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

Auto-Target Übersicht

Auto-Target -Aktivitäten in Adobe Target verwenden das erweiterte maschinelle Lernen, um aus mehreren leistungsstarken, von Marketingexperten definierten Erlebnissen auszuwählen, um Inhalte zu personalisieren und Konversionen zu fördern. Auto-Target stellt jedem Besucher basierend auf dem individuellen Kundenprofil und dem Verhalten vorheriger Besucher mit ähnlichen Profilen das am besten angepasste Erlebnis bereit.

NOTE

Echtzeit-Erfolgsgeschichte mit Automatisches Targeting success

Ein großer Bekleidungshändler verwendete kürzlich eine Auto-Target -Aktivität mit zehn auf Produktkategorien basierenden Erlebnissen (plus zufallsbasierter Kontrolle), um jedem Besucher den richtigen Inhalt bereitzustellen. "Add to Cart" wurde als primäre Optimierungsmetrik ausgewählt. Die zielgerichteten Erlebnisse stiegen im Durchschnitt um 29,09 %. Nach dem Erstellen der Auto-Target -Modelle wurde die Aktivität auf 90 % personalisierte Erlebnisse festgelegt.

In nur zehn Tagen wurde eine Steigerung von über 1.700.000 Dollar erreicht.

Lesen Sie weiter, um zu erfahren, wie Sie mit Auto-Target die Steigerung und den Umsatz Ihrer Organisation steigern können.

Überblick section_972257739A2648AFA7E7556B693079C9

Wählen Sie beim Erstellen einer A/B-Aktivitätmit dem geleiteten Arbeitsablauf mit drei Schritten die Option Auto-Target for personalized experiences auf der Seite Targeting (Schritt 2).

Automatisches Targeting für personalisierte Erlebnisse

Mit der Option Auto-Target im A/B-Aktivitätsfluss können Sie maschinelles Lernen nutzen, um basierend auf einer Reihe von Erlebnissen, die von Marketingexperten definiert wurden, zu personalisieren. Auto-Target soll im Vergleich zu herkömmlichen A/B-Tests oder Auto Allocate eine maximale Optimierung liefern, 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 Auto-Target automatisch das beste Erlebnis für einen bestimmten Besucher. Das beste Erlebnis basiert auf dem Besucherprofil und anderen kontextbezogenen Informationen, um ein stark personalisiertes Erlebnis zu bieten.

Ähnlich wie bei Automated Personalization verwendet Auto-Target einen Random Forest-Algorithmus, eine führende Methode in der Datenwissenschaft, um das beste Erlebnis zu ermitteln, das einem Besucher angezeigt werden soll. Da sich Auto-Target an Änderungen im Besucherverhalten anpassen kann, kann es dauerhaft ausgeführt werden, um eine Steigerung zu ermöglichen. Diese Methode wird manchmal auch als "Always-on"-Modus bezeichnet.

Im Gegensatz zu einer A/B-Aktivität, bei der die Erlebniszuordnung an einen bestimmten Besucher gebunden ist, optimiert Auto-Target das angegebene Geschäftsziel im Laufe jedes Besuchs. Wie in Auto Personalization reserviert Auto-Target 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 Verwendung von Auto-Target einige wichtige Aspekte:

  • Sie können eine bestimmte Aktivität nicht von Auto-Target auf Automated Personalization umstellen, und umgekehrt.

  • Sie können nicht von der Traffic-Zuordnung Manual (traditionell A/B Test) zu Auto-Target und umgekehrt wechseln, nachdem eine Aktivität als Entwurf gespeichert wurde.

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

    Der Traffic aus einem zweiten Satz von Modellen wird für jede Modellgruppe (AP) oder jedes Erlebnis (AT) erstellt. Für jedes dieser Modelle werden Treffer und Konversionen in allen Umgebungen berücksichtigt.

    Anforderungen werden unabhängig von der Umgebung mit demselben Modell bedient, aber die Mehrzahl des Traffics sollte aus der Standardumgebung stammen, um sicherzustellen, dass das identifizierte insgesamt erfolgreichste Erlebnis mit dem realen Verhalten übereinstimmt.

  • Verwenden Sie mindestens zwei Erlebnisse.

Terminologie section_A309B7E0B258467789A5CACDC1D923F3

Die folgenden Begriffe sind bei der Erörterung von Auto-Target nützlich:

Begriff
Definition
Multi-Armed 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 es eine Ensemble-Classification oder Regressionsmethode, die funktioniert, indem sie viele Entscheidungsbäume basierend auf Besuchsattributen und Besuchsattributen erstellt. Innerhalb von Target wird Random Forest verwendet, um zu bestimmen, welches Erlebnis die höchste Konversionswahrscheinlichkeit (oder den höchsten Umsatz pro Besuch) für jeden bestimmten Besucher aufweist.
Thompson Sampling
Ziel des Thompson-Samplings ist es, zu ermitteln, welches Erlebnis insgesamt das beste (nicht personalisierte) Erlebnis ist, und gleichzeitig die "Kosten"für die Suche nach diesem Erlebnis zu minimieren. Beim Thompson-Sampling wird immer ein Gewinner ausgewählt, auch wenn es keinen statistischen Unterschied zwischen zwei Erlebnissen gibt.

Funktionsweise von Auto-Target section_77240E2DEB7D4CD89F52BE0A85E20136

Weitere Informationen zu den den Auto-Target und Automated Personalization zugrunde liegenden Daten und Algorithmen finden Sie unter den folgenden Links:

Begriff
Details
Random Forest-Algorithmus
Der wichtigste Personalisierungsalgorithmus von Target, der sowohl in Auto-Target als auch in Automated Personalization verwendet wird, ist Random Forest. Ensemble-Methoden, wie Random Forest, verwenden mehrere Lernalgorithmen, um eine bessere Vorhersageleistung zu erzielen, als sie sich aus den einzelnen Lernalgorithmen ergeben könnte. Der Random Forest-Algorithmus in den Aktivitäten Automated Personalization und Auto-Target ist eine Classification- oder Regressionsmethode, die durch die Erstellung einer Vielzahl von Entscheidungsbäumen während der Schulung arbeitet.
Hochladen von Daten für die Personalization-Algorithmen von Target
Es gibt mehrere Möglichkeiten, Daten für die Modelle Auto-Target und Automated Personalization einzugeben.
Datenerfassung für die Personalization-Algorithmen von Target
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 Custom Allocation können Sie aus den folgenden Optionen auswählen:

  • Evaluate Personalization Algorithm
  • Maximize Personalization Traffic
  • Custom Allocation

Dropdown-Liste für das Zuordnungsziel

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. Für die Verwendung mit "zufälligen Erlebnissen"als Kontrolle empfohlen.
Aufteilung: 50 % Kontrolle / 50 % personalisiertes Erlebnis
  • Maximiert die Genauigkeit der Steigerung zwischen Kontrolle und personalisiert
  • Relativ weniger Besucher verfügen über ein personalisiertes Erlebnis
Personalization-Traffic maximieren (90/10): Wenn Sie eine "Always on"-Aktivität erstellen möchten, sollten Sie 10 % der Besucher in den Kontrollbereich versetzen, um sicherzustellen, dass ausreichend Daten vorhanden sind, damit die Algorithmen mit der Zeit weiter lernen können. Der Nachteil besteht darin, dass Sie im Austausch für die Personalisierung eines größeren Teils Ihres Traffics weniger präzise wissen, was genau die Steigerung ist. 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 mit einem personalisierten Erlebnis
  • 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 von Control anzupassen, klicken Sie auf die Symbole in der Spalte Allocation . Sie dürfen die Kontrollgruppe nicht auf weniger als 10 % reduzieren.

Traffic-Zuordnung für automatisches Targeting ändern

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

Wann sollten Sie Auto-Target anstelle von Automated Personalization wählen? section_BBC4871C87944DD7A8B925811A30C633

Es gibt verschiedene Szenarien, in denen Sie möglicherweise Auto-Target anstelle von Automated Personalization verwenden möchten:

  • Wenn Sie das gesamte Erlebnis und nicht einzelne Angebote definieren möchten, die automatisch zu einem Erlebnis kombiniert werden.
  • Wenn Sie den vollständigen Satz von Visual Experience Composer (VEC) Funktionen verwenden möchten, die nicht von Auto Personalization unterstützt werden: den Editor für benutzerdefinierten 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 Auto-Target für die Verwendung besser geeignet als Automated Personalization.

Was hat Auto-Target mit Automated Personalization gemein? section_2A601F482F9A44E38D4B694668711319

Der Algorithmus optimiert für ein positives Ergebnis bei jedem Besuch.

  • Der Algorithmus prognostiziert die Neigung eines Besuchers zur Konversion (oder den geschätzten Umsatz aus Konversion), um das beste Erlebnis bereitzustellen.
  • Ein Besucher kann nach Ende einer bestehenden Sitzung für ein neues Erlebnis infrage kommen (es sei denn, der Besucher ist Mitglied der Kontrollgruppe. In diesem Fall bleibt das Erlebnis, das diesem Besucher beim ersten Besuch zugewiesen wird, bei nachfolgenden Besuchen gleich).
  • Innerhalb einer Sitzung ändert sich die Prognose nicht, um die visuelle Konsistenz zu gewährleisten.

Der Algorithmus passt sich an Änderungen im Besucherverhalten an.

  • Der "mehrarmige Bandit"stellt sicher, dass das Modell immer einen kleinen Bruchteil des Traffics "ausgibt", um während des gesamten Lebenszyklus des Aktivitätslernens weiter zu lernen und eine Übernutzung zuvor erlernter Trends zu verhindern.
  • Die zugrunde liegenden Modelle werden alle 24 Stunden anhand der neuesten Daten zum Besucherverhalten neu erstellt, um sicherzustellen, dass Target immer wechselnde Besucherpräferenzen nutzt.
  • 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 optimiert kontinuierlich für eine einzige Zielmetrik.

  • Diese Metrik kann auf Konversionen oder Umsätzen (genauer: Revenue per Visit) basieren.

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.

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

  • Erfahren Sie mehr über das Hochladen von Daten für Auto-Target und Automated Personalization🔗.

Wie unterscheidet sich Auto-Target von Automated Personalization? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Auto-Target benötigt häufig weniger Traffic als Automated Personalization, damit ein personalisiertes Modell erstellt werden kann.

Auch wenn die für die Erstellung der Modelle Auto-Target oder Auto Personalization erforderliche Traffic-Menge pro Erlebnis identisch ist, gibt es in der Regel mehr Erlebnisse in einer Automated Personalization -Aktivität als in einer Auto-Target -Aktivität.

Wenn Sie beispielsweise über eine Auto Personalization -Aktivität verfügen, in der Sie zwei Angebote pro Position mit zwei Positionen erstellt haben, wären insgesamt vier (2 = 4) Erlebnisse in der Aktivität enthalten (ohne Ausschlüsse). Mit Auto-Target können Sie festlegen, dass Erlebnis 1 Angebot 1 an Position 1 und Angebot 2 an Position 2 einbezieht und Erlebnis 2 Angebot 1 an Position 1 und Angebot 2 an Position 2 einbezieht. Da Sie mit Auto-Target mehrere Änderungen innerhalb eines Erlebnisses vornehmen können, können Sie die Anzahl der Gesamterlebnisse in Ihrer Aktivität reduzieren.

Für Auto-Target können einfache Faustregeln verwendet werden, um die Traffic-Anforderungen zu verstehen:

  • Wenn Conversion Ihre Erfolgsmetrik ist: 1.000 Besuche und mindestens 50 Konversionen pro Tag und Erlebnis, und die Aktivität muss außerdem mindestens 7.000 Besuche und 350 Konversionen aufweisen.
  • Wenn Revenue per Visit Ihre Erfolgsmetrik ist: 1.000 Besuche und mindestens 50 Konversionen pro Tag und Erlebnis, und zusätzlich 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.

Auto-Target verfügt über eine vollständige Setup-Funktion.

  • Da Auto-Target in den Arbeitsablauf einer A/B-Aktivität eingebettet ist, profitiert Auto-Target von dem ausgereifteren und bewährten Visual Experience Composer (VEC). Sie können auch QA-Links mit Auto-Target verwenden.

Auto-Target bietet ein umfangreiches Framework für Online-Tests.

  • Der "mehrarmige Bandit"ist Teil eines größeren Online-Test-Frameworks, das es Adobe Datenwissenschaftlern und Forschern ermöglicht, die Vorteile ihrer kontinuierlichen Verbesserungen unter realen Bedingungen zu verstehen.
  • In Zukunft werden wir mit diesem Testbett die Plattform Adobe für maschinelles Lernen für datenbewusste Kunden öffnen können, damit diese ihre eigenen Modelle einbringen können, um die Modelle Target zu ergänzen.

Berichterstellung und Auto-Target section_42EE7F5E65E84F89A872FE9921917F76

Weitere Informationen finden Sie unter Berichterstellung und Automatisches Targeting.

Schulungsvideo: Erklärungen zu Aktivitäten vom Typ „Automatisches Targeting“

In diesem Video wird beschrieben, wie Sie eine A/B-Aktivität vom Typ Auto-Target einrichten.

Nach Abschluss dieser Schulung sollten Sie zu Folgendem in der Lage sein:

  • Definieren von Auto-Target-Tests
  • Vergleichen und Kontrahieren von Auto-Target mit Automated Personalization
  • Erstellen von Auto-Target -Aktivitäten
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654