Predictive Audiences概述 predictive-audiences

Predictive Audiences可帮助您使用高级数据科学技术将未知受众实时分类为不同的角色。

IMPORTANT
本文包含产品文档,旨在指导您完成此功能的设置和使用。 此处不包含任何法律建议。 请咨询您自己的法律顾问以获得法律指导。

在营销环境中,人物是由访客、用户或潜在购买者定义的受众区段,他们具有一组特定特征,如人口统计信息、浏览习惯、购物历史记录等。

Predictive Audiences 模型进一步扩展了角色这一概念的应用,允许您使用 Audience Manager 的机器学习功能将未知受众分类为不同的角色。Audience Manager可以计算未知的第一方受众与一组已知的第一方受众之间的相似性,从而帮助您做到这一点。

创建Predictive Audiences模型时,第一步是选择希望目标受众作为分类依据的基线特征或区段。 这些特征或区段将定义您的角色。

在评估阶段,模型将为您定义为基线的每个特征或区段创建一个新的Predictive Audiences区段。 下次Audience Manager看到目标受众中未被分类为角色(不符合任何基线特征或区段条件)的访客时,Predictive Audiences模型将确定访客应属于哪些预测区段,并将访客添加到该区段。

您可以在Segments页面中识别模型创建的预测区段。 每个Predictive Audiences模型在Predictive Audiences文件夹下都有自己的文件夹,您可以通过单击模型文件夹来查看每个模型的区段。

predictive-audiences-segments

用例 use-cases

为了帮助您更好地了解如何以及何时可以使用Predictive Audiences,以下是Audience Manager客户可以使用此功能解决的几个用例。

用例#1

作为一家电子商务公司的营销人员,我想将我的所有Web和移动访客分类为各种品牌亲和力类别,以便我可以个性化他们的用户体验。

用例#2

作为一家媒体公司的营销人员,我想按最喜爱的流派对我未经身份验证的Web和移动访客进行分类,以便我可以跨所有渠道向他们建议个性化内容。

用例#3

作为一家航空公司的广告商,我想确保我的受众是根据他们对旅游目的地的兴趣进行分类,以便我可以在很短的重定位窗口内向他们实时广告。

用例#4

作为广告商,我想实时对第一方受众进行分类,以便能够对热门新闻做出快速反应。

用例#5

作为营销人员,我想预测我的网站访客处于哪个客户历程阶段,例如发现、参与、购买或保留,以便我可以相应地定位他们。

用例#6

作为一家媒体公司,我想对受众进行分类,以便能够以较高的价格销售我的广告空间,同时为访客提供相关的广告。

Predictive Audiences模型的工作方式 how-predictive-audiences-models-work

创建Predictive Audiences模型时,需执行以下三个步骤:

  1. 首先,选择至少两个将定义角色的特征或两个区段。
  2. 然后,选择一个特征或区段,以定义要分类的目标受众。
  3. 最后,选择模型的名称、将存储预测区段的数据源以及模型的Profile Merge Rule。

角色选择标准 selection-personas

您可以选择任何第一方特征或区段来定义角色。 但是,为获得最佳结果,这里提供了一组推荐的最佳实践:

  • 选择您的角色特征或区段,以便每个角色至少拥有几百个设备ID
  • 如果您的特征基于跨设备ID,则可以将其包含在使用设备ID配置文件合并规则的区段中,如Device Graph。 这将确保有足够的设备ID可供算法学习。
  • 我们建议为您的角色选择特征或简单区段,由1到3个特征组成。
  • 选择基线特征或重叠程度最低的区段。
  • 确保在数字资产中捕获粒度特征。

目标受众的选择标准 selection-audience

根据您的用例,如果要实时、批量或同时以这两种方式对用户进行分类,请选择具有大量实时和/或总人口的目标受众(trait或segment)。 与角色选择类似,我们建议您的目标受众trait或segment具有具有丰富配置文件的用户(丰富的traits集)。

选择目标受众时,分析您的用例,并决定要分类的ID类型:device IDs或cross-device IDs。 您在创建模型时选择的Profile Merge Rule定义了用于将每个用户放入预测segments的数据。

作为最佳实践,我们建议您选择与目标受众Profile Merge Rule具有相同配置的Profile Merge Rule,或者选择包含目标受众的配置文件类型(设备配置文件或经过身份验证的配置文件)的配置。

Predictive Audiences模型训练阶段 model-training

在算法能够将您的第一方受众分类为正确的角色之前,它需要根据您的数据进行自我训练。

对于您定义的每个角色,算法将分析其各自的受众,并评估其用户在过去30天内的任何实时和/或载入的特征活动。
此步骤每24小时执行一次,以确保您的第一方受众发生变化。

Predictive Audiences模型分类阶段 model-classification

对于实时和批量受众分类,模型首先会检查用户是否属于目标受众。 如果用户符合目标受众资格且不属于任何角色,则模型将为他们分配角色资格分数。

在评估第一方受众并分配得分时,模型使用您在帐户中定义的默认​ Profile Merge Rule。 最后,访客被分类为获得最高分数的角色。

预测受众图形

注意事项和限制 considerations

IMPORTANT
在进入实施阶段之前,请仔细阅读此部分。

在配置Predictive Audiences模型时,请牢记以下注意事项和限制:

  • 您最多可以创建10个Predictive Audiences模型。

  • 对于每个模型,您最多可以选择50个基本特征/区段。

  • Predictive Audiences当前不支持第二方和第三方数据。

  • Predictive Audiences根据您的第一方特征,从您的所有第一方数据源执行受众分类。

  • Predictive Audiences的区段评估使用您在模型创建期间选择的​ Profile Merge Rule。 要了解有关Profile Merge Rules的更多信息,请参阅专用的文档

  • 不支持将某些特征和区段用作基线或目标受众。 选择下列模型之一作为基线或目标受众时,Predictive Audiences模型将无法保存:

    • 使用预测特征创建的预测特征和区段;
    • Adobe Experience Platform特征或区段;
    • 算法特征;
    • 第二方和第三方特征。
  • Predictive Audience segments不能在Audience Lab中使用。

Data Export Controls dec

由Predictive Audiences模型创建的预测区段从以下第一方数据源继承了数据导出控件

  1. 您在构建模型时选择的第一方数据源。
  2. 目标受众的第一方数据源。 具体而言,构成目标受众的traits或segments的数据导出控件。
  3. 您为模型选择的Profile Merge Rule的数据导出控件

新创建的预测traits和segments将与上面描述的第一方数据源的并集具有相同的隐私限制。

具有不属于Predictive Audiences区段隐私限制的其他限制的特征将从训练阶段中排除,并且不会影响模型。

Profile Merge Rules pmr

将为所有预测区段分配您在创建模型时选择的Profile Merge Rule。 您选择的Profile Merge Rule很重要,原因如下:

  • 它定义在模型分析具有影响力的traits时,将用户分类为预测性segment时,应考虑哪些设备和/或验证的配置文件。

  • 它控制在模型训练步骤中应该使用哪些trait类型(设备级别或跨设备级别)并显示为具有影响力的traits。 预测segments是目标受众的子集。

    • 如果目标受众是区段,我们建议您为模型选择与分配给目标受众的相同的Profile Merge Rule,或者选择包含目标受众的配置文件类型的Profile Merge Rule。
    • 如果目标受众是trait,我们建议您选择一个Profile Merge Rule,以访问与目标受众特征相同的数据类型(设备配置文件数据或跨设备配置文件数据)。
  • 实时受众分类仅支持使用Current Authenticated Profiles和No Device Profile选项的Profile Merge Rules。 有关详细信息,请参阅定义的配置文件合并规则选项

选择同时使用设备数据和跨设备数据的Profile Merge Rule,可将可用于模型训练和用户分类的traits数量最大化到预测的segments中。

Role-Based Access Controls rbac

您为角色和受众分类选择的特征和区段受基于Audience Manager角色的访问控制的约束。

Audience Manager用户只能为角色和Target受众选择他们具有查看权限的特征或区段。

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