Auto-Allocate

Eine Auto-Allocate Aktivität in Adobe Target ermittelt aus zwei oder mehr Erlebnissen den Gewinner und weist dem Gewinner automatisch mehr Traffic zu, um die Konversionen während der Fortführung des Tests und des Lernens zu erhöhen.

Wählen beim Erstellen einer A/BAktivität mithilfe des angeleiteten dreistufigen Workflows die Option Auto-Allocate to best experience auf der Seite Targeting (Schritt 2).

Die Herausforderung section_85D5A03637204BACA75E19646162ACFF

Mit A/B-Standardtests sind Kosten verbunden. Sie müssen Traffic generieren, um die Leistung jedes einzelnen Erlebnisses zu messen und durch Analysen die erfolgreichsten Erlebnisse zu ermitteln. Die Verteilung von Traffic bleibt auch dann festgelegt, wenn Sie erkennen, dass einige Erlebnisse andere übertreffen. Außerdem ist es schwierig, die Stichprobengröße korrekt zu bestimmen, und die Aktivität muss komplett durchlaufen, bevor Sie einen Sieger finden. Und es besteht immer noch eine Chance, dass der ermittelte Gewinner kein wahrer Gewinner ist.

Die Lösung: Auto-Allocate section_98388996F0584E15BF3A99C57EEB7629

Eine Auto-Allocate Aktivität reduziert diese Kosten und den Mehraufwand für die Bestimmung eines erfolgreichsten Erlebnisses. Auto-Allocate überwacht die Leistung aller Erlebnisse anhand der Zielmetrik und sendet proportional mehr neue Teilnehmer zu den besonders leistungsstarken Erlebnissen. Es wird ausreichend Traffic für die Erkundung der anderen Erlebnisse reserviert. Sie können die Vorteile des Tests an Ihren Ergebnissen erkennen, selbst wenn die Aktivität gerade ausgeführt wird: Die Optimierung erfolgt parallel zum Lernen.

Auto-Allocate bewegt Besucher schrittweise in Richtung erfolgreicher Erlebnisse, anstatt zu warten, bis eine Aktivität beendet wird, um einen Gewinner zu bestimmen. Sie profitieren schneller von Steigerungen, da den Aktivitätsteilnehmern, die zu weniger erfolgreichen Erlebnissen geleitet worden wären, nun potenziell erfolgreiche Erlebnisse angezeigt werden.

Ein normaler A/B-Test in Target zeigt nur paarweise Vergleiche von Herausforderern mit der Kontrolle. Wenn beispielsweise eine Aktivität die Erlebnisse A, B, C und D aufweist, wobei A die Kontrolle ist, würde ein normaler Target-A/B-Test A mit B, A mit C und A mit D vergleichen.

Bei solchen Tests verwenden die meisten Produkte, einschließlich Target, einen Welchs t-Test, um ein auf p-Werten basierendes Vertrauen herzustellen. Mithilfe dieses Konfidenzwerts wird dann ermittelt, ob sich der Herausforderer ausreichend vom Kontrollelement unterscheidet. Target führt jedoch nicht automatisch die impliziten Vergleiche (B versus C, B versus D und C versus D) durch, die erforderlich sind, um das „beste“ Erlebnis zu finden. Aus diesem Grund müssen Marketingexperten die Ergebnisse manuell analysieren, um das Gewinnererlebnis zu ermitteln.

Auto-Allocate führt alle impliziten Vergleiche über Erlebnisse hinweg durch und erzeugt einen „echten“ Gewinner. Es gibt in diesem Test keinen Bedarf für ein „Kontrollerlebnis“.

Auto-Allocate ordnet neue Besucher auf intelligente Weise Erlebnissen zu, bis sich das Konfidenzintervall des besten Erlebnisses nicht mit dem Konfidenzintervall eines anderen Erlebnisses überschneidet. Normalerweise könnte dieser Vorgang falsch-positive Ergebnisse hervorrufen, aber Auto-Allocate verwendet Konfidenzintervalle, die auf der Bernstein-Ungleichung basieren und wiederholte Auswertungen kompensieren. An dieser Stelle gibt es einen wahren Gewinner. Wenn Auto-Allocate stoppt, sofern es keine wesentliche Zeitabhängigkeit für die Besucher gibt, die auf die Seite gelangen, besteht eine Chance von mindestens 95 %, dass Auto-Allocate ein Erlebnis zurückgibt, dessen wahre Antwort nicht schlechter als 1 % (relativ) weniger ist als die wahre Antwort des erfolgreichsten Erlebnisses.

Verwendung von Auto-Allocate im Vergleich zu A/B Test oder Automated Personalization Aktivitäten section_3F73B0818A634E4AAAA60A37B502BFF9

  • Verwenden Sie Auto-Allocate, wenn Sie Ihre Aktivität von Anfang an optimieren und die erfolgreichsten Erlebnisse so schnell wie möglich identifizieren möchten. Wenn Sie häufiger Erlebnisse mit hoher Performance bereitstellen, wird die Gesamtleistung der Aktivität gesteigert.
  • Verwenden Sie einen standardmäßigen A/B Test, wenn Sie die Leistung aller Erlebnisse charakterisieren möchten, bevor Sie Ihre Site optimieren. Mit einem A/B-Test können Sie alle Ihre Erlebnisse nach ihrer Leistung ordnen. Auto-Allocate findet zwar die besten, garantiert aber nicht die Unterscheidung zwischen den schlechteren Erlebnissen.
  • Verwenden Sie Automated Personalization wenn Sie Optimierungsalgorithmen mit höchster Komplexität benötigen, z. B. Modelle für maschinelles Lernen, die Prognosen basierend auf einzelnen Profilattributen erstellen. Auto-Allocate betrachtet das aggregierte Verhalten von Erlebnissen (genau wie Standard-A/B-Tests) und unterscheidet nicht zwischen Besuchern.

Die wichtigsten Vorteile von Auto-Allocate section_0913BF06F73C4794862561388BBDDFF0

  • Behält die Genauigkeit eines A/B-Tests bei
  • Ermittelt einen statistisch bedeutenden Sieger schneller als mit manuellen A/B-Tests
  • Bietet höhere durchschnittliche Kampagnensteigerungen im Vergleich zu manuellen A/B-Tests

Terminologie section_670F8785BA894745B43B6D4BFF953188

Die folgenden Begriffe sind bei der Erörterung von Auto-Allocate hilfreich:

Mehrarmiger Bandit: Ein Mehrarmiger Bandit-Ansatz für die Optimierung bringt entdeckendes Lernen und die Nutzung des Erlernten miteinander in Einklang.

Funktionsweise des Algorithmus section_ADB69A1C7352462D98849F2918D4FF7B

Die Logik hinter Auto-Allocate umfasst sowohl die gemessene Leistung (z. B. die Konversionsrate) als auch die Konfidenzintervalle der kumulativen Daten. Im Gegensatz zu einem standardmäßigen A/B-Test, bei dem der Traffic gleichmäßig auf die Erlebnisse aufgeteilt wird, ändert Auto-Allocate die Traffic-Zuordnung zwischen den Erlebnissen.

  • 80 % der Besucher werden mithilfe der unten beschriebenen intelligenten Logik zugeordnet.
  • 20 % der Besucher werden nach dem Zufallsprinzip allen Erlebnissen zugewiesen, um sich an das sich ändernde Besucherverhalten anzupassen.

Die Multi-Armed Bandit-Methode hält einige Erlebnisse für die Erforschung frei, während die leistungsstarken Erlebnisse ausgewertet werden. Es werden mehr neue Besucher in leistungsstärkere Erlebnisse platziert, und gleichzeitig wird die Reaktionsfähigkeit auf sich ändernde Bedingungen beibehalten. Diese Modelle werden mindestens einmal pro Stunde aktualisiert, um sicherzustellen, dass das Modell auf die neuesten Daten reagiert.

Sobald mehr Besucher an der Aktivität teilnehmen, erweisen sich einige Erlebnisse als erfolgreicher und erhalten mehr Traffic. 20 Prozent des Datenverkehrs werden weiterhin per Zufall verteilt, um alle Erlebnisse zu erforschen. Wenn ein Erlebnis mit einer schlechteren Leistung anfängt, sich zu verbessern, erhält es mehr Traffic. Oder: Wenn eine erfolgreiche Aktivität nachlässt, wird diesem Erlebnis weniger Traffic zugeordnet. Zum Beispiel wenn ein Ereignis dazu führt, dass Besucher nach anderen Informationen auf Ihrer Medienwebsite suchen oder wenn Wochenendverkäufe auf Ihrer Retail-Website unterschiedliche Ergebnisse liefern.

Die folgende Abbildung zeigt, wie der Algorithmus bei einem Test mit vier Erlebnissen funktionieren könnte (klicken Sie hier, um die Abbildung zu erweitern):

Bild automatisch zuweisen {width="600" modal="regular"}

Die Abbildung zeigt, wie sich der den einzelnen Erlebnissen zugeordnete Traffic ändert, während die Aktivität mehrere Runden durchläuft, bis ein Gewinner gefunden ist.

Rund
Beschreibung
Aufwärmrunde {width="200" modal="regular"}

Aufwärmrunde (0): Während der Aufwärmrunde wird für jedes Erlebnis gleich viel Traffic zugeteilt, bis jedes Erlebnis in der Aktivität mindestens 1.000 Besucher und 50 Konversionen aufweist.

  • Erlebnis A = 25 %
  • Erlebnis B = 25 %
  • Erlebnis C = 25 %
  • Erlebnis D = 25 %

Nachdem jedes Erlebnis 1.000 Besucher und 50 Konversionen erreicht hat, startet Target die automatische Traffic-Zuordnung. Sämtliche Zuordnungen werden in Runden vorgenommen, wobei für jede Runde zwei Erlebnisse herausgesucht werden.
Nur zwei Erlebnisse gehen in die nächste Runde über: D und C
Vorwärts bedeutet, dass die beiden Erlebnisse zu 80 % dem Traffic gleich zugewiesen werden. Die beiden anderen Erlebnisse sind weiterhin Teil der Teilnahme, werden aber nur als Teil der 20-%-Traffic-Zuordnung bereitgestellt, wenn neue Besucher in die Aktivität eintreten.
Sämtliche Zuordnungen werden stündlich aktualisiert (erkennbar an der Rundenangabe auf der X-Achse in der Abbildung oben). Nach jeder Runde werden die kumulativen Daten verglichen.

Runde 1 {width="200" modal="regular"}

Runde 1: Während dieser Runde werden 80% des Traffics den Erlebnissen C und D zugeordnet (jeweils 40%). 20 % des Traffics werden auf zufälliger Basis den Erlebnissen A, B, C und D zugeordnet (jeweils 5 %). Während dieser Runde werden beim Erlebnis A gute Leistungen verzeichnet.

  • Der Algorithmus wählt Erlebnis D aus, um in die nächste Runde zu wechseln, da er die höchste Konversionsrate hat (wie durch die vertikale Skala jeder Aktivität angegeben).
  • Außerdem wählt der Algorithmus auch das Erlebnis A für die nächste Runde aus, da es die höchste Obergrenze des Bernstein-95-%-Konfidenzintervalls der verbleibenden Erlebnisse erreicht hat.

Die Erlebnisse D und A gelangen eine Runde weiter.

Runde 2 {width="200" modal="regular"}

Runde 2: Während dieser Runde werden 80% des Traffics den Erlebnissen A und D zugeordnet (jeweils 40%). 20 % des Traffics werden auf zufälliger Basis zugeordnet, das heißt A, B, C und D erhalten jeweils 5 % des Traffics. Während dieser Runde werden beim Erlebnis B gute Leistungen verzeichnet.

  • Der Algorithmus wählt Erlebnis D aus, um in die nächste Runde zu wechseln, da er die höchste Konversionsrate hat (wie durch die vertikale Skala jeder Aktivität angegeben).
  • Außerdem wählt der Algorithmus auch das Erlebnis B für die nächste Runde aus, da es die höchste Obergrenze des Bernstein-95-%-Konfidenzintervalls der verbleibenden Erlebnisse erreicht hat.

Die Erlebnisse D und B gelangen eine Runde weiter.

Runde 3 {width="200" modal="regular"}

Runde 3: Während dieser Runde werden 80% des Traffics den Erlebnissen B und D zugeordnet (jeweils 40%). 20 % des Traffics werden auf zufälliger Basis zugeordnet, das heißt A, B, C und D erhalten jeweils 5 % des Traffics. Während dieser Runde werden beim Erlebnis D weiterhin gute Leistungen verzeichnet und auch das Erlebnis C läuft gut.

  • Der Algorithmus wählt Erlebnis D aus, um in die nächste Runde zu wechseln, da er die höchste Konversionsrate hat (wie durch die vertikale Skala jeder Aktivität angegeben).
  • Außerdem wählt der Algorithmus auch das Erlebnis C für die nächste Runde aus, da es die höchste Obergrenze des Bernstein-95-%-Konfidenzintervalls der verbleibenden Erlebnisse erreicht hat.

Die Erlebnisse D und C gelangen eine Runde weiter.

Runde 4 {width="200" modal="regular"}

Runde 4: Während dieser Runde werden 80% des Traffics den Erlebnissen C und D zugeordnet (jeweils 40%). 20 % des Traffics werden auf zufälliger Basis zugeordnet, das heißt A, B, C und D erhalten jeweils 5 % des Traffics. Während dieser Runde werden beim Erlebnis C gute Leistungen verzeichnet.

  • Der Algorithmus wählt Erlebnis C aus, um in die nächste Runde zu gelangen, da es die höchste Konversionsrate aufweist (wie durch die vertikale Skala jeder Aktivität angegeben).
  • Außerdem wählt der Algorithmus auch das Erlebnis D für die nächste Runde aus, da es die höchste Obergrenze des Bernstein-95-%-Konfidenzintervalls der verbleibenden Erlebnisse erreicht hat.

Die Erlebnisse C und D gelangen eine Runde weiter.

Runde n {width="200" modal="regular"}

Round n: Im Laufe der Aktivität beginnt ein leistungsstarkes Erlebnis zu entstehen, und der Prozess wird fortgesetzt, bis es ein erfolgreichstes Erlebnis gibt. Wenn sich das Konfidenzintervall des Erlebnisses mit der höchsten Konversionsrate nicht mit dem Konfidenzintervall eines anderen Erlebnisses überschneidet, wird es als Gewinner gekennzeichnet. Ein Abzeichen wird auf der Seite der gewinnenden Aktivitätin der Activity angezeigt.

  • Der Algorithmus erklärt das Erlebnis C zum klaren Gewinner.

An diesem Punkt ordnet der Algorithmus 80 % des Traffics Erlebnis C zu, während 20 % des Traffics weiterhin auf zufälliger Basis allen Erlebnissen (A, B, C und D) zugeordnet werden. C erhält insgesamt 85 % des Traffics. In dem unwahrscheinlichen Fall, dass das Konfidenzintervall des Gewinners erneut anfängt, andere Intervalle zu überdecken, kehrt der Algorithmus zu dem Verhalten der obigen Runde 4 zurück.

Wichtig: Wenn Sie früher im Prozess manuell einen Gewinner ausgewählt haben, wäre es einfach gewesen, das falsche Erlebnis auszuwählen. Daher empfiehlt es sich unbedingt, so lange zu warten, bis der Algorithmus das „siegreiche“ Erlebnis ermittelt hat.

NOTE
Wenn eine Aktivität nur zwei Erlebnisse hat, erhalten beide Erlebnisse gleichen Traffic, bis Target mit 75 % Zuversicht ein erfolgreichstes Erlebnis findet. Zu diesem Zeitpunkt werden zwei Drittel des Traffics dem Gewinner und ein Drittel dem Verlierer zugewiesen. Wenn danach ein Erlebnis 95 % Vertrauen erreicht, werden 90 % des Traffics dem Gewinner und 10 % dem Verlierer zugewiesen. Target sendet immer etwas Traffic an das „Verlierer“-Erlebnis, um am Ende falsch positive Ergebnisse zu vermeiden (d. h. einige Exploration aufrechtzuerhalten).

Nachdem eine Auto-Allocate aktiviert wurde, sind die folgenden Vorgänge in der Target-Benutzeroberfläche nicht zulässig:

  • Umschalten des Modus „Traffic-Zuordnung“ auf „Manuell“
  • Ändern des Zielmetriktyps
  • Optionen im Bedienfeld "Advanced Settings" ändern

So funktioniert die automatische Zuordnung

Weitere Informationen finden Sie unter Durch automatische Zuordnung erhalten Sie schneller Testergebnisse und mehr Umsätze als mit manuellen Tests.

Einschränkungen section_5C83F89F85C14FD181930AA420435E1D

Beachten Sie bei der Arbeit mit Auto-Allocate die folgenden Informationen:

Die Auto-Allocate-Funktion funktioniert mit nur einer erweiterten Metrikeinstellung: Increment Count and Keep User in Activity

Die folgenden erweiterten Metrikeinstellungen werden nicht unterstützt: Increment Count, Release User, Allow Reentry and Increment Count und Release User and Bar from Reentry.

Häufig wiederkehrende Besucher können die Konversionsraten von Erlebnissen in die Höhe treiben.

Wenn ein Besucher, der Erlebnis A anzeigt, häufig zurückkehrt und mehrere Male konvertiert, wird die Konversionsrate (CR) von Erlebnis A künstlich erhöht. Vergleichen Sie dieses Ergebnis mit Erlebnis B, bei dem Besucher konvertieren, aber nicht oft zurückkehren. Daher sieht die CR von Erlebnis A besser aus als die CR von Erlebnis B, sodass neue Besucher eher A als B zugewiesen werden. Wenn Sie sich dafür entscheiden, einmal pro Teilnehmer zu zählen, können die CR von A und CR von B identisch sein.

Wenn wiederkehrende Besucher zufällig verteilt werden, wird ihre Wirkung auf die Konversionsrate wahrscheinlich eher ausgeglichen. Um diese Auswirkung zu beschränken, sollten Sie die Änderung der Zählmethode der Zielmetrik erwägen, um jeden Teilnehmer nur einmal zu zählen.

Unterscheidet zwischen leistungsstarken und nicht zwischen leistungsschwachen Anbietern.

Auto-Allocate ist gut darin, zwischen Erlebnissen mit hoher Leistung zu unterscheiden (und einen Gewinner zu finden). Es kann vorkommen, dass Sie nicht genug zwischen den leistungsschwachen Erlebnissen unterscheiden können.

Wenn Sie eine statistisch signifikante Unterscheidung zwischen allen Erlebnissen vornehmen möchten, sollten Sie den Modus für die manuelle Traffic-Zuordnung verwenden.

Zeitkorrelierte (oder kontextuell variierende) Konversionsraten können die Zuteilungsbeträge verfälschen.

Einige Faktoren, die bei einem standardmäßigen A/B-Test ignoriert werden können, da sie alle Erlebnisse betreffen, können bei einer Auto-Allocate nicht ignoriert werden. Der Algorithmus reagiert sensibel auf die beobachteten Konversionsraten.

Nachfolgend finden Sie Beispiele für Faktoren, die sich ungleichmäßig auf die Erlebnisleistung auswirken können:

  • Erlebnisse mit unterschiedlicher kontextueller Relevanz (Zeit, Ort, Geschlecht usw.).

    Beispiel:

    • „Gott sei Dank ist Freitag“ führt zu höheren Konversionen am Freitag.
    • „Jump-start your Monday“ hat am Montag eine höhere Konversionsrate.
    • „Gear up for an East-Coast winter“ bietet höhere Konversionsraten an Ost- oder Winterstandorten.

    Die Verwendung von Erlebnissen mit unterschiedlicher kontextueller Relevanz kann die Ergebnisse eines Auto-Allocate mehr verfälschen als bei einem A/B-Test, da der A/B-Test die Ergebnisse über einen längeren Zeitraum analysiert.

  • Erlebnisse mit variierenden Verzögerungen in der Konversion, möglicherweise aufgrund der Dringlichkeit der Nachricht.

    Zum Beispiel signalisiert „30 Prozent Rabatt nur noch heute“ dem Besucher, noch heute zu konvertieren, während „50 Prozent Rabatt auf Ihren ersten Einkauf“ nicht denselben Handlungsdruck auslöst.

Häufig gestellte Fragen section_0E72C1D72DE74F589F965D4B1763E5C3

Konsultieren Sie bei Problemen mit Auto-Allocate die folgenden häufig gestellten Fragen und Antworten:

Unterstützt Analytics for Target (A4T) Auto-Allocate?

Ja. Weitere Informationen finden Sie unter A4T-Unterstützung für automatische Zuordnungs- und automatische Targeting-Aktivitäten.

Werden wiederkehrende Besucher automatisch Erlebnissen mit hoher Leistung zugewiesen?

Nein. Nur neue Besucher werden automatisch zugeordnet. Wiederkehrende Besucher sehen weiterhin ihr ursprüngliches Erlebnis, um die Gültigkeit des A/B-Tests zu schützen.

Wie behandelt der Algorithmus falsch-positive Ergebnisse?

Der Algorithmus garantiert eine Konfidenz von 95 % oder eine Falsch-positiv-Rate von 5 %, wenn Sie warten, bis ein Gewinnerabzeichen angezeigt wird.

Wann beginnt Auto-Allocate mit der Traffic-Zuordnung?

Der Algorithmus setzt ein, nachdem sämtliche Erlebnisse in der Aktivität mindestens 1.000 Besucher und 50 Konversionen erreicht haben.

Wie aggressiv nutzt der Algorithmus aus?

80 % des Traffics werden mit Auto-Allocate und 20 % des Traffics nach dem Zufallsprinzip bereitgestellt. Wenn ein Gewinner ermittelt wurde, gehen 80 % des Traffics an ihn, während alle Erlebnisse im Rahmen der 20 % weiterhin Traffic erhalten, einschließlich des erfolgreichsten Erlebnisses.

Werden überhaupt Erlebnisse gezeigt?

Ja. Die Multi-Armed Bandit-Methode stellt sicher, dass mindestens 20 % des Datenverkehrs für die Erforschung von Änderungsmustern oder Konversionsraten in allen Erlebnissen reserviert werden.

Was passiert mit Aktivitäten mit langen Konversionsverzögerungen?

Solange alle Erlebnisse, die optimiert werden, ähnlichen Verzögerungen ausgesetzt sind, ist das Verhalten dasselbe wie eine Aktivität mit einem schnelleren Konversionszyklus. Es dauert jedoch länger, bis der Konversionsschwellenwert von 50 erreicht ist, bevor der Traffic-Zuordnungsprozess beginnt.

Inwiefern unterscheidet sich Auto-Allocate von Automated Personalization?

Automated Personalization verwendet die Profilattribute jedes Besuchers, um das beste Erlebnis zu bestimmen. Dadurch wird die Aktivität für den jeweiligen Besucher nicht nur optimiert, sondern auch personalisiert.

Auto-Allocate hingegen ist ein A/B-Test, der einen aggregierten Gewinner erzeugt (das beliebteste Erlebnis, aber nicht unbedingt das effektivste Erlebnis für jeden Besucher).

Erhöhen wiederkehrende Besucher die Konversionsrate in meiner Erfolgsmetrik?

Derzeit bevorzugt die Logik Besucher, die schnell konvertieren oder öfter besuchen, da solche Besucher die Gesamtkonversionsrate des Erlebnisses, zu dem sie gehören, vorübergehend erhöhen. Der Algorithmus passt sich häufig von selbst an, sodass die Steigerung der Konversionsrate bei jeder Momentaufnahme verstärkt wird. Wenn die Website viele wiederkehrende Besucher erhält, können deren Konversionen möglicherweise die Gesamtkonversionsrate für das Erlebnis, zu dem sie gehören, in die Höhe treiben. Es bestehen gute Chancen, dass wiederkehrende Besucher per Zufall verteilt werden; in diesem Fall wird die Gesamtwirkung (Anstieg) ausgeglichen. Um diese Auswirkung zu beschränken, sollten Sie die Änderung der Zählmethode der Erfolgsmetrik erwägen, um jeden Teilnehmer nur einmal zu zählen.

Kann ich den Stichprobengrößenrechner verwenden, wenn ich Auto-Allocate verwende, um zu schätzen, wie lange die Aktivität dauert, um den Gewinner zu ermitteln?

Sie können den vorhandenen Adobe Target () verwenden um eine Schätzung der Dauer des Tests zu erhalten. (Wie bei herkömmlichen A/B-Tests wird die Bonferroni-Korrektur angewendet, wenn Sie mehr als zwei Angebote oder mehr als eine Konversionsmetrik/Hypothese testen.) Dieser Rechner ist für herkömmliche A/B-Tests mit festem Horizont konzipiert und bietet nur eine Schätzung. Die Verwendung des Taschenrechners für eine Auto-Allocate ist optional, da Auto-Allocate einen Gewinner für Sie bestimmt. Sie müssen keinen festen Zeitpunkt auswählen, um sich die Testergebnisse anzusehen. Die angegebenen Werte sind immer statistisch gültig.

Interne Adobe haben Folgendes ergeben:

  • Beim Testen von genau zwei Erlebnissen findet Auto-Allocate schneller einen Gewinner als beim Testen mit festem Zeithorizont (d. h. dem vom Rechner für den Stichprobenumfang vorgeschlagenen Zeitrahmen), wenn der Leistungsunterschied zwischen Erlebnissen groß ist. Es kann jedoch länger dauern, bis Auto-Allocate einen Gewinner ermitteln, wenn der Leistungsunterschied zwischen den Erlebnissen gering ist. In diesen Fällen wären Fixed-Horizon-Tests in der Regel ohne ein statistisch signifikantes Ergebnis beendet worden.
  • Beim Testen von mehr als zwei Erlebnissen findet Auto-Allocate schneller einen Gewinner als Tests mit festem Horizont (d. h. der vom Rechner für den Stichprobenumfang vorgeschlagene Zeitrahmen), wenn ein einzelnes Erlebnis alle anderen Erlebnisse deutlich übertrifft. Wenn zwei oder mehr Erlebnisse beide im Vergleich zu anderen Erlebnissen „gewinnen“, aber eng aufeinander abgestimmt sind, kann Auto-Allocate zusätzliche Zeit benötigen, um zu bestimmen, welches Erlebnis besser ist. In diesen Fällen hätten Tests mit festem Zeithorizont normalerweise zu dem Schluss geführt, dass die „erfolgreichsten“ Erlebnisse besser waren als die Erlebnisse mit schlechterer Leistung, aber nicht herausgefunden, welches Erlebnis überlegen war.

Sollte ich ein Erlebnis mit unzureichender Leistung aus einer Auto-Allocate entfernen, um den Prozess der Gewinnerbestimmung zu beschleunigen?

Es gibt wirklich keinen Grund, ein leistungsschwaches Erlebnis zu beseitigen. Auto-Allocate stellt automatisch häufiger Erlebnisse mit hoher Leistung bereit und seltener Erlebnisse mit geringer Leistung. Ein unterdurchschnittliches Erlebnis in der Aktivität hat keine signifikanten Auswirkungen auf die Geschwindigkeit, um einen Gewinner zu bestimmen.

20 % der Besucher werden zufällig über alle Erlebnisse verteilt. Der Traffic, der einem Erlebnis mit unzureichender Leistung zugewiesen wird, ist minimal (20 % dividiert durch die Anzahl der Erlebnisse).

Kann ich die Zielmetrik inmitten einer Auto-Allocate ändern? change-metric

Adobe empfiehlt nicht, die Zielmetrik inmitten einer Aktivität zu ändern. Auch wenn es möglich ist, die Zielmetrik während einer Aktivität in der Benutzeroberfläche von Target zu ändern, sollten Sie dies nicht tun, sondern stattdessen eine neue Aktivität starten. Adobe garantiert nicht, was passiert, wenn Sie die Zielmetrik in einer Aktivität nach deren Ausführung ändern.

Diese Empfehlung gilt für Auto-Allocate-, Auto-Target- und Automated Personalization-Aktivitäten, die Target oder Analytics (A4T) als Berichtsquelle verwenden.

Kann ich die Berichtsquelle inmitten einer Auto-Allocate Aktivität ändern? change-reporting

Adobe empfiehlt nicht, die Berichtsquelle inmitten einer Aktivität zu ändern. Obwohl es möglich ist, die Berichtsquelle (von Target zu A4T oder umgekehrt) während einer Aktivität über die Target-Benutzeroberfläche zu ändern, sollten Sie immer eine neue Aktivität starten. Adobe garantiert nicht, was passiert, wenn Sie die Berichtsquelle in einer Aktivität ändern, nachdem sie ausgeführt wird.

Diese Empfehlung gilt für Auto-Allocate-, Auto-Target- und Automated Personalization-Aktivitäten, die Target oder Analytics (A4T) als Berichtsquelle verwenden.

Kann ich die Option Reset Report Data während der Ausführung einer Auto-Allocate verwenden?

Die Verwendung der Option Reset Report Data für Auto-Allocate Aktivitäten wird nicht empfohlen. Diese Option entfernt zwar die sichtbaren Berichtsdaten, nicht aber alle Trainingsdatensätze aus dem Auto-Allocate. Anstatt die Option Reset Report Data für Auto-Allocate Aktivitäten zu verwenden, erstellen Sie eine neue Aktivität und deaktivieren Sie die ursprüngliche Aktivität. (Diese Anleitung gilt auch für Auto-Target und Automated Personalization.)

Wie erstellt Auto-Allocate Modelle in Bezug auf Umgebungen?

Auto-Allocate erstellt Modelle nur basierend auf dem Traffic- und Konversionsverhalten, das in der Standardumgebung aufgezeichnet wurde. Standardmäßig ist Production die Standardumgebung, aber die Standardumgebung kann in Target geändert werden Administration > Umgebungen.

Wenn ein Treffer in einer anderen (nicht standardmäßigen) Umgebung auftritt, wird der Traffic entsprechend dem beobachteten Konversionsverhalten in der Standardumgebung verteilt. Das Ergebnis dieses Treffers (Konversion oder Nicht-Konversion) wird zu Berichtszwecken aufgezeichnet, aber nicht im Auto-Allocate berücksichtigt.

Bei Auswahl einer anderen Umgebung zeigt der Bericht Traffic und Konversionen für diese Umgebung an. Die standardmäßig ausgewählte Umgebung für einen Bericht ist die Standardeinstellung, die für das gesamte Konto ausgewählt ist. Die Standardumgebung kann nicht für jede Aktivität festgelegt werden.

Kann mit einer Auto-Allocate Aktivität das Lookback-Fenster während eines Tests angepasst werden, um Veränderungen im Zeitverlauf zu berücksichtigen?

Kann die Aktivität beispielsweise den Monat Dezember heranziehen, um zu entscheiden, wie der Traffic zugeordnet werden soll, anstatt sich die Besucherdaten vom September anzusehen (als der Test begann)?

Nein, Auto-Allocate berücksichtigt die Leistung der gesamten Aktivität.

Wird einem wiederkehrenden Besucher Auto-Allocate erfolgreichstes Erlebnis angezeigt, wenn sich das erfolgreichste Erlebnis von dem unterscheidet, das der Besucher bei der Qualifizierung für die Aktivität gesehen hat?

Auto-Allocate verwendet Sticky Decisioning aus den gleichen Gründen, aus denen A/B Test Aktivitäten persistent sind. Die Traffic-Zuordnung funktioniert nur für neue Besucher.

Schulungsvideos section_893E5B36DC4A415C9B1D287F51FCCB83

In den folgenden Videos erhalten Sie weitere Informationen zu den in diesem Artikel behandelten Konzepten.

Aktivitäts-Workflow - Zielgruppenbestimmung (2:14) Tutorial-Badge

In diesem Video sind Informationen zur Einrichtung der Traffic-Zuordnung enthalten.

  • Zuweisen einer Zielgruppe zur Aktivität
  • Regulieren von Traffic nach oben oder unten
  • Auswählen der Zuordnungsmethode für den Traffic
  • Zuweisen von Traffic zu verschiedenen Erlebnissen

Erstellen von A/B-Tests (8:36) Tutorial-Badge

In diesem Video wird gezeigt, wie mithilfe des geleiteten Target-Arbeitsablaufs mit drei Schritten ein A/B-Test erstellt wird. Auto-Allocate wird ab 04:45 besprochen.

  • Erstellen einer A/B-Aktivität in Adobe Target
  • Zuordnen von Traffic mithilfe einer manuellen Aufteilung oder automatischen Traffic-Zuordnung
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654