Aperçu de l’affectation automatique

Une activité Affectation automatique dans Adobe Target identifie un gagnant parmi plusieurs expériences et réaffecte automatiquement du trafic supplémentaire vers le gagnant afin d’augmenter les conversions pendant que le test continue à s’exécuter et à apprendre.

Lors de la création d’une activité A/B à l’aide du processus assisté en trois étapes, vous pouvez choisir l’option Affectation automatique à la meilleure expérience .

Le défi

Les tests A/B standard ont un coût. Vous devez générer du trafic pour mesurer les performances de chaque expérience et déterminer l’expérience gagnante grâce à une analyse. L’affectation du trafic reste fixe même après que vous avez admis que certaines expériences sont plus performantes que d’autres. En outre, il est difficile de déterminer la taille de l’échantillon. L’activité doit également s’exécuter en entier avant que vous ne puissiez agir sur un gagnant. Et il est encore possible que le gagnant identifié ne soit pas un vrai gagnant.

La solution : Affectation automatique

L’affectation automatique réduit les frais inhérents à la détermination d’une expérience gagnante. Elle contrôle les performances de la mesure d’objectif de toutes les expériences et envoie davantage de nouveaux participants vers les expériences hautement performantes de manière proportionnelle. Suffisamment de trafic est réservé à l’exploration des autres expériences. Vous pouvez constater les avantages du test sur vos résultats, même si l’activité est toujours en cours d’exécution : l’optimisation se produit en parallèle de l’apprentissage.

L’affectation automatique dirige progressivement les visiteurs vers des expériences gagnantes, sans que vous ayez besoin d’attendre la fin d’une activité pour déterminer un gagnant. Vous bénéficiez de l’effet élévateur plus rapidement, car les participants à l’activité qui auraient été envoyés vers des expériences moins performantes sont dirigés vers des expériences potentiellement gagnantes.

Un test A/B normal dans Target n’affiche que des comparaisons par paires entre les concurrents et les contrôles. Par exemple, si une activité comporte des expériences : A, B, C et D où A est le contrôle, un test A/B Target normal compare A à B, A à C et A à D.

Dans ces tests, la plupart des produits, y compris Target, utilisent un test en t de Student pour générer une confiance basée sur la valeur p. Cette valeur de confiance sert ensuite à déterminer si l’expérience concurrente est suffisamment différente de l’expérience de contrôle. Cependant, Target n’effectue pas automatiquement les comparaisons implicites (B par rapport à C, B par rapport à D et C par rapport à D) requises pour trouver la "meilleure" expérience. Le marketeur doit dès lors analyser les résultats manuellement pour déterminer la « meilleure » expérience.

L’affectation automatique effectue toutes les comparaisons implicites entre les expériences et produit un « vrai » gagnant. La notion d’expérience de « contrôle » disparaît donc totalement du test.

L’ affectation automatique alloue intelligemment les nouveaux visiteurs aux expériences jusqu’à ce que l’intervalle de confiance de la meilleure expérience ne chevauche pas l’intervalle de confiance de toute autre expérience. Ce processus pourrait produire des faux positifs, mais l’affectation automatique utilise des intervalles de confiance basés sur l’ inégalité de Bernstein qui compense les évaluations répétées. À ce stade, il y a un vrai gagnant. Lorsque l’affectation automatique s’arrête, à condition qu’il n’y ait pas de dépendance temporelle importante pour les visiteurs qui arrivent sur la page, il y a au moins 95 % de chances que l’affectation automatique renvoie une expérience dont la vraie réponse n’est pas moins de 1 % (relative) inférieure à la vraie réponse de l’expérience gagnante.

Quand utiliser l’affectation automatique par rapport à A/B ou Automated Personalization

  • Utilisez l’affectation automatique quand vous souhaitez optimiser votre activité dès le début et identifier les expériences gagnantes aussi vite que possible. En dirigeant plus souvent les visiteurs vers des expériences hautement performantes, les performances globales de l’activité augmentent.
  • Utilisez un test A/B standard quand vous voulez caractériser les performances de toutes les expériences avant d’optimiser votre site. Un test A/B vous aide à classer toutes vos expériences, tandis que l’affectation automatique trouve les meilleures performances, mais ne garantit pas la différenciation entre les moins performantes.
  • Utilisez Automated Personalization lorsque vous souhaitez des algorithmes d’optimisation de la plus haute complexité, tels que des modèles d’apprentissage automatique qui créent des prédictions basées sur des attributs de profil individuels. L’ affectation automatique examine le comportement global des expériences (tout comme les tests A/B standard) et ne fait pas de distinction entre les visiteurs.

Avantages clés

  • Préserve la rigueur d’un test A/B
  • Identifie un gagnant statistiquement significatif plus rapidement qu’un test A/B manuel
  • Fournit un effet élévateur de campagne moyen plus élevé qu’un test A/B manuel

Terminologie

Les termes suivants sont utiles pour discuter de l’affectation automatique :

Bandit à plusieurs bras : une approche du type bandit à plusieurs bras de l’optimisation équilibre l’apprentissage exploratoire et l’exploitation de cet apprentissage.

Fonctionnement de l’algorithme

La logique globale derrière l’affectation automatique intègre à la fois les performances mesurées (telles que le taux de conversion) et les intervalles de confiance des données cumulées. Contrairement à un test A/B standard où le trafic est réparti uniformément entre les expériences, L’affectation automatique modifie l’affectation du trafic entre les expériences.

  • 80 % des visiteurs sont affectés à l’aide de la logique intelligente décrite ci-dessous.
  • 20 % des visiteurs sont affectés de façon aléatoire aux différentes expériences afin de tenir compte des variations de comportement des visiteurs.

L’approche du bandit à plusieurs bras permet à certaines expériences d’être explorées tandis que les expériences performantes sont exploitées. Davantage de nouveaux visiteurs sont dirigés vers des expériences aux meilleures performances tout en préservant la possibilité de réagir aux conditions changeantes. Ces modèles sont mis à jour au moins une fois par heure pour garantir que le modèle réagit aux dernières données.

Alors que davantage de visiteurs participent à l’activité, certaines expériences commencent à augmenter leurs performances et plus de trafic est envoyé vers les expériences performantes. 20 % du trafic reste réparti de manière aléatoire pour explorer toutes les expériences. Si l’une des expériences moins performantes commence à augmenter ses performances, plus de trafic est affecté à cette expérience. Si une activité hautement performante diminue ses performances, moins de trafic est affecté à cette expérience. Par exemple, si un événement pousse les visiteurs à rechercher d’autres informations sur votre site multimédia ou des ventes de week-end sur votre site de vente au détail, vous obtiendrez des résultats différents.

L’illustration suivante représente la façon dont l’algorithme pourrait s’exécuter lors d’un test avec quatre expériences :

L’illustration montre l’évolution du trafic affecté à chaque expérience sur plusieurs tours pendant la durée de vie de l’activité, jusqu’à ce que l’expérience gagnante puisse être déterminée.

Tour Description
Tour de chauffe Tour de chauffe (0) : au cours du tour de chauffe, chaque expérience reçoit une affectation égale du trafic jusqu’à ce que chaque expérience de l’activité atteigne un minimum de 1 000 visiteurs et 50 conversions.
  • Expérience A = 25 %
  • Expérience B = 25 %
  • Expérience C = 25 %
  • Expérience D = 25 %
Lorsque chaque expérience de l’activité atteint 1 000 visiteurs et 50 conversions, Target commence l’affectation automatisée du trafic. Toutes les affectations se produisent par tour ; deux expériences sont sélectionnées pour chaque tour.
Seules deux expériences passent au tour suivant : D et C.
Le passage à l’avant signifie que les deux expériences reçoivent 80 % du trafic de manière égale. Les deux autres expériences continuent de participer, mais ne sont diffusées que dans le cadre de l’affectation aléatoire de 20 % du trafic au fur et à mesure que de nouveaux visiteurs entrent dans l’activité.
Toutes les affectations sont mises à jour toutes les heures (indiqué par les tours sur l’axe X ci-dessus). Après chaque tour, les données cumulées sont comparées.
1er tour 1er tour : durant ce tour, 80 % du trafic est affecté aux expériences C et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire aux expériences A, B, C et D (5 % à chaque expérience). Au cours de ce tour, l’expérience A enregistre de bonnes performances.
  • L’algorithme sélectionne l’expérience D pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par sur l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience A pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.
Les expériences D et A passent au tour suivant.
2e tour 2e tour : durant ce tour, 80 % du trafic est affecté aux expériences A et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire, ce qui signifie que les expériences A, B, C et D récupèrent chacune 5 % du trafic. Au cours de ce tour, l’expérience B enregistre de bonnes performances.
  • L’algorithme sélectionne l’expérience D pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par sur l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience B pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.
Les expériences D et B passent au tour suivant.
3e tour 3e tour : durant ce tour, 80 % du trafic est affecté aux expériences B et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire, ce qui signifie que les expériences A, B, C et D récupèrent chacune 5 % du trafic. Au cours de ce tour, l’expérience D continue d’enregistrer de bonnes performances, de même que l’expérience C.
  • L’algorithme sélectionne l’expérience D pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par sur l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience C pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.
Les expériences D et C passent au tour suivant.
4e tour 4e tour : durant ce tour, 80 % du trafic est affecté aux expériences C et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire, ce qui signifie que les expériences A, B, C et D récupèrent chacune 5 % du trafic. Au cours de ce tour, l’expérience C enregistre de bonnes performances.
  • L’algorithme sélectionne l’expérience C pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par sur l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience D pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.
Les expériences C et D passent au tour suivant.
Tour n Tour n : au cours de l’évolution de l’activité, une expérience hautement performante commence à se distinguer et le processus continue jusqu’à ce qu’une expérience gagnante puisse être déterminée. Lorsque l’intervalle de confiance de l’expérience avec le taux de conversion le plus élevé ne chevauche aucun autre intervalle de confiance d’expérience, elle est désignée comme gagnante. Un badge s’affiche sur la page de l’activité gagnante et dans la liste Activité.
  • L’algorithme désigne l’expérience C comme gagnante définitive
À ce stade, l’algorithme distribue 80 % du trafic à l’expérience C, tandis que 20 % du trafic continue à être distribué de manière aléatoire à toutes les expériences (A, B, C et D). Au total, l’expérience C récupère 85 % du trafic. Dans le cas improbable où l’intervalle de confiance du gagnant recommence à chevaucher un autre intervalle, l’algorithme restaure le comportement du tour 4 ci-dessus.
Important : Si vous aviez choisi un gagnant manuellement à un stade antérieur du processus, il aurait été très facile de choisir la mauvaise expérience. C’est pourquoi il est recommandé d’attendre que l’algorithme détermine l’expérience gagnante.
REMARQUE

Si une activité ne comporte que deux expériences, les deux expériences obtiennent un trafic égal jusqu’à ce que Target trouve une expérience gagnante avec un degré de confiance de 75 %. À ce stade, les deux tiers du trafic sont attribués au gagnant et un tiers au perdant. Ensuite, lorsqu’une expérience atteint un degré de confiance de 95 %, 90 % du trafic est affecté au gagnant et 10 % à celui-ci. Target conserve toujours une partie du trafic envoyée à l’expérience "perdante" afin d’éviter les faux positifs à la fin (c’est-à-dire de conserver une certaine exploration).

Une fois qu’une activité Affectation automatique est activée, les opérations suivantes de l’interface utilisateur ne sont pas autorisées :

  • Basculer le mode d’« Affectation du trafic » en « Manuel »
  • Modifier le type de mesure d’objectif
  • Modifier des options dans le panneau Paramètres avancés

Fonctionnement de l’affectation automatique

Pour plus d’informations, voir L’affectation automatique peut vous donner des résultats de test plus rapides et des recettes plus élevées qu’un test manuel

Avertissements

La fonction d’ affectation automatique fonctionne uniquement avec un paramètre de mesure avancé : Incrémenter le décompte et laisser l’utilisateur dans l’activité

Les paramètres de mesure avancés suivants ne sont pas pris en charge : Incrémenter le décompte, libérer l’utilisateur, Autoriser le retour et l’incrémentation du décompte et libérer l’utilisateur et bloquer le retour.

Les visiteurs fréquents peuvent exagérer les taux de conversion de l’expérience.

Si un visiteur qui visualise l’expérience A revient fréquemment et effectue plusieurs conversions, le taux de conversion de l’expérience A augmente artificiellement. Comparez ce résultat à l’expérience B, où les visiteurs convertissent mais ne reviennent pas souvent. Par conséquent, le taux de conversion de l’expérience A semble meilleur que celui de l’expérience B, de sorte que les nouveaux visiteurs sont plus susceptibles d’être affectés à A qu’à B. Si vous choisissez de compter une fois par participant, le taux de conversion de A et celui de B peuvent être identiques.

Si les visiteurs récurrents sont distribués de manière aléatoire, leur effet sur les taux de conversion sera a priori nivelé. Pour atténuer cet effet, vous pouvez changer la méthode de comptabilisation de la mesure d’objectif pour ne compter qu’une fois par participant.

Différenciation entre les activités les plus performantes, et non entre celles les moins performantes.

L’affectation automatique permet de différencier les expériences hautement performantes (et de trouver un gagnant). Il peut arriver que la différenciation des expériences les moins performantes soit insuffisante.

Si vous souhaitez produire une différenciation statistiquement significative entre toutes les expériences, vous pouvez envisager d’utiliser le mode d’affectation manuelle du trafic.

Les taux de conversion liés au temps (ou variant selon le contexte) peuvent fausser l’affectation.

Certains facteurs qui peuvent être ignorés lors d’un test A/B standard, car ils affectent toutes les expériences de manière égale, ne peuvent pas être ignorés dans un test Affectation automatique. L’algorithme est sensible aux taux de conversion observés. Vous trouverez ci-dessous des exemples de facteurs qui peuvent affecter les performances des expériences de manière inégale :

  • Expériences présentant une pertinence contextuelle variable (heure, lieu, sexe, etc.).

    Par exemple :

    • « Dieu merci, on est vendredi » produit des conversions plus élevées le vendredi
    • « Attaquez votre lundi » engendre une conversion plus élevée le lundi
    • "Préparez-vous à un hiver sur la côte Est" offre une conversion plus élevée sur la côte Est ou dans les endroits touchés par l’hiver.

L’utilisation d’expériences avec une pertinence contextuelle variable peut fausser les résultats dans un test Affectation automatique plus que dans un test A/B, car le test A/B analyse les résultats sur une plus longue période.

  • Expériences avec des délais variables de conversion (probablement à cause de l’urgence du message).

    Par exemple, « Derniers jours des soldes à -30 % » signale au visiteur d’effectuer une conversion aujourd’hui, tandis que « 50 % sur votre premier achat » n’engendre pas le même sentiment d’urgence.

Questions fréquentes

Consultez les questions fréquentes et réponses suivantes lorsque vous utilisez les activités Affectation automatique :

Analytics pour Target (A4T) prend-il en charge les activités Affectation automatique ?

Oui. Pour plus d’informations, consultez Prise en charge d’A4T pour les activités d’affectation automatique et de ciblage automatique.

Les visiteurs récurrents sont-ils automatiquement redirigés vers des expériences hautement performantes ?

Non. Seuls les nouveaux visiteurs sont affectés automatiquement. Les visiteurs récurrents continuent de voir leur expérience d’origine pour protéger la validité du test A/B.

Comment l’algorithme traite-t-il les faux positifs ?

L’algorithme garantit un degré de confiance de 95 % ou un taux de faux positifs de 5 % si vous patientez jusqu’à l’apparition du badge Gagnant.

Quand l’affectation automatique commence-t-elle à affecter le trafic ?

L’algorithme commence à fonctionner quand toutes les expériences de l’activité atteignent un minimum de 1 000 visiteurs et 50 conversions.

Quel est le niveau d’exploitation de l’algorithme ?

80 % du trafic est diffusé à l’aide de l’affectation automatique et 20 % du trafic est diffusé de manière aléatoire. Une fois l’expérience gagnante identifiée, elle reçoit la totalité des 80 % du trafic mentionnés, tandis que toutes les expériences continuent de recevoir une partie des 20 % de trafic restant, y compris l’expérience gagnante.

Les expériences perdantes sont-elles affichées ?

Oui. Le bandit à plusieurs bras s’assure qu’au moins 20 % du trafic est réservé à l’exploration des taux de conversion ou des modèles changeants sur l’ensemble des expériences.

Que se passe-t-il pour les activités avec de longs délais de conversion ?

Tant que les expériences optimisées sont confrontées à des délais similaires, le comportement est le même que pour une activité avec un cycle de conversion plus rapide. Toutefois, il faut plus de temps pour atteindre le seuil de 50 conversions avant que le processus d’affectation du trafic ne commence.

En quoi L’affectation automatique est-elle différente de Automated Personalization ?

Automated Personalization détermine la meilleure expérience en utilisant les attributs du profil de chaque visiteur. Ce faisant, l’activité est optimisée, mais également personnalisée en fonction de cet utilisateur.

L’affectation automatique, en revanche, est un test A/B qui produit un gagnant agrégé (l’expérience la plus populaire, mais pas nécessairement l’expérience la plus efficace pour chaque visiteur).

Les visiteurs récurrents gonflent-ils le taux de conversion de ma mesure de succès ?

Actuellement, la logique favorise les visiteurs qui convertissent rapidement ou visitent plus souvent, car ces visiteurs gonflent temporairement le taux de conversion global de l’expérience à laquelle ils appartiennent. L’algorithme s’ajuste fréquemment, de sorte que l’augmentation du taux de conversion est amplifiée à chaque instantané. Si le site reçoit de nombreux visiteurs récurrents, leurs conversions peuvent potentiellement gonfler le taux de conversion global de l’expérience à laquelle ils appartiennent. Il y a de bonnes chances que les visiteurs récurrents soient distribués de manière aléatoire, auquel cas l’effet global (effet élévateur augmenté) est équilibré. Pour atténuer cet effet, vous pouvez changer la méthode de comptabilisation de la mesure de succès pour ne compter qu’une fois par participant.

Puis-je utiliser le calculateur de taille d’échantillon lorsque j’utilise Affectation automatique pour estimer combien de temps l’activité prend pour identifier le gagnant ?

Vous pouvez utiliser le calculateur de taille d’échantillon existant pour obtenir une estimation de la durée du test. (Comme pour les tests A/B traditionnels, appliquez la correction Bonferroni si vous testez plus de deux offres ou plusieurs mesures/hypothèses de conversion.) Ce calculateur est conçu pour les tests A/B à horizon fixe classiques et ne fournit qu’une estimation. L’utilisation du calculateur pour une activité Affectation automatique est facultative, car Affectation automatique déclare un gagnant pour vous. Il n’est pas nécessaire de choisir un moment précis pour consulter les résultats du test. Les valeurs fournies sont toujours statistiquement valides. Dans nos expériences, nous avons trouvé ce qui suit :

  • Lors du test de deux expériences exactement, L’affectation automatique trouve un gagnant plus rapidement que le test à horizon fixe (c’est-à-dire la période suggérée par le calculateur de taille d’échantillon) lorsque la différence de performance entre les expériences est importante. Cependant, L’affectation automatique peut nécessiter un temps supplémentaire pour identifier un gagnant lorsque la différence de performances entre les expériences est faible. Dans ce cas, les tests à horizon fixe se seraient généralement terminés sans résultat statistiquement significatif.
  • Lors du test de plus de deux expériences, L’affectation automatique trouve un gagnant plus rapidement que les tests à horizon fixe (c’est-à-dire la période suggérée par le calculateur de taille d’échantillon) lorsqu’une seule expérience surpasse fortement toutes les autres expériences. Lorsque plusieurs expériences sont à la fois "gagnantes" par rapport à d’autres expériences, mais étroitement liées les unes aux autres, l’affectation automatique peut nécessiter un temps supplémentaire pour déterminer celle qui est supérieure. Dans ce cas, les tests à horizon fixe se seraient généralement terminés en concluant que les expériences "gagnantes" étaient meilleures que les expériences moins performantes, mais sans avoir identifié celle qui était supérieure.

Dois-je supprimer une expérience peu performante d’une activité Affectation automatique pour accélérer le processus de détermination d’un gagnant ?

Il n’y a vraiment aucune raison de supprimer une expérience peu performante. L’ affectation automatique diffuse automatiquement les expériences hautement performantes et diffuse moins souvent les expériences peu performantes. Le fait de laisser une expérience peu performante dans l’activité n’a pas d’incidence significative sur la vitesse de détermination d’un gagnant.

20 % des visiteurs sont affectés de manière aléatoire à toutes les expériences. Le volume de trafic affecté à une expérience peu performante est minimal (20 % divisé par le nombre d’expériences).

Puis-je modifier la mesure d’objectif à mi-chemin par le biais d’une activité Affectation automatique ?

Adobe ne recommande pas de modifier la mesure d’objectif à mi-chemin d’une activité. Bien qu’il soit possible de modifier la mesure d’objectif au cours d’une activité à l’aide de l’interface utilisateur de Target, vous devez toujours démarrer une nouvelle activité. Adobe ne garantit pas ce qui se passe si vous modifiez la mesure d’objectif dans une activité après son exécution.

Cette recommandation s’applique aux activités d’affectation automatique, de ciblage automatique et d’Automated Personalization qui utilisent Target ou Analytics (A4T) comme source de création de rapports.

Puis-je modifier la source des rapports à mi-chemin par le biais d’une activité Affectation automatique ?

Adobe ne recommande pas de modifier la source de création de rapports à mi-chemin d’une activité. Bien qu’il soit possible de modifier la source des rapports (de Target à A4T ou vice versa) au cours d’une activité à l’aide de l’interface utilisateur Target, vous devez toujours démarrer une nouvelle activité. Adobe ne garantit pas ce qui se passe si vous modifiez la source de création de rapports dans une activité après son exécution.

Cette recommandation s’applique aux activités d’affectation automatique, de ciblage automatique et d’Automated Personalization qui utilisent Target ou Analytics (A4T) comme source de création de rapports.

Puis-je utiliser l’option Réinitialiser les données du rapport lors de l’exécution d’une activité Affectation automatique ?

L’utilisation de l’option Réinitialiser les données du rapport pour les activités Affectation automatique n’est pas recommandée. Bien qu’elle supprime les données de rapport visibles, cette option ne supprime pas tous les enregistrements d’entraînement du modèle Affectation automatique . Au lieu d’utiliser l’option Réinitialiser les données du rapport pour les activités Affectation automatique , créez une activité et désactivez l’activité d’origine. (Ce guide s’applique également aux activités Ciblage automatique et Automated Personalization.)

Comment l’affectation automatique génère-t-il des modèles en ce qui concerne les environnements ?

L’ affectation automatique crée des modèles en fonction du comportement de trafic et de conversion enregistré dans l’environnement par défaut uniquement. Par défaut, Production est l’environnement par défaut, mais l’environnement par défaut peut être modifié dans Target Administration > Environnements.

Si un accès se produit dans un autre environnement (autre que celui par défaut), le trafic est réparti en fonction du comportement de conversion observé dans l’environnement par défaut. Le résultat de cet accès (conversion ou non-conversion) est enregistré à des fins de création de rapports, mais n’est pas pris en compte dans le modèle Affectation automatique .

Lors de la sélection d’un autre environnement, le rapport affiche le trafic et les conversions pour cet environnement. L’environnement sélectionné par défaut pour un rapport correspond à la valeur par défaut sélectionnée pour l’ensemble du compte. L’environnement par défaut ne peut pas être défini par activité.

Vidéos de formation

Les vidéos suivantes contiennent davantage d’informations sur les concepts abordés dans cet article.

Workflow d’activité - Ciblage (2:14) Badge de tutoriel

Cette vidéo comprend des informations sur la configuration de l’affectation du trafic.

  • Affecter une audience à votre activité
  • Augmenter ou ralentir le trafic
  • Sélectionner votre méthode d’affectation du trafic
  • Affecter du trafic entre différentes expériences

Création de tests A/B (8:36) Badge du tutoriel

Cette vidéo explique comment créer un test A/B à l’aide du processus assisté en trois étapes de Target. L’ affectation automatique est abordée à partir de 4:45.

  • Créez une activité A/B dans Adobe Target
  • Affecter du trafic à l’aide d’un fractionnement manuel ou de l’affectation automatique du trafic

Sur cette page