Para Segmentación automática actividades, debe registrar los informes en Analytics Workspace y cree manualmente un panel de A4T.
La variable Analytics para Target Integración de (A4T) para Auto-Target usos de actividades Adobe TargetLos algoritmos de aprendizaje automático (ML) del ensamblado de para elegir la mejor experiencia para cada visitante en función de su perfil, comportamiento y contexto, todo ello mientras utiliza un Adobe Analytics métrica de objetivo.
Aunque las funciones de análisis enriquecidos están disponibles en Adobe Analytics Analysis Workspace, algunas modificaciones al valor predeterminado Analytics para Target para interpretar correctamente Auto-Target actividades, debido a diferencias entre actividades de experimentación (A/B manual y asignación automática) y actividades de personalización (Segmentación automática).
Este tutorial explica las modificaciones recomendadas para el análisis Segmentación automática actividades en Workspace, que se basan en los siguientes conceptos clave:
Para crear un A4T para Segmentación automática informe, comience con la variable Analytics para Target panel en Workspace, como se muestra a continuación, o comenzar con una tabla improvisada. A continuación, realice las siguientes selecciones:
Figura 1: Analytics para Target configuración del panel para Segmentación automática actividades.
Para configurar su Analytics para Target panel para Segmentación automática actividades, elegir cualquier experiencia de control, elegir Visitas como la métrica de normalización y elija la misma métrica de objetivo que se eligió para la optimización durante Target creación de actividad.
El panel predeterminado de A4T está diseñado para pruebas A/B clásicas (manuales) o Asignación automática actividades en las que el objetivo es comparar el rendimiento de experiencias individuales con la experiencia de control. En Segmentación automática sin embargo, las actividades de la primera comparación de pedidos deberían estar entre el Control estrategia y el objetivo estrategia (es decir, determinar el alza del rendimiento global de la variable Segmentación automática modelo ML de ensamblado sobre la estrategia de control).
Para realizar esta comparación, utilice el Control y segmentación (Analytics para Target) dimensión. Arrastre y suelte para reemplazar la variable Experiencias de Target en el informe predeterminado de A4T.
Tenga en cuenta que esta sustitución invalida los cálculos predeterminados de Alza y confianza en el panel de A4T. Para evitar confusiones, puede eliminar estas métricas del panel predeterminado y dejar el siguiente informe:
Figura 2: El informe de base recomendado para Auto-Target actividades. Este informe se ha configurado para comparar el tráfico segmentado (servido por el modelo ML de ensamblado) con el tráfico de Control.
Actualmente, los números de alza y confianza no están disponibles para Control y segmentación dimensiones para informes de A4T para Segmentación automática. Hasta que no se añada la compatibilidad, el alza y la confianza se pueden calcular manualmente descargando la variable calculadora de confianza.
Para obtener más información sobre el rendimiento del modelo ML de ensamblado, puede examinar los desgloses de nivel de experiencia del Control y segmentación dimensión. En Workspace, arrastre el Experiencias de Target en el informe y, a continuación, desglose cada una de las dimensiones Control y Segmentación por separado.
Figura 3: Desglose de la dimensión objetivo por experiencias de Target
Aquí se muestra un ejemplo del informe resultante.
Figura 4: Una Segmentación automática informe con desgloses de nivel de experiencia. Tenga en cuenta que la métrica de objetivo puede ser diferente y que la estrategia de control puede tener una única experiencia.
En Workspace, haga clic en el icono de engranaje para ocultar los porcentajes en la Tasa de conversión para ayudar a mantener el foco en las tasas de conversión de la experiencia. Tenga en cuenta que las tasas de conversión tendrán un formato de decimales, pero las interpretarán como porcentajes según corresponda.
Al analizar un Segmentación automática actividad, elija siempre Visitas como métrica de normalización predeterminada. Segmentación automática personalización selecciona una experiencia para un visitante una vez por visita (formalmente, una vez por Adobe Target sesión), lo que significa que la experiencia que se muestra a un usuario puede cambiar en cada visita. Por lo tanto, si usa Visitantes únicos como métrica de normalización, el hecho de que un solo usuario termine viendo varias experiencias (en diferentes visitas) podría conllevar tasas de conversión confusas.
Un ejemplo sencillo demuestra este punto: considere un escenario en el que dos visitantes entren a una campaña que solo tenga dos experiencias. El primer visitante visita dos veces. Se les asigna la Experiencia A en la primera visita, pero la Experiencia B en la segunda visita (debido a que el estado de su perfil cambia en esa segunda visita). Después de la segunda visita, el visitante convierte realizando un pedido. La conversión se atribuye a la experiencia mostrada más recientemente (Experiencia B). El segundo visitante también visita dos veces y se muestra Experiencia B ambas veces, pero nunca convierte.
Permita comparar los informes de nivel de visitante y de nivel de visita:
Experiencia | Visitantes únicos | Visitas | Conversiones | Norma de visitante. Conv. de pulsaciones | La norma de la visita. Conv. de pulsaciones |
---|---|---|---|---|---|
Una | 1 | 1 | - | 0% | 0% |
B | 2 | 3 | 1 | 50% | 33,3 % |
Totales | 2 | 4 | 1 | 50 % | 25 % |
Tabla 1: Ejemplo que compara informes normalizados por visitantes con informes normalizados por visitas para un escenario en el que las decisiones se mantienen fieles a una visita (y no al visitante, como sucede con las pruebas A/B normales). Las métricas normalizadas por visitantes son confusas en este escenario.
Como se muestra en la tabla, hay una clara incongruencia de los números de nivel de visitante. A pesar de que hay dos visitantes únicos totales, no se trata de una suma de visitantes únicos individuales para cada experiencia. Aunque la tasa de conversión a nivel de visitante no es necesariamente incorrecta, cuando se compara una experiencia individual, las tasas de conversión a nivel de visita probablemente tengan mucho más sentido. Formalmente, la unidad de análisis ("visitas") es la misma que la unidad de adherencia en la toma de decisiones, lo que significa que se pueden agregar y comparar desgloses de métricas a nivel de experiencia.
La variable Adobe Analytics metodología de contabilización predeterminada para visitas a un Target la actividad puede incluir visitas en las que el usuario no interactuó con el Target actividad. Esto se debe al camino Target las asignaciones de actividad se mantienen en la variable Analytics contexto del visitante. Como resultado, el número de visitas al Target a veces la actividad puede estar inflada, lo que resulta en una depresión de las tasas de conversión.
Si prefiere informar sobre las visitas en las que el usuario interactuó con la variable Segmentación automática actividad (mediante la entrada en la actividad, un evento de visualización/visita o una conversión), puede:
Para crear el segmento:
Figura 5: Utilice un segmento como el que se muestra aquí para filtrar la variable Visitas en A4T para Segmentación automática informe
Una vez creado el segmento, utilícelo para filtrar el Visitas , por lo que la variable Visitas Esta métrica solo incluye las visitas en las que el usuario interactuó con la variable Target actividad.
Para filtrar Visitas uso de este segmento:
El panel final aparecerá de la siguiente manera.
Figura 6: Panel de informes con el segmento "Visita con actividad de segmentación automática específica" aplicado a la variable Visitas métrica. Esto garantiza únicamente las visitas en las que un usuario ha interactuado con la variable Target la actividad en cuestión se incluye en el informe.
La integración de A4T permite el uso de Segmentación automática Modelo ML que debe ser entrenado utilizando los mismos datos de evento de conversión que Adobe Analytics usa para generar informes de rendimiento. Sin embargo, hay ciertas hipótesis que deben emplearse para interpretar estos datos al entrenar los modelos ML, que difieren de las hipótesis por defecto realizadas durante la fase de notificación en Adobe Analytics.
Específicamente, la variable Adobe Target Los modelos ML utilizan un modelo de atribución de ámbito de visita. Es decir, asumen que una conversión debe ocurrir en la misma visita como una visualización de contenido para la actividad, para que la conversión se "atribuya" a la decisión tomada por el modelo ML. Esto es necesario para Target garantizar la formación oportuna de sus modelos; Target no puede esperar hasta 30 días para una conversión (la ventana de atribución predeterminada para los informes de Adobe Analytics), antes de incluirlo en los datos de formación de sus modelos.
Por lo tanto, la diferencia entre la atribución utilizada por la variable Target Los modelos (durante la formación) frente a la atribución predeterminada utilizada en la consulta de datos (durante la generación de informes) pueden provocar discrepancias. Incluso puede parecer que los modelos ML tienen un rendimiento deficiente, cuando de hecho el problema reside en la atribución.
Si los modelos ML están optimizando una métrica que se atribuye de forma diferente a la de las métricas que está viendo en un informe, es posible que los modelos no funcionen como se espera. Para evitarlo, asegúrese de que las métricas de objetivo de su informe utilicen la misma definición de métrica y atribución utilizada por los modelos ML de Target.
La definición exacta de la métrica y la configuración de atribución dependen de la variable criterio de optimización especificado durante la creación de la actividad.
Cuando la métrica es una conversión de Target o una métrica de Analytics con Maximizar el valor de la métrica por visita, la definición de métrica de objetivo permite que se produzcan varios eventos de conversión en la misma visita.
Para ver las métricas de objetivo que tienen la misma metodología de atribución utilizada por los modelos ML de Adobe Target, siga estos pasos:
Estos pasos garantizan que el informe atribuirá la métrica de objetivo a la visualización de la experiencia, si se ha producido el evento de métrica de objetivo en cualquier momento ("participación") en la misma visita en la que se mostró una experiencia.
Definir la visita con el segmento de métrica positiva
En el escenario en el que seleccionó Maximizar la tasa de conversión de visitas únicas como criterio de optimización, la definición correcta de la tasa de conversión es la fracción de visitas en las que el valor de la métrica es positivo. Esto se puede lograr creando un segmento que filtre a las visitas con un valor positivo de la métrica y luego filtrando la métrica de visitas.
Figura 7: El filtro de definición de segmento para las visitas con un orden positivo. En función de la métrica de optimización de su actividad, deberá reemplazar los pedidos por una métrica adecuada
Aplicar esto a las visitas en la métrica filtrada de actividad
Este segmento ahora se puede usar para filtrar visitas con un número positivo de pedidos y en las que se produjo una visita para la variable Auto-Targetactividad. El procedimiento para filtrar una métrica es similar al de antes y después de aplicar el nuevo segmento a la métrica de visitas ya filtrada, el panel de informes debería parecerse a la Figura 8
Figura 8: El panel de informe con la métrica de conversión de visita única correcta, es decir, el número de visitas en las que se registró una visita de la actividad y en las que la métrica de conversión (pedidos en este ejemplo) no fue cero.
Con las modificaciones de la variable Visita y métricas de objetivo en secciones anteriores, la modificación final que debe realizar para su A4T predeterminado para Segmentación automática el panel de informes tiene como objetivo crear tasas de conversión que sean la proporción correcta (la de una métrica de objetivos con atribución correcta) a una métrica filtrada apropiadamente Visitas métrica.
Para ello, cree una métrica calculada siguiendo los pasos siguientes:
También puede crear esta métrica utilizando la variable funcionalidad de métrica calculada rápida.
La definición completa de la métrica calculada se muestra aquí.
Figura 9: La definición de métrica de tasa de conversión del modelo corregida por la visita y la atribución. (Tenga en cuenta que esta métrica depende de la métrica y la actividad de objetivos. En otras palabras, esta definición de métrica no se puede reutilizar en todas las actividades).
La métrica Tasa de conversión del panel de A4T no está vinculada al evento de conversión ni a la métrica de normalización de la tabla. Al realizar las modificaciones sugeridas en este tutorial, la tasa de conversión no se adapta automáticamente a los cambios. Por lo tanto, si realiza la modificación a una (o ambas) atribución de evento de conversión y a la métrica de normalización, debe recordar como último paso para modificar también la tasa de conversión, como se muestra arriba.
Al combinar todos los pasos anteriores en un solo panel, la figura siguiente muestra una vista completa del informe recomendado para Segmentación automática Actividades de A4T. Este informe es el mismo que el utilizado por la variable Target Modelos ML para optimizar su métrica de objetivos e incorpora todos los matices y recomendaciones que se tratan en este tutorial. Este informe es también el más cercano a las metodologías de contabilización utilizadas en la Target-basado en informes Segmentación automática actividades.
Figura 10: El A4T final Segmentación automática informe en Adobe Analytics Workspace, que combina todos los ajustes a las definiciones de métricas descritas en las secciones anteriores de este documento.