Comprensión Look-Alike Modeling about-algorithmic-models

Buscar nuevos usuarios con Look-Alike Modeling find-new-users

Look-Alike Modeling le ayuda a descubrir nuevas audiencias únicas mediante el análisis automatizado de datos. El proceso se inicia al seleccionar un trait o segment, un intervalo de tiempo, y origen y terceros data sources. Las opciones proporcionan las entradas para el modelo algorítmico. Cuando se ejecuta el proceso de análisis, busca usuarios aptos en función de las características compartidas de la población seleccionada. Una vez finalizados, estos datos están disponibles en Generador de rasgos donde se puede utilizar para crear rasgos basados en precisión y alcance. Además, puede generar segmentos que combinen características algorítmicas con rules-based traits y agregue otros requisitos de cualificación con Boolean expresiones y operadores de comparación. Look-Alike Modeling le ofrece una forma dinámica de extraer valor de todos los datos de rasgos disponibles.

Ventajas advantages

Las principales ventajas de utilizar Look-Alike Modeling incluir:

  • Precisión de los datos: El algoritmo se ejecuta regularmente, lo que ayuda a mantener los resultados actualizados y relevantes.
  • Automatización: No es necesario que administre un gran conjunto de reglas estáticas. El algoritmo encuentra las audiencias que necesita.
  • Ahorre tiempo y reduzca el esfuerzo: Con nuestro proceso de modelado no tienes que adivinar qué traits/segments puede trabajar o dedicar tiempo a recursos en campañas para descubrir nuevas audiencias. El modelo puede hacer esto por usted.
  • Fiabilidad: El modelado funciona con procesos de detección y calificación del lado del servidor que evalúan sus propios datos y los datos de terceros seleccionados a los que tiene acceso. Esto significa que no tiene que ver los visitantes del sitio para clasificarlos para un rasgo.

Flujo de trabajo workflow

Los modelos se administran en Audience Data > Models. En un nivel superior, el proceso de flujo de trabajo implica lo siguiente:

  • Seleccione los datos de línea de base que desea que evalúe el algoritmo. Esto incluye un trait o segment, intervalo de tiempo y data sources (sus propios datos y los datos de terceros a los que ya tiene acceso a través de Audience Manager). En el flujo de trabajo de creación de modelos, puede excluir la variable traits que no quieres interferir con tu modelo.
  • Guarde el modelo. Una vez guardado, el proceso de evaluación algorítmica se ejecuta automáticamente. Sin embargo, tenga en cuenta que este proceso puede tardar hasta siete días en completarse. Audience Manager le envía un correo electrónico cuando el algoritmo ha finalizado y los resultados están disponibles para trait creación.
  • Generar algorítmico traits in Trait Builder.
  • Combinar traits en segments in Segment Builder.
  • Crear y enviar segment datos a un destination.

Resolución de problemas troubleshooting

Desactivamos cualquier Look-Alike Model que no genera datos para tres ejecuciones consecutivas. Tenga en cuenta que no puede volver a establecer el estado del modelo como activo posteriormente. Para garantizar que los modelos generen datos, le recomendamos que cree modelos a partir de fuentes de datos con traits para acumular datos de.

Comprensión TraitWeight understanding-traitweight

TraitWeight es un algoritmo propietario diseñado para descubrir nuevos traits automáticamente. Se compara con trait datos de su traits y segments frente a todos los demás datos de origen y de terceros a los que tenga acceso a través de Audience Manager. Consulte esta sección para obtener una descripción de la TraitWeight proceso de detección algorítmica.

Los pasos siguientes describen la TraitWeight proceso de evaluación.

Paso 1: Crear una línea de base para Trait Comparación

Para crear una línea de base, TraitWeight mide todos los traits asociadas a una audiencia para un intervalo de 30, 60 o 90 días. A continuación, clasifica traits según su frecuencia y correlación. El recuento de frecuencia mide la uniformidad. La correlación mide la probabilidad de una trait estar presente solo en la audiencia de línea de base. Traits que aparecen a menudo se dice que tienen una alta comunalidad, una característica importante utilizada para establecer una puntuación ponderada cuando se combina con traits descubierto en su seleccionado data sources.

Paso 2: Buscar lo mismo Traits en el Data Source

Después de crear una línea de base para la comparación, el algoritmo busca lo mismo traits en el seleccionado data sources. En este paso, TraitWeight realiza un recuento de frecuencia de todos los elementos detectados traits y los compara con la línea de base. Sin embargo, a diferencia del valor basal, poco frecuente traits se clasifican más arriba que las que aparecen con más frecuencia. Raro traits se dice que presentan un alto grado de especificidad. TraitWeight evalúa combinaciones de línea base común traits y poco frecuentes (altamente específicas) data source traits más influyentes o deseables que traits común a ambos conjuntos de datos. De hecho, nuestro modelo reconoce estos grandes, comunes traits y no asigna una prioridad excesiva a los conjuntos de datos con correlaciones elevadas. Raro traits obtener una prioridad mayor porque es más probable que representen a usuarios nuevos y únicos que traits con una alta comunalidad en todos los ámbitos.

Paso 3: Asignar Peso

En este paso, TraitWeight rangos recientemente descubiertos traits en orden de influencia o conveniencia. La escala de peso es un porcentaje que va del 0 % al 100 %. Traits una clasificación más cercana al 100 % significa que se parecen más a la audiencia en la población de línea de base. Además, muy ponderado traits son útiles porque representan a usuarios nuevos y únicos que pueden comportarse de manera similar a la audiencia de línea de base establecida. Recuerde, TraitWeight considera traits con una alta similitud en la línea de base y una alta especificidad en las fuentes de datos comparadas para ser más valiosos que traits común en cada conjunto de datos.

Paso 4: Puntuación de usuarios

Cada usuario del seleccionado data sources recibe una puntuación del usuario igual a la suma de todas las ponderaciones del influyente traits en el perfil de ese usuario. Las puntuaciones del usuario se normalizan entre 0 y 100 %.

Paso 5: Mostrar y trabajar con resultados

Audience Manager muestra los resultados del modelo ponderado en Trait Builder. Cuando desee crear una algorithmic trait, Trait Builder permite crear traits en función de la puntuación ponderada generada por el algoritmo durante una ejecución de datos. Puede elegir una precisión mayor para clasificar solo a los usuarios que tienen puntuaciones de usuario muy altas y, por lo tanto, son muy similares a la audiencia de línea de base, en lugar de al resto de la audiencia. Si desea llegar a una audiencia mayor (alcance), puede reducir la precisión.

Paso 6: Volver a evaluar la relevancia de un Trait Entre ciclos de procesamiento

Periódicamente, TraitWeight reevalúa la importancia de un trait basado en el tamaño y el cambio en la población de ese trait. Esto sucede cuando el número de usuarios cumple los requisitos para eso trait aumenta o disminuye con el tiempo. Este comportamiento se ve más claramente en rasgos que se vuelven muy grandes. Por ejemplo, supongamos que el algoritmo utiliza trait A para el modelado. Como población de trait A aumenta, TraitWeight reevalúa la importancia de eso trait y pueden asignar una puntuación más baja o ignorarla. En este caso, trait A es demasiado común o grande como para decir algo significativo sobre su población. Después TraitWeight reduce el valor de trait A (o lo ignora en el modelo), la población del rasgo algorítmico disminuye. La lista de influyentes traits refleja la evolución de la población de referencia. Utilice la lista de los influyentes traits para comprender por qué se están produciendo estos cambios.

Enlaces relacionados:

Programación de actualizaciones para Look-Alike Models y Traits update-schedule

Programaciones de creación y actualización para nuevas o existentes algorithmic models y traits.

Look-Alike Model Programación de creación y actualización

Tipo de actividad
Descripción
Crear o clonar un modelo

Para nuevos o clonados Look-Alike Models, el proceso de creación se ejecuta una vez al día en:

  • 17:00 EST (de noviembre a marzo)
  • 18:00 EDT (de marzo a noviembre)

Los modelos creados o clonados después de la fecha límite de creación se procesan al día siguiente.

Si la primera ejecución de un modelo no genera datos, se ejecutará una segunda vez, al día siguiente. Si el segundo intento tampoco genera datos, habrá un tercer intento, al día siguiente. El modelo dejará de ejecutarse si el tercer intento tampoco genera datos. En este caso, desactivaremos el modelo. Ver más en Solución de problemas de modelos de similitud.

Actualizar un modelo

En condiciones ideales, los modelos existentes se ejecutan entre semana, al menos una vez cada 7 días. Por ejemplo, si crea un modelo (dentro del plazo) el lunes, se actualizará el lunes siguiente como máximo.

Un modelo se volverá a ejecutar si cumple cualquiera de las siguientes condiciones:

  • Su última ejecución no se realizó correctamente.
  • Se ha ejecutado correctamente antes de y no se ha ejecutado en absoluto en los últimos 7 días Y el modelo tiene al menos un rasgo activo adjunto.

Look-Alike Trait Programación de creación y actualización

Tipo de actividad
Descripción
Crear un rasgo
El proceso de creación de rasgos se ejecuta todos los días, de lunes a viernes. Por lo general, los nuevos rasgos algorítmicos aparecen en la interfaz de usuario en un plazo de 48 horas.
Actualizar un rasgo
Las características existentes se actualizan al menos una vez cada 7 días y siguen la programación de actualizaciones de modelos.

Vista de lista de modelos models-list-view

La vista de lista es un espacio de trabajo central que le ayuda a crear, revisar y administrar modelos.

El Models Esta página de lista contiene funciones y herramientas que le ayudan a lo siguiente:

  • Cree nuevos modelos.
  • Administrar modelos existentes (editar, pausar, eliminar o clonar).
  • Buscar modelos por nombre.
  • Crear algorithmic traits utilizando cualquier modelo determinado.

Vista de resumen de modelos models-summary-view

La página Resumen muestra detalles del modelo, como nombre, alcance/precisión, historial de procesamiento y traits creado a partir del modelo. La página también incluye configuraciones que le permiten crear y administrar modelos. Haga clic en el nombre de un modelo en la lista de resumen para ver sus detalles.

La página de resumen del modelo incluye las siguientes secciones.

Sección
Descripción
Información básica
Incluye información básica sobre el modelo, como su nombre y cuándo se ejecutó por última vez.
Alcance y precisión del modelo
Muestra precisión y alcance datos de la última ejecución del modelo.
Historial de procesamiento del modelo
Muestra la fecha y hora de procesamiento de las últimas 10 ejecuciones y si se generaron datos en esas ejecuciones.
Rasgos influyentes

El Rasgos influyentes tabla:

  • Enumera los 50 rasgos influyentes principales que se representan mejor en la población de línea de base del modelo.
  • Clasifica cada rasgo en orden de importancia Peso relativo rango. El Peso relativo ordena los rasgos recién descubiertos en orden de influencia o deseabilidad. La escala de peso es un porcentaje que va del 0 % al 100 %. Las características clasificadas cerca del 100 % significan que se parecen más a la audiencia en la población de línea de base. Consulte Explicación de TraitWeight.
  • Muestra los valores exclusivos de 30 días y la población total de rasgos para cada rasgo.
Características que utilizan el modelo

Muestra una lista de los rasgos algorítmicos en función del modelo seleccionado. Haga clic en un nombre o ID de rasgo para obtener más información sobre el rasgo. Seleccionar Crear nueva característica con el modelo para ir al proceso de creación de rasgos algorítmicos.

La etiqueta de sección cambia según el nombre del modelo. Por ejemplo, supongamos que crea un modelo y le asigna el nombre Modelo A. Al cargar la página de resumen, el nombre de esta sección cambia a Rasgos que utilizan el modelo A.

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