Pour Ciblage automatique activités, vous devez archiver les rapports dans Analytics Workspace et créez manuellement un panneau A4T.
La variable Analytics pour Target Intégration (A4T) pour Auto-Target Les activités utilisent la variable Adobe Target algorithmes d’apprentissage automatique d’ensemble (ML) permettant de choisir la meilleure expérience pour chaque visiteur en fonction de son profil, de son comportement et de son contexte, tout en utilisant une Adobe Analytics mesure d’objectif.
Bien que des fonctionnalités d’analyse complètes soient disponibles dans Adobe Analytics Analysis Workspace, quelques modifications apportées à la valeur par défaut Analytics pour Target doivent être correctement interprétés. Auto-Target activités, en raison des différences entre les activités d’expérimentation (manuelle) Test A/B et Affectation automatique) et des activités de personnalisation (Ciblage automatique).
Ce tutoriel décrit les modifications recommandées pour l’analyse Ciblage automatique activités dans Analysis Workspace, qui reposent sur les concepts clés suivants :
Pour créer A4T pour Ciblage automatique , commencez par la variable Analytics pour Target dans Analysis Workspace, comme illustré ci-dessous, ou commencez par un tableau à structure libre. Effectuez ensuite les sélections suivantes :
Expérience de contrôle: vous pouvez choisir n’importe quelle expérience, mais vous remplacerez ce choix ultérieurement. Notez que pour Ciblage automatique activités, l’expérience de contrôle est en fait une stratégie de contrôle, qui consiste à : a) diffuser de manière aléatoire parmi toutes les expériences, ou b) diffuser une seule expérience (ce choix est effectué au moment de la création de l’activité dans Adobe Target). Même si vous avez choisi (b), votre Ciblage automatique activité désignait une expérience spécifique comme contrôle. Suivez toujours l’approche décrite dans ce tutoriel pour analyser A4T pour Ciblage automatique activités.
Mesure de normalisation: sélectionnez Visites.
Mesures de succès: bien que vous puissiez sélectionner une mesure pour le rapport, vous devriez généralement afficher les rapports sur la même mesure que celle qui a été choisie pour l’optimisation lors de la création de l’activité dans Target.
Figure 1 : Analytics pour Target configuration du panneau pour Ciblage automatique activités.
Pour configurer votre Analytics pour Target pour Ciblage automatique activités, choisissez n’importe quelle expérience de contrôle, choisissez Visites comme mesure de normalisation, et choisissez la même mesure d’objectif que celle qui a été choisie pour l’optimisation lors de la Target création de l’activité.
Le panneau A4T par défaut est conçu pour les écrans classiques (manuels). Test A/B ou Affectation automatique activités dont l’objectif est de comparer les performances d’expériences individuelles à l’expérience de contrôle. Dans Ciblage automatique toutefois, la première comparaison d’ordre doit être entre les activités de contrôle stratégie et le stratégie. En d’autres termes, déterminer l’effet élévateur de la performance globale de la variable Ciblage automatique modèle ML d’ensemble sur la stratégie de contrôle.
Pour effectuer cette comparaison, utilisez le Comparaison du contrôle et du ciblage (Analytics pour Target) dimension. Effectuez un glisser-déposer pour remplacer le Expériences Target dans le rapport A4T par défaut.
Notez que ce remplacement invalide la valeur par défaut Effet élévateur et degré de confiance calculs sur le panneau A4T. Pour éviter toute confusion, vous pouvez supprimer ces mesures du panneau par défaut, en laissant le rapport suivant :
Figure 2 : Rapport de référence recommandé pour Auto-Target activités. Ce rapport a été configuré pour comparer le trafic ciblé (traité par le modèle ML d’ensemble) à votre trafic de contrôle.
Actuellement, Effet élévateur et degré de confiance les nombres ne sont pas disponibles pour Comparaison du contrôle et du ciblage dimensions des rapports A4T pour Ciblage automatique. Jusqu’à ce que la prise en charge soit ajoutée, Effet élévateur et degré de confiance peut être calculé manuellement en téléchargeant la variable calculateur de confiance.
Pour mieux comprendre les performances du modèle ML d’ensemble, vous pouvez examiner les ventilations au niveau de l’expérience de la variable Comparaison du contrôle et du ciblage dimension. Dans Analysis Workspace, faites glisser le Expériences Target sur votre rapport, puis ventilez séparément chacune des dimensions de contrôle et des dimensions ciblées.
Figure 3 : Ventilation de la dimension ciblée par expériences Target
Un exemple du rapport obtenu est présenté ici.
Figure 4 : Une norme Ciblage automatique rapport avec des ventilations au niveau de l’expérience. Notez que votre mesure d’objectif peut être différente et que votre stratégie de contrôle peut comporter une seule expérience.
Dans Analysis Workspace, cliquez sur l’icône d’engrenage pour masquer les pourcentages dans la variable Taux de conversion pour vous aider à vous concentrer sur les taux de conversion de l’expérience. Les taux de conversion seront alors formatés sous forme de décimales, mais interprétés comme des pourcentages en conséquence.
Lors de l’analyse d’une Ciblage automatique activité, toujours choisir Visites comme mesure de normalisation par défaut. Ciblage automatique la personnalisation sélectionne une expérience pour un visiteur une fois par visite (formellement, une fois par visite). Target session), ce qui signifie que l’expérience présentée à un visiteur peut changer à chaque visite. Ainsi, si vous utilisez Visiteurs uniques comme mesure de normalisation, le fait qu’un utilisateur unique puisse voir plusieurs expériences (au cours de différentes visites) peut entraîner des taux de conversion déroutants.
Un exemple simple illustre ce point : imaginez un scénario dans lequel deux visiteurs entrent dans une campagne qui ne comporte que deux expériences. Le premier visiteur effectue deux visites. Elles sont affectées à l’expérience A lors de la première visite, mais à l’expérience B lors de la seconde visite (en raison de la modification de leur état de profil lors de cette deuxième visite). Après la deuxième visite, le visiteur effectue une conversion en passant une commande. La conversion est attribuée à l’expérience la plus récemment affichée (expérience B). Le deuxième visiteur se rend également deux fois sur le site et affiche l’expérience B à chaque fois, mais ne procède jamais à une conversion.
Comparons les rapports au niveau des visiteurs et des visites :
Expérience | Visiteurs uniques | Visites | Conversions | Taux de conversion normalisé par les visiteurs | Taux de conversion normalisé pour les visites |
---|---|---|---|---|---|
Une | 1 | 1 | - | 0% | 0% |
B | 2 | 3 | 1 | 50 % | 33.3% |
Totaux | 2 | 4 | 1 | 50 % | 25 % |
Tableau 1 : Exemple de comparaison des rapports normalisés en fonction des visiteurs et des visites pour un scénario dans lequel les décisions sont liées à une visite (et non aux visiteurs, comme avec les tests A/B standard). Dans ce scénario, les mesures normalisées par les visiteurs sont déroutantes.
Comme le montre le tableau, les nombres au niveau du visiteur présentent une incongruité évidente. Bien qu’il existe deux visiteurs uniques au total, il ne s’agit pas de la somme des visiteurs uniques individuels pour chaque expérience. Bien que le taux de conversion au niveau du visiteur ne soit pas nécessairement incorrect, lorsqu’on compare des expériences individuelles, les taux de conversion au niveau du visiteur ont sans doute beaucoup plus de sens. Officiellement, l’unité d’analyse ("visites") est identique à l’unité d’attractivité de décision, ce qui signifie que les ventilations au niveau de l’expérience de mesures peuvent être ajoutées et comparées.
La variable Adobe Analytics méthodologie de comptage par défaut pour les visites d’un Target l’activité peut inclure des visites au cours desquelles l’utilisateur n’a pas interagi avec la variable Target activité. Ceci est dû à la façon dont Target les affectations d’activité sont conservées dans la variable Analytics contexte du visiteur. Par conséquent, le nombre de visites au Target l’activité peut parfois être exagérée, ce qui entraîne une dépression des taux de conversion.
Si vous préférez créer un rapport sur les visites au cours desquelles l’utilisateur a réellement interagi avec la variable Ciblage automatique (soit par l’entrée de l’activité, un événement d’affichage, de visite ou une conversion), vous pouvez :
Pour créer le segment :
Figure 5 : Utilisation d’un segment tel que celui illustré ici pour filtrer la variable Visites dans votre A4T pour Ciblage automatique rapport
Une fois le segment créé, utilisez-le pour filtrer la variable Visites , donc la variable Visites La mesure inclut uniquement les visites au cours desquelles l’utilisateur a interagi avec la variable Target activité.
Pour filtrer Visites à l’aide de ce segment :
Le panneau final s’affiche comme suit :
Figure 6 : Panneau Création de rapports avec le segment "Accès avec une activité de ciblage automatique spécifique" appliqué au Visites mesure. Ce segment garantit que seules les visites au cours desquelles un utilisateur a réellement interagi avec la variable Target Les activités en question sont incluses dans le rapport.
L’intégration A4T permet à la variable Ciblage automatique Modèle ML à utiliser formé en utilisant les mêmes données d’événement de conversion que Adobe Analytics utilise pour génération de rapports de performances. Cependant, certaines hypothèses doivent être utilisées pour interpréter ces données lors de la formation des modèles ML, qui diffèrent des hypothèses par défaut faites lors de la phase de création de rapports dans Adobe Analytics.
Plus précisément, la variable Adobe Target Les modèles ML utilisent un modèle d’attribution à portée de visite. En d’autres termes, les modèles ML supposent qu’une conversion doit avoir lieu au cours de la même visite comme affichage du contenu de l’activité pour que la conversion soit "attribuée" à la décision prise par le modèle ML. Cette opération est requise pour Target assurer une formation rapide de ses modèles; Target ne peut pas attendre jusqu’à 30 jours pour une conversion (la fenêtre d’attribution par défaut des rapports dans Adobe Analytics) avant de l’inclure dans les données d’entraînement de ses modèles.
Ainsi, la différence entre l’attribution utilisée par la variable Target les modèles (pendant la formation) par rapport à l’attribution par défaut utilisée dans l’interrogation des données (pendant la génération des rapports) peuvent entraîner des incohérences. Il peut même sembler que les modèles ML sont peu performants, alors qu'en fait le problème réside dans l'attribution.
Si les modèles ML optimisent une mesure qui est attribuée différemment des mesures que vous affichez dans un rapport, les modèles peuvent ne pas fonctionner comme prévu. Pour éviter cela, assurez-vous que les mesures d’objectif de votre rapport utilisent la même définition de mesure et la même attribution utilisées par Target Modèles ML.
La définition de mesure exacte et les paramètres d’attribution dépendent de critère d’optimisation vous avez spécifié lors de la création de l’activité.
Lorsque la mesure est une Target une conversion ou une Analytics mesures avec Maximiser la valeur de mesure par visite, la définition de mesure d’objectif permet à plusieurs événements de conversion de se produire au cours d’une même visite.
Pour afficher les mesures d’objectif qui ont la même méthodologie d’attribution utilisée par la variable Target Modèles ML, procédez comme suit :
Passez la souris sur l’icône d’engrenage de la mesure d’objectif :
Dans le menu qui s’affiche, faites défiler jusqu’à Paramètres des données.
Sélectionner Utilisation d’un modèle d’attribution différent du modèle par défaut (s’il n’est pas déjà sélectionné).
Cliquez sur Modifier.
Sélectionner Modèle: Participation, et Intervalle de recherche en amont: Visite.
Cliquez sur Appliquer.
Ces étapes garantissent que votre rapport attribue la mesure d’objectif à l’affichage de l’expérience, si l’événement de mesure d’objectif s’est produit. à tout moment ("participation") au cours de la même visite que celle où une expérience a été affichée.
Définition de la visite avec un segment de mesure positif
Dans le scénario où vous avez sélectionné Maximiser le taux de conversion des visites uniques comme critère d’optimisation, la définition correcte du taux de conversion correspond à la fraction des visites pour lesquelles la valeur de mesure est positive. Pour ce faire, vous pouvez créer un segment en filtrant les visites par rapport aux visites avec une valeur positive de la mesure, puis en filtrant la mesure Visites.
Comme avant, sélectionnez la variable Composants > Créer un segment dans le Analysis Workspace barre d’outils.
Spécifiez un Titre pour votre segment.
Dans l’exemple ci-dessous, le segment est nommé “Visits with an order”.
Faites glisser la mesure de base que vous avez utilisée dans votre objectif d’optimisation dans le segment.
Dans l’exemple ci-dessous, nous utilisons la méthode commandes afin que le taux de conversion mesure la fraction des visites pour lesquelles une commande est enregistrée.
En haut à gauche du conteneur de définitions de segment, sélectionnez Inclure Visite.
Utilisez la variable est supérieur à et définissez la valeur sur 0.
Si vous définissez la valeur sur 0, cela signifie que ce segment inclut les visites pour lesquelles la mesure des commandes est positive.
Cliquez sur Enregistrer.
Figure 7 : Filtrage de la définition de segment pour les visites avec un ordre positif. Selon la mesure d’optimisation de votre activité, vous devez remplacer les commandes par une mesure appropriée.
Appliquez-le aux visites dans la mesure filtrée de l’activité.
Ce segment peut désormais être utilisé pour filtrer les visites avec un nombre positif de commandes, et lorsqu’un accès a eu lieu pour le Auto-Target activité. La procédure de filtrage d’une mesure est similaire à la procédure précédente. Après avoir appliqué le nouveau segment à la mesure de visite déjà filtrée, le panneau du rapport doit ressembler à la figure 8.
Figure 8 : Panneau du rapport présentant la mesure de conversion de visites uniques correcte : nombre de visites au cours desquelles un accès de l’activité a été enregistré, et où la mesure de conversion (commandes dans cet exemple) était non nulle.
Avec les modifications apportées à la variable Visite et les mesures d’objectif dans les sections précédentes, la modification finale que vous devez apporter à votre A4T par défaut pour Auto-Target le panneau de création de rapports permet de créer des taux de conversion correspondant au bon ratio (celui de la mesure d’objectif corrigée), par rapport à une mesure "Visites" correctement filtrée.
Pour ce faire, créez une Mesure calculée en procédant comme suit :
Vous pouvez également créer cette mesure à l’aide de la variable fonctionnalité de mesure calculée rapide.
La définition de mesure calculée complète s’affiche ici.
Figure 7 : Définition de la mesure de taux de conversion du modèle corrigé des visites et corrigé des attributions. (Notez que cette mesure dépend de votre mesure d’objectif et de votre activité. En d’autres termes, cette définition de mesure n’est pas réutilisable entre les activités.)
La variable Conversion la mesure de taux du panneau A4T n’est pas liée à l’événement de conversion ou à la mesure de normalisation dans le tableau. Lorsque vous effectuez les modifications suggérées dans ce tutoriel, la variable Conversion Le taux ne s’adapte pas automatiquement aux modifications. Par conséquent, si vous apportez la modification à l’attribution d’événement de conversion ou à la mesure de normalisation (ou les deux), vous devez vous souvenir d’une étape finale pour modifier également la variable Conversion rate, comme illustré ci-dessus.
En combinant toutes les étapes ci-dessus dans un seul panneau, la figure ci-dessous présente une vue complète du rapport recommandé pour Ciblage automatique Activités d’A4T. Ce rapport est identique à celui utilisé par la variable Target Modèles ML pour optimiser votre mesure d’objectif. Le rapport intègre toutes les nuances et recommandations abordées dans ce tutoriel. Ce rapport se rapproche également des méthodologies de comptage utilisées dans les Target-reporting piloté Ciblage automatique activités.
Cliquez sur pour développer l’image.
Figure 10 : Le A4T final Ciblage automatique rapport dans Adobe Analytics Workspace, qui combine tous les ajustements aux définitions de mesures décrits dans les sections précédentes de ce tutoriel.