特徵Recommendations
在建立區段時，從您自己的第一方特徵和Audience Marketplace資料摘要取得即時特徵建議。
影片示範
從觀看下面的Trait Recommendations影片開始，然後閱讀以取得更多資訊。 影片示範會示範如何使用您自己的第一方特徵建議，以及 您已訂閱 之Audience Marketplace資料摘要的特徵建議。
下一個影片概述Marketplace Recommendations的工作流程，說明如何根據Audience Marketplace中資料摘要的建議將特徵新增至您的區段。 這些建議是根據 您未訂閱 的資料摘要。
概述
Trait Recommendations （由Adobe Sensei提供技術支援）將資料科學帶入您的Audience Manager日常工作流程中。
透過Trait Recommendations，當您在區段產生器中建立或編輯區段時，系統會根據區段規則中的特徵，提供您其他類似特徵的相關建議，您可考慮納入。
Audience Manager會顯示第一方特徵在 Recommendations 區段中的特徵建議，以及來自 Audience Marketplace 在 Recommendations from Marketplace 區段中的特徵建議。
將建議的特徵加入區段，有助於擴大您的目標對象範圍。
簡略說明：
- Audience Manager會在Recommendations區段中顯示第一方特徵。 您未訂閱的公開和私人摘要中的Marketplace建議會顯示在Recommendations from Marketplace區段中。 按一下摘要名稱以移至Audience Marketplace並訂閱。
- Audience Manager最多會顯示50個特徵，與區段規則中的特徵類似。
- 您可以篩選掉不想看到任何建議的資料來源。
- 計算相似性時，Audience Manager會考慮過去30天內符合特徵的個UUID。
- 如果您看到錯誤訊息「找不到類似特徵。 特徵可能太新。」，這表示在過去30天內沒有該特徵的活動，或Audience Manager尚未更新該特徵的建議。 請24小時後再試一次。
使用個案
透過Trait Recommendations，您可以根據使用Audience Manager的方式改善工作流程：
- 行銷人員可透過類似特徵快速找到對互補產品感興趣的對象，進而擴大您的觸角。
- 如果您使用Audience Manager作為具有Trait Recommendations的發佈者，則可以瞭解對象行為並為廣告銷售或使用者贏取建立更好的區段。
- 身為Audience Marketplace資料購買者，我想要探索相關的協力廠商資料，而不需瀏覽大量摘要。
- 身為Audience Marketplace資料提供者，我想向買家建議相關資料，以便從最佳化及相關訂閱中受益。
特徵Recommendations和演演算法模型之間的差異
演演算法模型
Algorithmic Models不僅會尋找最具影響力的特徵，還會根據這些特徵對使用者進行評分，並為每位使用者指派個別的分數。 接著您可建立演算法特徵，來鎖定您的使用者。透過Trait Builder中的精確度和觸及控制，您可以指定哪些使用者擁有您想要鎖定的具影響力特徵。
Algorithmic Models可讓您選取不同精確度等級的使用者，並在Audience Lab中測試哪一組使用者轉換效果較佳。 請參閱在 Audience Lab 中比較模型中的詳細使用案例。
在Algorithmic Models中，模型每8天執行一次，並重新整理符合演演算法特徵的使用者。
特徵Recommendations
Trait Recommendations可快速深入分析有哪些其他特徵與您在區段中使用的特徵類似。
您應在下列情況下使用Trait Recommendations：
- 您在建立區段時需要快速的深入分析；
- 您正使用區段進行簡短的行銷活動，或想要快速隱藏轉換的受眾；
- 您正嘗試最大程度提高觸及率。
工作流程
在區段產生器中建立或編輯區段時，您可以探索與區段規則中的特徵相似的特徵。 新區段和現有區段的區段產生器工作流程非常類似：
新區段
-
前往 對象資料>區段，然後按一下 新增。
-
在 特徵 下拉式方塊中，將至少一個特徵新增至區段規則。
-
您可以在 Recommendations 區段中檢視您所訂閱之摘要的第一方建議特徵和Audience Marketplace特徵建議。 Recommendations from Marketplace 區段會顯示您未訂閱之摘要的特徵建議。 所有這些建議與新增至區段規則的特徵類似。 向下捲動以檢視所有建議的特徵。
-
（選擇性）若要從特定資料來源排除建議的第一方特徵，請按一下您要排除的資料來源的 X 符號。
note note NOTE 排除的資料來源會顯示在建議特徵清單的正上方。 按一下灰色方塊中的 X 以移除排除專案，並再次檢視個別資料來源的結果。 1. 若要將建議的特徵新增至區段規則，請按一下**+**符號。
現有區段
-
移至 Audience Data>Segments，選取您要編輯的區段，然後按一下
-
向下捲動至Traits下拉式方塊。
-
您可以看到建議的特徵，這些特徵與區段規則中已存在的特徵類似。 向下捲動以檢視所有建議的特徵。
-
（選擇性）若要從特定資料來源排除建議的特徵，請按一下您要排除的資料來源的 X 符號。
note note NOTE 排除的資料來源會顯示在建議特徵清單的正上方。 按一下灰色方塊中的 X 以移除排除專案，並再次檢視個別資料來源的結果。 1. 若要將建議的特徵新增至區段規則，請按一下**+**符號。
當您建立或編輯區段並將特徵新增至區段規則時，最多會看到50個建議特徵，與您新增的特徵類似。 如果區段規則包含多個特徵，Audience Manager會使用循環配置圖方法來顯示每個特徵的最佳相符專案，接著顯示區段規則中母體數量最多的50個特徵的第二個最佳相符專案，以此類推。
例如，區段規則中有三個特徵時（如下所示），建議的特徵為：
- 特徵3 （人口最多的特徵）的最佳相符專案；
- 特徵1的最佳相符專案；
- 特徵2的最佳相符專案；
- 特徵3的次佳匹配；
- 第二個最符合特徵1，以此類推，直到您獲得50個特徵為止。
若要取得特定特徵的建議，您可以在區段規則(1)或建議的特徵檢視(2)中按一下特徵。
按一下第一方特徵會開啟快顯視窗，如下圖所示。 如果建議的特徵不是區段的一部分，您可以按 + 將它們新增至區段。
運作方式
為了產生特徵建議，Audience Manager會計算目標特徵與您的帳戶可存取的所有其他特徵（包括第三方資料）之間的Jaccard相似度。 Audience Manager接著會顯示最多50個具有最高相似度的特徵。
特徵相似度分數 trait-similarity-score
Audience Manager計算兩個特徵之間的Trait Similarity Score，方法是以UUID的數目計算交集和聯合，然後將兩個特徵相除。 針對兩個特徵A和B，計算方式如下：
另請參閱下列兩個範例。
範例1 — 低特徵相似度分數
假設有兩個特徵A和B，假設每個特徵都有1,000,000個UUID和25,000個UUID母體，都符合兩個特徵的資格。
使用上述公式，這會產生：25,000 / 1,975,000 = 0.012。這是低Trait Similarity Score，兩個特徵非常不同。
範例2 — 特徵相似度分數
如果相同特徵A和B有400,000個同時符合兩個特徵的UUID，則Trait Similarity Score會高很多：
400,000 / 1,600,000 = 0.25
如何解讀特徵相似度分數
使用下表作為特徵相似度的粗略指南。 本指南根據大多數特徵中觀察到的相似性分數。
角色型存取控制(RBAC)
對於使用Role-Based Access Controls (RBAC)的公司，您必須有建立和編輯區段的許可權，才能檢視建議的特徵。 您看到的特徵建議只是您透過RBAC存取之資料來源的特徵建議。
在此處閱讀有關RBAC控制項的詳細資訊。
限制
- 目前，Audience Manager不會將資料夾特徵顯示為建議的特徵。 在這裡閱讀更多有關資料夾特徵的資訊。
- 顯示特徵Recommendations時，Audience Manager未考慮區段規則中的Boolean運運算元(AND、OR、NOT)。