L’integrazione di Analytics for Target (A4T) per le attività Auto-Target utilizza gli algoritmi di machine learning (ML) di Adobe Target per scegliere l’esperienza migliore per ogni visitatore in base al suo profilo, comportamento e contesto, il tutto utilizzando una metrica di obiettivo di Adobe Analytics.
Sebbene in Adobe Analytics Analysis Workspace siano disponibili funzionalità di analisi avanzate, alcune modifiche al pannello Analytics for Target predefinito sono necessarie per interpretare correttamente le attività Auto-Target a causa delle differenze tra le attività di sperimentazione (A/B manuale e Allocazione automatica) e le attività di personalizzazione (Auto-Target).
Questa esercitazione illustra le modifiche consigliate per l’analisi delle attività Auto-Target in Workspace, basate sui seguenti concetti chiave:
Per creare un rapporto A4T per Auto-Target, inizia con il pannello Analytics for Target in Workspace, come mostrato di seguito, oppure inizia con una tabella a forma libera. Effettua quindi le seguenti selezioni:
pngFigura 1: Configurazione del pannello Analytics for Target per Auto-Target le attività.
Per configurare il pannello Analytics for Target per le attività di Targeting automatico, scegli un’esperienza di controllo, scegli Visite come metrica di normalizzazione e scegli la stessa metrica di obiettivo selezionata per l’ottimizzazione durante la creazione di attività Target.
Il pannello A4T predefinito è progettato per test A/B classici (manuali) o attività di allocazione automatica in cui l’obiettivo è quello di confrontare le prestazioni di singole esperienze rispetto all’esperienza di controllo. Nelle attività Auto-Target, tuttavia, il primo confronto dovrebbe essere tra la strategia di controllo a2/> e la strategia di destinazione a4/> (in altre parole, determinare l'incremento delle prestazioni complessive del modello di raggruppamento ML Auto-Target rispetto alla strategia di controllo).**
Per eseguire questo confronto, utilizza la dimensione Controllo vs Target (Analytics for Target) . Trascina per sostituire la dimensione Esperienze di destinazione nel rapporto A4T predefinito.
Nota che questa sostituzione invalida i calcoli di incremento e affidabilità predefiniti nel pannello A4T. Per evitare confusione, puoi rimuovere queste metriche dal pannello predefinito, lasciando il seguente rapporto:
pngFigura 2: Rapporto di base consigliato per Auto-Target le attività. Questo rapporto è stato configurato per confrontare il traffico mirato (servito dal modello HTML di insieme) con il traffico di controllo.
Al momento, i numeri di incremento e affidabilità non sono disponibili per i rapporti Controllo rispetto alle dimensioni di destinazione per A4T per il targeting automatico. Fino a quando non viene aggiunto il supporto, Incremento e Affidabilità possono essere calcolati manualmente scaricando il calcolatore di affidabilità.
Per ulteriori informazioni sulle prestazioni del modello ML di insieme, puoi esaminare le suddivisioni a livello di esperienza della dimensione Controllo rispetto a Target. In Workspace, trascina la dimensione Esperienze di Target nel rapporto, quindi suddividi separatamente ciascuna delle dimensioni Controllo e Destinazione.
pngFigura 3: Suddivisione della dimensione di targeting per esperienze Target
Un esempio del rapporto risultante è mostrato qui.
pngFigura 4: Un Auto-Target rapporto standard con suddivisioni a livello di esperienza. La metrica di obiettivo può essere diversa e la strategia di controllo può avere una sola esperienza.
In Workspace, fai clic sull’icona a forma di ingranaggio per nascondere le percentuali nella colonna Tasso di conversione, per mantenere lo stato attivo sui tassi di conversione dell’esperienza. I tassi di conversione verranno quindi formattati come decimali, ma interpretati di conseguenza come percentuali.
Quando analizzi un’attività Auto-Target, scegli sempre Visite come metrica di normalizzazione predefinita. Auto-Target la personalizzazione seleziona un’esperienza per un visitatore una volta per visita (formalmente, una volta per sessione Adobe Target), il che significa che l’esperienza mostrata a un utente può cambiare a ogni singola visita. Pertanto, se utilizzi Visitatori unici come metrica di normalizzazione, il fatto che un singolo utente possa visualizzare più esperienze (in visite diverse) confonderebbe i tassi di conversione.
Un esempio semplice illustra questo punto: considera uno scenario in cui due visitatori accedono a una campagna con solo due esperienze. Il primo visitatore visita due volte. Vengono assegnate all’Esperienza A nella prima visita, ma all’Esperienza B nella seconda visita (a causa della modifica dello stato del profilo in quella seconda visita). Dopo la seconda visita, il visitatore si converte effettuando un ordine. La conversione è attribuita all’esperienza mostrata più di recente (Esperienza B). Anche il secondo visitatore visita due volte e viene mostrato sia l’Esperienza B che la conversione.
Confrontiamo i rapporti a livello di visitatore e di visita:
Esperienza | Visitatori univoci | Visite | Conversioni | Norma per i visitatori. Conv. Rate | Visita la norma. Conv. Rate |
---|---|---|---|---|---|
A | 1 | 1 | - | 0% | 0% |
B | 2 | 3 | 1 | 50% | 33,3% |
Totali | 2 | 4 | 1 | 50% | 25% |
Tabella 1: Esempio di confronto tra rapporti normalizzati sui visitatori e normalizzati sulle visite per uno scenario in cui le decisioni sono appiccicose a una visita (e non ai visitatori, come con i normali test A/B). Le metriche normalizzate dei visitatori confondono in questo scenario. |
Come mostrato nella tabella, esiste una chiara incongruenza dei numeri a livello di visitatore. Nonostante il fatto che ci siano due visitatori unici totali, questa non è una somma di singoli visitatori unici per ogni esperienza. Anche se il tasso di conversione a livello di visitatore non è necessariamente sbagliato, quando si confrontano le singole esperienze, i tassi di conversione a livello di visita probabilmente hanno molto più senso. Formalmente, l’unità di analisi ("visite") è la stessa dell’unità di decisione viscerale, il che significa che è possibile aggiungere e confrontare suddivisioni delle metriche a livello di esperienza.
La metodologia di conteggio predefinita di Adobe Analytics per le visite a un’attività Target può includere visite in cui l’utente non ha interagito con l’attività Target. Ciò è dovuto al modo in cui le assegnazioni di attività di Target vengono mantenute nel contesto del visitatore di Analytics. Di conseguenza, il numero di visite all’attività Target può talvolta essere gonfiato, con conseguente depressione dei tassi di conversione.
Se preferisci creare rapporti sulle visite in cui l’utente ha effettivamente interagito con l’attività di Targeting automatico (tramite l’accesso all’attività, un evento di visualizzazione/visita o una conversione), puoi:
Per creare il segmento:
pngFigura 5: Utilizza un segmento come quello mostrato qui per filtrare la metrica Visite in A4T per il Auto-Target rapporto
Una volta creato il segmento, utilizzalo per filtrare la metrica Visite, in modo che la metrica Visite includa solo le visite in cui l’utente ha interagito con l’attività Target.
Per filtrare le visite utilizzando questo segmento:
Il pannello finale verrà visualizzato come segue.
pngFigura 6: Pannello di reporting con il segmento "Hit con specifica attività di Targeting automatico" applicato alla metrica Visitsmetric. Questo assicura che solo le visite in cui un utente ha effettivamente interagito con l'attività Target in questione siano incluse nel rapporto.
L’integrazione A4T consente al modello ML di Auto-Target di essere addestrato utilizzando gli stessi dati evento di conversione utilizzati da Adobe Analytics per generare rapporti sulle prestazioni. Tuttavia, vi sono alcune ipotesi che devono essere utilizzate per interpretare questi dati durante la formazione dei modelli ML, che differiscono dalle ipotesi di default formulate durante la fase di segnalazione in Adobe Analytics.
In particolare, i modelli ML di Adobe Target utilizzano un modello di attribuzione basato sulle visite. In altre parole, presuppongono che una conversione avvenga nella stessa visita di una visualizzazione del contenuto per l'attività, affinché la conversione sia "attribuita" alla decisione presa dal modello ML. Ciò è necessario affinché Target garantisca una formazione tempestiva dei suoi modelli; Target non può attendere fino a 30 giorni per una conversione (la finestra di attribuzione predefinita per i rapporti in Adobe Analytics), prima di includerla nei dati di formazione per i suoi modelli.
Pertanto, la differenza tra l’attribuzione utilizzata dai modelli di Target (durante la formazione) e l’attribuzione predefinita utilizzata per eseguire query sui dati (durante la generazione del rapporto) può causare discrepanze. Potrebbe anche sembrare che i modelli ML abbiano prestazioni scadenti, quando in realtà il problema è legato all'attribuzione.
Se i modelli ML vengono ottimizzati per una metrica che viene attribuita in modo diverso rispetto alle metriche visualizzate in un rapporto, le prestazioni dei modelli potrebbero non essere quelle previste. Per evitare questo problema, assicurati che le metriche dell’obiettivo nel rapporto utilizzino la stessa attribuzione utilizzata dai modelli ML di Target.
Per visualizzare le metriche dell’obiettivo che hanno la stessa metodologia di attribuzione utilizzata dai modelli ML di Adobe Target, procedi come segue:
Questi passaggi garantiscono che il rapporto attribuisca la metrica di obiettivo alla visualizzazione dell’esperienza, se l’evento di metrica di obiettivo si è verificato in qualsiasi momento ("partecipazione") nella stessa visita in cui è stata mostrata un’esperienza.
Con le modifiche alle metriche Visita e obiettivo nelle sezioni precedenti, l’ultima modifica da apportare al pannello di reporting A4T predefinito per Auto-Target è quella di creare tassi di conversione che siano il rapporto corretto, quello di una metrica di obiettivo con la giusta attribuzione, a una metrica "Visite" filtrata in modo appropriato.
A tale scopo, crea una metrica calcolata utilizzando i seguenti passaggi:
La definizione completa della metrica calcolata è mostrata qui.
pngFigura 7: Definizione della metrica del tasso di conversione del modello corretta per visita e attribuzione. (Nota che questa metrica dipende dalla metrica e dall’attività dell’obiettivo. In altre parole, questa definizione di metrica non è riutilizzabile tra le attività.)
La metrica del tasso di conversione dal pannello A4T non è collegata all’evento di conversione o alla metrica di normalizzazione nella tabella. Quando apporti le modifiche suggerite in questa esercitazione, il tasso di conversione non si adatta automaticamente alle modifiche. Pertanto, se apporti la modifica a uno (o entrambi) l’attribuzione dell’evento di conversione e la metrica di normalizzazione, devi ricordare come passaggio finale per modificare anche il tasso di conversione, come mostrato sopra.
Combinando tutti i passaggi precedenti in un singolo pannello, la figura seguente mostra una visualizzazione completa del rapporto consigliato per le attività Auto-Target A4T. Questo rapporto è lo stesso utilizzato dai modelli di machine learning di Target per ottimizzare la metrica dell’obiettivo e include tutte le sfumature e i consigli descritti in questa esercitazione. Questo rapporto è anche più vicino alle metodologie di conteggio utilizzate nelle attività tradizionali di reporting basate su Target Auto-Target.
pngFigura 8: Il Auto-Target rapporto finale A4T in Adobe Analytics Workspace, che combina tutte le modifiche alle definizioni metriche descritte nelle sezioni precedenti di questo documento.