Predictive Audiences Panoramica predictive-audiences

Predictive Audiences ti consente di classificare un pubblico sconosciuto in utenti tipo distinti, in tempo reale, utilizzando tecniche avanzate di scienza dei dati.

In un contesto di marketing, un utente tipo è un segmento di pubblico definito da visitatori, utenti o potenziali acquirenti che condividono un set specifico di caratteristiche come dati demografici, abitudini di navigazione, cronologia acquisti, ecc…

I modelli di Predictive Audiences portano questo concetto a un livello successivo, consentendoti di utilizzare le funzionalità di machine learning di Audience Manager per classificare pubblici sconosciuti in utenti tipo distinti. Audience Manager ti consente di ottenere questo risultato calcolando la propensione del pubblico sconosciuto di prime parti per un set di pubblici noti di prime parti.

Quando si crea un Predictive Audiences modello, il primo passaggio consiste nella scelta delle caratteristiche o dei segmenti della linea di base in base ai quali classificare il pubblico di destinazione. Queste caratteristiche o segmenti definiranno i tuoi utenti tipo.

Durante la fase di valutazione, il modello crea un nuovo Predictive Audiences segmento per ogni caratteristica o segmento definito come linea di base. Quando un Audience Manager vede un visitatore del pubblico di destinazione che non è classificato per un utente tipo (non è qualificato per nessuna delle caratteristiche o dei segmenti della linea di base), l' Predictive Audiences Il modello determinerà a quali segmenti predittivi deve appartenere il visitatore e lo aggiungerà a quel segmento.

È possibile identificare i segmenti predittivi creati dal modello, nel Segments pagina. Ogni Predictive Audiences il modello ha una propria cartella in Predictive Audiences e visualizzare i segmenti di ciascun modello facendo clic sulla cartella del modello.

Casi d'uso use-cases

Per aiutarti a capire meglio come e quando potresti utilizzare Predictive Audiences, di seguito sono riportati alcuni casi d’uso che i clienti di Audience Manager possono risolvere utilizzando questa funzione.

#1 del caso d’uso

In qualità di addetto al marketing in un’azienda di e-commerce, voglio classificare tutti i miei visitatori web e mobili in varie categorie di affinità per il brand, in modo da poter personalizzare la loro esperienza utente.

#2 del caso d’uso

Come addetto al marketing in una società di media, voglio classificare i visitatori web e mobili non autenticati per generi preferiti, in modo da poter suggerire loro contenuti personalizzati su tutti i canali.

#3 del caso d’uso

In qualità di inserzionista di una compagnia aerea, voglio essere sicuro di classificare il mio pubblico in base al loro interesse per le destinazioni di viaggio, in modo da potergli fare pubblicità in tempo reale, entro una breve finestra di retargeting.

#4 del caso d’uso

Come inserzionista, voglio classificare il mio pubblico di prime parti in tempo reale, in modo da poter reagire rapidamente alle notizie di tendenza.

#5 del caso d’uso

In qualità di esperto di marketing, voglio prevedere in quale fase di percorso del cliente si trovano i visitatori del mio sito web, ad esempio scoperta, coinvolgimento, acquisto o fidelizzazione, in modo da poterli indirizzare di conseguenza.

#6 del caso d’uso

Come media company, voglio categorizzare il mio pubblico, in modo da poter vendere il mio spazio pubblicitario a prezzi premium, offrendo al contempo ai miei visitatori annunci rilevanti.

Come Predictive Audiences Modelli funzionanti how-predictive-audiences-models-work

Quando si crea un Predictive Audiences del modello, segui questi tre passaggi:

Criteri di selezione per utenti tipo selection-personas

Puoi scegliere una qualsiasi delle caratteristiche o dei segmenti di prime parti per definire i tuoi utenti tipo. Tuttavia, per risultati ottimali, ecco una serie di best practice consigliate:

Criteri di selezione del pubblico di destinazione selection-audience

A seconda del caso d’uso, se desideri classificare gli utenti in tempo reale, in batch o in entrambi, scegli un pubblico di destinazione (trait o segment) che ha una popolazione totale e/o in tempo reale significativa. Simile alla selezione persona, ti consigliamo di rivolgerti al tuo pubblico di destinazione trait o segment ha utenti con profili avanzati (set completi di traits).

Quando selezioni il pubblico di destinazione, analizza il tuo caso d’uso e decidi quali tipi di ID desideri classificare: device IDs o cross-device IDs. Il Profile Merge Rule che selezioni durante la creazione del modello definisce i dati che verranno utilizzati per posizionare ogni utente nel predittivo segments.

Come best practice, si consiglia di scegliere un Profile Merge Rule con la stessa configurazione del pubblico di destinazione Profile Merge Rule, o uno che include il tipo di profilo (profilo dispositivo o profilo autenticato) del pubblico di destinazione.

Predictive Audiences Fase di formazione del modello model-training

Prima che l’algoritmo possa classificare il pubblico di prime parti negli utenti tipo giusti, deve addestrarsi sui tuoi dati.

Per ogni utente tipo definito, l’algoritmo analizza il rispettivo pubblico e valuta qualsiasi attività di caratteristiche in tempo reale e/o onboarded per i propri utenti negli ultimi 30 giorni.
Questo passaggio ha luogo una volta ogni 24 ore, per tenere conto delle modifiche nel pubblico di prime parti.

Predictive Audiences Fase di classificazione del modello model-classification

Per la classificazione in tempo reale e in batch del pubblico, il modello controlla innanzitutto se un utente appartiene al pubblico di destinazione. Se l’utente è idoneo per il pubblico target e non appartiene a nessuno degli utenti tipo, il modello assegna loro un punteggio di qualifica dell’utente tipo.

Durante la valutazione dei tipi di pubblico di prime parti e l’assegnazione dei punteggi, il modello utilizza l’impostazione predefinita Profile Merge Rule definiti nel tuo account. Infine, il visitatore viene classificato nella persona per la quale ha ricevuto il punteggio più alto.

Considerazioni e limitazioni considerations

Durante la configurazione di Predictive Audiences modelli, tieni presenti le seguenti considerazioni e limitazioni:

Data Export Controls dec

Segmenti predittivi creati da Predictive Audiences I modelli ereditano Controlli sull’esportazione dei dati dalle seguenti origini dati di prime parti:

La predittiva appena creata traits e segments avrà le stesse restrizioni alla privacy dell’unione delle origini dati di prime parti descritta in precedenza.

Caratteristiche con restrizioni aggiuntive che non fanno parte del Predictive Audiences le restrizioni sulla privacy dei segmenti saranno escluse dalla fase di formazione e non diventeranno influenti per il modello.

Profile Merge Rules pmr

A tutti i segmenti predittivi verrà assegnato il Profile Merge Rule selezionato durante la creazione del modello. Il Profile Merge Rule che si sceglie è importante per i seguenti motivi:

Selezione di un Profile Merge Rule che utilizza sia dati dispositivo che dati multi-dispositivo massimizza il numero di traits che potrebbero essere utilizzati per l’apprendimento dei modelli e la classificazione degli utenti nel file predittivo segments.

Role-Based Access Controls rbac

Le caratteristiche e i segmenti scelti per gli utenti tipo e la classificazione del pubblico sono soggetti ad Audienci Manager Controlli dell’accesso basati sul ruolo.

Gli utenti Audienci Manager possono selezionare solo caratteristiche o segmenti per utenti tipo e tipi di pubblico target, di cui dispongono autorizzazione di visualizzazione.