Show Menu
화제×

이해 Look-Alike Modeling

새 사용자 찾기 Look-Alike Modeling

Look-Alike Modeling 자동화된 데이터 분석을 통해 고유한 새로운 고객을 발견할 수 있습니다. 프로세스는 trait 또는, 시간 간격, 첫 번째 및 segment제3자를 선택하면 시작됩니다 data sources. 선택 사항은 알고리즘 모델에 대한 입력을 제공합니다. 분석 프로세스가 실행될 때 선택한 모집단에서 공유된 특성을 기반으로 적격한 사용자를 찾습니다. 완료되면 이 데이터를 특성 빌더에서 사용할 수 있습니다. 여기에서 정확도와 도달 수를 기반으로 트레이트를 만들 수 있습니다. 또한 알고리즘 특성을 결합하는 세그먼트를 만들고 표현식 및 비교 연산자로 기타 자격 요구 사항 rules-based traits 을 추가할 수 Boolean 있습니다. Look-Alike Modeling 사용 가능한 모든 트레이트 데이터에서 값을 추출하는 다이내믹한 방법을 제공합니다.

장점

다음을 사용하여 얻을 수 있는 주요 이점은 다음과 Look-Alike Modeling 같습니다.
  • 데이터 정확도: 알고리즘이 정기적으로 실행되므로 결과를 최신 상태로 유지하고 연관성을 유지할 수 있습니다.
  • 자동화: 대량의 정적 규칙을 관리할 필요가 없습니다. 알고리즘에서 사용자를 찾습니다.
  • 시간을 절약하고 노력을 줄일 수 있습니다. 모델링 프로세스를 통해 어떤 traits/segments 리소스가 효과적인지 추측하거나 새로운 고객을 찾기 위해 캠페인에 시간을 허비하지 않아도 됩니다. 모델이 해줄 수 있습니다.
  • 안정성: 모델링 작업은 사용자 자신의 데이터와 액세스 권한이 있는 타사 데이터를 평가하는 서버측 검색 및 검증 프로세스와 연동됩니다. 즉, 사이트 방문자가 트레이트 자격을 갖추도록 방문자를 확인할 필요가 없습니다.

워크플로우

모델을 관리할 수 있습니다 Audience Data > Models . 높은 수준의 워크플로우 프로세스에는 다음이 포함됩니다.
  • 알고리즘을 평가할 기준 데이터를 선택합니다. 여기에는 trait 또는 segment, 시간 범위 및 data sources (이미 액세스할 수 있는 사용자 자신의 데이터 및 타사 데이터 Audience Manager)가 포함됩니다. 모델 생성 워크플로우에서 모델 traits 을 방해하지 않을 항목을 제외할 수 있습니다.
  • 모델을 저장합니다. 일단 저장되면 알고리즘 평가 프로세스가 자동으로 실행됩니다. 그러나 이 프로세스를 완료하는 데 최대 7일이 걸릴 수 있습니다. Audience Manager 알고리즘이 완료되고 결과를 만들 수 있을 때 이메일을 trait 보냅니다.
  • 알고리즘 traits 구축 Trait Builder.
  • 여러 구성 요소 traits 를 결합할 수 segments 있습니다 Segment Builder.
  • 데이터를 만들어 segment A로 보냅니다 destination.

문제 해결

Adobe는 연속해서 3회 동안 데이터를 생성하지 Look-Alike Model 못하는 모든 데이터를 비활성화합니다. 이후 모델의 상태를 다시 활성으로 설정할 수는 없습니다. 모델이 데이터를 생성하도록 하기 위해 데이터를 축적할 수 있는 충분한 데이터 소스에서 모델 traits 을 만드는 것이 좋습니다.

이해 TraitWeight

TraitWeight 는 새로운 기능을 자동으로 검색하도록 설계된 독점 알고리즘입니다 traits . 현재 데이터 trait 및 traits 액세스 권한이 있는 다른 모든 자사 데이터 및 타사 데이터와 segments Audience Manager비교합니다. 알고리즘 검색 프로세스에 대한 설명은 이 섹션을 TraitWeight 참조하십시오.
다음 단계에서는 TraitWeight 평가 프로세스에 대해 설명합니다.

1단계: 비교할 기준 Trait 만들기

기준을 만들려면 30, 60 또는 90일 간격 동안 대상과 TraitWeight traits 연관된 모든 항목을 측정합니다. 그 다음, 그 빈도와 상관 관계 traits 에 따라 순위를 매긴다. 빈도 수는 공통성을 측정합니다. 상관 관계는 기준선 대상자만 trait 존재할 가능성을 측정합니다. Traits 이러한 현상은 종종 선택된 영역에서 발견된 점수와 결합할 때 가중 점수를 설정하는 데 사용되는 중요한 특성인 높은 공통성을 traits 나타낸다고 합니다 data sources.

2단계: Find the Same Traits in the Data Source

비교할 기준선을 빌드한 후 알고리즘이 선택한 항목 traits 에서 동일하게 보입니다 data sources. 이 단계에서 검색된 모든 항목 TraitWeight 의 주파수 카운트를 수행하고 기준 요소 traits 와 비교합니다. 하지만 기준선과 달리, 일반적이지 않은 traits 것은 더 자주 나타나는 기준보다 높은 순위를 차지합니다. 희귀 traits 는 높은 수준의 특질을 나타낸다고 한다. TraitWeight 두 데이터 세트에 공통으로 사용되는 것보다 traits 는 data source 더 영향력이 traits 많거나 바람직한 것처럼 일반적인 기준 traits 과 일반적이지 않은(매우 특수함) 조합을평가합니다. 실제로 Adobe 모델은 이러한 큰 공통으로 인식하며 상관 관계가 높은 데이터 세트 traits 에 과도한 우선 순위를 할당하지 않습니다. 드물지만 traits 우선순위가 높은 이유는 보드 전반의 공통성이 높은 사용자보다 새롭고 독특한 사용자 traits 를 나타낼 가능성이 높기 때문입니다.

3단계: 두께 지정

이 단계에서, 영향력 TraitWeight 과 부적격성 traits 으로 새롭게 발견된 순위를 매긴다. 중량 척도는 0%에서 100%까지 가는 백분율입니다. Traits 순위가 100%에 가까울수록 기준 모집단 내 대상과 더 비슷해집니다. 또한, 기준선 대상과 유사하게 행동할 수 있는 새로운 고유 사용자를 나타내므로 무거운 가중치가 traits 있는 것이 중요합니다. 비교 TraitWeight 데이터 소스 traits 의 기준선 및 높은 규격에서 높은 공통성과 함께 고려해 볼 때 각 데이터 세트에서 traits 공통되는 것보다 더 가치가 높습니다.

4단계: 점수 사용자

선택한 각 사용자 data sources 에게 해당 사용자 프로필의 영향력 있는 가중치의 모든 가중치 traits 의 합과 같은 사용자 점수가 부여됩니다. 그런 다음 사용자 점수가 0~100% 사이로 표준화됩니다.

5단계: 결과 표시 및 작업

Audience Manager 가중치가 적용된 모델 결과를 표시합니다 Trait Builder. 빌드할 경우 데이터 실행 중 알고리즘에 의해 생성된 가중치가 적용된 점수를 Trait Builder traits 기반으로 만들 수 있습니다. 높은 정확도를 선택하여 사용자 점수가 매우 높으므로 나머지 대상이 아니라 기본 대상자와 매우 비슷한 사용자만 평가할 수 있습니다. 더 많은 고객(도달)에게 도달하려면 정확도를 낮출 수 있습니다.

6단계: 전체 처리 주기 Trait 의 중요성 재평가

크기 및 해당 모집단 TraitWeight 의 변화를 trait 기반으로 한 중요도를 주기적으로 재평가합니다 trait. 이렇게 되면 자격을 갖춘 사용자 수가 시간이 지남에 따라 trait 늘어나거나 줄어듭니다. 이러한 행동은 매우 커지는 특성들에서 가장 선명하게 보입니다. 예를 들어 알고리즘이 모델링에 trait A 를 사용한다고 가정합니다. 인구가 증가함에 따라, 그 중요도를 trait A 다시 평가하고 더 낮은 점수를 TraitWeight trait 지정하거나 무시해도 됩니다. 이 경우, 인구 trait A 에 대해 의미 있는 것은 말할 수 없을 정도로 흔하거나 크다. 값 TraitWeight 을 trait A (또는 모델에서 무시)하면 알고리즘 트레이트의 모집단도 줄어듭니다. 영향력 있는 목록의 traits 내용은 기준 인구의 진화를 반영합니다. 이러한 변경 사항이 발생하는 이유를 traits 이해하려면 영향력 있는 사람의 목록을 사용하십시오.
관련 링크:

및 Look-Alike Models 에 대한 업데이트 일정 Traits

신규 또는 기존 및 기존 algorithmic models 에 대한 예약을 생성하고 업데이트합니다 traits.

Look-Alike Model 작성 및 업데이트 일정

활동 유형 설명
모델 생성 또는 복제
새 모델 또는 복제된 [!UICONTROL 유사 모델]의 경우 작성 프로세스는 다음 위치에서 하루에 한 번 실행됩니다.
  • 오후 5시 EST (11월 - 3월)
  • PM EDT(3월 - 11월)
작성 마감 시간 이후에 빌드되거나 복제된 모델은 다음 날에 처리됩니다.
모델의 첫 번째 실행에서 데이터가 생성되지 않으면 두 번째 실행, 그 다음 날. 두 번째 시도에서도 데이터가 생성되지 않으면 다음 날 세 번째 시도가 발생합니다. 세 번째 시도에서도 데이터가 생성되지 않으면 모델이 실행되지 않습니다. 이 경우 모델을 비활성화합니다. 유사 모델 문제 해결에서 자세한 내용을 참조하십시오 .
모델 업데이트
이상적인 조건 하에서, 기존 모델은 7일에 한 번 이상 주중에 실행됩니다. 예를 들어, 월요일에 모델(마감 시간)을 만들면 다음 월요일이 최신 상태로 업데이트됩니다.
모델이 다음 조건을 충족하면 다시 실행됩니다.
  • 마지막 출장이 안 되었다.
  • 이 속성은 IT 이전에 성공적으로 실행되었으며 지난 7일 동안 전혀 실행되지 않았습니다. 이 모델에 하나 이상의 활성 특성이 연결되어 있습니다.

Look-Alike Trait 작성 및 업데이트 일정

활동 유형 설명
특성 만들기
특성 생성 프로세스는 매일, 월요일부터 금요일까지 실행됩니다. 일반적으로 새로운 알고리즘 특성이 48시간 이내에 UI에 나타납니다.
특성 업데이트
기존 트레이트는 7일에 한 번 이상 업데이트되며 모델 업데이트 일정을 따릅니다.

모델 목록 보기

목록 보기는 모델을 생성, 검토 및 관리하는 데 도움이 되는 중앙 작업 공간입니다.
목록 Models 페이지에는 다음과 같은 유용한 기능과 도구가 포함되어 있습니다.
  • 새로운 모델 제작
  • 기존 모델 관리(편집, 일시 중지, 삭제 또는 복제)
  • 이름별로 모델을 검색합니다.
  • 주어진 모델을 algorithmic traits 사용하여 작성합니다.

모델 요약 보기

요약 페이지에는 이름, 도달/정확도, 처리 내역 및 모델에서 생성된 모델 세부 사항 traits 이 표시됩니다. 또한 이 페이지에는 모델을 만들고 관리할 수 있는 설정도 포함되어 있습니다. 요약 목록에서 모델 이름을 클릭하여 세부 사항을 확인합니다.
모델 요약 페이지에는 다음 섹션이 포함됩니다.
섹션 설명
기본 정보
모델의 이름 및 마지막으로 실행된 시간과 같은 기본 정보를 포함합니다.
모델 도달 및 정확도
마지막 모델 실행에 대한 정확도와 도달 데이터를 표시합니다.
모델 처리 내역
마지막 10개 실행에 대한 처리 날짜 및 시간과 해당 실행에 데이터가 생성되었는지 여부를 표시합니다.
영향력 있는 특성
영향력 있는 특성 표:
  • 모델의 기준선 모집단에서 가장 잘 나타내는 상위 50개의 영향력 있는 트레이트가 나열됩니다.
  • 각 트레이트의 상대적 무게 등급 순서로 등급을 지정합니다. 상대적 무게 영향이나 designment 순으로 새롭게 발견된 특성을 정렬합니다. 중량 척도는 0%에서 100%까지 가는 백분율입니다. 트레이트가 100%에 가까울수록 기준선 모집단 내 대상과 더 비슷하다는 것을 의미합니다. 트레이트 가중치 이해를 참조하십시오 .
  • 각 트레이트에 대한 총 30일 고유 수와 총 특성 인구를 보여줍니다.
모델을 사용한 트레이트
선택한 모델을 기반으로 알고리즘 트레이트 목록을 표시합니다. 트레이트에 대한 자세한 내용을 보려면 트레이트 이름이나 트레이트 ID를 클릭합니다. 모델을 사용하여 새 특성 만들기를 선택하여 알고리즘 특성 생성 프로세스로 이동합니다.
단면 레이블은 모델 이름을 기준으로 변경됩니다. 예를 들어 모델을 만들고 모델 A로 이름을 지정합니다. 요약 페이지를 로드할 때 이 섹션의 이름이 모델 A를 사용하여 트레이트로 변경됩니다 .