La modélisation probabiliste est beaucoup plus complexe et nuancée dans la façon dont elle identifie un utilisateur tel qu`il s`appuie, comme son nom l`indique, sur la probabilité. Ces données sont générées en collectant des points de données anonymes à partir du comportement de navigation d`un utilisateur et en les comparant à des points de données déterministes. La modélisation probabilistique des données identifie les utilisateurs en les associant à un utilisateur connu qui présente un comportement de navigation similaire. En agrégeant ces points de données et en les branchant dans des algorithmes de déduplication, des profils d`audience détaillés peuvent être obtenus à partir d`informations incomplètes. Pour des raisons évidentes, déterministe peut sembler la meilleure option puisque l`objectif de collecter des données est de toujours venir aussi près que possible d`identifier qui est votre public. Cependant, cela ne signifie pas que probabiliste n`est pas utile. Les données probabilistes offrent l`élément d`échelle. Bien qu`il ne soit pas certain que vous atteignez votre utilisateur exact ou votre ménage désiré, il est probable et votre meilleur pari quand un match déterministe n`est pas disponible. Maintenant que nous avons couvert les différents types de modélisation de données, la semaine prochaine nous explorerons les différences entre l`achat d`audience et l`achat contextuel. Références: Alon, Noga; Spencer, Joel H. (2000).
La méthode probabiliste (2ed). New York: Wiley-Interscience. ISBN 0-471-37046-0. Billingsley, Patrick, (1995). Probabilité et mesure, troisième édition. New York: Wiley. Erdős, P. (1959).
Graphes et probabilités. Canad. J. Math. 11 (0): 34 – 38. doi: 10.4153/CJM-1959-003-9. M. 0102081. Erdős, P. (1961).
Graphes et probabilités, II. Canad. J. Math. 13 (0): 346 – 352. doi: 10.4153/CJM-1961-029-9. M. 0120168.
Humphreys, Paul, (1989). Les chances d`explication: explications causaux dans les sciences sociales, médicales et physiques. Princeton: Princeton University Press. La modélisation déterministe repose sur une preuve définitive de l`identité d`un utilisateur, par exemple via une connexion utilisateur. Cela signifie que la majorité des données de l`éditeur de première partie relèvent de la catégorie déterministe. La raison pour laquelle les données de première partie sont si précieuses est qu`il peut être déterminé vrai ou faux. Si un éditeur possède des données sur un utilisateur via une connexion, l`éditeur peut définitivement identifier l`utilisateur la prochaine fois qu`il ou elle visite ou se connecte. Chez coursera, vous trouverez les meilleures conférences au monde. Voici quelques-unes de nos recommandations personnalisées pour vous une méthode ou un modèle probabiliste est basé sur la théorie de la probabilité ou le fait que le caractère aléatoire joue un rôle dans la prédiction des événements futurs. Le contraire est déterministe, ce qui est le contraire du hasard-il nous dit quelque chose peut être prédit exactement, sans la complication supplémentaire de l`aléatoire.
Comment pouvez-vous mettre les données au travail pour vous? Plus précisément, comment les chiffres d`une feuille de calcul nous parlent-ils des activités commerciales actuelles et passées, et comment pouvons-nous les utiliser pour prévoir l`avenir? La réponse est de construire des modèles quantitatifs, et ce cours est conçu pour vous aider à comprendre les fondements de cette compétence critique, fondamentale, d`affaires. Grâce à une série de brèves conférences, démonstrations et affectations, vous apprendrez les idées clés et le processus de modélisation quantitative afin que vous puissiez commencer à créer vos propres modèles pour votre propre entreprise ou entreprise. À la fin de ce cours, vous aurez vu une variété de modèles quantitatifs pratiques couramment utilisés ainsi que les blocs de construction qui vous permettront de commencer à structurer vos propres modèles.