PREMIUMAuto-Zielgruppe

Automatisches Targeting in Adobe Target verwendet fortschrittliches maschinelles Lernen, um aus mehreren leistungsstarken, von Marketingexperten definierten Erlebnissen auszuwählen, um Inhalte zu personalisieren und Konversionen zu fördern. Automatisches Targeting stellt das benutzerspezifische Erlebnis für jeden Besucher basierend auf seinem individuellen Kundenprofil und dem Verhalten voriger Besucher mit ähnlichen Profilen bereit.

Real-world success story using Auto-Zielgruppe

Ein großer Bekleidungshändler hat kürzlich eine Auto-Zielgruppe-Aktivität mit zehn produktbasierten Erlebnissen (plus zufälliger Kontrolle) verwendet, um den richtigen Inhalt für jeden Besucher bereitzustellen. "Hinzufügen zum Warenkorb"wurde als primäre Optimierungsmetrik ausgewählt. Die angestrebten Erlebnisse stiegen im Durchschnitt um 29,09 %. Nach dem Erstellen des Modells Automatische Zielgruppe wurde die Aktivität auf 90 % personalisierte Erlebnisse eingestellt.

In nur zehn Tagen wurden mehr als 1.700.000 Dollar an Steigerungen erzielt.

Lesen Sie weiter, um zu erfahren, wie Sie mit Auto-Zielgruppe die Steigerung und den Umsatz Ihres Unternehmens steigern können.

Überblick

Beim Erstellen einer A/B-Aktivität mit einem geleiteten Arbeitsablauf in drei Schritten können Sie Traffic mithilfe der Option Automatisches Targeting für personalisierte Erlebnisse zuordnen:

Mit der Option Automatisches Targeting im A/B-Aktivitätsfluss können Sie maschinelles Lernen nutzen, damit basierend auf einer Reihe von Erlebnissen, die von Marketingexperten definiert wurden, personalisiert wird. Automatisches Targeting soll im Vergleich zum herkömmlichen A/B-Test oder „Automatisch zuweisen“ eine maximale Optimierung bereitstellen, indem bestimmt wird, welches Erlebnis welchem Besucher angezeigt wird. Im Gegensatz zu einer A/B-Aktivität, bei der das Ziel darin besteht, einen einzelnen Gewinner zu finden, bestimmt Automatisches Targeting automatisch das beste Erlebnis für einen bestimmten Besucher (basierend auf seinem Profil und anderen Kontextinformationen), um ein maximal personalisiertes Erlebnis bereitzustellen.

Ähnlich wie bei der automatisierten Personalisierung verwendet Automatisches Targeting einen Random Forest-Algorithmus, eine führende Methode in der Datenwissenschaft, um das beste Erlebnis für einen Besucher zu ermitteln. Da sich Automatisches Targeting an Änderungen im Besucherverhalten anpassen kann, kann es dauerhaft ausgeführt werden, um eine Steigerung zu ermöglichen. Dies wird manchmal auch als „Always-on“-Modus bezeichnet.

Im Gegensatz zu einer A/B-Aktivität, bei der die Erlebniszuordnung an einen bestimmten Besucher gebunden ist, optimiert Automatisches Targeting das angegebene Geschäftsziel im Verlauf der einzelnen Besuche. Wie in Automatisierte Personalisierung reserviertAutomatisches Targeting standardmäßig einen Teil des Traffics der Aktivität als Kontrollgruppe zum Messen der Steigerung. Für Besucher in der Kontrollgruppe wird ein zufälliges Erlebnis in der Aktivität bereitgestellt.

Zu beachten

Bei der Verwendung von Auto-Zielgruppe sind einige wichtige Aspekte zu beachten:

• Es ist nicht möglich, eine bestimmte Aktivität von Automatisches Targeting in „Automatisierte Personalisierung“ umzuschalten und umgekehrt.

• Es ist nicht möglich, von der manuellen Traffic-Zuordnung (herkömmlicher A/B-Test) zu Automatisches Targeting und umgekehrt zu wechseln, sobald eine Aktivität aktiv ist.

• Ein Modell wird erstellt, um die Leistung der personalisierten Strategie im Vergleich zum zufällig bereitgestellten Traffic im Vergleich zum Senden des gesamten Traffics an das insgesamt erfolgreichste Erlebnis zu identifizieren. Bei diesem Modell werden Treffer und Konversionen nur in der Standard-Umgebung berücksichtigt.

  Traffic aus einem zweiten Satz von Modellen wird für jede Modellgruppe (AP) oder Erlebnis (AT) erstellt. Bei jedem dieser Modelle werden Treffer und Konversionen in allen Umgebung berücksichtigt.

  Anfragen werden daher unabhängig von der Umgebung mit demselben Modell bedient, aber die Datenverkehrsvielfalt sollte von der Standardeinstellung ausgehen, um sicherzustellen, dass das identifizierte, insgesamt erfolgreichste Erlebnis mit dem realen Verhalten in Einklang steht.

• Es müssen mindestens zwei Erlebnisse verwendet werden.

Terminologie

Bei Erörterungen zu Automatisches Targeting sind die folgenden Begriffe hilfreich:

Begriff	Definition
Multi-Armed Bandit	Die Methode „Multi-Armed Bandit“ stellt ein Gleichgewicht zwischen forschendem Lernen (Exploration) und der Verwertung der Lernergebnisse (Exploitation) her.
Random Forest	Random Forest ist ein führender Ansatz beim maschinellen Lernen. Im Datenwissenschaftlerjargon ist dies eine Ensemble-Classification- oder Regressionsmethode, die auf der Grundlage von Besuchern und Besuchsattributen eine große Anzahl von Entscheidungsbäumen erstellt. Random Forest wird von Target eingesetzt, um zu bestimmen, welches Erlebnis die höchste Wahrscheinlichkeit einer Konversion (oder den höchsten Umsatz pro Besuch) für jeden einzelnen Besucher hat. Weitere Informationen zu Random Forest in Target finden Sie unter Random Forest-Algorithmus.
Thompson Sampling	Ziel des Thompson Samplings ist es, festzustellen, welches (nicht personalisierte) Erlebnis insgesamt das beste ist, während gleichzeitig die „Kosten“ für die Auffindung dieses Erlebnisses minimiert werden. Das Thompson Sampling wählt immer einen Gewinner aus, auch wenn es keinen statistischen Unterschied zwischen zwei Erlebnissen gibt. Weitere Informationen finden Sie unter Thompson Sampling.

Funktionsweise von Automatisches Targeting

Unter den folgenden Links erhalten Sie weitere Informationen über Daten und Algorithmen, die den Funktionen Automatisches Targeting und „Automatisierte Personalisierung“ zugrunde liegen:

Begriff	Details
Random Forest-Algorithmus	Random Forest ist der wichtigste Personalisierungsalgorithmus von Target; er wird in Automatisches Targeting und „Automatisierte Personalisierung“ verwendet. Ensemble-Methoden wie Random Forest verwenden mehrere Lernalgorithmen, um eine bessere Prognoseleistung zu erzielen, als dies bei der isolierten Verwendung dieser Lernalgorithmen möglich wäre. Der Random Forest-Algorithmus des automatisierten Personalisierungssystems ist eine Classification- oder Regressionsmethode, deren Funktionsweise die Konstruktion einer Vielzahl von Entscheidungsbäumen während der Anlernzeit zugrunde liegt.
Hochladen von Daten für die Personalisierungsalgorithmen von Target	Es gibt mehrere Möglichkeiten, um Daten für die Modelle Automatisches Targeting und „Automatisierte Personalisierung“ einzugeben.
Datenerfassung für die Target-Personalisierungsalgorithmen	Die Personalisierungsalgorithmen von Target erfassen automatisch eine Vielzahl von Daten.

Bestimmen der Traffic-Zuordnung

Je nach dem Ziel Ihrer Aktivität können Sie eine unterschiedliche Traffic-Zuordnung zwischen den Kontroll- und personalisierten Erlebnissen auswählen. Es empfiehlt sich, dieses Ziel festzulegen, bevor Sie Ihre Aktivität aktivieren.

In der Dropdownliste Zuordnung anpassen können Sie aus den folgenden Optionen auswählen:

• Personalisierungsalgorithmus auswerten
• Personalisierungs-Datenverkehr maximieren
• Zuordnung anpassen

Aktivitätsziel	Vorgeschlagene Traffic-Zuordnung	Kompromisse
Personalisierungsalgorithmus auswerten (50/50): Wenn Sie den Algorithmus testen möchten, sollten Sie eine 50/50-Prozentaufteilung der Besucher zwischen dem Kontroll- und dem Zielalgorithmus verwenden. Durch diese Aufteilung erhalten Sie die genaueste Schätzung der Steigerung. Für die Verwendung mit „zufällige Erlebnisse“ als Kontrolle empfohlen.	Aufteilung: 50 % Kontrolle / 50 % personalisiertes Erlebnis	Maximiert die Genauigkeit der Steigerung zwischen Kontrolle und personalisiert Relativ gesehen erhalten weniger Besucher ein personalisiertes Erlebnis
Personalisierungs-Datenverkehr maximieren (90/10): Wenn Sie eine „Always on“-Aktivität erstellen möchten, sollten Sie 10 % der Besucher in den Kontrollbereich versetzen, um sicherzustellen, dass ausreichend Daten vorhanden sind, damit die Algorithmen mit der Zeit weiterhin lernen können. Beachten Sie, dass das Personalisieren einer größeren Traffic-Menge zur Folge hat, dass die Bestimmung der exakten Steigerung weniger präzise ist. Unabhängig von Ihrem Ziel ist dies die empfohlene Traffic-Aufteilung, wenn ein bestimmtes Erlebnis als Kontrolle verwendet wird.	Empfohlene Aufteilung: 10–30 % Kontrolle / 70–90 % personalisiertes Erlebnis	Maximiert die Anzahl der Besucher mit einem personalisierten Erlebnis Maximiert die Steigerung Weniger Genauigkeit in Bezug darauf, wofür die Steigerung für die Aktivität dient
Zuordnung anpassen	Teilen Sie den Prozentsatz nach Bedarf manuell auf.	Es kann sein, dass Sie nicht die gewünschten Ergebnisse erzielen. Wenn Sie unsicher sind, sollten Sie jeweils die Vorschläge der vorangegangenen Optionen befolgen.

Um den Krontrollprozentsatz anzupassen, klicken Sie auf die Symbole in der Zuordnungsspalte. Sie dürfen die Kontrollgruppe nicht auf weniger als 10 % reduzieren.

Sie können ein bestimmtes Erlebnis auswählen, das als Kontrolle verwendet werden soll, oder die Option „Zufälliges Erlebnis“ verwenden.

Wann sollte Automatisches Targeting anstelle von „Automatisierte Personalisierung“ gewählt werden?

Es gibt verschiedene Szenarien, in denen Sie möglicherweise Automatisches Targeting anstatt „Automatisierte Personalisierung“ verwenden möchten:

• Wenn Sie anstelle von individuellen Angeboten, die zum Formen eines Erlebnisses automatisch kombiniert werden, das gesamte Erlebnis definieren.
• Wenn Sie den vollständigen Satz der Visual Experience Composer-Funktionen (VEC) nutzen möchten, die von Automatisierte Personalisierung nicht unterstützt werden: benutzerdefinierter Code-Editor, mehrere Erlebniszielgruppen und mehr.
• Wenn Sie strukturelle Änderungen an Ihrer Seite in unterschiedlichen Erlebnissen vornehmen möchten. Wenn Sie beispielsweise die Reihenfolge der Elemente auf Ihrer Startseite neu anordnen möchten, empfiehlt sich eher die Verwendung von Automatisches Targeting als die Verwendung von „Automatisierte Personalisierung“.

Was hat Automatisches Targeting mit „Automatisierte Personalisierung“ gemeinsam?

Der Algorithmus optimiert für ein erfolgreiches Resultat jedes Besuchs.

• Der Algorithmus prognostiziert die Neigung eines Besuchers zur Konversion (oder den voraussichtlichen Erlös aus einer Konversion), um das beste Erlebnis bereitzustellen.
• Ein Besucher ist am Ende einer bestehenden Sitzung für ein neues Erlebnis berechtigt (sofern sich der Besucher nicht in der Kontrollgruppe befindet; in diesem Fall wird diesem Besucher bei nachfolgenden Besuchen weiterhin dasselbe Erlebnis bereitgestellt, das ihm beim ersten Besuch zugewiesen wurde).
• Innerhalb einer Sitzung ändert sich die Prognose nicht, damit die Beständigkeit der angezeigten Darstellung nicht beeinträchtigt wird.

Der Algorithmus passt sich an Änderungen im Besucherverhalten an.

• Multi-Armed Bandit gewährleistet, dass das Modell immer einen kleinen Anteil des Traffics darauf verwendet, während des gesamten Lebenszyklus der Aktivität weiter zu lernen, um so eine Übernutzung der zuvor erlernten Trends zu verhindern.
• Die zugrunde liegenden Modelle werden alle 24 Stunden anhand der neuesten Daten zum Besucherverhalten überholt, um sicherzustellen, dass Target bei wechselnden Besucherpräferenzen immer auf dem neuesten Stand bleibt.
• Wenn der Algorithmus keine Gewinnererlebnisse für Einzelpersonen bestimmen kann, wechselt er automatisch zur Anzeige des Erlebnisses mit der besten Gesamtleistung und sucht weiterhin nach personalisierten Gewinnern. Das Erlebnis mit der besten Leistung wird mithilfe des Thompson-Samplings gefunden.

Der Algorithmus optimiert kontinuierlich für eine einzige Zielmetrik.

• Diese Metrik kann auf Konversionen oder Umsätzen (genauer gesagt: Umsatz pro Besuch) basieren.

Target sammelt automatisch Informationen über Besucher, um Personalisierungsmodelle zu erstellen.

• Weitere Informationen zu den bei Automatisches Targeting und „Automatisierte Personalisierung“ verwendeten Parametern finden Sie unter Datenerfassung bei „Automatisierte Personalisierung“.

Target verwendet automatisch alle von Experience Cloud gemeinsam genutzten Zielgruppen, um diese Personalisierungsmodelle zu erstellen.

• Um Zielgruppen zu dem Modell hinzuzufügen, sind Ihrerseits keine besonderen Aktivitäten erforderlich. Informationen zum Verwenden von Experience Cloud-Zielgruppen mit Target finden Sie unter Experience Cloud Audiences

Marketer können für die Erstellung von Personalisierungsmodellen Offline-Daten, Propensity Scores oder andere benutzerdefinierte Daten hochladen.

• Weitere Informationen zum Hochladen von Daten für „Automatisches Targeting“ und „Automatisierte Personalisierung“.

Worin unterscheidet sich Automatisches Targeting von „Automatisierte Personalisierung“?

Für die Erstellung eines personalisierten Modells ist beim automatischen Targeting häufig weniger Traffic erforderlich als bei der automatisierten Personalisierung.

Auch wenn die zum Erstellen der Modelle Automatisches Targeting und Automatisierte Personalisierung erforderliche Traffic-Menge pro Erlebnis identisch ist, liegen in der Regel in einer Aktivität vom Typ „Automatisierte Personalisierung“ mehr Aktivitäten vor als in einer Aktivität vom Typ Automatisches Targeting. Wenn Sie beispielsweise über eine Aktivität vom Typ Automatisierte Personalisierung verfügen, in der Sie zwei Angebote pro Position mit zwei Positionen erstellen, verfügen Sie insgesamt über vier (2 = 4) in der Aktivität enthaltene Erlebnisse (ohne Ausschlüsse). Mit Automatisches Targeting können Sie festlegen, dass Erlebnis 1 Angebot 1 an Position 1 und Angebot 2 an Position 2 einbezieht und dass Erlebnis 2 Angebot 1 an Position 1 und Angebot 2 an Position 2 einbezieht. Da Ihnen Automatisches Targeting ermöglicht auszuwählen, dass Sie über mehrere Änderungen in einem Erlebnis verfügen möchten, können Sie die Anzahl der Gesamterlebnisse in Ihrer Aktivität reduzieren.

Für Automatisches Targeting können einfache Faustregeln zum Nachvollziehen der Traffic-Anforderungen verwendet werden:

• Wenn „Konversion“ Ihre Erfolgsmetrik ist: 1.000 Besuche und mindestens 50 Konversionen pro Tag pro Erlebnis. Zusätzlich muss die Aktivität über mindestens 7.000 Besuche und 350 Konversionen verfügen.
• Wenn „Umsatz pro Besuch“ Ihre Erfolgsmetrik ist: 1.000 Besuche und mindestens 50 Konversionen pro Tag pro Erlebnis. Zusätzlich muss die Aktivität über mindestens 1.000 Konversionen pro Erlebnis verfügen. Für „Umsatz pro Besuch (RPV)“ sind aufgrund der höheren Datenvarianz, die im Vergleich zur Konversionsrate für gewöhnlich im Besuchsumsatz vorhanden ist, in der Regel mehr Daten zum Erstellen von Modellen erforderlich.

Für das automatische Targeting ist ein kompletter Satz von Setup-Funktionen vorhanden.

• Da Automatisches Targeting im Arbeitsablauf einer A/B-Aktivität eingebettet wird, profitiert Automatisches Targeting vom ausgereiften und bewährten Visual Experience Composer (VEC). QS-Links können ebenfalls mit Automatisches Targeting genutzt werden.

Für automatisches Targeting gibt es ein umfangreiches Framework für Online-Tests.

• Der „mehrarmige Bandit“ ist Bestandteil eines größeren Online-Test-Frameworks, das es unseren Datenwissenschaftlern und Forschern erlaubt, die Resultate ihrer kontinuierlichen Verbesserungen unter Praxisbedingungen zu untersuchen.
• Künftig ermöglicht uns diese Testumgebung, unseren datenaffinen Kunden unsere maschinelle Lernplattform bereitzustellen, damit diese ihre eigenen Modelle einbringen und so die in Target vorhandenen Modelle noch ergänzen können.

Berichterstellung und Automatisches Targeting

Weitere Informationen finden Sie unter Zusammenfassender Bericht zu „Automatisches Targeting“ im Abschnitt Berichte.

Schulungsvideo: Die Aktivitäten für die automatische Zielgruppe

In diesem Video wird die Einrichtung einer A/B-Aktivität für Automatisches Targeting beschrieben.

Nach Abschluss dieser Schulung sollten Sie zu Folgendem in der Lage sein:

• Definieren von Tests zu Automatisches Targeting
• Vergleichen und Kontrahieren von Automatisches Targeting mit „Automatisierte Personalisierung“
• Erstellen von Aktivitäten für Automatisches Targeting