Predictive Audiences Información general predictive-audiences
Predictive Audiences le ayuda a clasificar una audiencia desconocida en personalidades distintas, en tiempo real, mediante técnicas avanzadas de ciencia de datos.
En un contexto de marketing, una personalidad es un segmento de audiencia definido por visitantes, usuarios o compradores potenciales, que comparten un conjunto específico de rasgos, como su demografía, hábitos de navegación, historial de compras, etc.
Los modelos de Predictive Audiences llevan este concepto un paso más allá, ya que permiten utilizar las capacidades de aprendizaje automático de Audience Manager para clasificar audiencias desconocidas en personalidades distintas. Audience Manager le ayuda a conseguirlo calculando la propensión de la audiencia de origen desconocida para un conjunto de audiencias de origen conocidas.
Al crear un Predictive Audiences En este modelo, el primer paso es elegir los rasgos o segmentos de línea de base por los que desea que se clasifique la audiencia de destino. Estos rasgos o segmentos definirán sus personalidades.
Durante la fase de evaluación, el modelo crea un nuevo Predictive Audiences segmento para cada rasgo o segmento definido como línea de base. La próxima vez que el Audience Manager vea un visitante de su audiencia de destinatario que no esté clasificado para una persona (que no cumpla ninguno de sus rasgos o segmentos de base), la variable Predictive Audiences Este modelo determinará a cuál de los segmentos predictivos debe pertenecer el visitante y agregará al visitante a ese segmento.
Puede identificar los segmentos predictivos creados por el modelo en la variable Segments página. Cada Predictive Audiences El modelo tiene su propia carpeta en Predictive Audiences y puede ver los segmentos de cada modelo haciendo clic en la carpeta del modelo.
Casos de uso use-cases
Para ayudarle a comprender mejor cómo y cuándo puede utilizar Predictive AudiencesSin embargo, estos son algunos casos de uso que los clientes de Audience Manager pueden solucionar mediante esta función.
#1 de casos de uso
Como especialista en marketing de una empresa de comercio electrónico, quiero clasificar a todos mis visitantes web y móviles en varias categorías de afinidad de marca para poder personalizar su experiencia de usuario.
#2 de casos de uso
Como especialista en marketing de una empresa de medios de comunicación, quiero clasificar a mis visitantes web y móviles no autenticados por géneros favoritos, de modo que pueda sugerirles contenido personalizado en todos los canales.
#3 de casos de uso
Como anunciante de una compañía aérea, quiero asegurarme de clasificar mi audiencia en función de su interés en destinos de viaje, para poder anunciarla en tiempo real, en un corto periodo de resegmentación.
#4 de casos de uso
Como anunciante, quiero clasificar mi audiencia de origen en tiempo real, de modo que pueda reaccionar rápidamente a las noticias de tendencia.
#5 de casos de uso
Como especialista en marketing, quiero predecir en qué fase del recorrido de clientes se encuentran los visitantes de mi sitio web, como la detección, la participación, la compra o la retención, para poder dirigirlos en consecuencia.
#6 de casos de uso
Como empresa multimedia, quiero categorizar mi audiencia para poder vender mi espacio publicitario a precios premium, mientras ofrezco a mis visitantes anuncios relevantes.
Cómo Predictive Audiences Los modelos funcionan how-predictive-audiences-models-work
Al crear un Predictive Audiences Modelo, siga tres pasos:
- En primer lugar, debe seleccionar un mínimo de dos rasgos o dos segmentos que definirán las personalidades.
- A continuación, elija un rasgo o segmento que defina la audiencia de destino que desee clasificar.
- Finalmente, elige un nombre para el modelo, una fuente de datos que almacenará los segmentos predictivos y una Profile Merge Rule para el modelo.
Criterios de selección para personalidades selection-personas
Puede elegir cualquiera de sus rasgos de origen o segmentos para definir sus personalidades. Sin embargo, para obtener resultados óptimos, aquí tiene un conjunto de prácticas recomendadas:
- Elija sus rasgos o segmentos de personalidad para que cada personalidad tenga unos cientos como mínimo ID de dispositivo.
- Si los rasgos se basan en ID entre dispositivos, puede envolverlos en segmentos con Reglas de combinación de perfiles que utilizan ID de dispositivo, como Device Graph. Esto garantizará que haya suficientes ID de dispositivo que el algoritmo pueda aprovechar.
- Recomendamos elegir rasgos o segmentos simples para sus personalidades, que consten de 1 a 3 rasgos.
- Elija rasgos de línea de base o segmentos que tengan una superposición mínima.
- Asegúrese de capturar rasgos granulares en las propiedades digitales.
Criterios de selección para la audiencia de destino selection-audience
Según el caso de uso, tanto si desea clasificar usuarios en tiempo real, por lotes o ambos, elija una audiencia objetivo (trait o segment) que tenga una población significativa en tiempo real o total. De forma similar a la selección de personas, recomendamos que su audiencia de destino trait o segment tiene usuarios con perfiles enriquecidos (conjuntos enriquecidos de traits).
Al seleccionar la audiencia de destino, analice el caso de uso y decida qué tipos de ID desea clasificar: device IDs o cross-device IDs. El Profile Merge Rule que seleccione al crear el modelo, define los datos que se utilizarán para colocar a cada usuario en el predictivo segments.
Como práctica recomendada, le recomendamos que elija una Profile Merge Rule que tenga la misma configuración que la audiencia de destino Profile Merge Ruleo uno que incluya el tipo de perfil (perfil de dispositivo o perfil autenticado) de la audiencia de destino.
Predictive Audiences Fase de formación del modelo model-training
Antes de que el algoritmo pueda clasificar la audiencia de origen en las personas adecuadas, debe formarse a sí misma en sus datos.
Para cada personalidad que defina, el algoritmo analiza su audiencia respectiva y evalúa cualquier actividad de rasgos en tiempo real o integrada para sus usuarios en los últimos 30 días.
Este paso se realiza una vez cada 24 horas, para tener en cuenta los cambios en la audiencia de origen.
Predictive Audiences Fase de clasificación del modelo model-classification
Para la clasificación de audiencias en tiempo real y por lotes, el modelo comprueba primero si un usuario pertenece a la audiencia de destino. Si el usuario cumple los requisitos de la audiencia de destino y no pertenece a ninguna de las personas, el modelo les asigna una puntuación de calificación de persona.
Al evaluar audiencias de origen y asignar puntuaciones, el modelo utiliza el valor predeterminado Profile Merge Rule definido en su cuenta de. Por último, el visitante se clasifica en la persona para la que recibió la puntuación más alta.
Consideraciones y limitaciones considerations
Al configurar su Predictive Audiences Para los modelos de, tenga en cuenta las siguientes consideraciones y limitaciones:
-
Puede crear hasta diez modelos de Predictive Audiences.
-
Para cada modelo, puede elegir hasta 50 rasgos o segmentos base.
-
Actualmente, no se admiten datos de segundo nivel y de terceros en Predictive Audiences.
-
Predictive Audiences realiza la clasificación de audiencias en función de los rasgos de origen, desde todas las fuentes de datos de origen.
-
Evaluación de segmentos para Predictive Audiences utiliza el Profile Merge Rule que elija durante la creación del modelo. Para obtener más información acerca de Profile Merge Rules consulte la sección dedicada documentación.
-
Algunos rasgos y segmentos no se admiten como líneas de base o audiencias de destino. Predictive Audiences Los modelos de no se podrán guardar al elegir una de las siguientes opciones como líneas de base o audiencias de destino:
- Características predictivas y segmentos creados con características predictivas;
- Adobe Experience Platform rasgos o segmentos;
- Características algorítmicas;
- Rasgos de segundo nivel y de terceros.
-
Predictive Audience segments no se puede usar en Audience Lab.
Data Export Controls dec
Segmentos predictivos creados por Predictive Audiences los modelos heredan el Controles de exportación de datos de las siguientes fuentes de datos de origen:
- La fuente de datos de origen que elija al crear el modelo.
- Las fuentes de datos de origen de la audiencia de destino. En concreto, los controles de exportación de datos del traits o segments que conforman la audiencia de destino.
- El Controles de exportación de datos de la Profile Merge Rule que ha seleccionado para el modelo.
El predictivo recién creado traits y segments tendrá las mismas restricciones de privacidad que la unión de las fuentes de datos de origen descritas anteriormente.
Características que tienen restricciones adicionales que no forman parte del Predictive Audiences las restricciones de privacidad del segmento se excluirán de la fase de formación y no tendrán influencia en el modelo.
Profile Merge Rules pmr
Todos los segmentos predictivos se asignarán al Profile Merge Rule que seleccionó al crear el modelo. El Profile Merge Rule que elija es importante por los siguientes motivos:
-
Define qué dispositivos o perfiles autenticados deben tenerse en cuenta cuando el modelo analiza el elemento influyente traits, en el momento de clasificar un usuario en un predictivo segment.
-
Establece cuáles trait Los tipos de dispositivo (nivel de dispositivo o nivel de dispositivo cruzado) deben utilizarse durante el paso de formación del modelo y mostrarse como influyentes traits. Predictivo segments son subconjuntos de la audiencia de destino.
- Si la audiencia de destino es un segmento, le recomendamos que seleccione lo mismo Profile Merge Rule para el modelo como el asignado a su audiencia de target, o un Profile Merge Rule que incluye el tipo de perfil de la audiencia de destino.
- Si la audiencia de destino es un trait, le recomendamos que seleccione una Profile Merge Rule que pueden acceder al mismo tipo de datos que el rasgo de audiencia de destino (ya sean datos de perfil del dispositivo o datos de perfil entre dispositivos).
-
Profile Merge Rules uso del Current Authenticated Profiles y No Device Profile Las opciones de solo son compatibles con la clasificación de audiencias en tiempo real. Para obtener más información, consulte Opciones definidas de reglas de combinación de perfiles.
Selección de una Profile Merge Rule que utiliza datos de dispositivos y datos entre dispositivos maximiza el número de traits que podrían utilizarse para la formación de modelos y la clasificación de usuarios en el predictivo segments.
Role-Based Access Controls rbac
Los rasgos y segmentos que elija para las personalidades y la clasificación de audiencias están sujetos a Audience Manager Controles de acceso basados en roles.
Los usuarios de Audience Manager solo pueden seleccionar características o segmentos para personalidades y audiencias de destino que tengan permiso para ver.