För Auto-Target aktiviteter, du måste kontrollera rapporteringen i Analytics Workspace och skapa en A4T-panel manuellt.
The Analytics for Target (A4T)-integrering för Auto-Target aktiviteter använder Adobe Targets ensemble Machine Learning-algoritmer (ML) för att välja den bästa upplevelsen för varje besökare utifrån deras profil, beteende och sammanhang, allt med hjälp av en Adobe Analytics målmått.
Även om det finns omfattande analysfunktioner i Adobe Analytics Analysis Workspace, några ändringar av standardinställningen Analytics for Target panel krävs för korrekt tolkning Auto-Target aktiviteter, på grund av skillnader mellan experimentella aktiviteter (manuell A/B och automatisk fördelning) och personaliseringsaktiviteter (Auto-Target).
I den här självstudiekursen går vi igenom de rekommenderade ändringarna för analys Auto-Target verksamhet i Workspace, som bygger på följande nyckelbegrepp:
Skapa en A4T för Auto-Target rapport, antingen börja med Analytics for Target panel i Workspace, som visas nedan, eller börjar med en frihandstabell. Gör sedan följande val:
Bild 1: Analytics for Target panelinställningar för Auto-Target verksamhet.
Så här konfigurerar du Analytics for Target panel för Auto-Target -aktiviteter, välj valfri kontrollupplevelse, välja Visits som normaliseringsmått och välj samma målmått som valdes för optimering under Target skapa aktiviteter.
A4T-standardpanelen är utformad för klassiska (manuella) A/B-tester eller Auto-Allocate aktiviteter där målet är att jämföra prestanda för enskilda upplevelser med kontrollupplevelsen. I Auto-Target den första orderjämförelsen bör dock vara mellan kontrollverksamheten strategi och målgruppen strategi (med andra ord, fastställa lyften för den totala prestandan hos Auto-Target ensemble ML model over the Control strategy).
Om du vill göra den här jämförelsen använder du Control vs Targeted (Analytics for Target) dimension. Dra och släpp för att ersätta Target Experiences -dimension i standardrapporten för A4T.
Observera att den här ersättningen gör standardberäkningarna för Lyft och pålitlighet ogiltiga på A4T-panelen. För att undvika förvirring kan du ta bort dessa mått från standardpanelen och lämna följande rapport:
Bild 2: Rekommenderad baslinjerapport för Auto-Target verksamhet. Den här rapporten har konfigurerats för att jämföra riktad trafik (hanteras av den ensemble ML-modellen) med din Control-trafik.
För närvarande finns inte nummer för Lyft och Bekräfta Control vs Targeted dimensioner för A4T-rapporter för Auto-Target. Tills support har lagts till kan Lyft och pålitlighet beräknas manuellt genom att ladda ned konfidensräknare.
För att få ytterligare insikter om hur den ensemble ML-modellen fungerar kan ni undersöka uppdelningar på Experience-nivå i Control vs Targeted dimension. I Workspace, dra Target Experiences i rapporten och sedan separat bryt ned alla kontrolldimensioner och måldimensioner.
Bild 3: Uppdelning av måldimensionen efter målupplevelser
Här visas ett exempel på den resulterande rapporten.
Bild 4: En standard Auto-Target rapportera med uppdelningar på Experience-nivå. Observera att dina målvärden kan vara olika och att din kontrollstrategi kan ha en enda upplevelse.
I Workspaceklickar du på kugghjulsikonen för att dölja procentvärdena i Conversion Rate för att fokusera på upplevelsekonverteringsgraden. Observera att konverteringsgraden då kommer att formateras som decimaler, men tolka dem som procenttal.
När en Auto-Target aktivitet, välj alltid Visits som standardmått för normalisering. Auto-Target personalisering väljer en upplevelse för en besökare en gång per besök (formellt, en gång per Adobe Target -session), vilket innebär att den upplevelse som visas för användaren kan ändras vid varje enskilt besök. Om du använder Unique Visitors som normaliseringsmått skulle det faktum att en enskild användare kan få flera upplevelser (mellan olika besök) leda till förvirrande konverteringsgrader.
Ett enkelt exempel visar detta: ett scenario där två besökare anger en kampanj som bara har två upplevelser. Den första besökaren besöker två gånger. De tilldelas till Experience A vid det första besöket, men Experience B vid det andra besöket (eftersom deras profilstatus ändras vid det andra besöket). Efter det andra besöket konverterar besökaren genom att göra en beställning. Konverteringen tillskrivs den senast visade upplevelsen (upplevelse B). Den andra besökaren besöker också två gånger och visas Experience B båda gånger, men konverterar aldrig.
Låt oss jämföra rapporter på besökarnivå och besöksnivå:
Upplevelse | Unika besökare | Besök | Konverteringar | Besökarnorm. Konv. Hastighet | Besök norm. Konv. Hastighet |
---|---|---|---|---|---|
A | 1 | 1 | - | 0 % | 0 % |
B | 2 | 3 | 1 | 50 % | 33,3 % |
Summor | 2 | 4 | 1 | 50 % | 25 % |
Tabell 1: Exempel på jämförelse av besökarnormaliserade rapporter och besöknormaliserade rapporter för ett scenario där besluten är snäva mot ett besök (och inte besökare, som med vanlig A/B-testning). Besökarnormaliserade värden är förvirrande i det här scenariot.
Som framgår av tabellen finns det en tydlig inkonsekvens i besökarnivånummer. Trots att det finns två unika besökare totalt är detta inte en summa unika besökare för varje upplevelse. Även om konverteringsgraden på besökarnivå inte nödvändigtvis är fel, så är konverteringsgraden på besöksnivå mer begriplig när man jämför enskilda upplevelser. Formeligen är analysenheten ("besök") densamma som enheten för att fatta beslut, vilket innebär att man kan lägga till och jämföra analysdata på erfarenhetsnivå.
The Adobe Analytics standardräkningsmetod för besök på en Target aktiviteten kan omfatta besök där användaren inte interagerade med Target aktivitet. Det här beror på vägen Target aktivitetstilldelningar sparas i Analytics besökskontext. Som en följd av detta har antalet besök på Target Ibland kan aktiviteten vara inflammatorisk, vilket leder till en sänkning av konverteringsgraden.
Om du föredrar att rapportera besök där användaren faktiskt interagerade med Auto-Target aktivitet (antingen genom att delta i aktiviteten, en display-/besökshändelse eller en konvertering) kan du:
Så här skapar du segmentet:
Bild 5: Använd ett segment som det som visas här för att filtrera Visits i A4T för Auto-Target rapport
När segmentet har skapats använder du det för att filtrera Visits så att Visits mätvärdet inkluderar endast besök där användaren interagerade med Target aktivitet.
Filtrera Visits med detta segment:
Den sista panelen visas enligt följande.
Bild 6: Rapporteringspanelen med segmentet"Träff med specifik aktivitet" tillämpat på Visits mätvärden. Detta garanterar endast besök där en användare faktiskt interagerade med Target rapporten innehåller de berörda verksamheterna.
A4T-integreringen tillåter Auto-Target ML-modell som ska utbildad använda samma konverteringshändelsedata som Adobe Analytics använder generera resultatrapporter. Det finns dock vissa antaganden som måste användas för att tolka dessa data när man utbilda ML-modellerna, som skiljer sig från de standardantaganden som gjorts under rapporteringsfasen i Adobe Analytics.
I synnerhet Adobe Target ML-modeller använder en besöksomfångsmodell. Det innebär att de antar att en konvertering måste ske vid samma besök som en visning av aktivitetens innehåll, för att konverteringen ska"tillskrivas" det beslut som fattas av ML-modellen. Detta krävs för Target säkerställa att dess modeller får lämplig utbildning, Target kan inte vänta i upp till 30 dagar på en konvertering (standardattribueringsfönstret för rapporter i Adobe Analytics), innan den ingår i kursdata för sina modeller.
Skillnaden mellan den attribuering som används av Target modeller (under utbildning) jämfört med standardattribuering som används för att fråga efter data (under rapportgenerering) kan leda till avvikelser. Det kan till och med verka som om ML-modellerna fungerar dåligt, när frågan i själva verket är attribuering.
Om ML-modellerna optimerar för ett mätvärde som är tilldelat på ett annat sätt än de mätvärden du visar i en rapport, kanske modellerna inte fungerar som förväntat! För att undvika detta bör du se till att målmåtten i rapporten använder samma metriska definition och attribuering som används av Target:s ML-modeller.
Exakt måttdefinition och attribueringsinställningar beror på optimeringskriterium du angav när aktiviteten skapades.
När mätvärdet är en Target-konvertering eller en Analytics-mätning med Maximera måttvärde per besökkan målmåttsdefinitionen göra att flera konverteringshändelser inträffar vid samma besök.
Följ de här stegen för att visa målmått som har samma attribueringsmetod som används i Adobe Target ML-modeller:
Med dessa steg ser du till att målmåttet i din rapport tilldelas till visningen av upplevelsen, om målmåtthändelsen inträffar när ("deltagande") i samma besök som en upplevelse visades.
Definiera besöket med ett positivt mätsegment
I scenariot där du valde Maximera konverteringsgraden för unika besök som optimeringskriterier är den korrekta definitionen av konverteringsgraden den andel besök där mätvärdet är positivt. Detta kan uppnås genom att skapa en segmentfiltrering ned till besök med ett positivt värde för mätvärdet och sedan filtrera besöksmätningen.
Bild 7: Segmentdefinitionsfiltrering till besök med en positiv ordning. Beroende på aktivitetens optimeringsmått måste du ersätta beställningar med ett lämpligt mätvärde
Använd detta för besök i aktivitetsfiltrerade mätvärden
Det här segmentet kan nu användas för att filtrera besök med ett positivt antal order och där det var en träff för Auto-Targetaktivitet. Hur man filtrerar ett mätvärde liknar det som var fallet tidigare, och efter att ha tillämpat det nya segmentet på det redan filtrerade besöksmätningen bör rapportpanelen se ut som i bild 8
Bild 8: Rapportpanelen med rätt konverteringsmått för unika besök, dvs. antalet besök där en träff från aktiviteten registrerades och där konverteringsmåttet (order i det här exemplet) inte var noll.
Med ändringarna i Visit och målvärden i föregående avsnitt, den sista ändringen du bör göra i standardvärdet för A4T för Auto-Target rapporteringspanelen ska skapa konverteringsgrader som har rätt proportioner - det för ett målmått med rätt attribuering, till en lämpligt filtrerad Visits mätvärden.
Gör detta genom att skapa ett beräknat mått enligt följande steg:
Du kan också skapa det här måttet med snabb beräknad mätfunktionalitet.
Den fullständiga definitionen för beräknade mätvärden visas här.
Bild 9: Definitionen av besöks- och attribueringskorrigerad modellkonverteringsfaktor. (Observera att det här måttet är beroende av ditt målmått och din aktivitet. Den här måttdefinitionen kan alltså inte återanvändas i olika aktiviteter.)
Konverteringsgraden från A4T-panelen är inte länkad till konverteringshändelsen eller normaliseringsmåttet i tabellen. När du gör de ändringar som föreslås i den här självstudiekursen anpassas inte konverteringsgraden automatiskt till ändringarna. Om du ändrar något till en (eller båda) konverteringshändelseattribuering och normaliseringsmått måste du därför komma ihåg som ett sista steg för att även ändra konverteringsgraden, vilket visas ovan.
Om du kombinerar alla steg ovan till en enda panel visar bilden nedan en fullständig vy av den rekommenderade rapporten för Auto-Target A4T-aktiviteter. Den här rapporten är densamma som den som används av Target ML-modeller för att optimera målmåtten och innehåller alla nyanser och rekommendationer som diskuteras i den här självstudiekursen. Denna rapport ligger också närmast de beräkningsmetoder som använts i traditionell Target-rapporteringsdriven Auto-Target verksamhet.
Bild 10: Den sista A4T Auto-Target rapportera i Adobe Analytics Workspace, som kombinerar alla justeringar av metriska definitioner som beskrivs i föregående avsnitt i det här dokumentet.