在Analysis Workspace中为 Auto-Target 活动

用于的Analytics for Target(A4T)集成 Auto-Target 活动使用Adobe Target的组合机器学习(ML)算法,在使用Adobe Analytics目标量度的同时,根据每位访客的配置文件、行为和上下文为其选择最佳体验。

虽然Adobe Analytics Analysis Workspace中提供了丰富的分析功能,但对默认设置进行了一些修改 Analytics for Target 面板需要正确解释 Auto-Target 活动,原因是实验活动(手动A/B和自动分配)和个性化活动(Auto-Target)。

本教程将演示为分析而推荐的修改 Auto-Target 活动,这些活动基于以下关键概念:

  • 控制与目标 维度可用于区分控制体验与由提供的体验 Auto-Target 集成ML算法。
  • 在查看体验级别的性能划分时,应将访问次数用作标准化量度。 此外, Adobe Analytics的默认计数方法可能包括用户实际看不到活动内容的访问,但可以使用适当范围的区段修改此默认行为(详细信息如下)。
  • 访问回顾范围的归因(在指定的归因模型上也称为“访问回顾窗口”)在Adobe Target的ML模型的培训阶段中使用,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 Auto-Target 工作区中的面板

为 Auto-Target 报表,以 Analytics for Target 面板(如下所示),或以自由格式表开头。 然后,进行以下选择:

  1. 控制体验:您可以选择任何体验;但是,您以后将覆盖此选项。 请注意,对于 Auto-Target 活动时,控制体验实际上是一种控制策略,这种策略可以是a)在所有体验中随机提供,或者b)提供单个体验(在Adobe Target中创建活动时做出此选择)。 即使你选择了(b)- Auto-Target 活动指定了特定体验作为控制 — 您仍应遵循本教程中介绍的用于分析A4T的方法 Auto-Target 活动。
  2. 标准化量度:选择访问。
  3. 成功量度:尽管您可以选择要报告的任何量度,但通常应查看与在Adobe Target中创建活动期间为优化而选择的相同量度的报表。

图1.png
图1:Analytics for Target面板设置 Auto-Target 活动。

注意

要为自动定位活动设置Analytics for Target面板,请选择任意控制体验,选择访问量作为标准化量度,然后选择在Target活动创建过程中为优化而选择的相同目标量度。

使用控件与目标维度将Adobe Target的集成ML模型与您的控件进行比较

默认的A4T面板专为经典(手动)A/B测试或自动分配活动而设计,其目标是将各个体验的性能与控制体验进行比较。 在 Auto-Target 但是,第一顺序比较应当是控制 策略 和目标 策略 (换言之,确定 Auto-Target 集成ML模型(在控制策略上)。

要执行此比较,请使用 控制与目标(Analytics for Target) 维度。 拖放以替换 定位体验 维度。

请注意,此替换操作将使A4T面板上的默认提升度和置信度计算失效。 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.png
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(由组合ML模型提供)与您的控制流量进行比较。

注意

目前,对于自动定位的A4T报表,无法使用控制维度和目标维度的提升度和置信度数值。 在添加支持之前,可以通过下载 置信度计算器.

添加量度的体验级别划分

要进一步了解组合ML模型的执行情况,您可以检查 控制与目标 维度。 在工作区中,将 定位体验 维度添加到您的报表中,然后分别对每个控制维度和目标维度进行划分。

图3.png
图3:按Target体验划分目标维度

此处显示了结果报表的示例。

图4.png
图4:标准 Auto-Target 报表。 请注意,您的目标量度可能有所不同,并且您的控制策略可能只有一个体验。

小贴士

在工作区中,单击齿轮图标以隐藏转化率列中的百分比,以帮助保持对体验转化率的关注。 请注意,转换率随后将格式化为小数,但会相应地将其解释为百分比。

为什么“访问次数”是 Auto-Target 活动

分析 Auto-Target 活动时,始终选择访问次数作为默认标准化量度。 Auto-Target 个性化会为访客在每次访问时选择一次体验(正式为每个Adobe Target会话选择一次),这意味着向用户显示的体验可以在每次访问时发生更改。 因此,如果您使用独特访客作为标准化量度,那么单个用户最终可能会看到多个体验(跨不同访问)的事实会导致转化率混乱。

一个简单的示例说明了这一点:假设有两位访客进入一个只有两个体验的营销活动。 第一个访客两次访问。 在首次访问时,会为体验A分配配置文件,而在第二次访问时,则会为体验B分配配置文件状态(由于第二次访问时,其配置文件状态发生了更改)。 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)。 第二位访客也访问了两次,并且两次都显示了体验B,但从不进行转化。

让我们比较访客级别和访问级别的报表:

体验 独特访客 访问次数 转化 访客标准。 康夫。 比率 访问标准。 康夫。 比率
同类群组 1 1 - 0% 0%
B 2 3 1 50% 33.3%
总计 2 4 1 50% 25%

表1:对于决策对访问具有粘滞性(与常规A/B测试一样,对于不是访客)的情况,比较访客标准化报表和访问标准化报表的示例。 在这种情况下,访客标准化量度会造成混淆。

如表中所示,访客级别的数字存在明显的不协调性。 尽管存在两个独特访客总数,但这并不是每个体验的各个独特访客总数。 虽然访客级别的转化率不一定是错误的,但在比较各个体验时,访问级别的转化率可以说更有意义。 从形式上讲,分析单位(“访问次数”)与决策吸引力单位相同,这意味着可以添加和比较量度的体验级别划分。

过滤活动的实际访问量

Adobe Analytics的Target活动访问次数默认计数方法可能包括用户未与Target活动进行交互的访问次数。 这是由于Target活动分配在Analytics访客上下文中持久保留的方式所致。 因此,Target活动的访问次数有时可能会被夸大,从而导致转化率下降。

如果您希望报告用户实际与自动定位活动进行交互的访问(通过进入活动、显示/访问事件或转化),则可以:

  1. 创建一个特定区段,该区段包含来自相关Target活动的点击,然后
  2. 使用此区段过滤访问量度。

要创建区段,请执行以下操作:

  1. 选择 “组件”>“创建区段” 选项。
  2. 输入 标题 的URL。 在以下示例中,该区段名为 “Hit with specific Auto-Target activity”.
  3. 拖动 Target活动 区段维度 定义 中。
  4. 使用 等于 运算符。
  5. 搜索您的特定Target活动。
  6. 选择齿轮图标,然后选择 归因模型>实例 如下图所示。
  7. 单击​保存

图5.png
图5:使用如此处显示的区段,在A4T中过滤访问量度,以 Auto-Target 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Target活动进行交互的访问。

要使用此区段过滤访问,请执行以下操作:

  1. 将新创建的区段从组件工具栏中拖动,并将鼠标悬停在 访问次数 量度标签,直到蓝色 过滤依据 出现提示。
  2. 释放区段。 过滤器将应用于该量度。

最终面板将如下所示。

图6.png
图6:报表面板,其中“通过特定自动定位活动进行点击”区段应用于 访问次数 量度。 这可确保只有当用户实际与相关Target活动进行交互时,访问才会包含在报表中。

确保目标量度和归因与您的优化标准保持一致

A4T集成允许 Auto-Target的ML模型 训练有素 使用与Adobe Analytics 生成性能报告. 然而,于培训ML模型时,在解释此数据时必须采用若干假设,该等假设与Adobe Analytics报告阶段所作之默认假设不同。

具体而言,Adobe Target的ML模型使用访问范围的归因模型。 也就是说,他们假定必须在同一访问中发生转化,以显示活动的内容,以便将转化“归因”到ML模型做出的决策。 这是Target保证及时培训其模型所必需的;在将转化(Adobe Analytics中报表的默认归因窗口)包含到其模型的培训数据中之前,Target无法等待长达30天的转化。

因此,Target模型(在培训期间)使用的归因与在查询数据(在报表生成期间)中使用的默认归因之间的差异可能会导致差异。 实际上,ML模型的问题与归因有关,这甚至可能表现不佳。

小贴士

如果ML模型针对与您在报表中查看的量度不同的量度进行了优化,则这些模型可能无法按预期执行! 要避免这种情况,请确保报表中的目标量度使用与Target ML模型所使用的量度定义和归因相同。

确切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。

Target定义的转化,或Analytics量度 最大化每次访问量度值

当量度是Target转化,或Analytics量度是 最大化每次访问量度值,则目标量度定义允许在同一访问中发生多个转化事件。
要查看与Adobe Target ML模型所用归因方法相同的目标量度,请执行以下步骤:

  1. 将鼠标悬停在目标量度的齿轮图标上:
    gearicon.png
  2. 在生成的菜单中,滚动到 数据设置.
  3. 选择 使用非默认的归因模型 (如果尚未选择):
    nondefaultattributionmodel.png
  4. 点击​编辑
  5. 选择 模型: 参与率​和 回顾窗口: 访问.
    ParticitionbyVisit.png
  6. 单击​应用

这些步骤可确保在发生目标量度事件时,您的报表将目标量度归因于体验的显示 任何时间 (“参与率”)。

Analytics量度 独特访问转化率

使用正量度区段定义访问

在您选择的方案中 最大化独特访问转化率 作为优化标准,则正确定义的转化率是量度值为正数的访问次数百分比。 可以通过创建一个客户群细分,以过滤到具有量度正值的访问,然后过滤访问量度来实现此目的。

  1. 与之前一样,选择 “组件”>“创建区段” 选项。
  2. 输入 标题 的URL。 在以下示例中,该区段名为 “Visits with an order”.
  3. 将您在优化目标中使用的基本量度拖到区段中。 在以下示例中,我们使用 订购 量度,以便转化率可测量记录订单的访问次数百分比。
  4. 在区段定义容器的左上角,选择 包括 访问.
  5. 使用 大于 运算符,并将值设置为0(即,此区段包括订单量度为正的访问)
  6. 单击​保存

图7.png
图7:区段定义过滤为按正顺序访问。 根据活动的优化量度,您必须使用相应的量度替换订单

将此量度应用于活动过滤量度中的访问次数

此区段现在可用于筛选订单数为正数且具有 Auto-Target活动。 过滤量度的过程与之前类似,在将新区段应用到已过滤的访问量度后,报表面板应类似于图8

图8.png
图8:具有正确独特访问转化量度的报表面板 — 即记录了活动点击的访问次数,以及转化量度(本示例中的订购次数)为非零的访问次数。

最后一步:创建可捕获上述神奇功能的转化率

通过修改前面各节中的访问和目标量度,您应对 Auto-Target 报表面板可创建正确的转化率 — 更正后的目标量度与适当过滤的“访问量”量度的转化率。

通过使用以下步骤创建计算量度来执行此操作:

  1. 选择 组件>创建量度 选项。
  2. 输入 标题 的值。 例如,“活动XXX的访问更正转化率”。
  3. 选择 格式 =百分比和 小数位 = 2。
  4. 将您活动的相关目标量度(例如,活动转化)拖到定义中,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),如前面所述。
  5. 选择 添加>容器定义 中。
  6. 选择两个容器之间的除法(÷)运算符。
  7. 拖动您之前创建的名为“点击特定 Auto-Target 活动” Auto-Target 活动。
  8. 拖动 访问次数 量度。
  9. 单击​保存
小贴士

您还可以使用 快速计算量度功能.

此处显示了完整的计算量度定义。

图9.png
图9:访问和归因更正的模型转化率量度定义。 (请注意,此量度取决于您的目标量度和活动。 换言之,此量度定义在活动中不可重复使用。)

重要

A4T面板中的转化率量度未链接到表格中的转化事件或标准化量度。 当您进行本教程中建议的修改时,转化率不会自动适应更改。 因此,如果您对转化事件归因和标准化量度之一(或两者兼有)进行了修改,则必须记住最后一步来修改转化率,如上所示。

摘要:最终的工作区面板示例 Auto-Target 报告

将上述所有步骤组合到一个面板中,下图显示了 Auto-Target A4T活动。 此报表与Target机器学习模型用于优化目标量度的报表相同,它包含了本教程中讨论的所有细微差别和建议。 此报表还最接近传统Target报告驱动下使用的计数方法 Auto-Target 活动。

图10.png
图10:最终的A4T Auto-Target 报表,其中整合了对本文档前几节所述量度定义的所有调整。

在此页面上