har samma sekretessbegränsningar som unionen av förstapartsdatakällor som beskrivs ovan.
Fastigheter som har ytterligare begränsningar som inte ingår i Predictive Audiences-segmentets sekretessbegränsningar exkluderas från utbildningsfasen och kommer inte att påverka modellen.
Profile Merge Rules pmr
Alla prediktiva segment tilldelas den Profile Merge Rule som du valde när du skapade modellen. Profile Merge Rule som du väljer är viktigt av följande skäl:
-
Den definierar vilka enheter och/eller autentiserade profiler som ska beaktas när modellen analyserar den inflytelserika traits, när en användare klassificeras som prediktiv segment.
-
Den styr vilka trait typer (enhetsnivå eller enhetsnivå) som ska användas under modellutbildningssteget och visas som inflytelserika traits. Prediktiv segments är delmängder av målgruppen.
- Om målgruppen är ett segment rekommenderar vi att du väljer samma Profile Merge Rule för modellen som den som tilldelats målgruppen, eller en Profile Merge Rule som innehåller målpublikens profiltyp.
- Om målgruppen är en trait rekommenderar vi att du väljer en Profile Merge Rule som har åtkomst till samma typ av data som målmålgruppens trait (antingen enhetsprofildata eller profildata för olika enheter).
-
Profile Merge Rules som använder alternativen Current Authenticated Profiles och No Device Profile stöds bara för målgruppsklassificering i realtid. Mer information finns i Alternativ för profilkopplingsregler definierade.
Om du väljer en Profile Merge Rule som använder både enhetsdata och enhetsövergripande data maximeras antalet traits som kan användas för modellutbildning och användarklassificering i prediktiva segments.
Role-Based Access Controls rbac
De egenskaper och segment som du väljer för profiler och målgruppsklassificering omfattas av Audience Manager rollbaserade åtkomstkontroller.
Audience Manager-användare kan bara välja egenskaper eller segment för personer och målgrupper, som de har behörighet att visa.