Automatisches Targeting Aktivitäten in Adobe Target Verwenden Sie das erweiterte maschinelle Lernen, um aus mehreren leistungsstarken Erlebnissen mit Marketingexperten auszuwählen, um Inhalte zu personalisieren und Konversionen zu fördern. Beim automatischen Targeting wird jedem Besucher basierend auf dem individuellen Kundenprofil und dem Verhalten vorheriger Besucher mit ähnlichen Profilen das am besten angepasste Erlebnis bereitgestellt.
Automatisches Targeting ist als Teil der Target Premium-Lösung verfügbar. Diese Funktion ist in Target Standard nicht ohne eine Target Premium-Lizenz verfügbar. Weitere Informationen zu den erweiterten Funktionen dieser Lizenz finden Sie unter Target Premium.
Analytics for Target (A4T) unterstützt Automatisches Targeting Aktivitäten. Weitere Informationen finden Sie unter A4T-Unterstützung für automatische Zuordnungs- und automatische Targeting-Aktivitäten.
Ein großer Bekleidungshändler verwendete kürzlich eine Automatisches Targeting Aktivität mit zehn kategoriebasierten Erlebnissen (plus zufallsbasierter Kontrolle), um jedem Besucher den richtigen Inhalt bereitzustellen. "Zum Warenkorb hinzufügenwurde als primäre Optimierungsmetrik ausgewählt. Die zielgerichteten Erlebnisse stiegen im Durchschnitt um 29,09 %. Nach dem Erstellen der Automatisches Targeting -Modellen wurde die Aktivität auf 90 % personalisierte Erlebnisse festgelegt.
In nur zehn Tagen wurde eine Steigerung von über 1.700.000 Dollar erreicht.
Lesen, um zu erfahren, wie Sie Automatisches Targeting , um die Steigerung und den Umsatz Ihrer Organisation zu steigern.
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 reserviert Automatisches 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.
Bei der Verwendung von Automatisches Targeting:
Es ist nicht möglich, eine bestimmte Aktivität von Automatisches Targeting nach Automated Personalization und umgekehrt.
Sie können nicht von der manuellen Traffic-Zuordnung (herkömmlicher A/B-Test) zu Automatisches Targetingund umgekehrt, nachdem eine Aktivität live 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 ermitteln. Dieses Modell berücksichtigt nur Treffer und Konversionen in der Standardumgebung.
Der Traffic aus einem zweiten Satz von Modellen wird für jede Modellgruppe (AP) oder jedes Erlebnis (AT) erstellt. Für jedes dieser Modelle werden Treffer und Konversionen in allen Umgebungen berücksichtigt.
Anforderungen werden unabhängig von der Umgebung mit demselben Modell bedient, aber die Mehrzahl des Traffics sollte aus der Standardumgebung stammen, um sicherzustellen, dass das identifizierte insgesamt erfolgreichste Erlebnis mit dem realen Verhalten übereinstimmt.
Verwenden Sie mindestens zwei Erlebnisse.
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. In der Datenwissenschaft ist es eine Ensemble-Classification oder Regressionsmethode, die funktioniert, indem sie viele Entscheidungsbäume basierend auf Besuchern- und Besuchsattributen 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. |
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 im Automated Personalization-System ist eine Klassifizierungs- oder Regressionsmethode, die durch die Erstellung einer Vielzahl von Entscheidungsbäumen während des Trainings funktioniert. |
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 Target-Personalisierungsalgorithmen erfassen automatisch verschiedene Daten. |
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:
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 |
|
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 Sie im Gegenzug für die Personalisierung eines größeren Teils Ihres Traffics weniger präzise sind, was genau die Steigerung 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 |
|
Zuordnung anpassen | Teilen Sie den Prozentsatz nach Bedarf manuell auf. |
|
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.
Es gibt verschiedene Szenarien, in denen Sie möglicherweise Automatisches Targeting anstatt „Automatisierte Personalisierung“ verwenden möchten:
Der Algorithmus optimiert für ein erfolgreiches Resultat jedes Besuchs.
Der Algorithmus passt sich an Änderungen im Besucherverhalten an.
Der Algorithmus optimiert kontinuierlich für eine einzige Zielmetrik.
Target sammelt automatisch Informationen über Besucher, um Personalisierungsmodelle zu erstellen.
Target verwendet automatisch alle von Experience Cloud gemeinsam genutzten Zielgruppen, um diese Personalisierungsmodelle zu erstellen.
Marketer können für die Erstellung von Personalisierungsmodellen Offline-Daten, Propensity Scores oder andere benutzerdefinierte Daten hochladen.
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:
Für das automatische Targeting ist ein kompletter Satz von Setup-Funktionen vorhanden.
Für automatisches Targeting gibt es ein umfangreiches Framework für Online-Tests.
Weitere Informationen finden Sie unter Zusammenfassender Bericht zu „Automatisches Targeting“ im Abschnitt Berichte.
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: