DokumentationTargetTarget-Anleitung

[Premium]{class="badge positive" title="Hier finden Sie Informationen zum Lieferumfang von Target Premium."}

Automatisches Targeting - Überblick

Letzte Aktualisierung: 29. September 2026

Automatisches Targeting-Aktivitäten in Adobe Target verwenden fortschrittliche Machine Learning-Algorithmen zur Auswahl eines maßgeschneiderten Erlebnisses aus mehreren leistungsstarken, von Marketingexperten definierten Erlebnissen zur Personalisierung von Inhalten und Steigerung von Konversionen. Automatisches Targeting stellt jedem Besucher basierend auf dem individuellen Kundenprofil und dem Verhalten vorheriger Besucher mit ähnlichen Profilen das passendste Erlebnis bereit.

NOTE

Erfolgsgeschichte aus der Praxis mit automatischem Targeting success

Eine große Bekleidungsfirma, retailer, hat kürzlich eine Automatisches Targeting-Aktivität mit zehn produktkategoriebasierten Erlebnissen (plus randomisierter Kontrolle) verwendet, um jedem Besucher die richtigen Inhalte bereitzustellen. "Zum Warenkorb hinzufügen wurde als primäre Optimierungsmetrik ausgewählt. Die anvisierten Erlebnisse hatten eine durchschnittliche Steigerung von 29,09 %. Nach der Erstellung der Automatisches Targeting-Modelle wurde die Aktivität auf 90 % personalisierte Erlebnisse festgelegt.

In nur zehn Tagen wurden über 1.700.000 Dollar an Auftrieb erreicht.

Lesen Sie weiter, um zu erfahren, wie Sie Automatisches Targeting verwenden können, um Steigerung und Umsatz für Ihr Unternehmen zu steigern.

Überblick section_972257739A2648AFA7E7556B693079C9

Wählen ​ beim Erstellen einer A/BAktivität mithilfe des angeleiteten dreistufigen Workflows die Option Automatisches Targeting für personalisierte Erlebnisse auf der Seite Targeting (Schritt 2).

Einstellungen der Traffic-Zuordnungsmethode

Mit der Option Automatisches Targeting innerhalb des A/B-Aktivitätsflusses können Sie maschinelles Lernen nutzen, um mit einem Klick eine Personalisierung auf der Grundlage von durch Marketing-Experten definierten Erlebnissen vorzunehmen. Automatisches Targeting ermöglicht im Vergleich zu herkömmlichen A/B-Tests oder automatischen Zuordnung maximale Optimierung, indem bestimmt wird, welches Erlebnis für jeden Besucher angezeigt werden soll. Im Gegensatz zu einer A/B-Aktivität, bei der das Ziel darin besteht, einen einzelnen Gewinner zu finden, bestimmt Automatisches Targeting automatisch das beste Erlebnis für einen bestimmten Besucher. Das beste Erlebnis basiert auf dem Besucherprofil und anderen kontextuellen Informationen, um ein hochgradig personalisiertes Erlebnis zu bieten.

Ähnlich wie Automated Personalization verwendet Automatisches Targeting einen Random Forest-, eine führende Datenwissenschafts-Ensemble-Methode, um das beste Erlebnis zu ermitteln, das einem Besucher angezeigt werden soll. Da Automatisches Targeting sich an Änderungen im Besucherverhalten anpassen kann, kann es dauerhaft ausgeführt werden, um eine Steigerung zu ermöglichen. Diese Methode wird auch als „Always-on“-Modus bezeichnet.

Im Gegensatz zu einer A/B-Aktivität, bei der die Erlebniszuordnung für einen bestimmten Besucher starr ist, ​ das ​ Targeting das angegebene Geschäftsziel für jeden Besuch optimiert. Wie Auto Personalization reserviert Automatisches Targeting standardmäßig einen Teil des Traffics der Aktivität als Kontrollgruppe, um die Steigerung zu messen. Für Besucher in der Kontrollgruppe wird ein zufälliges Erlebnis in der Aktivität bereitgestellt.

Zu beachten

Beachten Sie bei der Verwendung von Automatisches Targeting einige wichtige Aspekte:

  • Achten Sie auf die Form der Aktivität. Die Leistung hängt mehr von der Anzahl der Standorte × Angebote als von der Anzahl der unbearbeiteten Erlebnisse ab. Große kartesische Kombinationen können das Laden und Bearbeiten im Visual Experience Composer verlangsamen, sogar unter dokumentierten Erfahrungsgrenzen.

    Als Best Practice empfiehlt es sich, Automatisches Targeting und Automated Personalization-Aktivitäten an 4-6 Standorten mit 4-6 Angeboten pro Standort durchzuführen. Größere Konfigurationen werden nicht empfohlen. Da diese Aktivitäten direkt im Schritt Erlebnisse erstellt werden, kann die Target-Benutzeroberfläche Inline-Warnungen anzeigen oder das Speichern blockieren, wenn die Konfiguration unterstützte Schwellenwerte überschreitet.

  • Sie können eine bestimmte Aktivität nicht vom automatischen Targeting zum Automated Personalization und umgekehrt wechseln.

  • Sie können nicht von Manuelle Traffic-Zuordnung (traditioneller A/B-) zu Automatisches Targeting wechseln und umgekehrt, nachdem eine Aktivität als Entwurf gespeichert wurde.

  • Es wird ein Modell erstellt, um die Leistung der personalisierten Strategie im Vergleich zum zufällig bereitgestellten Traffic und dem Versand des gesamten Traffics an das insgesamt erfolgreichste Erlebnis zu ermitteln. Dieses Modell berücksichtigt nur Treffer und Konversionen in der Standardumgebung.

    Der Traffic eines zweiten Modellsatzes wird für jede Modellierungsgruppe (AP) oder jedes Erlebnis (AT) erstellt. Für jedes dieser Modelle werden Treffer und Konversionen in allen Umgebungen berücksichtigt.

    Anfragen werden unabhängig von der Umgebung mit demselben Modell bereitgestellt. Die Pluralität des Traffics sollte jedoch aus der Standardumgebung stammen, um sicherzustellen, dass das identifizierte erfolgreichste Erlebnis mit dem Verhalten in der realen Welt übereinstimmt.

  • Verwenden Sie mindestens zwei Erlebnisse.

Terminologie section_A309B7E0B258467789A5CACDC1D923F3

Die folgenden Begriffe sind bei der Diskussion von automatischem Targeting hilfreich:

Begriff
Definition
Mehrarmiger Bandit
Die Methode „Multi-Armed Bandit“ stellt ein Gleichgewicht zwischen forschendem Lernen (Exploration) und der Verwertung der Lernergebnisse (Exploitation) her.
Random Forest
Random Forest ist ein führender Ansatz beim maschinellen Lernen. In der Datenwissenschaft ist dies eine Ensemble-Klassifizierung oder Regressionsmethode, die durch die Erstellung vieler Entscheidungsbäume auf der Grundlage von Besucher- und Besuchsattributen funktioniert. In Target wird mithilfe der Zufallsstruktur bestimmt, welches Erlebnis für jeden einzelnen Besucher die höchste Konversionswahrscheinlichkeit (oder den höchsten Umsatz pro Besuch) aufweist.
Thompson-
Das Ziel des Thompson-Stichprobenverfahrens besteht darin, festzustellen, welches Erlebnis insgesamt am besten ist (nicht personalisiert), und gleichzeitig die „Kosten“ für das Auffinden dieses Erlebnisses zu minimieren. Das Thompson Sampling wählt immer einen Gewinner aus, auch wenn es keinen statistischen Unterschied zwischen zwei Erlebnissen gibt.

Funktionsweise ​ automatischen ​ section_77240E2DEB7D4CD89F52BE0A85E20136

Weitere Informationen zu den Daten und Algorithmen, die automatischem Targeting und Automated Personalization zugrunde liegen, finden Sie unter folgenden Links:

Begriff
Details
Random Forest-Algorithmus
Der wichtigste Personalisierungsalgorithmus von Target, der sowohl in Automatisches Targeting als auch in Automated Personalization verwendet wird ist die Zufallsgesamtstruktur. Ensemble-Methoden wie Random Forest verwenden mehrere Lernalgorithmen, um eine bessere prädiktive Leistung zu erzielen, als sie mit einem der einzelnen Lernalgorithmen erzielt werden könnte. Der Algorithmus der zufälligen Gesamtstruktur in den Aktivitäten Automated Personalization und Automatisches Targeting ist eine Klassifizierungs- oder Regressionsmethode, die durch die Erstellung einer Vielzahl von Entscheidungsbäumen zur Trainingszeit funktioniert.
Hochladen von Daten für Target Personalization-Algorithmen von
Es gibt mehrere Möglichkeiten, Daten für die Modelle Automatisches Targeting und Automated Personalization einzugeben.
Datenerfassung für Targets Personalization-Algorithmen
Die Personalisierungsalgorithmen von Target erfassen automatisch verschiedene Daten.

Bestimmen der Traffic-Zuordnung section_AB3656F71D2D4C67A55A24B38092958F

Je nach dem Ziel Ihrer Aktivität können Sie eine unterschiedliche Traffic-Zuordnung zwischen den Kontroll- und personalisierten Erlebnissen auswählen. Es empfiehlt sich, dieses Ziel festzulegen, bevor Sie Ihre Aktivität aktivieren.

In der Dropdownliste Zuordnung anpassen können Sie aus den folgenden Optionen auswählen:

  • Personalization-Algorithmus auswerten (50/50)
  • Maximieren des Personalization-Traffics (90/10)
  • Zuordnung anpassen

Dropdown-Liste für das Zuordnungsziel

In der folgenden Tabelle werden die drei Optionen erläutert:

Aktivitätsziel
Vorgeschlagene Traffic-Zuordnung
Kompromisse
Personalisierungsalgorithmus auswerten (50/50): Wenn Sie den Algorithmus testen möchten, sollten Sie eine 50/50-Prozentaufteilung der Besucher zwischen dem Kontroll- und dem Zielalgorithmus verwenden. Durch diese Aufteilung erhalten Sie die genaueste Schätzung der Steigerung. Wird zur Verwendung mit „zufälligen Erlebnissen“ als Kontrolle vorgeschlagen.
Aufteilung: 50 % Kontrolle / 50 % personalisiertes Erlebnis
  • Maximiert die Genauigkeit der Steigerung zwischen Kontrolle und personalisiert
  • Relativ weniger Besucher haben ein personalisiertes Erlebnis
Maximieren des Personalization-Traffics (90/10): Wenn Sie eine „Always on“-Aktivität erstellen möchten, geben Sie 10 % der Besucher die Kontrolle darüber, ob genügend Daten vorhanden sind, damit die Algorithmen im Laufe der Zeit weiterlernen können. Der Nachteil hier ist, dass Sie im Gegenzug für die Personalisierung eines größeren Teils Ihres Traffics weniger Präzision in der genauen Steigerung haben. Unabhängig von Ihrem Ziel ist dies die empfohlene Traffic-Aufteilung, wenn ein bestimmtes Erlebnis als Kontrolle verwendet wird.
Empfohlene Aufteilung: 10–30 % Kontrolle / 70–90 % personalisiertes Erlebnis
  • Maximiert die Anzahl der Besucher, die über ein personalisiertes Erlebnis verfügen
  • Maximiert die Steigerung
  • Weniger Genauigkeit in Bezug darauf, wofür die Steigerung für die Aktivität dient
Zuordnung anpassen
Teilen Sie den Prozentsatz nach Bedarf manuell auf.
  • Es kann sein, dass Sie nicht die gewünschten Ergebnisse erzielen. Wenn Sie unsicher sind, sollten Sie jeweils die Vorschläge der vorangegangenen Optionen befolgen.

Um den Prozentsatz Kontrolle anzupassen, klicken Sie Erlebnisse im Bereich Traffic-" und passen Sie dann die Prozentsätze wie gewünscht an. Sie dürfen die Kontrollgruppe nicht auf weniger als 10 % reduzieren.

Sie können ein bestimmtes Erlebnis auswählen, das als Kontrolle verwendet werden soll, oder die Option „Zufälliges Erlebnis“ verwenden.

Wann sollten Sie Automatisches Targeting anstelle von Automated Personalization ​? section_BBC4871C87944DD7A8B925811A30C633

Es gibt mehrere Szenarien, in denen Sie Automatisches Targeting anstelle von Automated Personalization bevorzugen:

  • Wenn Sie das gesamte Erlebnis definieren möchten, anstatt einzelne Angebote, die automatisch zu einem Erlebnis kombiniert werden.
  • Wenn Sie alle Funktionen von Visual Experience Composer (VEC) nutzen möchten, die von Auto Personalization nicht unterstützt werden: den Editor für benutzerspezifischen Code, mehrere Erlebniszielgruppen und mehr.
  • Wenn Sie strukturelle Änderungen an Ihrer Seite in unterschiedlichen Erlebnissen vornehmen möchten. Wenn Sie beispielsweise Elemente auf Ihrer Startseite neu anordnen möchten, ist Automatisches Targeting besser geeignet als Automated Personalization.

Was hat Automatisches Targeting mit Automated Personalization gemeinsam? section_2A601F482F9A44E38D4B694668711319

Der Algorithmus wird für jeden Besuch für ein günstiges Ergebnis optimiert.

  • Der Algorithmus sagt die Neigung eines Besuchers zur Konversion (oder den geschätzten Umsatz aus der Konversion) voraus, um das beste Erlebnis zu erzielen.
  • Ein Besucher hat am Ende einer vorhandenen Sitzung Anspruch auf ein neues Erlebnis (es sei denn, der Besucher gehört zur Kontrollgruppe. In diesem Fall bleibt das Erlebnis, das dem Besucher beim ersten Besuch zugewiesen wurde, bei nachfolgenden Besuchen gleich).
  • Innerhalb einer Sitzung ändert sich die Prognose nicht, um die visuelle Konsistenz zu wahren.

Der Algorithmus passt sich Änderungen im Besucherverhalten an.

  • Der mehrarmige Bandit stellt sicher, dass das Modell immer einen kleinen Bruchteil des Traffics „ausgibt“, um während des gesamten Lebens der Lernaktivität weiter zu lernen und eine Übernutzung der zuvor gelernten Trends zu verhindern.
  • Die zugrunde liegenden Modelle werden alle 24 Stunden mit den neuesten Daten zum Besucherverhalten neu erstellt, um sicherzustellen, dass Target immer die sich ändernden Besucherpräferenzen nutzen.
  • Wenn der Algorithmus keine Gewinnererlebnisse für Einzelpersonen bestimmen kann, wechselt er automatisch zur Anzeige des Erlebnisses mit der besten Gesamtleistung und sucht weiterhin nach personalisierten Gewinnern. Das Erlebnis mit der besten Leistung wird mithilfe des Thompson-Samplings gefunden.

Der Algorithmus wird kontinuierlich für eine einzelne Zielmetrik optimiert.

  • Diese Metrik kann konversionsbasiert oder umsatzbasiert sein (genauer gesagt "​ pro Besuch).

Target erfasst automatisch Informationen über Besucher, um die Personalisierungsmodelle zu erstellen.

Target verwendet automatisch alle Adobe Experience Cloud freigegebenen Zielgruppen, um die Personalisierungsmodelle zu erstellen.

  • Um Zielgruppen zu dem Modell hinzuzufügen, sind Ihrerseits keine besonderen Aktivitäten erforderlich. Weitere Informationen zum Verwenden von Experience Cloud Audiences mit Target finden Sie unter Experience Cloud Audiences.

Marketing-Experten können Offline-Daten, Tendenzwerte oder andere benutzerdefinierte Daten hochladen, um Personalisierungsmodelle zu erstellen.

Wie unterscheidet Automatisches Targeting von Automated Personalization? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Automatisches Targeting erfordert häufig weniger Traffic als Automated Personalization, damit ein personalisiertes Modell erstellt werden kann.

Obwohl die Menge an Traffic pro Erlebnis, die für Automatisches Targeting oder Automatisches Personalization-Modelle erforderlich ist, identisch ist, gibt es in der Regel mehr Erlebnisse in einer Automated Personalization-Aktivität als in einer Automatisches Targeting-Aktivität.

Wenn Sie beispielsweise eine Aktivität vom Typ Automatische Personalization hatten, in der Sie zwei Angebote pro Standort mit zwei Standorten erstellt haben, wären insgesamt vier (2 = 4) Erlebnisse in der Aktivität enthalten (ohne Ausschlüsse). Mit ​ automatischen Targeting können Sie Erlebnis 1 so einrichten, dass Angebot 1 an Standort 1 und Angebot 2 an Standort 2 einbezogen wird, und Erlebnis 2 so, dass Angebot 1 an Standort 1 und Angebot 2 an Standort 2 einbezogen wird. Da Automatisches Targeting mehrere Änderungen in einem Erlebnis ermöglicht, können Sie die Anzahl der gesamten Erlebnisse in Ihrer Aktivität reduzieren.

Für Automatisches Targeting können einfache Faustregeln verwendet werden, um Traffic-Anforderungen zu verstehen:

  • Wenn Konversion Ihre Erfolgsmetrik ist: 1.000 Besuche und mindestens 50 Konversionen pro Tag und Erlebnis. Außerdem muss die Aktivität mindestens 7.000 Besuche und 350 Konversionen aufweisen.
  • Wenn Umsatz pro Besuch Ihre Erfolgsmetrik ist: 1.000 Besuche und mindestens 50 Konversionen pro Tag und Erlebnis. Außerdem muss die Aktivität mindestens 1.000 Konversionen pro Erlebnis aufweisen. Für „Umsatz pro Besuch (RPV)“ sind aufgrund der höheren Datenvarianz, die im Vergleich zur Konversionsrate für gewöhnlich im Besuchsumsatz vorhanden ist, in der Regel mehr Daten zum Erstellen von Modellen erforderlich.

Automatisches Targeting verfügt über umfassende Einrichtungsfunktionen.

  • Da Automatisches Targeting in den A/B-Aktivitäts-Workflow eingebettet ist, Automatisches Targeting von dem ausgereifteren und vollwertigeren Visual Experience Composer (VEC). Sie können auch QA-Links mit Automatisches Targeting verwenden.

Automatisches Targeting bietet ein umfassendes Framework für Online-Tests.

  • Der Multi-Arm-Bandit ist Teil eines größeren Online-Test-Frameworks, das es Adobe Datenwissenschaftlern und Forschern ermöglicht, die Vorteile ihrer kontinuierlichen Verbesserungen der realen Bedingungen zu verstehen.
  • In Zukunft wird es uns diese Testumgebung ermöglichen, die Adobe Plattform für maschinelles Lernen für datenversierte Kunden zu öffnen, sodass sie ihre eigenen Modelle einbringen können, um die Target Modelle zu ergänzen.

Reporting und Automatisches Targeting section_42EE7F5E65E84F89A872FE9921917F76

Weitere Informationen finden Sie unter Reporting und Automatisches Targeting.

recommendation-more-help
target-help-main