Modelagem de público lookalike¶
Sobre o modelo¶
O modelo para modelagem de público lookalike permite descobrir e segmentar clientes novos e de alto valor semelhantes aos clientes mais lucrativos que você já tem. Ao usar modelos personalizados de machine learning em uma Snowflake Data Clean Room segura, você aprimora significativamente suas iniciativas de marketing. O processo começa com a identificação de um público-semente (uma curadoria de seus melhores clientes). Depois disso, o modelo analisa as características e os comportamentos distintos desse público-semente para criar um modelo preditivo. Esse modelo é posteriormente usado para pontuar uma população muito maior, identificando indivíduos que, com base nos perfis de dados deles, têm maior probabilidade de se interessarem por seus produtos ou serviços. O uso de uma sala limpa de dados garante que essa análise poderosa seja feita em colaboração com parceiros sem nunca expor ou compartilhar os dados brutos subjacentes, garantindo a privacidade e a segurança de todas as partes envolvidas. Isso permite uma modelagem mais rica e precisa, combinando insights de diversas fontes de dados em conformidade com a privacidade.
Especifique seu público-semente e selecione as características para treinar um modelo lookalike. Você pode ajustar as rodadas de aumento e o corte de discrepâncias conforme necessário para otimizar o desempenho do modelo. O modelo é treinado com base nas características do seu público-semente e usado para pontuar uma população maior, identificando indivíduos com maior probabilidade de conversão.
Principais casos de uso¶
Aquisição de clientes: encontre novos clientes que sejam semelhantes aos seus clientes atuais mais valiosos.
Aumento do ROI: melhore o retorno sobre o investimento de suas campanhas de marketing, segmentando usuários com maior probabilidade de se interessarem por seus produtos ou serviços.
Expansão do alcance de mercado: descubra novos segmentos de mercado que talvez você nunca tenha considerado.
Publicidade personalizada: oferece experiências de anúncios mais relevantes e personalizadas ao seu público-alvo.
Obtenção da pasta de trabalho e do modelo¶
Baixe as pastas de trabalho e instale-as em duas contas Snowflake separadas, na mesma organização e no mesmo ambiente de hospedagem em nuvem. Os notebooks mostram como criar e executar uma sala limpa com um modelo de previsão de inventário que você pode usar e modificar. O modelo inclui um formato de UI para que você possa executar a sala limpa em código ou na UI de salas limpas. O exemplo permite que o consumidor execute a análise e, opcionalmente, ative os resultados na conta do provedor.
Para testar os modelos com dados de amostra, execute primeiro o gerador de dados de amostra nas suas contas de provedor e consumidor, a fim de gerar dados de amostra para usar com a sala limpa.
Baixar o gerador de tabelas de dados de amostra em Python. Execute esse comando para gerar dados que podem ser utilizados como amostra para os notebooks de consumidor e de provedor.