Per Targeting automatico attività, è necessario controllare il reporting in Analytics Workspace e creare manualmente un pannello A4T.
La Analytics for Target Integrazione (A4T) per Auto-Target utilizza le attività Adobe Targetalgoritmi di machine learning (ML) di raggruppamento per scegliere l'esperienza migliore per ogni visitatore in base al suo profilo, comportamento e contesto, il tutto mentre utilizza un Adobe Analytics metrica di obiettivo.
Sebbene siano disponibili funzionalità avanzate di analisi in Adobe Analytics Analysis Workspace, alcune modifiche all'impostazione predefinita Analytics for Target Il pannello è necessario per interpretare correttamente Auto-Target attività, a causa di differenze tra le attività di sperimentazione (A/B manuale e Allocazione automatica) e le attività di personalizzazione (Targeting automatico).
Questa esercitazione illustra le modifiche consigliate per l'analisi Targeting automatico attività Workspace, che si basano sui seguenti concetti chiave:
Per creare un A4T per Targeting automatico inizia con Analytics for Target pannello in Workspace, come illustrato di seguito, o inizia con una tabella a forma libera. Effettua quindi le seguenti selezioni:
Figura 1: Analytics for Target configurazione del pannello per Targeting automatico attività.
Per configurare il Analytics for Target pannello per Targeting automatico attività, scegli qualsiasi esperienza di controllo, scegli Visite come metrica di normalizzazione e scegli la stessa metrica di obiettivo selezionata per l’ottimizzazione durante Target creazione di attività.
Il pannello A4T predefinito è progettato per i test A/B classici (manuali) o Allocazione automatica attività in cui l’obiettivo è confrontare le prestazioni di singole esperienze rispetto all’esperienza di controllo. In Targeting automatico le attività, tuttavia, il confronto di primo ordine dovrebbe essere tra il controllo strategia e il strategia (in altre parole, determinare l'incremento delle prestazioni complessive del Targeting automatico mettere insieme il modello ML sulla strategia di controllo).
Per eseguire questo confronto, utilizza la variabile Controllo e targeting (Analytics for Target) dimensione. Trascina e rilascia per sostituire Esperienze Target 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:
Figura 2: Rapporto di base consigliato per Auto-Target attività. Questo rapporto è stato configurato per confrontare il traffico mirato (servito dal modello ML dell’insieme) con il traffico di controllo.
Al momento, i numeri di incremento e affidabilità non sono disponibili per Controllo e targeting dimensioni per i rapporti A4T per Targeting automatico. Fino a quando non viene aggiunto il supporto, Incremento e Affidabilità possono essere calcolati manualmente scaricando il calcolatore di affidabilità.
Per ottenere ulteriori informazioni sulle prestazioni del modello ML di insieme, puoi esaminare le suddivisioni a livello di esperienza del Controllo e targeting dimensione. In Workspace, trascina Esperienze Target Inserisci le dimensioni nel rapporto, quindi suddividi separatamente ciascuna delle dimensioni Controllo e Targeting .
Figura 3: Suddivisione della dimensione di targeting per esperienze Target
Un esempio del rapporto risultante è mostrato qui.
Figura 4: Standard Targeting automatico rapporti 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 nel 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 si analizza un Targeting automatico attività, scegli sempre Visite come metrica di normalizzazione predefinita. Targeting automatico la personalizzazione seleziona un’esperienza per un visitatore una volta per visita (formalmente, una volta per visita) Adobe Target (sessione), che significa che l’esperienza mostrata a un utente può cambiare in 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. Tariffa | Visita la norma. Conv. Tariffa |
---|---|---|---|---|---|
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 dai 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 hanno probabilmente 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 Adobe Analytics metodologia di conteggio predefinita per le visite a un Target l’attività potrebbe includere visite in cui l’utente non ha interagito con Target attività. Questo è dovuto al modo Target le assegnazioni di attività vengono mantenute nella Analytics contesto del visitatore. Di conseguenza, il numero di visite al Target A volte l'attività può essere gonfiata, con conseguente depressione dei tassi di conversione.
Se preferisci creare rapporti sulle visite in cui l’utente ha effettivamente interagito con il Targeting automatico tramite l’accesso all’attività, un evento di visualizzazione/visita o una conversione, puoi:
Per creare il segmento:
Figura 5: Utilizza un segmento come quello mostrato qui per filtrare il Visite metrica in A4T per Targeting automatico rapporto
Una volta creato il segmento, utilizzalo per filtrare il Visite quindi la metrica Visite include solo le visite in cui l’utente ha interagito con Target attività.
Per filtrare Visite utilizzando questo segmento:
Il pannello finale verrà visualizzato come segue.
Figura 6: Pannello di reporting con il segmento "Hit con specifica attività di Targeting automatico" applicato al Visite metrica. Questo assicura solo le visite in cui un utente ha effettivamente interagito con Target Le attività in questione sono incluse nel rapporto.
L’integrazione A4T consente Targeting automatico Modello ML da utilizzare addestrato utilizzando gli stessi dati evento di conversione che Adobe Analytics utilizza generare rapporti sulle prestazioni. Tuttavia, vi sono alcune ipotesi che devono essere utilizzate per interpretare questi dati nell'addestramento dei modelli ML, che differiscono dalle ipotesi di default formulate durante la fase di segnalazione in Adobe Analytics.
In particolare, Adobe Target I modelli ML utilizzano un modello di attribuzione con ambito visita. 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. Questo è necessario per Target garantire 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 dal Target i modelli (durante la formazione) rispetto all’attribuzione predefinita utilizzata nelle query dei dati (durante la generazione del rapporto) potrebbero 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 definizione metrica e attribuzione utilizzata dai modelli ML di Target.
La definizione esatta della metrica e le impostazioni di attribuzione dipendono dal criterio di ottimizzazione hai specificato durante la creazione dell’attività.
Quando la metrica è una conversione Target, o una metrica Analytics con Massimizza valore della metrica per visita, la definizione della metrica obiettivo consente di verificare più eventi di conversione nella stessa visita.
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 assicurano che il rapporto attribuisca la metrica di obiettivo alla visualizzazione dell’esperienza, se si è verificato l’evento della metrica di obiettivo qualsiasi ora ("partecipazione") nella stessa visita in cui è stata mostrata un’esperienza.
Definire la visita con un segmento di metrica positiva
Nello scenario in cui hai selezionato Massimizza il tasso di conversione della visita univoca come criterio di ottimizzazione, la definizione corretta del tasso di conversione è la frazione di visite in cui il valore della metrica è positivo. Questo può essere ottenuto creando un segmento che filtra verso il basso le visite con un valore positivo della metrica, e quindi filtrando la metrica visite.
Figura 7: Filtraggio della definizione del segmento alle visite con un ordine positivo. A seconda della metrica di ottimizzazione dell’attività, dovrai sostituire gli ordini con una metrica appropriata
Applicalo alle visite nella metrica filtrata dell’attività
Questo segmento può ora essere utilizzato per filtrare le visite con un numero positivo di ordini e in cui è stato rilevato un hit per il Auto-Targetattività. La procedura di filtraggio di una metrica è simile a quella precedente e dopo l’applicazione del nuovo segmento alla metrica di visita già filtrata, il pannello di rapporto dovrebbe essere simile alla Figura 8
Figura 8: Il pannello del rapporto con la metrica di conversione visita univoca corretta, ovvero il numero di visite in cui è stato registrato un hit dall’attività e in cui la metrica di conversione (ordini in questo esempio) era diversa da zero.
Con le modifiche apportate al Visita e le metriche dell’obiettivo nelle sezioni precedenti, l’ultima modifica da apportare al tuo A4T predefinito per Targeting automatico il pannello di reporting è quello di creare tassi di conversione che siano il rapporto corretto, quello di una metrica di obiettivo con la giusta attribuzione, a un filtro appropriato Visite metrica.
A tale scopo, crea una metrica calcolata utilizzando i seguenti passaggi:
Puoi anche creare questa metrica utilizzando la variabile funzionalità metriche calcolate rapide.
La definizione completa della metrica calcolata è mostrata qui.
Figura 9: 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 sopra descritti in un unico pannello, la figura seguente mostra una visualizzazione completa del rapporto consigliato per Targeting automatico Attività A4T. Questo rapporto è lo stesso utilizzato dalla Target I modelli ML ottimizzano la metrica dell’obiettivo e incorporano tutte le sfumature e i consigli descritti in questa esercitazione. Questo rapporto è anche più vicino alle metodologie di conteggio utilizzate nelle tradizionali Target- basati su rapporti Targeting automatico attività.
Figura 10: L’A4T finale Targeting automatico in Adobe Analytics Workspace, che combina tutte le modifiche alle definizioni metriche descritte nelle sezioni precedenti di questo documento.