[Premium]{class="badge positive" title="Erfahren Sie, was in Target Premium enthalten ist."}

Einrichten von A4T-Berichten in Analysis Workspace für Auto-Target -Aktivitäten

Die Integration von Analytics for Target (A4T) für Auto-Target -Aktivitäten verwendet die Algorithmen des maschinellen Lernens (ML) des Adobe Target-Ensembles, um das beste Erlebnis für jeden Besucher basierend auf seinem Profil, Verhalten und Kontext auszuwählen, während eine Zielmetrik vom Typ Adobe Analytics verwendet wird.

Obwohl Rich-Analyse-Funktionen in Adobe Analytics Analysis Workspace verfügbar sind, sind einige Änderungen am standardmäßigen Bedienfeld Analytics for Target erforderlich, um Auto-Target -Aktivitäten korrekt zu interpretieren. Dies liegt an Unterschieden zwischen Experimentierungsaktivitäten (manuell A/B Test und Auto-Allocate) und Personalisierungsaktivitäten (Auto-Target).

Dieses Tutorial führt Sie durch die empfohlenen Änderungen zur Analyse von Auto-Target -Aktivitäten in Analysis Workspace, die auf den folgenden Schlüsselkonzepten basieren:

Erstellen des A4T-Bedienfelds für Auto-Target in Analysis Workspace

Um einen A4T-Bericht für Auto-Target zu erstellen, beginnen Sie entweder mit dem Bedienfeld Analytics for Target in Analysis Workspace (wie unten dargestellt) oder beginnen Sie mit einer Freiformtabelle. Wählen Sie dann die folgenden Optionen aus:

Verwenden Sie die Dimension "Control vs.Targeted", um das ML-Ensemble-Modell Target mit Ihrer Kontrolle zu vergleichen.

Das standardmäßige A4T-Bedienfeld wurde für klassische (manuelle) A/B Test - oder Auto-Allocate -Aktivitäten entwickelt, bei denen das Ziel darin besteht, die Leistung einzelner Erlebnisse mit dem Kontrollerlebnis zu vergleichen. In Auto-Target -Aktivitäten sollte der Vergleich der ersten Reihenfolge jedoch zwischen der Kontrolle strategy und der gezielten strategy erfolgen. Anders ausgedrückt: Bestimmung der Steigerung der Gesamtleistung des ML-Modells Auto-Target im Vergleich zur Kontrollstrategie.

Verwenden Sie für diesen Vergleich die Dimension "Control vs Targeted (Analytics for Target)". Ziehen Sie per Drag-and-Drop die Dimension Target Experiences in den standardmäßigen A4T-Bericht.

Beachten Sie, dass diese Ersetzung die standardmäßigen Lift and Confidence -Berechnungen im A4T-Bedienfeld ungültig macht. Um Verwirrung zu vermeiden, können Sie diese Metriken aus dem Standardbereich entfernen und den folgenden Bericht beibehalten:

Abbildung 2: Der empfohlene Ausgangsbericht für Auto-Target -Aktivitäten. Dieser Bericht wurde so konfiguriert, dass zielgerichteter Traffic (bereitgestellt vom Ensemble ML-Modell) mit Ihrem Kontroll-Traffic verglichen wird.

Aufschlüsselungen von Metriken auf Erlebnisebene hinzufügen

Um weitere Einblicke in die Leistung des Ensemble-ML-Modells zu erhalten, können Sie Aufschlüsselungen auf Erlebnisebene der Dimension Control vs Targeted untersuchen. Ziehen Sie in Analysis Workspace die Dimension Target Experiences in Ihren Bericht und unterteilen Sie dann jede Kontroll- und Zielgruppendimension separat.

Abbildung 3: Aufschlüsseln der Zielgruppendimension nach Target-Erlebnissen

Ein Beispiel für den resultierenden Bericht finden Sie hier.

Abbildung 4: Ein standardmäßiger Auto-Target Bericht mit Aufschlüsselungen auf Erlebnisebene. Beachten Sie, dass Ihre Zielmetrik möglicherweise anders ist und Ihre Kontrollstrategie über ein einziges Erlebnis verfügen kann.

Warum "Visits" die richtige Normalisierungsmetrik für Auto-Target -Aktivitäten ist

Wählen Sie bei der Analyse einer Auto-Target -Aktivität immer Visits als standardmäßige Normalisierungsmetrik. Durch die Personalisierung von Auto-Target wird ein Erlebnis für einen Besucher einmal pro Besuch (formell einmal pro Target Sitzung) ausgewählt. Dies bedeutet, dass sich das einem Besucher angezeigte Erlebnis bei jedem einzelnen Besuch ändern kann. Wenn Sie daher Unique Visitors als Normalisierungsmetrik verwenden, würde die Tatsache, dass einem einzelnen Benutzer (über verschiedene Besuche hinweg) am Ende mehrere Erlebnisse angezeigt werden, zu verwirrenden Konversionsraten führen.

Ein einfaches Beispiel zeigt diesen Punkt: Nehmen wir ein Szenario, in dem zwei Besucher an einer Kampagne teilnehmen, die nur über zwei Erlebnisse verfügt. Der erste Besucher besucht zweimal. Sie werden Erlebnis A beim ersten Besuch, Erlebnis B beim zweiten Besuch zugewiesen (da sich ihr Profilstatus bei diesem zweiten Besuch ändert). Nach dem zweiten Besuch wandelt der Besucher durch eine Bestellung um. Die Konversion wird dem zuletzt angezeigten Erlebnis (Erlebnis B) zugeordnet. Der zweite Besucher besucht auch zweimal. Erlebnis B wird beide Male angezeigt, jedoch nie konvertiert.

Vergleichen wir Berichte auf Besucher- und Besuchsebene:

Tabelle 1: Beispiel für den Vergleich von besuchernormalisierten und besuchsnormalisierten Berichten für ein Szenario, in dem Entscheidungen an einen Besuch gebunden sind (und nicht an Besucher, wie bei regulären A/B-Tests). Besuchernormalisierte Metriken verwirren in diesem Szenario.

Wie in der Tabelle gezeigt, besteht eine eindeutige Unstimmigkeit zwischen Zahlen auf Besucherebene. Obwohl es insgesamt zwei Unique Visitors gibt, handelt es sich hierbei nicht um eine Summe einzelner Unique Visitors für jedes Erlebnis. Auch wenn die Konversionsrate auf Besucherebene nicht unbedingt falsch ist, ergeben Konversionsraten auf Besuchsebene beim Vergleich einzelner Erlebnisse wohl deutlich mehr Sinn. Formell entspricht die Analyseeinheit ("Besuche") der Entscheidungs-Treue, was bedeutet, dass Aufschlüsselungen von Metriken auf Erlebnisebene hinzugefügt und verglichen werden können.

Filtern nach tatsächlichen Besuchen der Aktivität

Die Standardzählmethodik von Adobe Analytics für Besuche einer Target -Aktivität kann Besuche umfassen, bei denen der Benutzer nicht mit der Target -Aktivität interagiert hat. Dies liegt daran, wie Target-Aktivitätszuweisungen im Besucherkontext von Analytics beibehalten werden. Daher kann die Anzahl der Besuche bei der Target -Aktivität manchmal zu hoch sein, was zu einem Rückgang der Konversionsraten führt.

Wenn Sie Berichte zu Besuchen bevorzugen, bei denen der Benutzer tatsächlich mit der Auto-Target -Aktivität interagiert hat (entweder durch Einstieg in die Aktivität, ein Anzeige- oder Besuchsereignis oder eine Konversion), können Sie Folgendes tun:

Erstellen des Segments:

Abbildung 5: Verwenden Sie ein Segment wie das hier gezeigte, um die Metrik Visits in Ihrem A4T nach Auto-Target Bericht zu filtern

Nachdem das Segment erstellt wurde, verwenden Sie es zum Filtern der Metrik Visits , sodass die Metrik Visits nur Besuche enthält, bei denen der Benutzer mit der Aktivität Target interagiert hat.

So filtern Sie Visits mit diesem Segment:

Das endgültige Bedienfeld wird wie folgt angezeigt:

Abbildung 6: Berichtsfenster mit dem Segment "Treffer mit bestimmter Aktivität vom Typ Automatisches Targeting", das auf die Metrik Visits angewendet wird. Dieses Segment stellt sicher, dass nur Besuche in den Bericht aufgenommen werden, bei denen ein Benutzer tatsächlich mit der betreffenden Target -Aktivität interagiert hat.

Stellen Sie sicher, dass die Zielmetrik und Attribution mit Ihrem Optimierungskriterium übereinstimmen.

Durch die A4T-Integration kann das Auto-Target ML-Modell trainiert werden, indem dieselben Konversionsereignisdaten verwendet werden, die Adobe Analytics zum Generieren von Leistungsberichten verwendet . Es gibt jedoch bestimmte Annahmen, die bei der Interpretation dieser Daten bei der Schulung der ML-Modelle zugrunde gelegt werden müssen, die sich von den Standardannahmen unterscheiden, die während der Berichterstellungsphase in Adobe Analytics vorgenommen wurden.

Insbesondere verwenden die ML-Modelle Adobe Target ein besuchsspezifisches Attributionsmodell. Das heißt, die ML-Modelle gehen davon aus, dass eine Konversion im selben Besuch wie eine Inhaltsanzeige für die Aktivität erfolgen muss, damit die Konversion der vom ML-Modell getroffenen Entscheidung "zugeordnet"wird. Dies ist erforderlich, damit Target eine zeitnahe Schulung seiner Modelle gewährleistet. Target kann nicht bis zu 30 Tage auf eine Konversion warten (das standardmäßige Attributionsfenster für Berichte in Adobe Analytics), bevor es in die Trainings-Daten für seine Modelle aufgenommen wird.

Daher kann der Unterschied zwischen der von den Target -Modellen (während des Trainings) verwendeten Attribution und der bei der Abfrage von Daten verwendeten Standardzuordnung (während der Berichterstellung) zu Diskrepanzen führen. Es kann sogar so aussehen, dass die ML-Modelle nur schlecht funktionieren, wenn das Problem in der Tat mit der Attribution liegt.

Die genaue Metrikdefinition und die Attributionseinstellungen hängen vom Optimierungskriterium ab, das Sie bei der Erstellung der Aktivität angegeben haben.

Zieldefinierte Konversionen oder Analytics Metriken mit Metrikwert pro Besuch maximieren

Wenn es sich bei der Metrik um eine Target Konversion oder um eine Analytics Metrik mit dem Wert Metrik pro Besuch maximieren handelt, ermöglicht die Zielmetrikdefinition, dass im selben Besuch mehrere Konversionsereignisse auftreten.

Gehen Sie wie folgt vor, um Zielmetriken anzuzeigen, die dieselbe Attributionsmethodik aufweisen, die von den Target ML-Modellen verwendet wird:

Diese Schritte stellen sicher, dass Ihr Bericht die Zielmetrik der Anzeige des Erlebnisses zuordnet, wenn das Zielmetrikereignis beliebige Zeit ("Beitrag") im selben Besuch stattfand, in dem ein Erlebnis angezeigt wurde.

Analytics Metriken mit Konversionsraten bei individuellen Besuchen

Definieren des Besuchs mit positivem Metriksegment

In dem Szenario, in dem Sie die Konversionsrate individueller Besuche maximieren als Optimierungskriterium ausgewählt haben, ist die korrekte Definition der Konversionsrate der Anteil der Besuche, in dem der Metrikwert positiv ist. Dies kann erreicht werden, indem ein Segment erstellt wird, das nach Besuchen mit einem positiven Wert der Metrik filtert und dann die Besuchsmetrik filtert.

Abbildung 7: Die Segmentdefinition, die nach Besuchen mit einer positiven Reihenfolge filtert. Abhängig von der Optimierungsmetrik Ihrer Aktivität müssen Sie Bestellungen durch eine entsprechende Metrik ersetzen

Wenden Sie dies auf die Besuche in der Aktivitätsgefilterten Metrik an

Dieses Segment kann jetzt verwendet werden, um nach Besuchen mit einer positiven Anzahl von Bestellungen zu filtern und dort, wo ein Treffer für die Auto-Target -Aktivität stattgefunden hat. Das Verfahren zum Filtern einer Metrik ähnelt dem vorherigen und nach Anwendung des neuen Segments auf die bereits gefilterte Besuchsmetrik sollte das Berichtsbedienfeld wie in Abbildung 8 dargestellt aussehen

Abbildung 8: Berichtbereich mit der korrekten Konversionsmetrik für Unique Visits: die Anzahl der Besuche, bei denen ein Treffer aus der Aktivität aufgezeichnet wurde und bei denen die Konversionsmetrik (Bestellungen in diesem Beispiel) ungleich null war.

Endlicher Schritt: Erstellen Sie eine Konversionsrate, die die oben genannte Magie erfasst

Mit den Änderungen an den Metriken Visit und Auto-Target in den vorherigen Abschnitten sollten Sie die letzte Änderung an Ihrem standardmäßigen A4T-Berichtsbereich für vornehmen, indem Sie Konversionsraten erstellen, die das richtige Verhältnis - das der korrigierten Zielmetrik - zu einer entsprechend gefilterten Metrik "Besuche"aufweisen.

Erstellen Sie dazu einen Calculated Metric , indem Sie die folgenden Schritte ausführen:

Die vollständige Definition der berechneten Metrik wird hier angezeigt.

Abbildung 7: Die Metrikdefinition für die besuchskorrigierte und zuordnungskorrigierte Modellkonversionsrate. (Beachten Sie, dass diese Metrik von Ihrer Zielmetrik und -aktivität abhängt. Mit anderen Worten: Diese Metrikdefinition kann nicht über mehrere Aktivitäten hinweg wiederverwendet werden.)

Zusammenfassung: Endgültiges Beispiel für Analysis Workspace für Auto-Target Berichte

Wenn Sie alle oben genannten Schritte in einem Bedienfeld zusammenfassen, zeigt die Abbildung unten eine vollständige Ansicht des empfohlenen Berichts für Auto-Target A4T-Aktivitäten. Dieser Bericht entspricht dem Bericht, den die Target ML-Modelle zur Optimierung Ihrer Zielmetrik verwenden. Der Bericht enthält alle in diesem Tutorial behandelten Nuancen und Empfehlungen. Dieser Bericht ähnelt auch den Zählmethodiken, die bei herkömmlichen Target berichtgesteuerten Auto-Target Aktivitäten verwendet werden.

Klicken Sie auf , um das Bild zu erweitern.

Abbildung 10: Der endgültige A4T Auto-Target -Bericht in Adobe Analytics Workspace, der alle Anpassungen an Metrikdefinitionen kombiniert, die in den vorherigen Abschnitten dieses Tutorials beschrieben wurden.