Show Menu
THEMEN×

Look-Alike-Modellierung

Neue Benutzer mit Look-Alike-Modellierung suchen

Look-Alike Modeling hilft Ihnen bei der Erkennung neuer, einzigartiger Audiencen durch die automatisierte Analyse von Daten. Die Prozessdatenquellen werden bei der Auswahl einer Eigenschaft oder eines Segments, eines Zeitintervalls sowie von Erstanbieter- und Drittanbieter-Datenquellen Beginn. Ihre Auswahl bietet die Eingaben für das algorithmische Modell. Wenn der Analyseverfahren ausgeführt wird, sucht er anhand gemeinsamer Merkmale der ausgewählten Population nach infrage kommenden Benutzern. Nach Abschluss dieser Daten stehen Ihnen im Eigenschaften-Builder zur Verfügung, mit dem Sie Eigenschaften erstellen können, die auf der Genauigkeit und Reichweite basieren. Darüber hinaus können Sie Segmente erstellen, die algorithmische Eigenschaften mit regelbasierten Eigenschaften kombinieren und weitere Qualifikationsanforderungen mit booleschen Ausdrücken und Vergleichsoperatoren hinzufügen. Look-Alike Modeling gibt Ihnen eine dynamische Möglichkeit, Werte aus allen verfügbaren Eigenschaftsdaten zu extrahieren.

Vorteile

Zu den wichtigsten Vorteilen der Verwendung Look-Alike Modeling zählen:
  • Datengenauigkeit: Der Algorithmus wird regelmäßig ausgeführt, was dazu beiträgt, die Ergebnisse aktuell und relevant zu halten.
  • Automatisierung: Sie müssen nicht viele statische Regeln verwalten. Der Algorithmus findet Audiencen für Sie.
  • Sparen Sie Zeit und Mühe: Mit unserem Modellierungsprozess müssen Sie nicht erraten, welche Eigenschaften/Segmente funktionieren oder Zeitressourcen für Kampagnen aufwenden können, um neue Audiencen zu entdecken. Das Modell kann das für Sie tun.
  • Zuverlässigkeit: Die Modellierung funktioniert mit serverseitigen Erkennungs- und Qualifizierungsprozessen, die Ihre eigenen Daten und ausgewählte Drittanbieterdaten auswerten, auf die Sie Zugriff haben. Das bedeutet, dass Sie die Besucher auf Ihrer Site nicht sehen müssen, um sie für eine Eigenschaft zu qualifizieren.

Arbeitsablauf

Sie verwalten Modelle in Audience Data > Models . Auf hoher Ebene umfasst der Workflow-Prozess Folgendes:
  • Wählen Sie die Ausgangsdaten aus, die der Algorithmus auswerten soll. Dazu gehören Eigenschaften oder Segmente, Zeiträume und Datenquellen (Ihre eigenen Daten und Daten von Drittanbietern, auf die Sie bereits Zugriff haben Audience Manager). Im Arbeitsablauf für die Modellerstellung können Sie die Eigenschaften ausschließen, die Sie nicht in Ihr Modell eingreifen möchten.
  • Speichern Sie Ihr Modell. Nach dem Speichern wird der algorithmische Evaluierungsprozess automatisch ausgeführt. Beachten Sie jedoch, dass dieser Vorgang bis zu 7 Tage dauern kann. Audience Manager sendet Ihnen eine E-Mail, wenn der Algorithmus abgeschlossen ist und Ergebnisse zur Eigenschaftserstellung verfügbar sind.
  • Erstellen Sie algorithmische Eigenschaften Trait Builder.
  • Kombinieren Sie Eigenschaften zu Segmenten in Segment Builder.
  • Erstellen und senden Sie Segmentdaten an ein Ziel.

Fehlerbehebung

Wir deaktivieren alle, Look-Alike Model bei denen die Generierung von Daten für drei aufeinander folgende Vorgänge fehlschlägt. Beachten Sie, dass Sie den Status des Modells anschließend nicht wieder auf "aktiv"zurücksetzen können. Um sicherzustellen, dass Ihre Modelle Daten generieren, sollten Sie Modelle aus Datenquellen mit ausreichenden Eigenschaften erstellen, aus denen Daten gesammelt werden können.

Verstehen von EigenschaftenWeight

TraitWeight ist ein proprietärer Algorithmus, der entwickelt wurde, um automatisch neue Eigenschaften zu entdecken. Es vergleicht Eigenschaftendaten aus Ihren aktuellen Eigenschaften und Segmenten mit allen anderen Erstanbieter- und Drittanbieterdaten, auf die Sie Zugriff haben Audience Manager. In diesem Abschnitt finden Sie eine Beschreibung des TraitWeight algorithmischen Erkennungsprozesses.
Die folgenden Schritte beschreiben den TraitWeight Bewertungsprozess.

Schritt 1: Erstellen einer Grundlinie für den Vergleich von Eigenschaften

Zum Erstellen einer Grundlinie TraitWeight werden alle mit einer Audience verbundenen Eigenschaften für einen Zeitraum von 30, 60 oder 90 Tagen gemessen. Als Nächstes werden Eigenschaften nach ihrer Häufigkeit und ihrer Korrelation sortiert. Die Häufigkeit misst die Gemeinsamkeit. Korrelation misst die Wahrscheinlichkeit, dass eine Eigenschaft nur in der Audience des Ausgangswerts vorhanden ist. Eigenschaften, die häufig auftreten, weisen eine hohe Gemeinsamkeit auf, ein wichtiges Merkmal, mit dem ein gewichteter Wert festgelegt wird, wenn sie mit Eigenschaften kombiniert werden, die in den ausgewählten Datenquellen gefunden werden.

Schritt 2: Identische Eigenschaften in der Datenquelle suchen

Nachdem der Algorithmus eine Vergleichsgrundlinie erstellt hat, sucht er nach identischen Eigenschaften in den ausgewählten Datenquellen. In diesem Schritt werden alle entdeckten Eigenschaften mit einer Häufigkeit TraitWeight gezählt und mit der Grundlinie verglichen. Im Gegensatz zum Ausgangswert werden jedoch ungewöhnliche Eigenschaften höher eingestuft als diejenigen, die häufiger auftreten. Seltene Eigenschaften weisen angeblich eine hohe Spezifität auf. TraitWeight bewertet Kombinationen von allgemeinen Eigenschaften und ungewöhnlichen (hochspezifischen) Datenquelleneigenschaften als einflussreicherer oder wünschenswerter als Eigenschaften, die beide Datensätze gemeinsam haben. In der Tat erkennt unser Modell diese großen, gemeinsamen Eigenschaften und weist Datensätzen mit hohen Korrelationen keine übermäßige Priorität zu. Seltene Eigenschaften erhalten eine höhere Priorität, da sie mit größerer Wahrscheinlichkeit neue, einzigartige Benutzer darstellen als Eigenschaften mit hoher Gemeinsamkeit.

Schritt 3: Gewichtung zuweisen

In diesem Schritt werden neu entdeckte Eigenschaften nach Einfluss oder Zweckmäßigkeit TraitWeight sortiert. Die Skala der Gewichtung ist ein Prozentwert zwischen 0 % und 100 %. Eigenschaften, die näher an 100 % liegen, sind eher wie die Audience in Ihrer Grundgesamtheit. Auch stark gewichtete Eigenschaften sind wertvoll, da sie neue, individuelle Benutzer darstellen, die sich ähnlich wie Ihre etablierte, grundlegende Audience verhalten. Denken Sie daran, TraitWeight betrachtet Eigenschaften mit hoher Gemeinsamkeit im Ausgangswert und hoher Spezifität in den verglichenen Datenquellen als wertvoller als Eigenschaften, die in den einzelnen Datensätzen üblich sind.

Schritt 4: Benutzer auswerten

Jeder Benutzer in den ausgewählten Datenquellen erhält eine Benutzerbewertung, die der Summe aller Gewichtungen der einflussreichen Eigenschaften auf dem Profil des jeweiligen Benutzers entspricht. Die Benutzerwerte werden dann zwischen 0 und 100 % normalisiert.

Schritt 5: Anzeigen und Arbeiten mit Ergebnissen

Audience Manager zeigt die gewichteten Modellergebnisse in Trait Builder. Wenn Sie eine algorithmische Eigenschaft erstellen möchten, Trait Builder können Sie Eigenschaften erstellen, die auf dem gewichteten Ergebnis basieren, das der Algorithmus während einer Datenausführung generiert hat. Sie können eine höhere Genauigkeit wählen, um nur Benutzer mit sehr hohen Benutzerwerten zu qualifizieren, die sich daher sehr ähnlich wie die Audience vor dem Ausgangswert und nicht mit der übrigen Audience verhalten. Wenn Sie eine größere Audience (Reichweite) erreichen möchten, können Sie die Genauigkeit herabsetzen.

Schritt 6: Neubewertung der Bedeutung einer Eigenschaft über Verarbeitungszyklen hinweg

In regelmäßigen Abständen TraitWeight wird die Bedeutung eines Merkmals anhand der Größe und der Veränderung der Population dieser Eigenschaft neu bewertet. Dies geschieht, wenn die Anzahl der Benutzer, die für diese Eigenschaft qualifiziert sind, mit der Zeit steigt oder abnimmt. Dieses Verhalten wird am deutlichsten in Eigenschaften gesehen, die sehr groß werden. Angenommen, der Algorithmus verwendet die Eigenschaft A für die Modellierung. Wenn die Population von Eigenschaft A zunimmt, TraitWeight wird die Bedeutung dieser Eigenschaft neu bewertet und es kann ein niedrigeres Ergebnis zugewiesen oder ignoriert werden. In diesem Fall ist Eigenschaft A zu häufig oder zu groß, um etwas Bedeutendes über seine Bevölkerung zu sagen. Nachdem Sie den Wert von Eigenschaft A TraitWeight verringert haben (oder ihn im Modell ignoriert), verringert sich die Population der algorithmischen Eigenschaft. Die Liste einflussreicher Eigenschaften spiegelt die Entwicklung der Grundgesamtheit wider. Nutzen Sie die Liste der einflussreichen Eigenschaften, um zu verstehen, warum diese Änderungen stattfinden.
Verwandte Links:

Zeitplan für Look-Alike-Modelle und -Eigenschaften aktualisieren

Erstellung und Aktualisierung von Zeitplänen für neue oder vorhandene algorithmische Modelle und Eigenschaften.

Look-Alike Model Creation and Update Schedule

Aktivitätstyp Beschreibung
Erstellen oder Klonen eines Modells
Für neue oder geklonte [!UICONTROL Look-Alike Models] läuft der Erstellungsprozess einmal täglich um:
  • 17:00 Uhr EST (November - März)
  • 18:00 Uhr EDT (März - November)
Modelle, die nach Ablauf der Erstellungsfrist erstellt oder geklont wurden, werden am folgenden Tag verarbeitet.
Wenn die erste Ausführung eines Modells keine Daten generiert, wird sie am nächsten Tag ein zweites Mal ausgeführt. Wenn der zweite Versuch auch keine Daten generiert, wird am nächsten Tag ein dritter Versuch unternommen. Das Modell wird nicht mehr ausgeführt, wenn der dritte Versuch ebenfalls keine Daten generiert. In diesem Fall deaktivieren wir das Modell. Weitere Informationen finden Sie unter Fehlerbehebung für Look-Alike-Modelle .
Modell aktualisieren
Unter idealen Bedingungen werden vorhandene Modelle an Wochentagen, mindestens alle 7 Tage, ausgeführt. Wenn Sie z. B. am Montag ein Modell erstellen (bis zum Termin), wird es spätestens am folgenden Montag aktualisiert.
Ein Modell wird erneut ausgeführt, wenn eine der folgenden Bedingungen erfüllt ist:
  • Die letzte Runde war nicht erfolgreich.
  • Es wurde vor UND in den letzten 7 Tagen noch nicht ausgeführt UND das Modell hat mindestens eine aktive Eigenschaft.

Look-Alike-Erstellung und Aktualisierungsplan

Aktivitätstyp Beschreibung
Eigenschaften erstellen
Die Erstellung der Eigenschaften wird jeden Tag von Montag bis Freitag durchgeführt. Im Allgemeinen werden in der Benutzeroberfläche innerhalb von 48 Stunden neue algorithmische Eigenschaften angezeigt.
Eigenschaften aktualisieren
Vorhandene Eigenschaften werden mindestens einmal alle 7 Tage aktualisiert und folgen dem Zeitplan für Modellaktualisierungen.

Ansicht zur Liste von Modellen

Die Liste Ansicht ist ein zentraler Arbeitsbereich, der Ihnen beim Erstellen, Überprüfen und Verwalten von Modellen hilft.
Auf der Seite "Liste der Modelle"finden Sie Funktionen und Tools, die Ihnen helfen,
  • Erstellen Sie neue Modelle.
  • Verwalten Sie vorhandene Modelle (bearbeiten, anhalten, löschen oder klonen).
  • Suchen Sie nach Modellen anhand des Namens.
  • Erstellen Sie algorithmische Eigenschaften mit einem beliebigen Modell.

Ansicht der Modellzusammenfassung

Auf der Zusammenfassungsseite werden Modelldetails wie Name, Reichweite/Genauigkeit, Verarbeitungsverlauf und Eigenschaften angezeigt, die vom Modell erstellt wurden. Die Seite enthält auch Einstellungen, mit denen Sie Modelle erstellen und verwalten können. Klicken Sie auf einen Modellnamen in der Zusammenfassungs-Liste, um dessen Details anzuzeigen.
Die Modellübersichtsseite enthält die folgenden Abschnitte.
Abschnitt Beschreibung
Basisinformationen
Beinhaltet grundlegende Informationen zum Modell, z. B. den Namen und den Zeitpunkt des letzten Ausführung.
Modellreichweite und -genauigkeit
Zeigt Genauigkeit und Reichweitendaten für die letzte Modellausführung an.
Modellverarbeitungsverlauf
Zeigt das Datum und die Uhrzeit der Verarbeitung der letzten 10 Ausführung und an, ob Daten für diese Ausführung generiert wurden.
Einflussreiche Eigenschaften
Tabelle mit einflussreichen Eigenschaften :
  • Liste der 50 einflussreichsten Eigenschaften, die am besten in der Grundgesamtheit des Modells dargestellt werden.
  • Richtet die einzelnen Eigenschaften nach ihrem Rang Relative Gewichtung aus. Die Relative Gewichtung sortiert neu entdeckte Eigenschaften nach Einfluss oder Zweckmäßigkeit. Die Skala der Gewichtung ist ein Prozentwert zwischen 0 % und 100 %. Eigenschaften, die näher an 100 % liegen, sind eher wie die Audience in Ihrer Grundgesamtheit. Siehe Grundlegendes zu TraitWeight .
  • Zeigt die 30-Tage-Uniques und die Gesamtanzahl der Eigenschaften für jede Eigenschaft an.
Eigenschaften mit Modell
Zeigt eine Liste der algorithmischen Eigenschaften, die auf dem ausgewählten Modell basieren. Klicken Sie auf einen Eigenschaftsnamen oder eine Eigenschafts-ID, um weitere Informationen zu den Eigenschaften anzuzeigen. Wählen Sie "Neue Eigenschaft mit Modell erstellen", um zum algorithmischen Eigenschaftenerstellungsprozess zu wechseln.
Die Abschnittbeschriftung ändert sich je nach Name des Modells. Beispiel: Sie erstellen ein Modell und geben ihm einen Namen für Modell A. Wenn Sie die Zusammenfassungsseite laden, wird der Name dieses Abschnitts in Eigenschaften mit Modell A geändert.