[Premium]{class="badge positive" title="请参阅Target Premium中包含的内容。"}
在中设置A4T报表 Analysis Workspace 对象 Auto-Target 活动
此 目标分析 (A4T)集成 Auto-Target 活动使用 Adobe Target 集成机器学习(ML)算法,可在使用 Adobe Analytics 目标量度。
尽管中提供了丰富的分析功能, Adobe Analytics Analysis Workspace,对默认进行了一些修改 目标分析 需要面板才能正确解释 Auto-Target 活动,因为试验活动之间的差异(手动 A/B测试 和 自动分配)和个性化活动(自动定位)。
本教程将介绍为分析而推荐的修改 自动定位 中的活动 Analysis Workspace,它们基于以下关键概念:
- 此 控制与目标 维度可用于区分 控件 体验与 自动定位 组合ML算法。
- 在查看体验级别的性能划分时,应将访问用作标准化量度。 另外, Adobe Analytics的默认计数方法可能包括用户实际上看不到活动内容的访问,但可以使用适当限定范围的区段修改此默认行为(详细信息见下文)。
- 访问回顾范围归因,在规定的归因模型上也称为“访问回顾窗口”,用于 Adobe Target ML模型在其培训阶段使用,在划分目标量度时应使用相同的(非默认)归因模型。
为创建A4T 自动定位 面板位于 Analysis Workspace
为创建A4T 自动定位 报告,或者以 目标分析 面板位于 Analysis Workspace,如下所示,或以自由格式表开头。 然后,进行以下选择:
-
控制体验:您可以选择任何体验;但是,您稍后将覆盖此选择。 请注意,对于 自动定位 活动时,控制体验实际上是一种控制策略,该策略可以为a)在所有体验中随机提供,或b)提供单个体验(此选择是在活动创建时在 Adobe Target)。 即使您选择了(b),您的 自动定位 活动指定特定体验作为控制。 您仍然应该按照本教程中概述的方法分析A4T 自动定位 活动。
-
标准化量度:选择 访问.
-
成功量度:虽然您可以选择要报告的任何量度,但您通常应该查看与活动创建期间为优化选择的量度有关的报表 Target.
图1 : 目标分析 面板设置 自动定位 活动。
使用 控制与目标 用于比较 Target 将ML模型集成到控件
默认A4T面板专为classic(手动)设计 A/B测试 或 自动分配 目标是将各个体验的表现与控制体验进行比较的活动。 在 自动定位 但是,首先应该对控件之间的值进行比较 策略 和目标 策略. 换言之,确定 自动定位 对控制策略进行ML模型集成。
要执行此比较,请使用 控制与目标(目标分析) 维度。 拖放以替换 Target体验 维度。
请注意,此替换将使默认内容无效 提升度和置信度 在A4T面板上的计算。 为避免混淆,您可以从默认面板中删除这些量度,并保留以下报表:
图2:建议的基线报告 Auto-Target 活动。 此报表已配置为将目标流量(由集成ML模型提供)与您的控制流量进行比较。
添加量度的体验级别细分
要进一步了解集成ML模型的执行情况,可以检查体验级别的 控制与目标 维度。 在 Analysis Workspace,拖动 Target体验 将维度添加到报表中,然后分别划分每个控件维度和目标维度。
图3:按Target体验划分目标维度
此处显示了生成报表的示例。
图4:标准 自动定位 具有体验级划分的报表。 请注意,您的目标量度可能不同,并且您的控制策略可能只有一个体验。
为什么”访问”是正确的标准化量度 自动定位 活动
分析 自动定位 活动,始终选择 访问 作为默认标准化量度。 自动定位 个性化为访客选择一次体验(正式名称为,每次访问一次) Target 会话),这意味着向访客显示的体验可以在每次访问时更改。 因此,如果您使用 独特访客 作为标准化量度,单个用户最终可能会看到多个体验(跨不同访问)这一事实可能会导致转化率混乱。
一个简单的示例演示了这一点:考虑一个场景,其中两个访客进入的营销活动只有两个体验。 第一个访客访问了两次。 访客在第一次访问时被分配给体验A,但在第二次访问时被分配给体验B(由于其配置文件状态在第二次访问时发生变化)。 在第二次访问后,访客通过下订单进行转化。 转化归因于最近显示的体验(体验B)。 第二个访客还会访问两次,并且两次都向访客显示体验B,但不会转化。
让我们比较访客级别报表和访问级别报表:
表1:比较访客标准化和访问标准化报表以确定决策对访问(而非访客,如常规A/B测试)有粘性的情况的示例。 在这种情况下,访客规范化的量度会让人感到困惑。
如表所示,访客级别的数字存在明显的不一致性。 尽管存在两个总独特访客,但这不是每个体验的单个独特访客的总和。 尽管访客级别的转化率不一定错误,但在比较各个体验时,访问级别的转化率可能更有意义。 在形式上,分析单位(“访问量”)与决策绑定的单位相同,这意味着可以添加和比较体验级别的量度细分。
筛选活动的实际访问次数
此 Adobe Analytics 对访问的默认计数方法 Target 活动可能包括用户未与交互的访问 Target 活动。 这是由于以下方式 Target 活动分配将保留在 Analytics 访客上下文。 因此,访问 Target 活动有时可能被夸大,导致转化率降低。
如果您希望报告用户实际与交互的访问 自动定位 活动(通过输入活动、显示或访问事件,或转化),您可以:
- 创建包含来自以下各项的点击的特定区段: Target 有问题的活动,然后
- 筛选 访问 量度。
要创建区段,请执行以下操作:
- 选择 组件>创建区段 中的选项 Analysis Workspace 工具栏。
- 指定 标题 ,以了解您的区段。 在以下示例中,该区段名为 “Hit with specific Auto-Target activity”.
- 拖动 Target活动 区段的维度 定义 部分。
- 使用 等于 运算符。
- 搜索您的特定 Target 活动。
- 单击齿轮图标,然后选择 归因模型>实例 如下图所示。
- 单击 保存。
图5:使用如下所示的区段过滤 访问 A4T中的量度 自动定位 报告
创建区段后,使用该区段过滤 访问 量度,因此 访问 量度仅包括用户与其交互的访问 Target 活动。
要筛选 访问 使用该区段:
- 从组件工具栏中拖动新创建的区段,并将光标悬停在 访问 量度标签,直到显示为蓝色 过滤方式 出现提示。
- 发布区段。 过滤器将应用于该量度。
最终面板如下所示:
图6:报表面板,其中将“具有特定自动定位活动的点击”区段应用于 访问 量度。 此区段确保只有用户实际与交互的访问 Target 相关活动会包含在报表中。
确保目标量度和归因与优化标准保持一致
A4T集成允许 自动定位 ML模型将为 已训练 使用与以下内容相同的转化事件数据 Adobe Analytics 用于 生成性能报表. 然而,在训练ML模型时必须采用若干假设来解释此数据,这与 Adobe Analytics.
具体而言, Adobe Target ML模型使用访问范围的归因模型。 也就是说,ML模型假设转化必须与活动内容的显示发生在同一访问中,这样转化才会“归因”到ML模型所做的决策。 这是以下项所必需的 Target 保证及时培训模型; Target 最长不能等待30天进行转换(中报表的默认归因窗口) Adobe Analytics),然后将其包含在其模型的训练数据中。
因此,促销活动使用的归因与 Target 模型(在训练期间)与查询数据时使用的默认归因(在生成报表期间)可能会导致差异。 甚至可能显示ML模型表现不佳,而实际上问题出在归因上。
准确的量度定义和归因设置取决于 优化准则 您在活动创建期间指定。
目标定义的转化,或 Analytics 量度 最大限度地提高每次访问的量度值
当指标为 Target 转化,或 Analytics 量度 最大限度地提高每次访问的量度值,则目标量度定义允许在同一次访问中发生多个转化事件。
查看具有相同归因方法的目标量度,这些方法由 Target ML模型,请按照以下步骤操作:
-
将鼠标悬停在目标量度的齿轮图标上:
-
从生成的菜单中,滚动到 数据设置.
-
选择 使用非默认归因模型 (如果尚未选择)。
-
点击 编辑。
-
选择 模型: 参与率、和 回看窗口期: 访问.
-
单击 应用。
如果发生目标量度事件,这些步骤可确保报表将目标量度归因于体验的显示 任何时间 (“参与率”)访客的点击次数。
Analytics 量度 独特访问转化率
使用正量度区段定义访问
在您选择的场景中 最大限度地提高独特访问转化率 作为优化标准,转化率的正确定义是指标值为正的访问次数的比例。 可通过以下方法来实现这一点:创建区段过滤以找出指标为正值的访问次数,然后过滤访问次数量度。
-
与之前一样,选择 组件>创建区段 中的选项 Analysis Workspace 工具栏。
-
指定 标题 ,以了解您的区段。
在以下示例中,该区段名为 “Visits with an order”.
-
将您在优化目标中使用的基本指标拖动到区段中。
在下面显示的示例中,我们使用 订单 量度,以便转化率测量记录了订单的访问次数。
-
在区段定义容器的左上角,选择 包括 访问.
-
使用 大于 运算符,并将值设置为0。
将该值设置为0意味着此区段包含订单量度为正值的访问。
-
单击 保存。
图7:区段定义过滤顺序列出的访问。 根据活动的优化量度,您必须使用相应的量度替换订单
将此项应用于活动过滤量度中的访问
此区段现在可用于过滤订单数为正数的访问,以及 Auto-Target 活动。 过滤量度的过程与之前类似,如果将新区段应用于已过滤的访问量度,则报表面板的外观应类似于图8
图8:具有正确的独特访问转化量度的报表面板:记录来自活动的点击并且转化量度(本示例中的订单)非零的访问次数。
最后步骤:创建可捕捉上述神奇的转化率
修改了 访问 以及前面部分中的目标量度,您应该对默认A4T进行的最终修改 Auto-Target 报表面板创建的转化率与经过适当过滤的“访问量”量度之间的比率是正确的 — 即经过更正的目标量度。
做法是创建 计算量度 ,请执行以下步骤:
- 选择 “组件”>“创建指标” 中的选项 Analysis Workspace 工具栏。
- 指定 标题 (对于您的量度)。 例如,“活动XXX的访问校正转化率”。
- 选择 格式 =百分比和 小数位 = 2.
- 拖动活动的相关目标量度(例如, 活动转化),然后使用此目标量度上的齿轮图标将归因模型调整为(参与率|访问),如之前所述。
- 选择 添加>容器 从的右上角 定义 部分。
- 选择两个容器之间的除(÷)运算符。
- 拖动您之前创建的名为“点击特定 自动定位 活动”一节 Auto-Target 活动。
- 拖动 访问 量度放入区段容器中。
- 单击 保存。
此处显示了完整的计算量度定义。
图7:经访问校正和归因校正的模型转化率量度定义。 (请注意,此指标取决于您的目标指标和活动。 换句话说,此量度定义无法跨活动重复使用。)
摘要:最终示例 Analysis Workspace 面板 自动定位 报表
将以上所有步骤合并到一个面板中,下图显示了针对以下项的推荐报告的完整视图 自动定位 A4T活动。 此报表与 Target 用于优化目标量度的ML模型。 该报告包含本教程中讨论的所有细微差别和建议。 此报表也最接近传统方法中所用的计数方法 Target — 报告驱动 自动定位 活动。
单击以展开图像。
{width="600" modal="regular"}
图10:最终的A4T 自动定位 报告位置 Adobe Analytics Workspace,其中包含对本教程前面部分中描述的量度定义进行的所有调整。