瞭解Look-Alike Modeling about-algorithmic-models
尋找具有Look-Alike Modeling的新使用者 find-new-users
Look-Alike Modeling可協助您透過自動化資料分析，探索新的不重複對象。 當您選取trait或segment、時間間隔以及第一方和第三方data sources時，程式就會開始。 您的選擇會提供演演算法模型的輸入。 分析程式執行時，會根據所選母體的共用特性來尋找符合資格的使用者。 完成時，此資料可在特徵產生器中使用，您可以在其中根據精確度和觸及率來建立特徵。 此外，您可以建立結合演演算法特徵與rules-based traits的區段，並新增其他資格要求與Boolean運算式和比較運運算元。 Look-Alike Modeling可讓您以動態方式從所有可用的特徵資料中擷取值。
優勢 advantages
使用Look-Alike Modeling的主要優點包括：
- 資料準確度： 演演算法會定期執行，有助於保持結果的最新和相關性。
- 自動化： 您不需要管理大量靜態規則。 演演算法會為您尋找對象。
- 節省時間並減少工作量： 使用我們的模型化程式，您不必猜測traits/segments可能會運作或花費時間資源在行銷活動上，以探索新對象。 模型可以為您執行此操作。
- 可靠性： 模型適用於伺服器端探索與資格驗證程式，以評估您自己的資料以及您有權存取的選取第三方資料。 這表示您不需要看見網站上的訪客，就能符合特徵資格。
工作流程 workflow
您在 Audience Data > Models 中管理模型。 從高層面來看，工作流程流程涉及以下內容：
- 選取您希望演演算法評估的基準資料。 這包括trait或segment、時間範圍和data sources （您自己的資料和您透過Audience Manager已可存取的第三方資料）。 在模型建立工作流程中，您可以排除不想干擾模型的traits。
- 儲存您的模型。 儲存後，演演算法評估程式會自動執行。 但請注意，此程式最多可能需要7天才能完成。 當演演算法完成且結果可用於建立trait時，Audience Manager會傳送電子郵件給您。
- 在Trait Builder中建置演演算法traits。
- 在Segment Builder中將traits合併為segments。
- 建立segment資料並傳送至destination。
疑難排解 troubleshooting
我們會停用任何無法產生連續三個回合資料的Look-Alike Model。 請注意，之後您無法將模型的狀態設定回「使用中」。 若要確保您的模型產生資料，建議您從資料來源建立模型，並具備足夠的traits來累積資料。
瞭解TraitWeight understanding-traitweight
TraitWeight是專有的演演算法，用來自動探索新的traits。 它會比較您目前traits和segments的trait資料，與您透過Audience Manager存取的所有其他第一方和第三方資料。 請參閱本節以取得TraitWeight演演算法探索程式的說明。
下列步驟說明TraitWeight評估程式。
步驟1：建立Trait比較的基線
若要建置基準，TraitWeight會以30、60或90天為間隔測量與對象相關聯的所有traits。 接著，它會根據頻率和相關性對traits排名。 頻率計數可測量通用性。 相互關聯會測量trait僅存在於基線對象中的可能性。 經常出現的Traits據說具有高通用性，這是當您與所選data sources中發現的traits結合時，用來設定加權分數的重要特性。
步驟2：在Data Source中找到相同的Traits
在建置比較基準線後，演演算法會在您選取的data sources中尋找相同的traits。 在此步驟中，TraitWeight會對所有發現的traits執行頻率計數，並將它們與基準進行比較。 不過，與基準線不同，不常見的traits的排名高於出現頻率較高的專案。 稀有traits據說具有高度的特異性。 TraitWeight會評估共同基準線traits與不常見（高度特定） data source traits的組合，認為其比兩個資料集共用的traits更具影響力或令人滿意。 事實上，我們的模型會辨識這些大型的通用traits，不會將超額優先順序指派給具有高關聯性的資料集。 罕見的traits獲得更高的優先順序，因為它們比traits更可能代表新的、不重複的使用者，而且所有使用者都有較高的通用性。
步驟3：指定權重
在此步驟中，TraitWeight將新發現的traits排在影響或可取性的順序中。 重量刻度是從0%到100%的百分比。 Traits的排名更接近於100%，這表示他們在您的基線母體中更像是對象。 此外，重度加權traits很有價值，因為它們代表新的不重複使用者，其行為可能與您建立的基線對象類似。 請記住，TraitWeight認為基準線中具有高通用性的traits以及比較的資料來源中具有高特定性的比每個資料集中通用的traits更有價值。
步驟4：評分使用者
所選data sources中的每個使用者都會獲得使用者分數，該分數等於該使用者設定檔上具影響力traits的所有權重總和。 接著，使用者分數會標準化為0到100%之間。
步驟5：顯示和使用結果
Audience Manager在Trait Builder中顯示您的加權模型結果。 當您想要建置algorithmic trait時，Trait Builder可讓您根據資料執行期間演演算法產生的加權分數來建立traits。 您可以選擇較高的準確度，以僅符合具有非常高使用者分數、因此與基線對象（而非其餘對象）非常類似的使用者資格。 如果您想要觸及更大的對象（觸及範圍），您可以降低準確度。
步驟6：重新評估Trait在處理週期中的重要性
TraitWeight會定期根據該trait母體的大小和變更重新評估trait的重要性。 符合該trait資格的使用者數目會隨著時間增加或減少，而發生此情況。 在變得非常大的特徵中，這種行為表現得最為明顯。 例如，假設演演算法使用trait A來建立模型。 隨著trait A的母體增加，TraitWeight會重新評估該trait的重要性，並可能指派較低的分數或忽略該分數。 在這種情況下，trait A太常見或太大，無法對其母體說出任何重要訊息。 在TraitWeight減少trait A的值（或在模型中忽略該值）之後，演演算法特徵的母體會減少。 具影響力的traits清單反映基線母體的演化。 使用具影響力的traits清單來瞭解發生這些變更的原因。
相關連結：
Look-Alike Models和Traits的更新排程 update-schedule
建立與更新新或現有algorithmic models與traits的排程。
Look-Alike Model建立和更新排程
對於新的或複製的Look-Alike Models，建立程式會在以下日期每天執行一次：
- 東部時間下午5點（11月到3月）
- 下午6點(EDT) （3月至11月）
系統會在次日處理於建立期限之後建立或複製的模型。
如果模型的第一次執行未產生任何資料，則會於次日執行第二次。 如果第二次嘗試也未產生任何資料，則會在隔天進行第三次嘗試。 如果第三次嘗試也未產生任何資料，則模型將停止執行。 在此情況下，我們將停用模型。 在疑難排解相似模型中檢視更多資訊。
在理想的情況下，現有模型會在工作日執行，至少每7天執行一次。 例如，如果您在星期一建立模型（依截止日期），則模型最晚會更新下個星期一。
如果模型符合下列任一條件，則會重新執行：
- 它的最後一次執行未成功。
- 它之前已順利執行，而且在過去7天內完全沒有執行，而且模型至少附加一個作用中特徵。
Look-Alike Trait建立和更新排程
模型清單檢視 models-list-view
清單檢視是一個中央工作區，可協助您建立、檢閱和管理模型。
Models清單頁面包含可協助您：
- 建立新模型。
- 管理現有模型（編輯、暫停、刪除或複製）。
- 依名稱搜尋模型。
- 使用任何指定模型建立algorithmic traits。
模型摘要檢視 models-summary-view
摘要頁面會顯示模型詳細資訊，例如，名稱、觸及率/準確度、處理歷史記錄，以及從模型建立的traits。 此頁面也包含可讓您建立和管理模型的設定。 按一下摘要清單中的模型名稱以檢視其詳細資訊。
模型摘要頁面包含下列段落。
具影響力的特徵資料表：
- 列出在模型的基線母體中表現最佳的前50個具影響力的特徵。
- 依照每個特徵的相對權重排名將特徵排名。 相對權數會依影響或可取性的順序排序新發現的特徵。 重量刻度是從0%到100%的百分比。 特徵排名接近100%，表示它們更像是基線人口中的受眾。 請參閱瞭解TraitWeight。
- 顯示30天不重複值以及每個特徵的總特徵人口。
根據選取的模型顯示演演算法特徵清單。 按一下特徵名稱或特徵ID，即可取得特徵的詳細資訊。 選取「使用模型建立新特徵」以前往演演算法特徵建立程式。
區段標籤會根據模型的名稱而變更。 例如，假設您建立模型並將其命名為「模型A」。載入摘要頁面時，此區段的名稱會使用模型A變更為特徵。