在Analysis Workspace中設定A4T報表,以 Auto-Target 活動

目標分析(A4T)整合 Auto-Target 活動使用Adobe Target的整體機器學習(ML)演算法,根據訪客的設定檔、行為和內容為每位訪客選擇最佳體驗,同時使用Adobe Analytics目標量度。

雖然Adobe Analytics Analysis Workspace提供豐富分析功能,但對預設值進行了一些修改 Analytics for Target 需要面板才能正確解譯 Auto-Target 活動,因為實驗活動(手動A/B和自動分配)與個人化活動(Auto-Target)。

本教學課程將逐步說明分析時的建議修改 Auto-Target 活動,這些活動以下列重要概念為基礎:

  • 控制與目標 維度可用來區分控制體驗和提供的體驗 Auto-Target 整合ML算法。
  • 檢視體驗層級績效劃分時,應將造訪設為標準化量度。 此外, Adobe Analytics的預設計數方法可能包含使用者實際上看不到活動內容的造訪,但可使用適當範圍的區段來修改此預設行為(詳見下方)。
  • Adobe Target的ML模型在訓練階段會使用造訪回顧範圍歸因(在指定的歸因模型上也稱為「造訪回顧期間」),而劃分目標量度時應使用相同(非預設)的歸因模型。

為建立A4T Auto-Target 工作區中的面板

為建立A4T Auto-Target 報表,以開頭 Analytics for Target 工作區中的面板,如下所示,或以自由表格開頭。 然後進行下列選取:

  1. 控制體驗:您可以選擇任何體驗;不過,您稍後會覆寫此選項。 請注意, Auto-Target 活動中,控制體驗其實是一種控制策略,可能是a)在所有體驗中隨機提供,或b)提供單一體驗(此選項是在Adobe Target中的活動建立時進行)。 即使您選擇(b)- Auto-Target 將特定體驗指定為控制的活動 — 您仍應遵循本教學課程中概述的方法,來分析 Auto-Target 活動。
  2. 標準化量度:選取造訪。
  3. 成功量度:雖然您可以選取要報告的任何量度,但您通常應檢視所選用於最佳化的相同量度在Adobe Target中建立活動期間的報表。

圖1.png
圖1:Analytics for Target面板設定,適用於 Auto-Target 活動。

注意

若要針對自動鎖定目標活動設定Analytics for Target面板,請選擇任何控制體驗,選擇造訪作為標準化量度,然後選擇在建立Target活動期間為最佳化所選的相同目標量度。

使用控制項與目標維度,比較Adobe Target的整體ML模型與您的控制項

預設的A4T面板專為傳統(手動)A/B測試或自動分配活動而設計,其目標是比較個別體驗與控制體驗的效能。 在 Auto-Target 不過,第一階比較應該是控制項之間 策略 和目標 策略 (換言之,決定 Auto-Target 整體ML模型(控制策略)。

若要執行此比較,請使用 控制與鎖定(Analytics for Target) 維度。 拖放以取代 目標體驗 維度。

請注意,此取代會讓A4T面板的預設提升度和可信度計算失效。 若要避免混淆,您可以從預設面板中移除這些量度,並保留下列報表:

圖2.png
圖2:建議的基準報告 Auto-Target 活動。 此報表已設定來比較目標流量(由整體ML模型提供)和您的控制流量。

注意

目前,針對自動鎖定目標的A4T報表,控制與鎖定維度無法使用提升度和可信度數字。 在新增支援之前,您可以借由下載 信賴度計算器.

加入量度的體驗層級劃分

若要進一步了解整體ML模型的執行方式,您可以檢查 控制與目標 維度。 在工作區中,拖曳 目標體驗 維度,然後分別劃分「控制」和「目標」維度。

圖3.png
圖3:依目標體驗劃分目標維度

產生的報表範例如下所示。

圖4.png
圖4:標準 Auto-Target 包含體驗層級劃分的報表。 請注意,您的目標量度可能不同,而您的控制策略可能只有單一體驗。

秘訣

在工作區中,按一下齒輪圖示以隱藏「轉換率」欄中的「百分比」,協助您專注於體驗轉換率。 請注意,轉換率將格式化為小數,但會據此解譯為百分比。

為何「造訪」是 Auto-Target 活動

分析 Auto-Target 活動中,請一律選擇「造訪」作為預設標準化量度。 Auto-Target 「個人化」會為訪客選取每次造訪一次的體驗(正式為,每次Adobe Target工作階段一次),這表示向使用者顯示的體驗可在每次造訪時變更。 因此,如果您使用獨特訪客作為標準化量度,單一使用者最終可能看到多個體驗(跨不同造訪)的事實,將導致混淆轉換率。

一個簡單的示例演示了此點:假設有兩個訪客進入一個只有兩個體驗的促銷活動。 第一個訪客瀏覽兩次。 他們會在第一次造訪時指派給體驗A,但在第二次造訪時指派給體驗B(因為其設定檔狀態在第二次造訪時有所變更)。 第二次造訪後,訪客會透過下單進行轉換。 轉換會歸因於最近顯示的體驗(體驗B)。 第二個訪客也瀏覽了兩次,且兩次都顯示體驗B,但從未轉換。

讓我們比較訪客層級和造訪層級報表:

體驗 獨特訪客 瀏覽次數 轉換 訪客基準。 康夫。 比率 訪問規範。 康夫。 比率
A 1 1 - 0% 0%
B 2 3 1 50% 33.3%
總計 2 4 1 50% 25%

表1:比較訪客標準化報表和造訪標準化報表的範例,其中決策與造訪有黏性(而非訪客,如同一般A/B測試)。 此情境中會混淆訪客標準化量度。

如表格所示,訪客層級的數字有明顯的不一致。 儘管事實上有兩個不重複訪客總計,但這並非每個體驗的個別不重複訪客總和。 雖然訪客層級轉換率不一定是錯誤的,但比較個別體驗時,瀏覽層級的轉換率可以說更合理。 從形式上講,分析單位(「造訪」)與決策黏著度單位相同,這表示可以新增和比較量度的體驗層級劃分。

篩選活動的實際造訪次數

Adobe Analytics的Target活動造訪預設計數方法可能包含使用者未與Target活動互動的造訪。 這是由於Target活動指派在Analytics訪客內容中持續存在的方式。 因此,對Target活動的造訪次數有時會膨脹,導致轉換率下降。

如果您偏好報告使用者實際與自動鎖定目標活動互動的造訪(透過活動項目、顯示/造訪事件或轉換),您可以:

  1. 建立特定區段,其中包含來自相關Target活動的點擊,然後
  2. 使用此區段篩選「造訪」量度。

若要建立區段:

  1. 選取 元件>建立區段 選項。
  2. 輸入 標題 的URL區段。 在下列範例中,區段的名稱為 “Hit with specific Auto-Target activity”.
  3. 拖曳 目標活動 維度至區段 定義 區段。
  4. 使用 等於 運算元。
  5. 搜尋您的特定Target活動。
  6. 選取齒輪圖示,然後選取 歸因模型>例項 如下圖所示。
  7. 按一下​儲存

圖5.png
圖5:使用此處顯示的區段等區段,在A4T中篩選「造訪」量度以 Auto-Target 報告

建立區段後,請使用它來篩選造訪量度,因此造訪量度僅包含使用者與Target活動互動的造訪。

若要使用此區段篩選造訪:

  1. 從元件工具列拖曳新建立的區段,並將滑鼠移到 瀏覽 量度標籤直到藍色 篩選依據 出現提示。
  2. 發行區段。 篩選器會套用至該量度。

最終面板將顯示如下。

圖6.png
圖6:報表面板,其中「點擊特定自動鎖定目標活動」區段已套用至 瀏覽 量度。 這可確保只有當使用者實際與相關Target活動互動時,才會納入報表中的造訪。

確定目標量度和歸因與您的最佳化標準一致

A4T整合允許 Auto-Target's ML型號為 訓練 使用Adobe Analytics用到的相同轉換事件資料 生成效能報告. 然而,在培訓ML模型時,在解釋此資料時必須採用某些假設,這與在Adobe Analytics報告階段所作的預設假設不同。

具體而言,Adobe Target的ML模型會使用造訪範圍歸因模型。 也就是說,他們假設轉換必須發生在活動內容顯示的相同瀏覽中,以便將轉換「歸因」至ML模型所做的決策。 這是Target保證及時培訓其模型的必要條件;Target最多等候30天的轉換(Adobe Analytics中報表的預設歸因視窗),才能將其納入其模型的訓練資料中。

因此,Target模型(訓練期間)所使用的歸因,與查詢資料(產生報表期間)所使用的預設歸因之間的差異,可能會導致差異。 事實上,歸因問題所在, ML模型的效能甚至可能看起來很差。

秘訣

如果ML模型針對與您在報表中檢視的量度不同而歸因的量度進行最佳化,則模型可能無法如預期般執行! 為避免此情況,請確定報表上的目標量度使用與Target ML模型所使用相同的量度定義和歸因。

確切的量度定義和歸因設定取決於 優化准則 在活動建立期間指定。

定位定義的轉換,或使用 將每次造訪的量度值最大化

當量度為Target轉換,或Analytics量度具有 將每次造訪的量度值最大化,目標量度定義可讓多個轉換事件在同一次造訪中發生。
若要檢視與Adobe Target ML模型所使用歸因方法相同的目標量度,請遵循下列步驟:

  1. 將滑鼠指標暫留在目標量度的齒輪圖示上:
    gearicon.png
  2. 從產生的功能表,捲動至 資料設定.
  3. 選擇 使用非預設歸因模型 (如果尚未選取):
    non-defaultattributionmodel.png
  4. 按一下​編輯
  5. 選擇 模型: 參與率,和 回顧期間: 瀏覽.
    ParticipationbyVisit.png
  6. 按一下​「套用」

這些步驟可確保如果目標量度事件發生,您的報表會將目標量度歸因於體驗的顯示 任何時間 (「參與率」)。

Analytics量度搭配 不重複造訪轉換率

以正量度區段定義造訪

在您選取的案例中 最大化獨特造訪轉換率 作為最佳化條件,則轉換率的正確定義是度量值為正的造訪次數的百分比。 這可透過建立區段來達成,依量度的正值向下篩選至造訪,然後篩選造訪量度。

  1. 和之前一樣,選取 元件>建立區段 選項。
  2. 輸入 標題 的URL區段。 在下列範例中,區段的名稱為 “Visits with an order”.
  3. 將您在最佳化目標中使用的基礎量度拖曳至區段。 在下列範例中,我們會使用 訂購 量度,因此轉換率會測量記錄訂單的造訪比例。
  4. 在區段定義容器的左上角,選取 包括 瀏覽.
  5. 使用 大於 運算元,並將值設為0(亦即,此區段包含訂購量度為正的造訪)
  6. 按一下​儲存

圖7.png
圖7:以正序篩選瀏覽的區段定義。 根據活動的最佳化量度,您必須以適當的量度取代訂單

將此項目套用至活動篩選量度中的造訪

此區段現在可用來篩選具有正數訂購的造訪,以及 Auto-Target活動。 篩選量度的程式與之前類似,而將新區段套用至已篩選的造訪量度後,報表面板看起來應該類似圖8

圖8.png
圖8:具有正確獨特造訪轉換量度的報表面板 — 亦即記錄來自活動點擊的造訪次數,以及轉換量度(此範例中的訂購)非零的造訪次數。

最後一步:建立擷取上述神奇效果的轉換率

在前幾節中修改造訪和目標量度後,您應針對 Auto-Target 「報表」面板是用來建立正確比率(即已更正之目標量度與已適當篩選之「造訪」量度的比率)。

請使用下列步驟建立計算量度來執行此操作:

  1. 選取 元件>建立量度 選項。
  2. 輸入 標題 ,以取得量度。 例如,「活動XXX的瀏覽更正轉換率」。
  3. 選擇 格式 =百分比和 小數位數 = 2。
  4. 將您活動的相關目標量度(例如活動轉換)拖曳至定義中,並使用此目標量度上的齒輪圖示,將歸因模型調整為(參與率|造訪),如先前所述。
  5. 選擇 新增>容器定義 區段。
  6. 選取兩個容器之間的除法(÷)運算子。
  7. 拖曳先前建立的區段 — 名為「特定點擊」 Auto-Target 本教學課程中的「活動」,針對此特定 Auto-Target 活動。
  8. 拖曳 瀏覽 量度放入區段容器中。
  9. 按一下​儲存
秘訣

您也可以使用 快速計算量度功能.

完整的計算量度定義會顯示在此處。

圖9.png
圖9:修正造訪和歸因的模型轉換率量度定義。 (請注意,此量度取決於您的目標量度和活動。 換句話說,此量度定義無法在各活動間重複使用。)

重要

A4T面板中的轉換率量度沒有連結至表格中的轉換事件或標準化量度。 當您進行本教學課程中建議的修改時,轉換率不會自動適應變更。 因此,如果您對轉換事件歸因和標準化量度中的一個(或兩者)進行修改,則您必須記住,最後一步也要修改轉換率,如上所示。

摘要:的最終範例工作區面板 Auto-Target 報告

將上述所有步驟合併成單一面板,下圖將顯示建議報表的完整檢視 Auto-Target A4T活動。 此報表與Target的機器學習模型用來最佳化您的目標量度相同,並納入本教學課程中討論的所有細微差別和建議。 此報表也與傳統Target報告導向中使用的計數方法最接近 Auto-Target 活動。

圖10.png
圖10:最終的A4T Auto-Target Adobe Analytics工作區中的報表,其中結合本檔案前幾節所述之量度定義的所有調整。

本頁內容