Analysis Workspace for Auto-Target アクティビティ

用の Analytics for Target(A4T) 統合 Auto-Target アクティビティでは、Adobe Targetの Ensemble Machine Learning(ML) アルゴリズムを使用し、Adobe Analyticsの目標指標を使用しながら、プロファイル、行動、コンテキストに基づいて各訪問者に最適なエクスペリエンスを選択します。

豊富な分析機能はAdobe Analytics Analysis Workspaceで使用できますが、デフォルトの Analytics for Target 正しく解釈するには、パネルが必要です Auto-Target アクティビティ ( 実験アクティビティ（手動の A/B および自動配分）とパーソナライゼーションアクティビティ (Auto-Target) をクリックします。

このチュートリアルでは、分析に推奨される変更について説明します Auto-Target アクティビティ（Workspace の次の主要概念に基づく）

• この コントロールとターゲット ディメンションを使用して、コントロールエクスペリエンスと、 Auto-Target アンサンブル ML アルゴリズム。
• 訪問回数は、パフォーマンスのエクスペリエンスレベルの分類を表示する際に、標準化指標として使用する必要があります。 さらに、 Adobe Analyticsのデフォルトのカウント手法には、ユーザーが実際にアクティビティのコンテンツを見ない訪問が含まれる場合がありますに設定されていますが、適切にスコープされたセグメント（以下で詳しく説明）を使用して、このデフォルトの動作を変更できます。
• 訪問ルックバックスコープアトリビューション（所定のアトリビューションモデルの「訪問ルックバックウィンドウ」とも呼ばれます）は、トレーニングフェーズでAdobe Targetの ML モデルで使用され、目標指標を分類する際には同じ（デフォルト以外の）アトリビューションモデルを使用します。

用の A4T の作成 Auto-Target Workspace のパネル

用の A4T を作成するには、以下を実行します。 Auto-Target レポートは、 Analytics for Target パネルを使用することもできます。 次に、以下の選択を行います。

1. コントロールエクスペリエンス:経験はどれでも選べる。ただし、この選択は後で上書きします。 なお、 Auto-Target アクティビティ、コントロールエクスペリエンスは、実際にはコントロール戦略です。a) すべてのエクスペリエンスの中でランダムに提供する、b) 単一のエクスペリエンスを提供する ( この選択は、Adobe Targetでのアクティビティ作成時におこなわれます )。 (b) 選択を選択したとしても、 Auto-Target アクティビティは、特定のエクスペリエンスをコントロールとして指定しました。A4T の分析に関してこのチュートリアルで説明されているアプローチに従う必要があります。 Auto-Target アクティビティ。
2. 指標の標準化:訪問回数を選択します。
3. 成功指標:レポート対象の指標を選択することもできますが、通常は、Adobe Targetでのアクティビティ作成中に最適化用に選択したのと同じ指標に関するレポートを表示する必要があります。

図 1:用の Analytics for Target パネルのセットアップ Auto-Target アクティビティ。

コントロールとターゲットの比較ディメンションを使用して、Adobe Targetのアンサンブル ML モデルをコントロールと比較します

デフォルトの A4T パネルは、従来の（手動の）A/B テストまたは自動配分アクティビティ用に設計されています。目標は、個々のエクスペリエンスのパフォーマンスをコントロールエクスペリエンスと比較することです。 In Auto-Target ただし、最初の順序の比較は、コントロール 戦略 そしてターゲット 戦略 ( つまり、 Auto-Target 制御方式のアンサンブル ML モデル )。

この比較を実行するには、 コントロールとターゲット (Analytics for Target) ディメンション。 ドラッグ&ドロップして Target エクスペリエンス ディメンションを使用して、A4T デフォルトのレポートに表示できます。

この置き換えにより、A4T パネルのデフォルトの上昇率および信頼性の計算が無効になります。 混乱を避けるために、これらの指標をデフォルトのパネルから削除し、次のレポートを残しておくことができます。

図 2:に対して推奨されるベースラインレポート Auto-Target アクティビティ。 このレポートは、（アンサンブル ML モデルが提供する）ターゲットトラフィックとコントロールトラフィックを比較するように設定されています。

エクスペリエンスレベルの指標分類の追加

アンサンブル ML モデルのパフォーマンスをさらに深く理解するために、 コントロールとターゲット ディメンション。 Workspace で、 Target エクスペリエンス ディメンションをレポートに表示し、各コントロールディメンションとターゲットディメンションを個別に分類します。

図 3:ターゲットエクスペリエンスによるターゲットディメンションの分類

結果のレポートの例を次に示します。

図 4:標準 Auto-Target エクスペリエンスレベルの分類でレポートを作成する。 目標指標が異なる場合があり、制御戦略が単一のエクスペリエンスを持つ場合があることに注意してください。

「訪問回数」がに対して正しい標準化指標であるのはなぜですか？ Auto-Target アクティビティ

分析の際に Auto-Target アクティビティで、デフォルトの標準化指標として常に「訪問回数」を選択します。 Auto-Target パーソナライゼーションでは、訪問者に対するエクスペリエンスを訪問ごとに 1 回 ( 正式には、Adobe Targetセッションごとに 1 回 ) 選択します。つまり、ユーザーに表示されるエクスペリエンスは、1 回の訪問ごとに変更できます。 したがって、個別訪問者数を標準化指標として使用する場合、1 人のユーザーが複数のエクスペリエンスを（異なる訪問をまたいで）表示する可能性があるので、コンバージョン率を混乱させます。

この点を簡単な例で示します。2 つのエクスペリエンスのみを持つキャンペーンに 2 人の訪問者が入るシナリオを考えてみましょう。 最初の訪問者が 2 回訪問します。 これらは最初の訪問でエクスペリエンス A に割り当てられますが、2 回目の訪問でエクスペリエンス B に割り当てられます（2 回目の訪問でのプロファイルの状態の変化が原因）。 2 回目の訪問の後、訪問者は注文をしてコンバージョンします。 コンバージョンは、最も最近表示されたエクスペリエンス（エクスペリエンス B）に関連付けられます。 2 番目の訪問者も 2 回訪問し、エクスペリエンス B が両方とも表示されますが、コンバージョンには至りません。

次に、訪問者レベルのレポートと訪問レベルのレポートを比較します。

表 1:例えば、ある訪問に対して決定が定着している（通常の A/B テストとは異なり、訪問者ではない）シナリオについて、訪問者が正規化されたレポートと訪問が正規化されたレポートを比較します。 訪問者が正規化した指標は、このシナリオでは紛らわしいものです。

表に示すように、訪問者レベルの数値は明らかに不一致です。 合計 2 人の個別訪問者があるにもかかわらず、これは各エクスペリエンスの個別訪問者の合計ではありません。 訪問者レベルのコンバージョン率は必ずしも間違っているとは限りませんが、個々のエクスペリエンスを比較すると、訪問レベルのコンバージョン率は非常に合理的です。 正式な分析単位（「訪問回数」）は、判定の定着度の単位と同じです。つまり、指標のエクスペリエンスレベルの分類を追加して比較できます。

アクティビティへの実際の訪問数のフィルター

Adobe Analyticsの Target アクティビティへの訪問に関するデフォルトのカウント手法には、ユーザーが Target アクティビティとやり取りしなかった訪問が含まれる場合があります。 これは、Analytics 訪問者のコンテキストで Target のアクティビティの割り当てが保持されるためです。 その結果、Target アクティビティの訪問回数が水増しされ、コンバージョン率が低下する場合があります。

ユーザーが（アクティビティのエントリ、表示/訪問イベント、コンバージョンのいずれかを通じて）自動ターゲットアクティビティで実際に操作した訪問に関するレポートを作成する場合は、次の操作を実行できます。

1. 該当する Target アクティビティからのヒットを含む特定のセグメントを作成し、
2. このセグメントを使用して訪問回数指標をフィルタリングします。

セグメントを作成するには：

1. を選択します。 コンポーネント/セグメントを作成 」オプションを使用します。
2. を入力します。 タイトル を設定します。 以下の例では、セグメントの名前はです。 “Hit with specific Auto-Target activity”.
3. 次をドラッグ： Target アクティビティ セグメントのディメンション 定義 」セクションに入力します。
4. 以下を使用： 次と等しい 演算子
5. 特定の Target アクティビティを検索します。
6. 歯車アイコンを選択し、「 」を選択します。 アトリビューションモデル/インスタンス 次の図に示すように。
7. 「保存」をクリックします。

図 5:ここに示すセグメントなどを使用して、A4T での訪問回数指標を Auto-Target レポート

セグメントを作成したら、それを使用して訪問回数指標をフィルタリングします。そのため、訪問回数指標には、ユーザーが Target アクティビティでインタラクションをおこなった訪問のみが含まれます。

このセグメントを使用して訪問をフィルタリングするには：

1. 新しく作成したセグメントをコンポーネントツールバーからドラッグし、 訪問回数 青になるまでの指標ラベル フィルター条件 プロンプトが表示されます。
2. セグメントを解放します。 その指標にフィルターが適用されます。

最後のパネルは、次のように表示されます。

図 6:「特定の自動ターゲットアクティビティによるヒット」セグメントが 訪問回数 指標。 これにより、ユーザーが実際に問題の Target アクティビティとやり取りした訪問のみがレポートに含まれます。

目標指標とアトリビューションが最適化基準と一致していることを確認します。

A4T 統合により、 Auto-Targetの ML モデルは次のようになります 訓練された Adobe Analyticsが パフォーマンスレポートを生成. ただし、ML モデルをトレーニングする際に、このデータを解釈する際に使用する必要がある前提はいくつかあります。これは、Adobe Analyticsのレポート段階で行われたデフォルトの前提とは異なります。

特に、Adobe Targetの ML モデルは、訪問スコープのアトリビューションモデルを使用します。 つまり、コンバージョンが ML モデルによる決定に「帰属」されるためには、コンバージョンがアクティビティのコンテンツの表示と同じ訪問で発生する必要があると想定しています。 これは、Target がモデルのタイムリーなトレーニングを保証するために必要です。Target は、コンバージョン (Adobe Analyticsのレポートのデフォルトのアトリビューションウィンドウ ) が発生するまで最大 30 日間待ってから、そのモデルのトレーニングデータに含めることはできません。

したがって、Target のモデルで使用されるアトリビューション（トレーニング中）とデータのクエリに使用されるデフォルトアトリビューション（レポート生成中）の違いによって、不一致が生じる可能性があります。 実際にはアトリビューションに問題がある場合、ML モデルのパフォーマンスが低いように見えることもあります。

正確な指標の定義とアトリビューションの設定は、 最適化基準 アクティビティの作成中に指定した値。

定義されたコンバージョンまたは Analytics 指標を 訪問あたりの指標値の最大化

指標が Target コンバージョンの場合、または Analytics 指標が 訪問あたりの指標値の最大化​の目標指標を定義すると、同じ訪問で複数のコンバージョンイベントを発生させることができます。
Adobe Targetの ML モデルで使用されているのと同じアトリビューション手法を持つ目標指標を表示するには、次の手順に従います。

1. 目標指標の歯車アイコンの上にマウスポインターを置きます。
   
2. 表示されたメニューから、にスクロールします。 データ設定.
3. 選択 デフォルト以外のアトリビューションモデルを使用 （まだ選択されていない場合）:
   
4. 「編集」をクリックします。
5. 選択 モデル: パーティシペーション、および ルックバックウィンドウ: 訪問.
   
6. 「適用」をクリックします。

これらの手順は、目標指標イベントが発生した場合に、レポートが目標指標をエクスペリエンスの表示に関連付けるようにします いつでも （「パーティシペーション」）と同じ訪問での使用が可能です。

Analytics 指標と 個別訪問コンバージョン率

ポジティブな指標セグメントで訪問を定義する

選択したシナリオで 個別訪問コンバージョン率の最大化 最適化の基準として、コンバージョン率の正しい定義は、指標値が正の訪問の割合です。 これは、指標の正の値を持つ訪問に対するフィルタリングを作成し、訪問指標をフィルタリングすることで達成できます。

1. 以前と同様に、 コンポーネント/セグメントを作成 」オプションを使用します。
2. を入力します。 タイトル を設定します。 以下の例では、セグメントの名前はです。 “Visits with an order”.
3. 最適化目標で使用したベース指標をセグメントにドラッグします。 次の例では、 注文件数 指標を使用して、注文が記録された訪問の割合をコンバージョン率で測定することができます。
4. セグメント定義コンテナの左上で、「 」を選択します。 次を含む 訪問.
5. 以下を使用： 次よりも大きい 演算子を使用し、値を 0 に設定します（つまり、このセグメントには、注文指標が正の数の訪問が含まれます）。
6. 「保存」をクリックします。

図 7:正の順序の訪問に対するフィルタリングを行うセグメント定義。 アクティビティの最適化指標に応じて、注文を適切な指標に置き換える必要があります

フィルターされたアクティビティの指標の訪問に適用

このセグメントを使用して、正の数の注文がある訪問と、 Auto-Targetアクティビティ。 指標をフィルタリングする手順は、前と同様です。既にフィルタリングされている訪問指標に新しいセグメントを適用した後、レポートパネルは図 8 のようになります

図 8:正しい個別訪問コンバージョン指標を含むレポートパネル。つまり、アクティビティからのヒットが記録された訪問回数、およびコンバージョン指標（この例では注文件数）がゼロ以外であった場合です。

最終手順：上記のマジックを捉えたコンバージョン率を作成する

前の節の訪問指標と目標指標を変更した後、のデフォルト A4T に対して行う必要がある最終的な変更 Auto-Target レポートパネルでは、適切にフィルタリングされた「訪問回数」指標に対する、修正された目標指標の正しい比率であるコンバージョン率を作成します。

それには、次の手順で計算指標を作成します。

1. を選択します。 コンポーネント/指標を作成 」オプションを使用します。
2. を入力します。 タイトル を選択します。 例えば、「アクティビティ XXX の訪問修正コンバージョン率」などです。
3. 選択 形式 =パーセントおよび 小数点以下の桁数 = 2.
4. アクティビティに関連する目標指標（アクティビティのコンバージョンなど）を定義にドラッグし、前述のように、この目標指標の歯車アイコンを使用して、アトリビューションモデルを（パーティシペーション|訪問）に調整します。
5. 選択 追加/コンテナ の右上から 定義 」セクションに入力します。
6. 2 つのコンテナ間の除算 (÷) 演算子を選択します。
7. 以前に作成したセグメント (「特定の Auto-Target このチュートリアルのアクティビティ」( この特定の Auto-Target アクティビティ。
8. 次をドラッグ： 訪問回数 指標をセグメントコンテナに追加します。
9. 「保存」をクリックします。

完全な計算指標の定義がここに表示されます。

図 9:訪問および属性が修正されたモデルコンバージョン率指標の定義。 ( この指標は、目標指標とアクティビティに依存します。 つまり、この指標定義は、アクティビティをまたいで再利用することはできません )。

概要：の最終的なサンプル Workspace パネル Auto-Target レポート

上記のすべての手順を 1 つのパネルに組み合わせた場合、次の図は、 Auto-Target A4T アクティビティ。 このレポートは、Target の機械学習モデルで目標指標を最適化するために使用されるレポートと同じで、このチュートリアルで説明するすべてのニュアンスと推奨事項を組み込みます。 また、このレポートは、従来の Target レポート主導型のカウント手法に最も近いものです Auto-Target アクティビティ。

図 10:最終的な A4T Auto-Target Adobe Analytics Workspace のレポート。このレポートは、前の節で説明した指標の定義のすべての調整を組み合わせたものです。

Business.Adobe.com リソース