Un'attività di allocazione automatica in Adobe Target identifica un vincitore tra due o più esperienze e riassegna automaticamente più traffico al vincitore per aumentare le conversioni mentre il test continua a essere eseguito e imparare.
Durante la creazione di un'attività A/B tramite il flusso di lavoro guidato in tre fasi, potete scegliere l'opzione Allocazione automatica per migliorare l'esperienza.
I test A/B standard hanno un costo intrinseco. Devi investire del traffico per misurare le prestazioni di ogni esperienza e capire quale sia l’esperienza vincente attraverso l’analisi. La distribuzione del traffico rimane fissa anche dopo aver compreso che alcune esperienze hanno prestazioni migliori di altre. Inoltre, è complicato calcolare la dimensione necessaria del campione, e l’attività deve essere eseguita completamente prima di poter intervenire in base al vincitore. Dopo aver fatto tutto questo, c'è ancora una possibilità che il vincitore identificato non sia un vero vincitore.
L’allocazione automatica riduce il costo e il sovraccarico associati al determinare un’esperienza vincente. L’allocazione automatica monitora le prestazioni della metrica obiettivo di tutte le esperienze e invia in modo proporzionale un numero maggiore di nuovi partecipanti alle esperienze che hanno prestazioni migliori. Per l’esplorazione delle altre esperienze viene riservata una quantità adeguata di traffico. È possibile vedere i vantaggi del test nei risultati, anche se l’attività è ancora in esecuzione: l’ottimizzazione si verifica in parallelo all’apprendimento.
L’allocazione automatica sposta gradualmente i visitatori verso esperienze vincenti, invece di richiedere di attendere fino a quando un’attività finisce per determinare un vincitore. Puoi beneficiare di incrementi più rapidi perché potenziali esperienze vincenti vengono mostrate a partecipanti che sarebbero altrimenti stati destinati a esperienze di minor successo.
Un normale test A/B in Target mostra solo confronti a coppie sfidante/controllo. Ad esempio, se un’attività ha le esperienze A, B, C e D, dove A è il controllo, un normale test A/B di Target confronterebbe A con B, A con C e A con D.
In tali test, la maggior parte dei prodotti, tra cui Target, utilizzano il calcolo del test t di Student per ottenere un indice di affidabilità basato sul valore p. Questo valore di affidabilità viene quindi utilizzato per determinare se lo sfidante è sufficientemente diverso dal controllo. Tuttavia, Target non esegue automaticamente i confronti impliciti (B con C, B con D e C con D) necessari per trovare l’esperienza effettivamente “migliore”. Di conseguenza, l’addetto al marketing deve analizzare manualmente i risultati per determinare l’esperienza “migliore”.
L’allocazione automatica esegue tutti i confronti impliciti tra le esperienze e produce un vincitore “reale”. Non vi è alcuna nozione di esperienza di “controllo” nel test.
L’allocazione automatica assegna nuovi visitatori alle esperienze fino a quando l’intervallo di affidabilità della migliore esperienza non si sovrappone a quello di qualsiasi altra esperienza. Normalmente questo processo potrebbe produrre falsi positivi, ma l’allocazione automatica utilizza intervalli di affidabilità in base alla disuguaglianza di Bernstein che compensa le valutazioni ripetute. A questo punto, abbiamo un vincitore reale. Quando Allocazione automatica si arresta, purché non vi siano dipendenze temporali rilevanti per i visitatori che giungono alla pagina, vi è almeno un 95% di probabilità che Allocazione automatica restituisca un’esperienza la cui vera risposta non sia inferiore all’1% (relativo) rispetto alla vera risposta dell’esperienza vincente.
I seguenti termini sono utili quando si parla di Allocazione automatica:
Slot machine: un approccio all’ottimizzazione ti tipo slot machine compensa l’apprendimento esplorativo e il suo sfruttamento.
La logica complessiva alla base dell'allocazione automatica incorpora sia le prestazioni misurate (come il tasso di conversione) sia intervalli di affidabilità dei dati cumulativi. A differenza di un test A/B standard in cui il traffico è diviso in modo uniforme tra le esperienze, l'allocazione automatica alloca le modifiche del traffico tra le esperienze.
L'approccio slot machine consente di riservare alcune esperienze all’esplorazione, sfruttando le esperienze che danno buoni risultati. Un numero maggiore di nuovi visitatori vedrà le esperienze migliori, ma sarà comunque possibile reagire in caso di condizioni mutevoli. Questi modelli si aggiornano almeno una volta all'ora per assicurarsi che il modello reagisca ai dati più recenti.
Man mano che più visitatori accedono all’attività, alcune esperienze iniziano a dimostrarsi di maggior successo e viene quindi incrementato il traffico inviato a tali esperienze. Il 20% del traffico continua a contribuire casualmente all’esplorazione di tutte le esperienze. Se una delle esperienze dalle prestazioni peggiori inizia a ottenere risultati migliori, le viene allocato più traffico. Oppure se il successo di un’attività con ottime prestazioni diminuisce, le viene assegnato meno traffico. Questo si verifica ad esempio se i visitatori cercano informazioni diverse sul tuo sito multimediale a causo di un particolare evento oppure se le offerte speciali del fine settimana nel tuo sito retail generano risultati diversi.
Nell'illustrazione seguente viene mostrato come potrebbe comportarsi l'algoritmo durante un test con quattro esperienze:
L'illustrazione mostra come il traffico assegnato a ogni esperienza progredisca nell'acro di parecchi turni della durata dell'attività, finché non sia possibile determinare un chiaro vincitore.
Turno | Descrizione |
---|---|
![]() |
Turno di riscaldamento (0): durante il turno di riscaldamento, ogni esperienza ottiene pari ripartizione del traffico fino a quando ogni esperienza in attività ha un minimo di 1.000 visitatori e 50 conversioni.
Solo due esperienze progrediscono al turno successivo: D e C. Progredire significa che alle due esperienze è assegnato l’80% del traffico equamente, mentre le altre due esperienze continuano a partecipare ma con solo il 20% dell’allocazione casuale del traffico generato da nuovi visitatori che accedono all’attività. Tutte le allocazioni vengono aggiornate ogni ora (mostrato in alto per turni lungo l'asse x). Dopo ogni turno, i dati cumulativi vengono confrontati. |
![]() |
Turno 1: durante questo turno, l’80% di traffico è assegnato alle esperienze C e D (40% ciascuna). Il 20% del traffico viene assegnato in modo casuale alle esperienze A, B, C e D (5% ciascuna). Durante questo turno, l'esperienza A registra buoni risultati.
|
![]() |
Turno 2: durante questo turno, l’80% del traffico è assegnato alle esperienze A e D (40% ciascuna). Il 20% del traffico è allocato in modo casuale, quindi A, B, C e D ricevono rispettivamente il 5% del traffico. Durante questo turno, l’esperienza B registra buoni risultati.
|
![]() |
Turno 3: durante questo turno, l’80% di traffico è assegnato alle esperienze B e D (40% ciascuna). Il 20% del traffico è allocato in modo casuale, quindi A, B, C e D ricevono rispettivamente il 5% del traffico. Durante questo turno, l'esperienza D continua a fornire buoni risultati, così come l'esperienza C.
|
![]() |
Turno 4: durante questo turno, l’80% di traffico è assegnato alle esperienze C e D (40% ciascuna). Il 20% del traffico è allocato in modo casuale, quindi A, B, C e D ricevono rispettivamente il 5% del traffico. Durante questo turno, l'esperienza C risulta avere buone prestazioni.
|
![]() |
Turno n: mentre l'attività progredisce, inizia a emergere un'esperienza con prestazioni elevate e il processo continua fino a individuare un'esperienza vincente. Quando l’intervallo di confidenza dell’esperienza con il tasso di conversione più elevato non si sovrappone all’intervallo di confidenza di qualsiasi altra esperienza, questa viene contrassegnata come vincitrice e un badge compare nella pagina dell’attività e nell’elenco Attività.
Importante: se scegliessi manualmente un vincitore in una fase precedente del processo, rischieresti di scegliere l’esperienza sbagliata. Per questo motivo, è consigliabile attendere che l’algoritmo determini l’esperienza vincente. |
Se un'attività ha solo due esperienze, entrambe ottengono lo stesso traffico fino a quando Target non trova un'esperienza vincente con un livello di confidenza del 75%. A quel punto, 2/3 del traffico è assegnato al vincitore e 1/3 al perdente. In seguito, quando un'esperienza raggiunge un livello di confidenza del 95%, il 90% del traffico viene assegnato al vincitore e il 10% al perdente. Manteniamo sempre un certo traffico che viene inviato all'esperienza "perdente" per evitare falsi positivi nel lungo periodo (ossia mantenere qualche esplorazione).
Dopo l'attivazione di un'attività Auto-Allocate, non sono consentite le seguenti operazioni dall'interfaccia utente:
Per ulteriori informazioni, vedere Allocazione automatica può fornire risultati di test più rapidi e ricavi più alti rispetto a un test manuale
La funzione Allocazione automatica funziona con una sola impostazione di metriche avanzate: Incrementa il conteggio e mantieni l’utente nell’attività
Le seguenti impostazioni di metriche avanzate non sono supportate: “Incrementa il conteggio, rilascia l’utente e consenti nuovo accesso” e “Incrementa il conteggio, rilascia l’utente e impedisci nuovo accesso”.
I visitatori di ritorno frequenti possono gonfiare i tassi di conversione dell’esperienza.
Se un visitatore che vede l’esperienza A torna frequentemente e la sua conversione si verifica più volte, il tasso di conversione (CR) dell’esperienza A aumenta artificialmente. Confronta con questo caso con l’esperienza B, dove si verifica la conversione dei visitatori ma questi non tornano spesso. Di conseguenza, il tasso di conversione di A sembra migliore rispetto al tasso di conversione di B, e i nuovi visitatori hanno quindi maggiori probabilità di essere assegnati ad A anziché a B. Se scegli di eseguire il conteggio una volta per partecipante, il tasso di conversione di A e quello di B potrebbero risultare identici.
Se i visitatori di ritorno sono distribuiti in modo casuale, è più probabile che il loro effetto sui tassi di conversione venga mitigato. Per attenuare questo effetto, è consigliabile modificare il metodo di conteggio della metrica obiettivo per conteggiare ogni partecipante una sola volta.
Differenzia fra esperienze con prestazioni elevate, non fra quelle con prestazioni inferiori.
La funzione Allocazione automatica è in grado di distinguere tra le esperienze dalle prestazioni migliori (e trovare un vincitore). Ci potrebbero essere momenti in cui non vi è abbastanza differenziazione tra le esperienze con prestazioni inferiori.
Se desideri produrre una differenziazione statisticamente significativa tra tutte le esperienze, considera l'utilizzo della modalità di Allocazione traffico manuale.
I tassi di conversione correlati al tempo (o contestualmente variabili) possono distorcere le proporzioni di allocazione.
Alcuni fattori che possono essere ignorati durante un test A/B standard perché influiscono ugualmente su tutte le esperienze non possono essere ignorati in un test di Allocazione automatica. L'algoritmo è sensibile ai tassi di conversione osservati. Di seguito sono riportati alcuni esempi di fattori che possono influenzare le prestazioni dell'esperienza in modo disuguale:
Esperienze con rilevanza contestuale (fattore temporale, posizione, genere, ecc.) variabile.
Ad esempio:
Queste situazioni possono sfalsare i risultati di un test di Allocazione automatica più che quelli di un test A/B, perché il test A/B analizza i risultati su un periodo più lungo.
Esperienze con ritardi diversi nella conversione possono essere dovute all’urgenza del messaggio.
Ad esempio, “i saldi al 30% finiscono oggi” incita il visitatore ad eseguire oggi stesso la conversione, mentre “50% di sconto sul primo acquisto” non crea lo stesso senso di urgenza.
Consultate le seguenti domande frequenti e risposte durante l'utilizzo delle attività di Allocazione automatica:
Sì. Per ulteriori informazioni, consultate Supporto di Analytics per Target (A4T) per le attività di allocazione automatica in Creazione di attività.
No. Solo i nuovi visitatori vengono allocati automaticamente. I visitatori di ritorno continuano a vedere la loro esperienza originale. Questo protegge la validità del test A/B.
L’algoritmo garantisce un'affidabilità del 95% o un tasso di falsa positività del 5% se si attende che appaia il badge del vincitore.
L’algoritmo inizia a funzionare dopo che tutte le esperienze nell’attività hanno un minimo di 1.000 visitatori e 50 conversioni.
L’80% del traffico viene servito con Allocazione automatica e il 20% del traffico viene servito in modo casuale. Quando viene identificato un vincitore, a tutto l'80% del traffico viene veicolata l’esperienza vincente, mentre tutte le esperienze continuano a ricevere un certo traffico come parte del 20%, compresa quella vincente.
Sì. Con un approccio di tipo slot machine, almeno il 20% del traffico è riservato all’esplorazione di modifiche nei pattern o nei tassi di conversione in tutte le esperienze.
Fintanto che tutte le esperienze ottimizzate avranno ritardi simili, il comportamento è lo stesso di un'attività con un ciclo di conversione più veloce. Tuttavia sarà necessario più tempo per raggiungere la soglia di 50 conversiono superata la quale inizierà il processo di allocazione del traffico.
La funzione Personalizzazione automatizzata utilizza gli attributi del profilo di ogni visitatore per determinare l'esperienza migliore. In tal modo, non solo ottimizza, ma personalizza anche l’attività per quell’utente.
La funzione Allocazione automatica, invece, è un test A/B che produce un vincitore aggregato (l’esperienza più popolare, ma non necessariamente più efficace per ogni visitatore).
Attualmente, la logica favorisce i visitatori che si convertono rapidamente o che effettuano visite frequenti. Questo perché tali visitatori aumentano temporaneamente il tasso di conversione complessivo dell’esperienza a cui appartengono. L’algoritmo si regola frequentemente, quindi l’aumento del tasso di conversione viene amplificato in ogni istantanea. Se il sito riceve molti di visitatori di ritorno, le loro conversioni possono potenzialmente aumentare il tasso di conversione globale per l’esperienza a cui appartengono. C'è una buona probabilità che i visitatori di ritorno siano distribuiti in modo casuale, nel qual caso l’effetto aggregato (aumento dell’incremento) è mitigato. Per attenuare questo effetto, è consigliabile modificare il metodo di conteggio della metrica di sucesso per conteggiare ogni partecipante una sola volta.
È possibile utilizzare la calcolatrice delle dimensioni del campione esistente per ottenere una stima del periodo di esecuzione del test. (Come per i test A/B tradizionali, applicate la correzione Bonferroni se state eseguendo il test su più offerte o più di una metrica/ipotesi di conversione.) Si noti che questo calcolatore è progettato per i test A/B tradizionali a orizzonte fisso e fornisce solo una stima. L'utilizzo del calcolatore per un'attività di allocazione automatica è facoltativo perché Auto-Allocate indicherà un vincitore. Non è necessario scegliere un punto fisso per esaminare i risultati del test. I valori forniti sono sempre statisticamente validi. Nei nostri esperimenti, abbiamo scoperto quanto segue:
Non c'è davvero motivo di rimuovere un'esperienza meno performante. La funzione Auto-Allocate (Allocazione automatica) consente di distribuire automaticamente esperienze ad alte prestazioni con maggiore frequenza e di distribuire esperienze meno spesso con prestazioni ridotte. Lasciare un'esperienza con prestazioni inferiori nell'attività non influirà in modo significativo sulla velocità di determinazione del vincitore.
Il 20% dei visitatori viene assegnato in modo casuale attraverso tutte le esperienze. Il traffico servito a un'esperienza con prestazioni inferiori è minimo (20% diviso per il numero di esperienze).
Non è consigliabile modificare la metrica obiettivo a metà di un'attività. Sebbene sia possibile modificare la metrica di obiettivo durante un'attività utilizzando l'interfaccia utente Target, è comunque necessario avviare sempre una nuova attività. Non garantiamo cosa accade se si modifica la metrica di obiettivo in un'attività dopo che è in esecuzione.
Questa raccomandazione si applica alle attività Auto-Allocate, Auto-Target e Automated Personalization che utilizzano Target o Analytics (A4T) come origine di reporting.
Non è consigliabile utilizzare l'opzione Reimposta dati rapporto per le attività Allocazione automatica. Anche se rimuove i dati di reporting visibili, questa opzione non rimuove tutti i record di formazione dal modello Allocazione automatica. Invece di utilizzare l'opzione Reimposta dati rapporto per le attività Allocazione automatica, create una nuova attività e disattivate l'attività originale. (Nota: Questa guida si applica anche alle attività Auto-Target e Automated Personalization.
Auto- Allocatebuild modelli in base al comportamento di traffico e conversione registrato solo nell'ambiente predefinito. Per impostazione predefinita, Production è l'ambiente predefinito, ma può essere modificato in Target Administration > Environment.
Se si verifica un hit in un altro ambiente (non predefinito), il traffico verrà distribuito in base al comportamento di conversione osservato nell'ambiente predefinito. Il risultato di tale hit (conversione o non conversione) verrà registrato a fini di reporting ma non verrà preso in considerazione nel modello Auto-Allocate.
Quando si seleziona un altro ambiente, il rapporto mostra il traffico e le conversioni per tale ambiente. L'ambiente selezionato predefinito per un report sarà sempre l'impostazione predefinita a livello di account selezionata. L'ambiente predefinito non può essere impostato per attività.
I video seguenti contengono ulteriori informazioni sui concetti descritti in questo articolo.
Questo video include informazioni su come impostare l'allocazione del traffico.
In questo video viene illustrato come creare un test A/A utilizzando il flusso di lavoro guidato in tre passaggi di Target. L’allocazione automatica del traffico è trattata a partire dal minuto 4:45.