フォローする

類似モデル(lookalikeモデル)が実装されました

Cxense DMP は類似モデルのサポートを開始しました。
既存のセグメントで、類似したオーディエンスの目標サイズを設定して有効化することで作成可能です。
DMPでは新しいユーザーが類似モデルに合致するか認識するために、機械学習を自動的に適用します。

例えば、CRMデータに基づいた女性ユーザーを対象としたセグメントをすでに作成しているとします。
類似モデルを有効化し、目標サイズを50%に設定します。
学習モデルは元々のセグメントに基づいて生成され、類似した新規ユーザーの50%を類似モデルに分類します。

類似モデルが慣熟してくると、その統計情報が取得できるようになります。
リフトチャート(下記図参照)は無作為抽出に比べて、より良く予測に沿った類似モデルのオーディエンスを表示することができます。
垂直線は現在の目標サイズを示しています。

上記のチャートにおいて灰色のラインに類似モデルのリフトを見ることができます。
そして、現在の目標サイズ(5%)が大体10であることを確認出来るでしょう。

10の位置にあるリフトスコアは、セグメントに含まれるユーザーを
ランダムに抽出した場合に比べてより正確に精査して推測します。

リフトスコア(言い換えると精度)は、大体のパターンでは高くなり、ターゲットサイズは低くなります。
重要なことは、ターゲットの比率とモデルから期待できる精度の間にはトレードオフが存在することを理解することです。従って、ターゲットサイズを高すぎないように設定しないようにしましょう。
高すぎるターゲットサイズの設定は、類似モデルから得られるメリットが少なくなります。

類似モデルは内部のユーザープロファイルとセグメント外のユーザーの属性を基準にして
徐々に成長していきます。類似モデルが慣熟してくると、どのような属性のユーザーが含まれるかを重点的に見る事が出来るようになってきます。

上記のスクリーンショットでは、セグメント内でのユーザーの主な属性 (Positive Signals)と セグメント外のユーザーの主な属性 (Negative signals)を視認出来る事を表しています。

さらに情報が必要な場合には弊社Wiki内、類似モデルのドキュメントをご参照ください。

Lookalike modeling introduction

類似モデル機能がお役に立つ事と、お客様からのフィードバックをお待ちしております。

他にご質問がございましたら、リクエストを送信してください

コメント

Powered by Zendesk