Show Menu
主题×

特征推荐

根据您自己的第一方特征和数据源构建细分时获取实时特征 Audience Marketplace 推荐。

视频演示

开始时,请观 Trait Recommendations 看以下视频,然后阅读以了解更多信息。 该视频演示向您展示如何处理来自您自己的第一方特征的推荐以及来自您已订阅的数据 Audience Marketplace 源的 特征推荐

下一个视频概述了工作流 Marketplace Recommendations程,向您展示如何根据中的数据源推荐将特征添加到区段 Audience Marketplace。 这些建议基于您未订阅的 数据源

概述

Trait Recommendations由Adobe提供 Adobe Sensei支持,将数据科学引入Manager的日常工作流。 With Trait Recommendations, when you build or edit a segment in Segment Builder , you get recommendations on additional traits you can include, that are similar to the traits in the segment rule.
受众管理器会根据您的第一方特征、部分特征和部分特 Recommendations 征来显示特 Audience Marketplace ​征推荐的特 Recommendations from Marketplace 征。
将推荐的特征添加到区段中,可增加目标受众。
简而言之:
  • 受众管理器在部分中显示第一方 Recommendations 特征。 您未订阅的公共和私有源的市场推荐显示在该部 Recommendations from Marketplace 分。 单击源名称以转到并 Audience Marketplace 订阅。
  • 受众管理器最多显示50个与区段规则中相似的特征。
  • 您可以过滤掉不想从中看到任何推荐的数据源。
  • 在计算相似性时,受众管理器会 考虑过去 30天内符合特征的UUID。
  • 如果看到错误消息“未找到类似特征。 特征可能太新。”,这表示过去30天内该特征没有活动,或者受众管理器尚未更新该特征的推荐。 请在24小时后重试。

用例

通 Trait Recommendations过它,您可以根据受众管理器的使用方式提高工作流:
  • 作为营销人员,您可以借助类似特征快速找到对补充产品感兴趣的受众,从而扩大受众范围。
  • 如果您将受众管理器用作发布者,则可以了 Trait Recommendations解受众行为并为广告销售或用户赢取建立更好的细分。
  • 作为数 Audience Marketplace 据购买者,我希望无需浏览大量源即可发现相关的第三方数据。
  • 作为数 Audience Marketplace 据提供商,我希望向购买者推荐相关数据,以便从最佳和相关的订阅中受益。

特质推荐与算法模型的区别

算法模型

Algorithmic Models 不仅可以找到最具影响力的特征,而且还可以根据这些特征对用户进行分数,并为每个用户分配一个单独的分数。 然后,您创建算法特征以目标用户。 借助中的准确性和范围控 Trait Builder件,您可以指定所有具有要目标的影响力特征的用户中的哪些用户。
Algorithmic Models 使您能够选择不同准确度级别的用户并测试哪 Audience Lab 组用户转换效果更好。 请参阅受众实验室中的 比较模型中的详细用例
在 Algorithmic Models中,该模型每8天运行一次,并刷新符合算法特征的用户。

特征推荐

Trait Recommendations 是一种快速获取与您在区段中使用的特征类似的其他特征的洞察的方法。
您应当在以下情况下 Trait Recommendations 使用:
  • 在构建细分时,您需要快速洞察;
  • 您将区段用于短活动,或当您希望快速抑制转换受众时;
  • 您正在尝试将触及力最大化。

工作流

在区段生成器中构建或编 辑区段时 ,您可以探索与区段规则中的特征相似的特征。 “区 段生成器 ”工作流对于新区段和现有区段非常相似:

新细分

  1. 转到 受众数据>区段 ,然后单击添 加新
  2. 在“特 ”下拉框中,向段规则添加至少一个特征。
  3. 您可以在部分中查看订阅的源中 Audience Marketplace 的第一方推荐特征和特征推荐 Recommendations 。 此部 Recommendations from Marketplace 分显示您未订阅源的特征推荐。 所有这些推荐都与您添加到区段规则的特征相似。 向下滚动以查看所有推荐的特征。
  4. (可选)要从某些数据源中排除推荐的第一方特征,请单击要排除的数据源的 X 符号。
    被排除的数据源显示在建议特征列表的正上方。 单击 灰色框中的X ,删除排除项并再次查看各个数据源的结果。
  5. 要向区段规则添加推荐的特征,请单击 +符号
在向区 Marketplace 段添加特征时,这些特征仅用于区段估计,直到您订阅相应的数据源。 来自您未订阅的数据馈送的特征在特征列表中标有购物车图标。 单击特征名称可转到数据馈送页面并订阅该页面。
仅在订阅相应的数据源后,才可保存具有第三方特征的区段。

现有细分

  1. 转到 Audience Data>Segments ,选择要编辑的区段,然后单击编
  2. 向下滚动到 Traits 下拉框。
  3. 您可以看到推荐的特征,这与区段规则中已有的特征类似。 向下滚动以查看所有推荐的特征。
  4. (可选)要从某些数据源中排除推荐的特征,请单击要排除的 X 符号。
    被排除的数据源显示在建议特征列表的正上方。 单击 灰色框中的X ,删除排除项并再次查看各个数据源的结果。
  5. 要向区段规则添加推荐的特征,请单击 +符号
在创建或编辑区段并向区段规则添加特征时,您会看到最多50个推荐特征,与您添加的特征类似。 如果区段规则包含多个特征,则受众管理器在区段规则中使用循环法来显示每个特征的最佳匹配项,然后显示每个特征的次佳匹配项,依此类推,在区段规则中,每个特征的最大50个特征的匹配项按人群分列。
例如,当区段规则中有三个特征时,建议的特征为:
  1. 最适合特征3(人口最多的特征);
  2. 特征1的最佳匹配;
  3. 特征2的最佳匹配;
  4. 特征3的次优匹配;
  5. 特征1的次优匹配,等等,直到达到50个特征。
要获取特定特征的推荐,您可以单击区段规则(1)或推荐特征视图(2)中的特征。
单击第一方特征可打开一个弹出窗口,如下图所示。 如果建议的特征不是区段的一部分,则可以按 +将其添加到区段
在特征信息弹出窗口中生成推荐时,会考虑主页中被排除的数据源。 而且,如果在此视图中排除数据源,则排除将应用于主页。
建议的特征可以是您订阅的数据源中的第一方特征或第三方特征 Audience Marketplace。

工作原理

要生成特征推荐,受众管理器会计算目标特征和您帐户有权访问的所有其他特征(包括第三方数据)之间的Jaccard相似性 Jaccard_index 。 受众管理器随后会显示最多50个相似性最高的特征。

特征相似性得分

受众管理器 Trait Similarity Score 通过计算交集和合并数来计算两个特征之 UUID间的距离,然后将两个特征相除。 对于两个特征A和B,计算如下所示:
另请参见下面的两个示例。

示例1 —— 低特征相似性得分

给定两个特征A和B,假设每个特征的人口为1,000,000 UUIDs,其中25,000 UUIDs符合这两个特征。 使用上述公式,这将导致:25,000 / 1,975,000 = 0.012。这个低,这 Trait Similarity Score两个特征是非常不一样的。

示例2 —— 特征相似性得分

如果相同的特征A和B具有400,000 UUID个符合这两个特征,则其 Trait Similarity Score 值要高得多:400,000 / 1,600,000 = 0.25

如何解读特征相似性得分

使用下表作为特征相似性的粗略指南。 本指南基于在大多数特征上观察到的相似性得分。
Trait Similarity Score
重要性
0.1及更高版本
特征之间的高相似性
0.03 - 0.1
特征之间的中等相似性
0.01 - 0.03
特征之间的低相似性
0 - 0.01
特征之间的相似性很低

基于角色的访问控制(RBAC)

对于使用( RBAC)的公司,您需要具有创建和编辑区段的权限,才能查看推荐的特征。 您看到的特征推荐仅是您有权通过访问的数据源中的推荐 RBAC。
要添加 Marketplace Recommendations 到区段,用户必须首先订阅相应的数据服务。 只有具有管理员权限的用户才能订阅数 Audience Marketplace 据源。
阅读此处有关控 RBAC 件的 更多信息

限制

  • 目前,受众管理器不将文件夹特征显示为建议的特征。 阅读此处有关文件夹特征的 更多信息
  • 显示“特征推荐”时,受众管理器不考虑区段 Boolean 规则中的AND运 OR算符(、 NOT、)。