Show Menu
TÓPICOS×

Noções básicas Look-Alike Modeling

Localizar novos usuários com Look-Alike Modeling

Look-Alike Modeling ajuda a descobrir audiências novas e únicas por meio da análise de dados automatizada. O processo é start quando você seleciona um trait ou segment, um intervalo de tempo e um primeiro e terceiro data sources. Suas escolhas fornecem as entradas para o modelo algorítmico. Quando o processo de análise é executado, ele procura usuários elegíveis com base em características compartilhadas da população selecionada. Após a conclusão, esses dados estão disponíveis no Construtor de características, onde você pode usá-los para criar características com base na precisão e no alcance . Além disso, você pode criar segmentos que combinam características algorítmicas com rules-based traits e adicionar outros requisitos de qualificação com operadores de Boolean expressões e comparação. Look-Alike Modeling fornece uma maneira dinâmica de extrair valor de todos os dados de características disponíveis.

Benefícios

Os principais benefícios do uso Look-Alike Modeling incluem:
  • Precisão dos dados: O algoritmo é executado regularmente, o que ajuda a manter os resultados atualizados e relevantes.
  • Automação: Não é necessário gerenciar um grande conjunto de regras estáticas. O algoritmo encontrará audiências para você.
  • Economize tempo e reduza o esforço: Com nosso processo de modelagem, você não precisa adivinhar o que traits/segments pode funcionar ou gastar recursos de tempo no campanha para descobrir novas audiências. O modelo pode fazer isso por você.
  • Confiabilidade: A modelagem funciona com processos de detecção e qualificação do lado do servidor que avaliam seus próprios dados e dados selecionados de terceiros aos quais você tem acesso. Isso significa que você não precisa ver os visitantes no seu site para qualificá-los para uma característica.

Fluxo de trabalho

Você gerencia modelos em Audience Data > Models . Em um nível superior, o processo de fluxo de trabalho envolve o seguinte:
  • Selecione os dados da linha de base que deseja que o algoritmo avalie. Isso inclui um trait ou segment, um intervalo de tempo e data sources (seus próprios dados e dados de terceiros aos quais você já tem acesso Audience Manager). No fluxo de trabalho de criação de modelo, você pode excluir o modelo traits que não deseja interferir no modelo.
  • Salve seu modelo. Depois de salvo, o processo de avaliação algorítmica é executado automaticamente. Entretanto, observe que esse processo pode levar até 7 dias para ser concluído. Audience Manager envia um email quando o algoritmo terminar e os resultados estiverem disponíveis para trait criação.
  • Crie algoritmos traits para Trait Builder.
  • Combine traits em segments dentro Segment Builder.
  • Crie e envie segment dados para um destination.

Solução de problemas

Desativamos todos os Look-Alike Model que falham na geração de dados para três execuções consecutivas. Observe que não é possível definir o status do modelo de volta para ativo depois. Para garantir que seus modelos gerem dados, recomendamos que você crie modelos a partir de fontes de dados com o suficiente traits para acumular dados a partir delas.

Noções básicas TraitWeight

TraitWeight é um algoritmo proprietário projetado para descobrir novas traits automaticamente. Ele compara trait os dados do seu atual traits e segments com todos os outros dados primários e de terceiros aos quais você tem acesso Audience Manager. Consulte esta seção para obter uma descrição do processo de descoberta de TraitWeight algoritmos.
As etapas a seguir descrevem o processo de TraitWeight avaliação.

Etapa 1: Criar uma linha de base para Trait comparação

Para criar uma linha de base, TraitWeight mede todos os dados traits associados a uma audiência para um intervalo de 30, 60 ou 90 dias. Em seguida, classifica-se traits de acordo com a sua frequência e correlação. A contagem de frequências mede a uniformidade. A correlação mede a probabilidade de uma trait presença apenas na audiência de base. Traits que aparecem frequentemente exibem uma elevada compatibilidade, uma característica importante usada para definir uma pontuação ponderada quando combinada com a traits descoberta no seu data sourcesselecionado.

Etapa 2: Encontre o mesmo Traits na Data Source

Depois de criar uma linha de base para comparação, o algoritmo procura por idêntico traits em sua seleção data sources. Nesta etapa, TraitWeight realiza uma contagem de frequência de todos os descobertos traits e os compara à linha de base. No entanto, ao contrário da linha de base, pouco frequentes traits são classificados como mais elevados do que os que aparecem com mais frequência. Raras traits são ditas exibindo um alto grau de especificidade. TraitWeight avalia as combinações de valores basais comuns traits e pouco frequentes (altamente específicos) data source como mais influentes ou desejáveis do que traits traits os comuns a ambos os conjuntos de dados. Na verdade, nosso modelo reconhece essas grandes, comuns traits e não atribui prioridade excessiva a conjuntos de dados com altas correlações. Raras traits recebem prioridade mais alta porque têm maior probabilidade de representar usuários novos e únicos do que traits com alta compatibilidade em todos os sentidos.

Etapa 3: Atribuir Peso

Nessa etapa, TraitWeight figura a recém-descoberta traits por ordem de influência ou desejabilidade. A escala do peso é uma porcentagem que vai de 0% a 100%. Traits classificados mais perto de 100% significa que são mais parecidos com a audiência na população de base. Além disso, os pesados traits são valiosos porque representam usuários novos e únicos que podem se comportar de forma semelhante à sua audiência de linha de base estabelecida. Lembre-se, TraitWeight considera que traits com alta compatibilidade na linha de base e alta especificidade nas fontes de dados comparadas é mais valioso do que o traits comum em cada conjunto de dados.

Etapa 4: Usuários de Pontuação

A cada usuário selecionado data sources é atribuída uma pontuação de usuário igual à soma de todos os pesos do influente traits no perfil desse usuário. As pontuações do usuário são normalizadas entre 0 e 100%.

Etapa 5: Exibir e trabalhar com resultados

Audience Manager exibe os resultados do modelo ponderado em Trait Builder. Quando você deseja criar um algorithmic trait, Trait Builder permite que você crie traits com base na pontuação ponderada gerada pelo algoritmo durante uma execução de dados. Você pode escolher uma precisão maior para qualificar somente usuários que tenham pontuações muito altas e, portanto, sejam muito semelhantes à audiência da linha de base, em vez do restante da audiência. Se quiser atingir uma audiência maior (alcance), você pode diminuir a precisão.

Etapa 6: Reavaliar a importância de um Trait ciclo de processamento entre ciclos

Periodicamente, TraitWeight reavalia a importância de um trait relatório com base na dimensão e mudança na população desse grupo trait. Isso ocorre quando o número de usuários qualificados para isso trait aumenta ou diminui ao longo do tempo. Esse comportamento é mais claramente visto em traços que se tornam muito grandes. Por exemplo, suponha que o algoritmo use trait A para modelagem. À medida que a população de trait A pessoas aumenta, TraitWeight reavalia a importância disso trait e pode atribuir uma pontuação menor ou ignorá-la. Neste caso, trait A é demasiado comum ou grande para dizer algo significativo sobre a sua população. Depois de TraitWeight reduzir o valor de trait A (ou ignorá-lo no modelo), a população do traço algorítmico diminui. A lista de influência traits reflete a evolução da população de referência. Use a lista do influente traits para entender por que essas alterações estão ocorrendo.
Links relacionados:

Atualizar agendamento para Look-Alike Models e Traits

Criação e atualização de agendamentos para novos algorithmic models e existentes traits.

Look-Alike Model Criação e atualização da programação

Tipo de atividade Descrição
Criar ou clonar um modelo
Para [!UICONTROL Look-Alike Models] novos ou clonados, o processo de criação é executado uma vez por dia em:
  • 17:00 EST (novembro - março)
  • 18:00 EDT (março - novembro)
Os modelos construídos ou clonados após o prazo de criação são processados no dia seguinte.
Se a primeira execução de um modelo não gerar dados, ele será executado uma segunda vez, no dia seguinte. Se a segunda tentativa também não gerar dados, haverá uma terceira tentativa, no dia seguinte. O modelo parará de ser executado se a terceira tentativa também não gerar dados. Nesse caso, desativaremos o modelo. Consulte mais em Solução de problemas de modelos semelhantes.
Atualizar um modelo
Em condições ideais, os modelos existentes são executados em dias da semana, pelo menos uma vez a cada 7 dias. Por exemplo, se você criar um modelo (dentro do prazo) na segunda-feira, ele atualizará a segunda-feira seguinte, o mais tardar.
Um modelo será executado novamente se atender a qualquer uma das seguintes condições:
  • Sua última execução não foi bem-sucedida.
  • Ele foi executado com sucesso antes E não foi executado nos últimos 7 dias E o modelo tem pelo menos uma característica ativa anexada a ele.

Look-Alike Trait Criação e atualização da programação

Tipo de atividade Descrição
Criar uma característica
O processo de criação de características é executado todos os dias, de segunda a sexta-feira. Geralmente, novas características algorítmicas aparecem na interface do usuário em 48 horas.
Atualizar uma característica
As características existentes são atualizadas pelo menos uma vez a cada 7 dias e seguem o cronograma para atualizações de modelo.

Visualização de Lista de modelos

A visualização de lista é um espaço de trabalho central que ajuda a criar, revisar e gerenciar modelos.
A página de Models lista contém recursos e ferramentas que ajudam você a:
  • Crie novos modelos.
  • Gerenciar modelos existentes (editar, pausar, excluir ou clonar).
  • Procure por modelos por nome.
  • Crie algorithmic traits usando qualquer modelo.

Visualização de resumo de modelos

A página de resumo exibe detalhes do modelo, como nome, alcance/precisão, histórico de processamento e traits criados a partir do modelo. A página também inclui configurações que permitem criar e gerenciar modelos. Clique em um nome de modelo na lista de resumo para ver seus detalhes.
A página de resumo do modelo inclui as seguintes seções.
Seção Descrição
Informações básicas
Inclui informações básicas sobre o modelo, como seu nome e quando ele foi executado pela última vez.
Alcance e precisão do modelo
Mostra dados de precisão e alcance para a última execução do modelo.
Histórico de processamento do modelo
Exibe a data e a hora de processamento das 10 últimas execuções e se os dados foram gerados nessas execuções.
Características influentes
A tabela Características influentes:
  • Lista as 50 principais características influentes que são melhor representadas na população de referência do modelo.
  • Classifica cada característica em ordem de sua classificação de Peso relativo. O Peso Relativo classifica características recém-descobertas em ordem de influência ou desejabilidade. A escala do peso é uma porcentagem que vai de 0% a 100%. As características mais próximas de 100% significam que são mais parecidas com a audiência na população de base. Consulte Entendendo TraitWeight .
  • Mostra os únicos de 30 dias e a população total de características para cada característica.
Características usando modelo
Mostra uma lista das características algorítmicas com base no modelo selecionado. Clique em um nome de característica ou ID de característica para obter mais informações sobre a característica. Selecione Criar nova característica com modelo para acessar o processo de criação de característica algorítmica.
A etiqueta da seção muda com base no nome do modelo. Por exemplo, digamos que você crie um modelo e o nomeie Modelo A. Quando você carrega a página de resumo, o nome desta seção é alterado para Características usando o modelo A .