A integração do Analytics for Target (A4T) para as atividades Auto-Target usa os algoritmos de aprendizado de máquina (ML) do conjunto do Adobe Target para escolher a melhor experiência para cada visitante com base em seu perfil, comportamento e contexto, tudo isso usando uma métrica de meta do Adobe Analytics.
Embora os recursos de análise avançada estejam disponíveis no Adobe Analytics Analysis Workspace, algumas modificações no painel Analytics for Target padrão são necessárias para interpretar corretamente as atividades Auto-Target, devido às diferenças entre as atividades de experimentação (A/B manual e Alocação automática) e as atividades de personalização (Auto-Target).
Este tutorial aborda as modificações recomendadas para analisar Auto-Target atividades no Workspace, que são baseadas nos seguintes conceitos principais:
Para criar um relatório A4T para Auto-Target, comece com o painel Analytics for Target no Workspace, conforme mostrado abaixo, ou comece com uma tabela de forma livre. Em seguida, faça as seguintes seleções:
pngFigura 1: Configuração do painel do Analytics for Target para Auto-Target atividades.
Para configurar o painel Analytics for Target para atividades de Direcionamento automático, escolha qualquer experiência de controle, escolha Visitas como a métrica de normalização e escolha a mesma métrica de meta que foi escolhida para otimização durante a criação da atividade do Target.
O painel A4T padrão foi projetado para testes A/B clássicos (manuais) ou atividades de Alocação automática, onde o objetivo é comparar o desempenho de experiências individuais com a experiência de Controle. In Auto-Target activities, however, the first order comparison should be between the Control strategy and the Targeted strategy (in other words, determining the lift of the overall performance of the Auto-Target ensemble ML model over the Control strategy).
Para executar essa comparação, use a dimensão Controle vs Destino (Analytics for Target) . Drag and drop to replace the Target Experiences dimension in the default A4T report.
Observe que essa substituição invalida os cálculos padrão de Aumento e Confiança no painel A4T. To avoid confusion, you can remove these metrics from the default panel, leaving the following report:
pngFigura 2: O relatório de linha de base recomendado para Auto-Target atividades. Este relatório foi configurado para comparar o tráfego Direcionado (servido pelo modelo ML do conjunto) com seu tráfego de Controle.
Atualmente, os números de Lift e Confidence não estão disponíveis para as dimensões Control vs Targeted para os relatórios A4T para Direcionamento automático. Até que o suporte seja adicionado, o Aumento e a Confiança podem ser calculados manualmente baixando a calculadora de confiança.
Para obter mais informações sobre o desempenho do modelo ML do conjunto, você pode examinar os detalhamentos no nível da experiência da dimensão Controle vs Target. No Workspace, arraste a dimensão Experiências do Target para o relatório e depois detalhe cada uma das dimensões de Controle e Direcionado separadamente.
pngFigura 3: Detalhamento da dimensão Direcionada por experiências do Target
Um exemplo do relatório resultante é mostrado aqui.
pngFigura 4: Um Auto-Target relatório padrão com detalhamentos de nível de experiência. Observe que sua métrica de meta pode ser diferente, e sua estratégia de Controle pode ter uma única experiência.
No Workspace, clique no ícone de engrenagem para ocultar as Porcentagens na coluna Índice de conversão para ajudar a manter o foco nas taxas de conversão da experiência. Observe que as taxas de conversão serão formatadas como decimais, mas interprete-as como porcentagens de acordo.
Ao analisar uma atividade Auto-Target, sempre escolha Visitas como a métrica de normalização padrão. Auto-Target a personalização seleciona uma experiência para um visitante uma vez por visita (formalmente, uma vez por sessão do Adobe Target), o que significa que a experiência exibida para um usuário pode mudar em cada visita única. Assim, se você usar Visitantes únicos como a métrica de normalização, o fato de que um único usuário pode acabar visualizando várias experiências (em diferentes visitas) levaria a taxas de conversão confusas.
Um exemplo simples demonstra esse ponto: considere um cenário em que dois visitantes entram em uma campanha que tem apenas duas experiências. The first visitor visits twice. Eles são atribuídos à Experiência A na primeira visita, mas à Experiência B na segunda visita (devido ao estado do perfil ter mudado na segunda visita). Após a segunda visita, o visitante é convertido ao fazer um pedido. A conversão é atribuída à experiência exibida mais recentemente (Experiência B). O segundo visitante também visita duas vezes e a Experiência B é exibida duas vezes, mas nunca converte.
Vamos comparar os relatórios a nível de visitante e a nível de visita:
Experiência | Visitantes únicos | Visitas | Conversões | Norma do visitante. Conv. Taxa | Norma de visita. Conv. Taxa |
---|---|---|---|---|---|
Um | 1 | 1 | - | 0% | 0% |
B | 2 | 3 | 1 | 50% | 33,3% |
Totais | 2 | 4 | 1 | 50% | 25% |
Quadro 1: Exemplo comparando relatórios normalizados de visitantes e relatórios normalizados de visitas para um cenário em que as decisões são aderentes a uma visita (e não a um visitante, como com testes A/B regulares). Métricas normalizadas do visitante são confusas neste cenário. |
Conforme mostrado na tabela, há uma clara incongruência de números no nível do visitante. Apesar do fato de haver dois visitantes únicos totais, essa não é uma soma de visitantes únicos individuais para cada experiência. Embora a taxa de conversão no nível do visitante não esteja necessariamente errada, quando você compara experiências individuais, as taxas de conversão no nível da visita provavelmente fazem muito mais sentido. Formalmente, a unidade de análise ("visitas") é a mesma que a unidade de decisão, o que significa que os detalhamentos das métricas no nível da experiência podem ser adicionados e comparados.
A metodologia de contagem padrão do Adobe Analytics para visitas a uma atividade do Target pode incluir visitas em que o usuário não interagiu com a atividade do Target. Isso se deve à forma como as atribuições de atividade do Target são mantidas no contexto de visitante do Analytics. Como resultado, o número de visitas à atividade do Target pode, às vezes, ser inflado, resultando em uma depressão das taxas de conversão.
Se preferir relatar sobre visitas em que o usuário interagiu com a atividade de Direcionamento automático (por meio de uma entrada na atividade, um evento de exibição/visita ou uma conversão), é possível:
Para criar o segmento:
pngFigura 5: Use um segmento como o mostrado aqui para filtrar a métrica Visitas no seu A4T para Auto-Target relatório
Once the segment has been created, use it to filter the Visits metric, so the Visits metric only includes visits where the user interacted with the Target activity.
To filter Visits using this segment:
O painel final será exibido da seguinte maneira.
pngFigura 6: Painel de relatórios com o segmento "Ocorrência com atividade de Direcionamento automático específica" aplicado à métrica Visitas. Isso garante que somente as visitas em que um usuário interagiu com a atividade do Target em questão sejam incluídas no relatório.
A integração A4T permite que o modelo ML de Auto-Target seja treinado usando os mesmos dados de evento de conversão que o Adobe Analytics usa para gerar relatórios de desempenho. No entanto, há certos pressupostos que devem ser utilizados na interpretação destes dados na formação dos modelos ML, que diferem dos pressupostos predefinidos durante a fase de comunicação na Adobe Analytics.
Specifically, Adobe Target’s ML models use a visit-scoped attribution model. Ou seja, eles presumem que uma conversão deve ocorrer na mesma visita que uma exibição de conteúdo para a atividade, para que a conversão seja "atribuída" à decisão tomada pelo modelo ML. Tal é necessário para que o Target garanta a formação atempada dos seus modelos; O Target não pode esperar até 30 dias por uma conversão (a janela de atribuição padrão para relatórios no Adobe Analytics), antes de incluí-la nos dados de treinamento de seus modelos.
Assim, a diferença entre a atribuição usada pelos modelos do Target (durante o treinamento) e a atribuição padrão usada na consulta de dados (durante a geração do relatório) pode levar a discrepâncias. It may even appear that the ML models are performing poorly, when in fact the issue lies with attribution.
Se os modelos de ML estão otimizando para uma métrica que é atribuída de forma diferente da métrica que você está visualizando em um relatório, os modelos podem não funcionar como esperado! Para evitar isso, assegure-se de que as métricas de meta em seu relatório usem a mesma atribuição usada pelos modelos ML do Target.
Para visualizar métricas de meta que tenham a mesma metodologia de atribuição usada por modelos ML Adobe Target, siga estas etapas:
Essas etapas garantem que seu relatório atribua a métrica de meta à exibição da experiência, se o evento da métrica de meta tiver ocorrido a qualquer momento ("participação") na mesma visita que uma experiência foi exibida.
Com as modificações nas métricas de Visita e meta nas seções anteriores, a modificação final que você deve fazer no seu painel de relatórios padrão A4T para Auto-Target é criar taxas de conversão que sejam a proporção correta - a de uma métrica de meta com a atribuição correta, a uma métrica de "Visitas" filtrada apropriadamente.
Faça isso criando uma Métrica calculada usando as seguintes etapas:
A definição completa da métrica calculada é mostrada aqui.
pngFigura 7: A definição de métrica de taxa de conversão do modelo corrigido de visitas e atribuições. (Observe que essa métrica depende da métrica de meta e da atividade. Em outras palavras, essa definição de métrica não é reutilizável em atividades.)
A métrica Índice de conversão do painel A4T não está vinculada ao evento de conversão ou à métrica de normalização na tabela. Quando você faz as modificações sugeridas neste tutorial, a taxa de conversão não se adapta automaticamente às alterações. Portanto, se você fizer a modificação para uma (ou ambas) a atribuição do evento de conversão e a métrica de normalização, deverá lembrar como uma etapa final para também modificar a Taxa de conversão, conforme mostrado acima.
Combinando todas as etapas acima em um único painel, a figura abaixo mostra uma visualização completa do relatório recomendado para Auto-Target atividades do A4T. Este relatório é o mesmo usado pelos modelos de aprendizado de máquina do Target para otimizar sua métrica de meta, e incorpora todas as nuances e recomendações discutidas neste tutorial. Este relatório também é o mais próximo das metodologias de contagem usadas nas atividades tradicionais Auto-Target orientadas por relatórios do Target.
pngFigura 8: O Auto-Target relatório final do A4T no Adobe Analytics Workspace, que combina todos os ajustes às definições de métricas descritas nas seções anteriores deste documento.