Premium

Configuration de rapports A4T dans Analysis Workspace pour Auto-Target activités

Le 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 :

• Le Comparaison du contrôle et du ciblage peut être utilisée pour distinguer les Contrôle expériences par rapport à celles diffusées par la fonction Ciblage automatique algorithme ML d’ensemble.
• Les visites doivent être utilisées comme mesure de normalisation lors de l’affichage des ventilations de performances au niveau de l’expérience. En outre, La méthodologie de comptage par défaut d’Adobe Analytics peut inclure les visites pour lesquelles l’utilisateur ne voit pas réellement le contenu de l’activité., mais ce comportement par défaut peut être modifié à l’aide d’un segment à portée appropriée (détails ci-dessous).
• L’attribution à portée de recherche en amont des visites, également appelée "intervalle de recherche en amont des visites" sur le modèle d’attribution prescrit, est utilisée par la fonction Adobe Target Les modèles ML pendant leurs phases de formation, et le même modèle d’attribution (autre que celui par défaut), doivent être utilisés lors de la ventilation de la mesure d’objectif.

Création d’A4T pour Ciblage automatique dans Analysis Workspace

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 :

1. Expérience de contrôle: Vous pouvez choisir n’importe quelle expérience ; toutefois, 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 la méthode décrite dans ce tutoriel pour analyser A4T pour Ciblage automatique activités.

2. Mesure de normalisation: Sélectionner Visites.

3. Mesures de succès: Bien que vous puissiez sélectionner les mesures sur lesquelles créer des rapports, vous devriez généralement consulter 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.

Utilisez la variable Contrôles et cibles dimension à comparer Target modèle ML d’ensemble à votre contrôle

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 base 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.

Ajout de ventilations de mesures au niveau de l’expérience

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 chaque dimension de contrôle et dimension ciblée.

Tableau 3 : Ventilation de la dimension ciblée par expérience Target

Un exemple du rapport obtenu est présenté ici.

Tableau 4 : Un standard 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.

Pourquoi "Visites" est la mesure de normalisation correcte pour Ciblage automatique activités

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.

Voici un exemple simple : imaginons 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 :

Tableau 1 : Exemple de comparaison des rapports normalisés par les visiteurs et normalisés par les 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.

Filtre pour les visites réelles de l’activité

Le 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 :

1. Créez un segment spécifique qui comprend les accès issus de la Target activité en question, puis
2. Filtrez les Visites à l’aide de ce segment.

Pour créer le segment :

1. Sélectionnez la Composants > Créer un segment dans le Analysis Workspace de la barre d’outils.
2. Spécifiez un Titre pour votre segment. Dans l’exemple ci-dessous, le segment est nommé “Hit with specific Auto-Target activity”.
3. Faites glisser le Activités Target dimension au segment Définition .
4. Utilisez la variable est égal à de l’opérateur.
5. Recherchez votre Target activité.
6. Cliquez sur l’icône d’engrenage, puis sélectionnez Modèle d’attribution > Instance comme illustré dans la figure ci-dessous.
7. Cliquez sur Enregistrer.

Figure 5 : Utilisez un segment tel que celui présenté 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 :

1. Faites glisser le segment nouvellement créé à partir de la barre d’outils des composants, puis survolez la base de la Visites libellé de mesure jusqu’à ce qu’un bleu Filtrer par s’affiche.
2. Relâchez le segment. Le filtre est appliqué à cette mesure.

Le panneau final s’affiche comme suit :

Tableau 6 : Panneau de création de rapports avec le segment "Accès avec 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.

Assurez-vous que la mesure et l’attribution de l’objectif sont alignées sur votre critère d’optimisation.

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.

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.

Conversions définies par Target, ou Analytics mesures avec Maximiser la valeur de mesure par visite

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 :

1. Passez la souris sur l’icône d’engrenage de la mesure d’objectif :

   

2. Dans le menu qui s’affiche, faites défiler l’écran jusqu’à Paramètres des données.

3. Sélectionner Utilisation d’un modèle d’attribution différent du modèle par défaut (s’il n’est pas déjà sélectionné).

   

4. Cliquez sur Modifier.

5. Sélectionner Modèle: Participation, et Intervalle de recherche en amont: Visite.

   

6. 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") lors de la même visite que celle où une expérience a été affichée.

Analytics mesures avec Taux de conversion de visites uniques

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.

1. Comme avant, sélectionnez la variable Composants > Créer un segment dans le Analysis Workspace de la barre d’outils.

2. Spécifiez un Titre pour votre segment.

   Dans l’exemple ci-dessous, le segment est nommé “Visits with an order”.

3. 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.

4. En haut à gauche du conteneur de définitions de segment, sélectionnez Inclure Visite.

5. 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.

6. 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 de rapport avec la mesure de conversion de visites uniques correcte : le 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.

Étape finale : Créer un taux de conversion qui capture la magie ci-dessus

Avec les modifications apportées au 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 :

1. Sélectionnez la Composants > Créer une mesure dans le Analysis Workspace de la barre d’outils.
2. Spécifiez un Titre pour votre mesure. Par exemple, "Taux de conversion corrigé des visites pour l’activité XXX".
3. Sélectionner Format = Pourcentage et Nombre de décimales = 2.
4. Faites glisser la mesure d’objectif appropriée pour votre activité (par exemple : Conversions des activités) dans la définition et utilisez l’icône d’engrenage sur cette mesure d’objectif pour ajuster le modèle d’attribution à (Participation|Visite), comme décrit précédemment.
5. Sélectionner Ajouter > Conteneur en haut à droite de l’objet Définition .
6. Sélectionnez l'opérateur de division (÷) entre les deux conteneurs.
7. Faites glisser le segment précédemment créé, nommé "Accès avec des Ciblage automatique "activity" dans ce tutoriel pour ce Auto-Target activité.
8. Faites glisser le Visites dans le conteneur de segments.
9. Cliquez sur Enregistrer.

La définition de mesure calculée complète s’affiche ici.

Figure 7 : Définition de la mesure de taux de conversion du modèle corrigée pour les visites et corrigée pour l’attribution. (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.)

Résumé : Exemple final Analysis Workspace pour Ciblage automatique rapports

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 : 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.

Ressources Business.Adobe.com