Show Menu
THEMEN×

Understanding Look-Alike Modeling

Neue Benutzer suchen mit Look-Alike Modeling

Look-Alike Modeling hilft Ihnen bei der Erkennung neuer, einzigartiger Audiencen durch die automatisierte Analyse von Daten. Der Prozess wird Beginn, wenn Sie ein trait oder segment, ein Zeitintervall sowie ein Erstanbieter- und ein Drittanbieter auswählen data sources. 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 rules-based traits kombinieren und weitere Qualifizierungsanforderungen mit Boolean 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 brauchen Sie nicht zu erraten, was funktioniert traits/segments oder Zeitaufwand für Kampagnen zu verbringen, 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 ein trait oder segment, ein Zeitraum und data sources (Ihre eigenen Daten und Daten von Drittanbietern, auf die Sie bereits Zugriff haben Audience Manager). Im Arbeitsablauf für die Modellerstellung können Sie die Elemente ausschließen, traits 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 trait Erstellung verfügbar sind.
  • Erstellen Sie algorithmisch traits in Trait Builder.
  • Kombinieren Sie traits zu segments in Segment Builder.
  • Erstellen und senden Sie segment Daten an eine destination.

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, empfehlen wir Ihnen, Modelle aus Datenquellen zu erstellen, aus denen ausreichend Daten gesammelt traits werden können.

Understanding TraitWeight

TraitWeight ist ein proprietärer Algorithmus, der entwickelt wurde, um neue traits automatisch zu entdecken. Es vergleicht die trait Daten Ihrer aktuellen Daten traits und segments 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 Trait Vergleich

Um eine Grundlinie zu erstellen, TraitWeight misst alle mit einer Audience verbundenen traits Werte für einen Zeitraum von 30, 60 oder 90 Tagen. Als Nächstes wird sie traits nach ihrer Häufigkeit und ihrer Korrelation eingestuft. Die Häufigkeit misst die Gemeinsamkeit. Korrelation misst die Wahrscheinlichkeit, dass eine trait nur in der Audience des Ausgangswerts vorhanden ist. Traits die häufig auftreten, werden als Zeichen hoher Gemeinsamkeit bezeichnet, ein wichtiges Merkmal, das verwendet wird, um eine gewichtete Punktzahl festzulegen, wenn es mit der traits Entdeckung in Ihrer Auswahl kombiniert wird data sources.

Schritt 2: Suchen Sie im Traits Abschnitt Data Source

Nachdem er eine Vergleichsgrundlinie erstellt hat, sucht der Algorithmus traits in Ihrer Auswahl nach identischen data sources. In diesem Schritt TraitWeight führt eine Frequenzzählung aller entdeckten Daten durch traits und vergleicht sie mit der Grundlinie. Im Gegensatz zum Ausgangswert traits sind die ungewöhnlichen Werte jedoch höher als diejenigen, die häufiger auftreten. Selten traits soll eine hohe Spezifität aufweisen. TraitWeight bewertet Kombinationen von gemeinsamem Ausgangswert traits und ungewöhnlichen (hochspezifischen) Kombinationen data source als einflussreicher oder wünschenswerter als traits traits für beide Datensätze üblich. In der Tat erkennt unser Modell diese großen, gemeinsamen traits und weist keine übermäßige Priorität zu Datensätzen mit hohen Korrelationen. Selten erhalten traits Sie eine höhere Priorität, da sie mit größerer Wahrscheinlichkeit neue, eindeutige Benutzer repräsentieren als traits mit hoher Gemeinsamkeit.

Schritt 3: Gewichtung zuweisen

In diesem Schritt TraitWeight Ranglisten neu entdeckt traits in der Reihenfolge Einfluss oder wünschenswert. Die Skala der Gewichtung ist ein Prozentwert zwischen 0 % und 100 %. Traits Wenn sie näher an 100 % liegen, sind sie eher wie die Audience in Ihrer Grundgesamtheit. Auch sind stark gewichtete traits Werte wertvoll, da sie neue, individuelle Benutzer darstellen, die sich ähnlich wie Ihre etablierte, grundlegende Audience verhalten. Denken Sie daran, TraitWeight betrachtet traits die hohe Gemeinsamkeit im Ausgangswert und die hohe Spezifität der verglichenen Datenquellen als wertvoller als traits üblich in jedem Datensatz.

Schritt 4: Benutzer auswerten

Jeder Benutzer in der ausgewählten Liste data sources erhält eine Benutzerbewertung, die der Summe aller Gewichtungen des Einflussbereichs auf das Profil traits des Benutzers entspricht. Die Benutzerwerte werden dann zwischen 0 und 100 % normalisiert.

Schritt 5: Anzeigen und Arbeiten mit Ergebnissen

Audience Manager zeigt Ihre gewichteten Modellergebnisse an Trait Builder. Wenn Sie eine algorithmic traiterstellen möchten, Trait Builder können Sie traits auf der Grundlage des gewichteten Ergebnisses erstellen, 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: Die Bedeutung eines Trait Verarbeitungszyklus neu bewerten

In regelmäßigen Abständen TraitWeight wird die Bedeutung einer trait auf der Grundlage der Größe und Veränderung der Bevölkerung dieser traitneu bewertet. Dies geschieht, wenn die Anzahl der dafür qualifizierten Benutzer mit der Zeit trait steigt oder abnimmt. Dieses Verhalten wird am deutlichsten in Eigenschaften gesehen, die sehr groß werden. Nehmen wir beispielsweise an, der Algorithmus verwendet trait A die Modellierung. Wenn die Population der trait A wächst, bewertet TraitWeight die Bedeutung dieser trait und kann eine niedrigere Punktzahl zuweisen oder ignorieren. In diesem Fall trait A ist zu verbreitet oder zu groß, um etwas Bedeutendes über seine Bevölkerung zu sagen. Nachdem der Wert des Modells TraitWeight verringert trait A (oder im Modell ignoriert) wurde, nimmt die Population der algorithmischen Eigenschaft ab. Die Liste des Einflusses traits spiegelt die Entwicklung der Grundpopulation wider. Nutzen Sie die Liste des Einflussreichen, traits um zu verstehen, warum diese Änderungen stattfinden.
Verwandte Links:

Zeitplan aktualisieren für Look-Alike Models und Traits

Erstellen und Aktualisieren von Zeitplänen für neue oder vorhandene algorithmic models und traits.

Look-Alike Model Zeitplan für Erstellung und Aktualisierung

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 beim dritten Versuch auch keine Daten generiert werden. 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 Trait Zeitplan für Erstellung und Aktualisierung

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.
Die Seite " Models Liste"enthält Funktionen und Tools, mit denen Sie:
  • Erstellen Sie neue Modelle.
  • Verwalten Sie vorhandene Modelle (bearbeiten, anhalten, löschen oder klonen).
  • Suchen Sie nach Modellen anhand des Namens.
  • Erstellen Sie algorithmic traits mit einem beliebigen Modell.

Ansicht der Modellzusammenfassung

Auf der Zusammenfassungsseite werden Modelldetails wie Name, Reichweite/Genauigkeit, Verarbeitungsverlauf und aus dem Modell traits erstellte Details angezeigt. 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.