Guardare sotto il cappuccio della modellazione dei sosia

Nel frenetico mercato digitale di oggi, essere all'avanguardia rispetto alla concorrenza è una priorità assoluta. Ciò significa che, in qualità di media buyer, siete sempre alla ricerca di modi per migliorare il vostro targeting, in modo da ottenere il massimo dai vostri dollari pubblicitari. 

È probabile che abbiate usato il lookalike modeling per ottimizzare la spesa pubblicitaria. Con la modellazione dei lookalike, potete utilizzare i vostri dati di prima parte per creare un pubblico ampliato di persone che hanno maggiori probabilità di conversione o coinvolgimento. Ma senza una comprensione completa del funzionamento della modellazione dei lookalike, potreste non sfruttare appieno le capacità di questo potente strumento basato sull'apprendimento automatico. 

Che cos'è il lookalike modeling?

Con l'aiuto di tecniche di apprendimento automatico, il lookalike modeling prende un insieme di dati - definito "seed set" - dei vostri clienti esistenti e lo utilizza per creare un nuovo, più ampio pubblico di potenziali acquirenti che condividono attributi e comportamenti simili.

Grazie a questi attributi e comportamenti condivisi, ora disponete di un gruppo di persone altamente rilevanti che hanno maggiori probabilità di essere interessate ai vostri prodotti o servizi. 

Dietro le quinte: come funziona la modellazione dei sosia

Ora che conosciamo la definizione generale di lookalike modeling, è il momento di vedere cosa succede "sotto il cofano". Comprendendo il funzionamento del lookalike modeling, sarete in grado di ottimizzare il vostro budget pubblicitario e di ridurre la spesa pubblicitaria inefficiente. 

Anche se ogni piattaforma programmatica avrà i propri metodi, ci sono alcuni elementi comuni al processo di modellazione dei lookalike:

Raccolta dati

Il vostro set di semi di "clienti ideali" è costruito utilizzando i dati di prima parte. È molto probabile che non sia necessario includere tutti o anche solo la maggior parte dei dati di prima parte per creare il vostro seed set. Infatti, ogni piattaforma programmatica ha limitazioni diverse sui punti di dati che può abbinare ai dati di prima parte per trovare i clienti ideali nella sua rete. Ma i dati di prima parte che non utilizzate possono comunque essere utili nella fase di pre-semina, per filtrare e individuare i clienti di maggior valore. 

I dati del seed set da utilizzare dipendono dagli obiettivi della campagna. Ad esempio, i dati utilizzati per costruire un seed set per una campagna rivolta alle persone che hanno maggiori probabilità di acquistare il prodotto A potrebbero essere costituiti da un elenco di clienti filtrati in base a informazioni comportamentali o sulla cronologia degli acquisti relativi al prodotto A, come acquisti recenti, acquisti ripetuti e l'aggiunta del prodotto al carrello. 

Analisi dei dati

Poiché gli attributi (e i comportamenti) su cui scegliete di concentrarvi costituiranno la base del vostro pubblico lookalike, vorrete creare pubblici con attributi che si adattino bene agli obiettivi della vostra campagna. Le piattaforme programmatiche utilizzeranno poi una serie di tecniche, tra cui gli algoritmi di machine learning, per analizzare i dati del seed set e identificare modelli e somiglianze in questi attributi.

Ad esempio, supponiamo che l'obiettivo sia quello di aumentare la notorietà del marchio. In questo caso, la piattaforma potrebbe identificare i modelli di attributi e comportamenti relativi agli interessi del vostro gruppo di utenti più ampio, al comportamento sui social media e all'affinità con il marchio. Per una campagna di conversione, invece, i modelli della cronologia degli acquisti, del comportamento negli acquisti online, dell'affinità con i prodotti e delle conversioni nella piattaforma saranno probabilmente migliori predittori. Per entrambi gli obiettivi, inoltre, potrebbero essere rilevanti alcuni attributi demografici e geografici.

Dovrete anche trovare un equilibrio tra qualità e scala quando scegliete gli attributi da analizzare e utilizzare per il vostro modello di lookalike. Un maggior numero di attributi significa un pubblico più mirato, ma è probabile che si finisca per avere un pubblico di sosia molto più piccolo. 

Creazione di modelli/utenti simili

In questa fase, la piattaforma programmatica utilizza tecniche di apprendimento automatico per costruire e addestrare il modello dei sosia. Questo modello include gli attributi e i comportamenti identificati che possono essere utilizzati per creare un pubblico personalizzato di persone che condividono attributi e comportamenti simili.

Una volta creato, il modello di lookalike non è definitivo. Al contrario, la piattaforma programmatica continuerà a perfezionarlo, basandosi su eventuali nuovi dati o variabili che si presentano o vengono aggiunti. La piattaforma può anche adattare o modificare di volta in volta i suoi algoritmi proprietari di apprendimento automatico per riflettere eventuali cambiamenti nel pubblico di destinazione, ad esempio l'inflazione può far sì che i clienti diventino più attenti al prezzo, causando un cambiamento nel loro comportamento di acquisto. 

Apprendimento automatico e modellazione dei lookalike

L'apprendimento automatico guida il processo di modellazione dei lookalike e ogni piattaforma programmatica ha i propri algoritmi di apprendimento automatico. 

Nella modellazione dei lookalike vengono comunemente utilizzati diversi tipi di tecniche di apprendimento automatico. Di seguito sono riportate spiegazioni semplificate di alcune delle tecniche più diffuse:

  • Apprendimento PU: L'apprendimento PU (positive-unlabeled learning) funziona con dati che contengono solo esempi positivi ed esempi non etichettati. L'insieme di semi contiene esempi positivi (ad esempio, clienti che aggiungono articoli al carrello). L'apprendimento PU utilizza questi esempi positivi per identificare gli esempi non etichettati nei dati della piattaforma programmatica che sono simili agli esempi positivi. 
  • Macchine a incremento di gradiente (GBM): Utilizzando un processo iterativo, le GBM identificano gli attributi del mercato target utilizzando alberi decisionali per prevedere i risultati (ad esempio, se a una persona piace cucinare), individuare gli errori e creare nuovi alberi decisionali che correggano tali errori. Questi alberi decisionali hanno in genere un singolo nodo radice da cui si diramano altri nodi e l'utente stabilisce una profondità massima, in base agli obiettivi e al set di dati. 
  • Regressione logistica: La regressione logistica è una tecnica di apprendimento automatico che prevede la probabilità che si verifichi un evento (ad esempio, il rinnovo di un abbonamento) identificando modelli tra le caratteristiche del pubblico e l'attributo desiderato (il rinnovo dell'abbonamento).
  • Foreste casuali: Come indica il nome, la tecnica delle foreste casuali utilizza diversi alberi decisionali per fare previsioni basate sulle caratteristiche dei clienti (ad esempio, se qualcuno farà clic su un link). Quindi prende il consenso complessivo di questi alberi decisionali per formare una previsione finale.
  • Reti neurali: Proprio come il cervello umano, le reti neurali utilizzano nodi interconnessi ("neuroni") per eseguire calcoli complessi su dati di input costituiti dalle caratteristiche dei clienti (ad esempio, età, sesso, posizione). Il risultato è un punteggio di probabilità che predice la probabilità dell'attributo desiderato (ad esempio, l'impegno in un post sui social media) in base a queste caratteristiche.
  • Macchine vettoriali di supporto (SVM): Le SVM funzionano trovando il confine (noto come iperpiano) che separa meglio i clienti che presentano l'attributo desiderato (ad esempio, l'interesse per lo sport) da quelli che non lo presentano. 
  • K-nearest Neighbors (KNN): KNN utilizza la prossimità per fare previsioni. Il "k" si riferisce al numero di vicini più prossimi, in base alla loro distanza (o somiglianza) rispetto all'attributo target, utilizzato per fare la previsione (ad esempio, se un cliente compilerà un modulo online). 

Pro e contro della modellazione dei sosia

Il lookalike modeling offre agli inserzionisti diversi vantaggi:

  • può ampliare i dati limitati di prima parte
  • miglioramento delle prestazioni degli annunci
  • targeting efficiente
  • Acquisizione dei clienti efficace dal punto di vista dei costi
  • migliore conversione e generazione di lead

Il rovescio della medaglia, però, sono i contro:

  • la mancanza di diversità nei set di semi e nei dati degli algoritmi di apprendimento automatico può portare a pregiudizi
  • richiede un set di dati statici di qualità
  • non incorpora dati di prima parte in tempo reale per catturare cambiamenti comportamentali o di preferenze
  • non è in grado di identificare i pubblici non sfruttati

Sfruttare il potenziale della modellazione dei sosia

Con la potenza del lookalike modeling, potete costruire un pubblico di potenziali acquirenti che condividono attributi e comportamenti simili ai vostri clienti più preziosi, aumentando la probabilità di conversioni. 

È inoltre possibile migliorare i contro della modellazione dei lookalike arricchendo i dati di prima parte con i dati di ShareThis . Le nostre capacità avanzate di data science utilizzano le più recenti tecniche best-in-class per arricchire il vostro pubblico seed, facendo la differenza quando si tratta di lookalike modeling. Mettiti in contatto con noi per saperne di più. 

Informazioni su ShareThis

ShareThis ha sbloccato il potere del comportamento digitale globale sintetizzando i dati di condivisione sociale, interesse e intenzione dal 2007. Alimentato dal comportamento dei consumatori su oltre tre milioni di domini globali, ShareThis osserva le azioni in tempo reale di persone reali su destinazioni digitali reali.

Iscriviti alla nostra newsletter

Ricevete le ultime notizie, i suggerimenti e gli aggiornamenti

Iscriviti

Contenuto correlato