[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：

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：

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：

要创建区段，请执行以下操作：

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：

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：

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。

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：

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。