| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| 15 | 16 | 17 | 18 | 19 | 20 | 21 |
| 22 | 23 | 24 | 25 | 26 | 27 | 28 |
| 29 | 30 | 31 |
- ADP
- 파이썬
- 리액트
- do it
- Kubernetes
- DBSCAN
- bigquery
- 대감집 체험기
- 머신러닝
- 클러스터링
- 캐글
- frontend
- docker
- LDA
- 구글
- python
- 프론트엔드
- 쿠버네티스
- Kaggle
- 타입스크립트
- TooBigToInnovate
- 빅쿼리
- 심층신경망
- 차원 축소
- 대감집
- 최적화
- Machine Learning
- r
- React
- ADP 실기
- Today
- Total
No Story, No Ecstasy
Ad Segments beyond Look-alike Audience Model 본문
Data Science for Ad Segments : Moving Beyond Look-Alike Modeling
Segment Classification, Conversion Predictions, and Uplift Modeling
towardsdatascience.com
Look Alike Segment?
- 주어진 유저 셋과 가장 유사하게 '보이는' 청중을 찾는 기법
- 보통 2개의 정보를 필요로 한다
1. Seed Set
2. Segment Size
Limitation?
- PU learning과 같은 semi-supervised ML -> seed set의 정보만으로 모델링한다.
- 당연히 positive set에 bias가 생길 수 밖에 없다. -> Training의 정확도는 높으나 실제로는 무쓸모일 수도..
- 초기에 데이터가 너무 없어서 케이스를 모으기 위해 사용될 수는 있다.
Alternative #1: Classification
- Positive vs Negative data를 모두 가지고 모델링을 수행하기에 bias가 줄어든다.
Alternative #2: Conversion Predictions
- 향후 Positive set으로 변화될 후보 데이터를 예측하는데 사용될 수 있다.
Alternative #3: Uplift Predictions
- Uplift (증가, 희망) model is a prescriptive technique which predicts how each customer is likely to respond to a marketing action.
It's time to stop wasting marketing spend and start using uplift models - Marketing Tech News
Uplift modeling is the next frontier for data-driven marketers as they cut right to the core: how will each customer respond to a marketing campaign?
marketingtechnews.net
- 특정 광고가 효과적일 것 같은 청중을 타겟팅할 때 효과적일 수 있음
'Data Science Series' 카테고리의 다른 글
| 구글 빅쿼리(BigQuery) 쿼리 속도 높이기 (0) | 2021.10.06 |
|---|---|
| Beta, Gamma, Dirichlet 분포 (0) | 2021.09.07 |
| Attention 메커니즘 (0) | 2021.05.30 |
| 자연어 처리 - Transformer, Bert, GPT-3 (0) | 2021.05.30 |
| 오토인코더 (Autoencoder) (0) | 2021.05.30 |
