Look-Alike-Modeling ist vielleicht die beliebteste Methode zur Vergrößerung von Werbebereichen, um Publizisten eine erweiterte Reichweite zu ermöglichen. Facebook lernte Look-Alike-Modeling mit seiner Gründung im Jahr 2013 kennen, und einige Anbieter von Werbetechnologien bieten eine Form von Look-Alike-Modeling lokal in ihren Produkten an. Wie wir in diesem Beitrag zeigen werden, führen Look-Alike-Modelle jedoch praktisch gesehen häufig zu fragilen und fehlerhaften Ausschnitten. Eine Auswahl anderer KI-(ML)-Ansätze - einschließlich Order und Elevate - führt häufig zu besseren Ergebnissen als Look-Alike-Modelle. Aufgrund dieser Einschränkungen vertrauen wir darauf, dass Look-Alikes sparsam eingesetzt werden sollten, wenn andere Strategien unzugänglich sind.

 

Was sind Look-Alike-Fragmente?

 

Wie der Name schon sagt, besteht das Ziel eines Look-Alike-Modells darin, eine Gruppe von Personen zu finden, die wie eine bekannte Anordnung von Kunden "aussieht". Die Erstellung eines grundlegenden Look-Alike-Fragments beinhaltet im Großen und Ganzen die Angabe von zwei Datenschnipseln -

 

Seed-Set: Von welchem Set von Clients soll die Look-Alike-Crowd abhängig sein?

 

Sektionsgröße: Wie groß soll die Crowd sein? Eine größere Gruppe impliziert eine größere Reichweite, jedoch eine geringere allgemeine Ähnlichkeit mit Ihrem Seed Set.

 

Zum Beispiel kann ein Publizist eine Gruppe von 1.000 bekannten Immobilienbesitzern (das Seed-Set) verwenden, um eine Crowd von 50.000 Look-Alikes (die Abschnittsgröße) zusammenzustellen, die diesen Immobilienbesitzern ähnlich sind.

 

Einschränkungen von Look-Alike-Modellen

 

Die Look-Alike-Modellierung hat aufgrund ihrer Einfachheit und Zugänglichkeit an Popularität gewonnen, bringt jedoch enorme Einschränkungen mit sich, die häufig die Ausführung der Promotion ruinieren.

 

Die Look-Alike-Modellierung wird in der Regel mit einer halbregulierten ML-Technik durchgeführt, die als PU-Lernen aus einem speziellen Blickwinkel bekannt ist. Das bedeutet, dass Look-Alike-Modelle mit Hilfe von Daten über Kunden im Seed-Set (z. B. Positiv-Set) in den Griff bekommen werden, ohne dabei an Kunden zu denken, die keinen Platz im Seed-Set haben (Negativ-Marken).

 

Diese Hilfen machen die Verwendung von Look-Like-Modellen einfach - die einzige Notwendigkeit ist ein Seed-Set mit positiven Marken, um einen Teil zu konstruieren. In jedem Fall bedeutet es aber auch, dass Look-Like-Modelle zur Neigung neigen, wenn Sie nicht vorsichtig sind, wie Sie Ihren Abschnitt charakterisieren. Insbesondere wird ein Look-Alike-Modell nach jedem Attribut suchen, das von den Clients in der Startmenge geteilt wird, unabhängig davon, ob dieses Merkmal für diese Menge nicht attraktiv ist.

 

Um das zu skizzieren, stellen wir uns ein Modell vor. Sagen wir, eine Geschäftsbank hat vor kurzem einen weiteren Geschäftskredit versandt und möchte ihn vielleicht in Richtung eines Fragments von 10k Unternehmern (SBOs) auf unserer Website veröffentlichen. Hier sind die Daten, die uns zur Verfügung stehen

 

  1. Es gibt 1 Mio. dynamische Kunden auf der Website.
  2. Von diesen 1 Mio. Kunden haben 100k ein Profil angelegt und bei der Registrierung ihre Berufsbezeichnung angegeben.
  3. Von diesen 100k Kunden haben 2k gezeigt, dass sie Unternehmer (SBOs) sind.


Andere ML-basierte Methoden können dabei helfen, diese Einschränkungen der Look-Alike-Modellierung zu umgehen, was zu besseren Einsatzergebnissen führt. Zu diesen Methoden gehören Klassifizierung, Konvertierungsvorhersagen und Uplift, die wir im weiteren Verlauf dieses Artikels durchgehen werden.

 

Wahlfach 1: Klassifizierung

 

Die Klassifizierung ist eine typische Art des maschinellen Lernens, bei der es darum geht, zwei Gruppen von Daten zu trennen: eine positive und eine negative Gruppe. Angewandt auf eine Werbeumgebung ist die Klassifizierung insofern ähnlich, als dass sie wahrscheinlich vorhersehen wird, welche Kunden wie ein Saatgutfragment sind. In jedem Fall führt die Klassifizierung durch die Gewinnung von Informationen darüber, wer sich dort aufhält und wer nicht, im Allgemeinen zu besseren Ergebnissen.

 

Wir sollten zu unserem obigen Modell zurückkehren, das eine Bank beinhaltet, die für SBOs wirbt. Die Look-Alike-Modellierung war mangelhaft, weil unser Seed-Set eine persönliche Qualität als eingeschriebene Kunden enthielt. Diese Qualität war die vorherrschende Variable in Bezug auf das, was das Verhalten des Seed-Sets verbindet, so dass ein viel zerbrechlicheres Zeichen, das mit privatem Firmenbesitz identifiziert wurde, außer Acht gelassen wurde.

 

Nehmen wir an, dass wir stattdessen ein Charakterisierungsmodell verwenden -

 

Positive Gruppe: eingeschriebene Klienten mit Arbeitstiteln, die "Unternehmern" entsprechen.

 

Negative Gruppe: eingeschriebene Klienten mit Arbeitstiteln, die nicht gleich "Unternehmer" sind.

 

Indem wir Daten über andere eingeschriebene Klienten einbeziehen, von denen wir wissen, dass sie keine SBOs sind, versetzen wir das Modell in die Lage, Klienten in Abhängigkeit von dem relevanten Faktor zu trennen: Würden sie sagen, dass sie wahrscheinlich Unternehmer sein werden? Die beiden Gruppen enthalten eingeschriebene Kunden, so dass das Modell nicht nur vom Verhalten der eingeschriebenen gegenüber den nicht eingeschriebenen Kunden abhängen kann, um die beiden Gruppen zu trennen.

 

Wahlfach #2: Konversionsvorhersagen

 

Die Anordnung kann helfen, die Art Ihrer Werbefragmente zu verbessern, dennoch lassen sie die Möglichkeit, besser zu werden. Insbesondere besteht das Ziel einer Werbung häufig darin, ein bestimmtes Kundenverhalten zu fördern, was ein von Kundenqualitäten abhängiges Anordnungsmodell nicht ohne Weiteres ermöglicht. Soziale Prognosen helfen dabei, diese Lücke zu schließen, indem sie es Ihnen ermöglichen, sich auf eine Mission in Richtung der Kunden zu konzentrieren, die dazu bestimmt sind, einen bestimmten Schritt zu machen - zum Beispiel mit der Werbeaktion mitzumachen oder weiter in den Geschäftskanal zu wechseln. Dieses System ist besonders überzeugend angesichts des Aufstiegs von Pay-per-Snap- und Pay-per-Change-Werbung in letzter Zeit.

 

Um diese Prognosen in realen Begriffen zu umreißen, nehmen Sie an, dass die Geschäftsbank derzeit eine weitere Werbeaktion durchführen muss, die auf Klicks ausgerichtet ist, um potenzielle Kunden zu gewinnen. Ein Teil der wahrscheinlichen SBOs könnte ein respektabler Vermittler für die Personen sein, die auf die Werbung tippen wollen. Aber das ist nicht gut - es wird einige SBOs geben, die nicht auf der Suche nach einem Kredit sind. Andere, die noch keine SBOs sind, denken über eine Geschäftsgründung nach und sind vielleicht daran interessiert, sich mit dem Kreditangebot der Bank vertraut zu machen. Eine einfache Vorausschau, welche Kunden wahrscheinlich auf die Anzeige zugreifen werden, kann helfen, diese Probleme zu umgehen.

 

Wahlmöglichkeit #3: Uplift-Vorhersagen

 

Wenn das ultimative Ziel der Bank darin besteht, das nachgelagerte Kundenverhalten zu beeinflussen, anstatt Klicks zu generieren, können Uplift-Vorhersagen viel überzeugender sein. Die Uplift-Modellierung soll vorhersagen, wie jeder Kunde wahrscheinlich auf eine bestimmte Vermittlung reagieren wird - sagen wir, auf eine gezielte Werbeaktion. In der Tat kann sich die Wirkung der Werbung (in Bezug auf die Wahrscheinlichkeit, einen Kredit zu beantragen) selbst bei Kunden, die zum Klicken neigen, bei verschiedenen Kunden ändern. Für einige wenige kann die Anzeige sie zum Kauf überzeugen. Für andere hat sie vielleicht keine Wirkung. Wieder andere gehen vielleicht sogar mit einem schlechteren Eindruck von der Bank und ihren Produkten weg und werden später eher abgeneigt sein, eine neue Kreditlinie zu beantragen. Elevate kann dabei helfen, diese Mitarbeiter zu unterscheiden, um sicherzustellen, dass sich die Werbeaktion auf genau diese Kunden konzentriert, um einen schrittweisen Austausch zu ermöglichen.

 

Fazit

 

Das viel beschworene Ende der Außenseiter-Behandlungen macht zusätzliche Ziele für Organisationen, um die Kraft ihrer ersten Datenerfassung vollständig zu nutzen. Glücklicherweise stößt die Werbetechnikbranche auf eine anständige Anordnung von datenbezogenen Entwicklungen. Insbesondere die Innovation des maschinellen Lernens hat Promotoren dabei unterstützt, Anstrengungen zu unternehmen, die zielgerichteter und umfassender sind als jemals zuvor. Die meisten Organisationen sind derzeit mit Look-Alike-Modellierung vertraut. Dennoch und durch andere ML-Strategien werden regelmäßig bessere Ergebnisse erzielt. Durch das Verbinden von weiterentwickelten ML-Strategien mit außergewöhnlichen ersten Erfassungsdaten können Unternehmen erstklassige Werbeprodukte anbieten, die auf der Suche getrennt werden.

 

Wir Ahdus Technologie kann automatisierte digitale Marketinglösungen zur Verbesserung der Anzeigensegmente entwickeln, um bessere Leads zu generieren. Wir können ein lokales Publikum für Sie erfassen, die mit dem Geschäft verbunden sind und durch Datenwissenschaft können wir sie formen und den Kundenstamm erreichen. Es wird für kleine Unternehmen und Unternehmen hilfreich sein. die Generierung von Kunden wird automatisch den Wert der Kunden zu generieren. das Warten ist vorbei können Sie uns jetzt für Ihre Lösungen für alle Probleme zu kontaktieren.