Premium

Automatisches Targeting – Überblick

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. Automatisches Targeting stellt jedem Besucher basierend auf dem individuellen Kundenprofil und dem Verhalten vorheriger Besucher mit ähnlichen Profilen das am besten angepasste Erlebnis bereit.

HINWEIS

Echtzeit-Erfolgsgeschichte mit Automatisches Targeting

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.

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:

Automatisches Targeting für personalisierte Erlebnisse

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 ist so konzipiert, dass im Vergleich zu herkömmlichen A/B-Tests eine maximale Optimierung erzielt wird oder Automatische Zuordnung, indem festgelegt wird, welches Erlebnis für jeden Besucher angezeigt werden soll. 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 Automated Personalization, Automatisches Targeting verwendet eine Random Forest-Algorithmus, eine führende Methode in der Datenwissenschaft, um das beste Erlebnis zu ermitteln, das einem Besucher angezeigt werden soll. 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.

Zu beachten

Bei der Verwendung von Automatisches Targeting:

  • Es ist nicht möglich, eine bestimmte Aktivität von Automatisches Targeting nach Automated Personalizationund umgekehrt.

  • Sie können nicht zwischen Manuell Traffic-Zuordnung (traditionell) A/B-Test) zu Automatisches Targetingund umgekehrt, nachdem eine Aktivität als Entwurf gespeichert wurde.

  • 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.

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. In der Datenwissenschaft ist es eine Ensemble-Classification oder Regressionsmethode, die funktioniert, indem sie viele Entscheidungsbäume basierend auf Besuchern- und Besuchsattributen erstellt. Within Targetwird Random Forest verwendet, um zu bestimmen, welches Erlebnis für jeden einzelnen Besucher die höchste Konversionswahrscheinlichkeit (oder den höchsten Umsatz pro Besuch) aufweisen soll.
Thompson Sampling Ziel des Thompson-Samplings ist es, zu ermitteln, welches Erlebnis insgesamt das beste (nicht personalisierte) Erlebnis ist, und gleichzeitig die "Kosten"für die Suche nach diesem Erlebnis zu minimieren. Das Thompson Sampling wählt immer einen Gewinner aus, auch wenn es keinen statistischen Unterschied zwischen zwei Erlebnissen gibt.

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 im Automated Personalization und Automatisches Targeting -Aktivitäten sind eine Classification- oder Regressionsmethode, die zum Zeitpunkt der Schulung durch die Erstellung einer Vielzahl von Entscheidungsbäumen arbeitet.
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.

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

Dropdown-Liste für das Zuordnungsziel

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 "zufälligen Erlebnissen"als Kontrolle empfohlen. Aufteilung: 50 % Kontrolle / 50 % personalisiertes Erlebnis
  • Maximiert die Genauigkeit der Steigerung zwischen Kontrolle und personalisiert
  • Relativ weniger Besucher verfügen über ein personalisiertes Erlebnis
Personalisierungs-Traffic 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 weiter lernen können. Beachten Sie, dass der Kompromiss hier darin besteht, dass Sie im Austausch für die Personalisierung eines größeren Teils Ihres Traffics weniger präzise wissen, 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
  • 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.

So passen Sie die Kontrolle prozentualen Anteil, klicken Sie auf die Symbole im Zuordnung Spalte. Sie dürfen die Kontrollgruppe nicht auf weniger als 10 % reduzieren.

Traffic-Zuordnung für automatisches Targeting ändern

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 Automatisches Targeting over Automated Personalization:

  • Wenn Sie anstelle von individuellen Angeboten, die zum Formen eines Erlebnisses automatisch kombiniert werden, das gesamte Erlebnis definieren.
  • Wenn Sie den vollständigen Satz von Visual Experience Composer (VEC) Funktionen, die von nicht unterstützt werden Automatisierte Personalisierung: den Editor für benutzerdefinierten Code, mehrere Erlebniszielgruppen und mehr.
  • Wenn Sie strukturelle Änderungen an Ihrer Seite in unterschiedlichen Erlebnissen vornehmen möchten. Wenn Sie beispielsweise Elemente auf Ihrer Startseite neu anordnen möchten, Automatisches Targeting ist besser geeignet als Automated Personalization.

Funktion Automatisches Targeting haben Automated Personalization?

Der Algorithmus optimiert für ein erfolgreiches Resultat jedes Besuchs.

  • Der Algorithmus prognostiziert die Neigung eines Besuchers zur Konversion (oder den geschätzten Umsatz aus Konversion), um das beste Erlebnis bereitzustellen.
  • Ein Besucher kann nach Ende einer bestehenden Sitzung für ein neues Erlebnis infrage kommen (es sei denn, der Besucher ist Mitglied der Kontrollgruppe. In diesem Fall bleibt das Erlebnis, das diesem Besucher beim ersten Besuch zugewiesen wird, bei nachfolgenden Besuchen gleich).
  • Innerhalb einer Sitzung ändert sich die Prognose nicht, um die visuelle Konsistenz zu gewährleisten.

Der Algorithmus passt sich an Änderungen im Besucherverhalten an.

  • Der "mehrarmige Bandit"stellt sicher, dass das Modell immer einen kleinen Bruchteil des Traffics "ausgibt", um während des gesamten Lebenszyklus des Aktivitätslernens weiter zu lernen und eine Übernutzung zuvor erlernter Trends zu verhindern.
  • Die zugrunde liegenden Modelle werden alle 24 Stunden anhand der neuesten Daten zum Besucherverhalten neu erstellt, um sicherzustellen, dass Target nutzt immer wechselnde Besucherpräferenzen aus.
  • 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).

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

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

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

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

Funktionsweise Automatisches Targeting unterscheidet sich von Automated Personalization?

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 eine Automatisierte Personalisierung Aktivität, in der Sie zwei Angebote pro Position mit zwei Positionen erstellt haben, wären insgesamt vier Erlebnisse (2 = 4) in der Aktivität enthalten (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.

  • weil Automatisches Targeting in den Arbeitsablauf der A/B-Aktivität eingebettet ist, Automatisches Targeting Vorteile der ausgereifteren und vollwertigen Visual Experience Composer (VEC). Sie können auch QA-Links mit Automatisches Targeting.

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

  • Der "mehrarmige Bandit"ist Teil eines größeren Online-Test-Frameworks, das Adobe Datenwissenschaftler und Forscher, um die Vorteile ihrer kontinuierlichen Verbesserungen unter realen Bedingungen zu verstehen.
  • In der Zukunft werden wir dieses Testbett öffnen können Adobe Plattform für maschinelles Lernen für datenbewusste Kunden, damit sie eigene Modelle einbringen können, um die Target Modelle.

Berichterstellung und Automatisches Targeting

Weitere Informationen finden Sie unter Berichterstellung und automatisches Targeting.

Schulungsvideo: Grundlegendes zu Aktivitäten mit automatischem Targeting Übersichtszeichen

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

Auf dieser Seite