Premium

Información general sobre la segmentación automática

Segmentación automática actividades en Adobe Target utilice aprendizaje automático avanzado para seleccionar entre varias experiencias de alto rendimiento definidas por expertos en marketing para personalizar el contenido y dirigir las conversiones. Segmentación automática ofrece a cada visitante la experiencia más adaptada en función del perfil de cada cliente y del comportamiento de los visitantes anteriores con perfiles similares.

NOTA

Caso de éxito real con segmentación automática

Un importante minorista de ropa recientemente utilizó un Segmentación automática actividad con diez experiencias basadas en categorías de productos (además de control aleatorio) para ofrecer el contenido adecuado a cada visitante. "Añadir al carro" se eligió como métrica de optimización principal. Las experiencias segmentadas tuvieron un alza media del 29,09 %. Después de crear la variable Segmentación automática modelos, la actividad se estableció en experiencias personalizadas al 90 %.

En solo diez días, se lograron más de 1.700.000 dólares en alza.

Siga leyendo para aprender a utilizar Segmentación automática para aumentar el alza y los ingresos de su organización.

Información general

While creación de una actividad A/B mediante el flujo de trabajo guiado de tres pasos, elija el Segmentación automática para experiencias personalizadas opción en la Segmentación página (paso 2).

Opción de segmentación automática para experiencias personalizadas

La opción de segmentación automática dentro del flujo de actividad A/B le permite aprovechar el aprendizaje automático para personalizar en un solo clic basándose en un conjunto de experiencias definidas por el especialista en marketing. Segmentación automática está diseñado para ofrecer la máxima optimización, en comparación con las pruebas A/B tradicionales o Asignación automática, determinando qué experiencia mostrar para cada visitante. A diferencia de una actividad A/B en la que el objetivo es encontrar un único ganador, Segmentación automática determina automáticamente la mejor experiencia para un visitante determinado. La mejor experiencia se basa en el perfil del visitante y otra información contextual para ofrecer una experiencia altamente personalizada.

De forma similar a Automated Personalization, Segmentación automática utiliza un Algoritmo de bosque aleatorio, un método puntero de ensamblado de la ciencia de datos, para determinar la mejor experiencia para mostrar a un visitante. Porque Segmentación automática se pueden adaptar a los cambios en el comportamiento de los visitantes, pero pueden ejecutarse de forma perpetua para proporcionar un aumento. Este método a veces se denomina modo "siempre-activo".

Al contrario que en una actividad A/B, en la que la asignación de experiencias para un visitante dado es fija, la segmentación automática optimiza el objetivo comercial especificado en cada visita. Al igual que en la Personalización automática, la segmentación automática, de forma predeterminada, reserva parte del tráfico de la actividad como grupo de control para medir el aumento. A los visitantes del grupo de control se les sirve una experiencia aleatoria en la actividad.

Consideraciones

Hay algunas consideraciones importantes que se deben tener en cuenta al utilizar Segmentación automática:

  • No puede cambiar una actividad específica de Segmentación automática hasta Automated Personalization, y en sentido contrario.

  • No puede cambiar de Manual asignación de tráfico (tradicional) Prueba A/B) a Segmentación automáticay al contrario después de guardar una actividad como borrador.

  • Un modelo se crea para identificar el rendimiento de la estrategia personalizada en comparación con el tráfico servido aleatoriamente en lugar de enviar todo el tráfico a la experiencia ganadora general. Este modelo considera las visitas y conversiones solo en el entorno predeterminado.

    El tráfico de un segundo conjunto de modelos se crea para cada grupo de modelado (AP) o experiencia (AT). Para cada uno de estos modelos, se tienen en cuenta las visitas y conversiones en todos los entornos.

    Las solicitudes se atienden con el mismo modelo, independientemente del entorno, pero la pluralidad del tráfico debe provenir del entorno predeterminado para garantizar que la experiencia ganadora general identificada sea coherente con el comportamiento en el mundo real.

  • Utilice un mínimo de dos experiencias.

Terminología

Los siguientes términos pueden resultar útiles al tratar el tema de la segmentación automática:

Término Definición
Multi-armed bandit Un método multi-armed bandit en la optimización equilibra el aprendizaje de exploración y la explotación de dicho aprendizaje.
Bosque aleatorio El bosque aleatorio es una solución pionera de aprendizaje automático. En términos de ciencia de datos, se trata de una clasificación de conjunto, o método de regresión, que funciona mediante la construcción de muchos árboles de decisión basados en los atributos del visitante y la visita. En Target, el bosque aleatorio se utiliza para determinar qué experiencia se espera que tenga la mayor probabilidad de conversión (o los mayores ingresos por visita) para cada visitante específico.
Muestreo Thompson El objetivo del muestreo Thompson es determinar qué experiencia es la mejor globalmente (sin personalizar), al mismo tiempo que se minimiza el "coste" de encontrar esa experiencia. El muestreo Thompson siempre selecciona un ganador, aunque no haya diferencias estadísticas entre las dos experiencias.

Cómo funciona la segmentación automática

Obtenga más información acerca de los datos y algoritmos detrás de la segmentación automática y la Personalización automatizada en los siguientes vínculos:

Término Detalles
Algoritmo de bosque aleatorio TargetAlgoritmo de personalización principal de se utiliza en ambos Segmentación automática y Automated Personalization es bosque aleatorio. Los métodos de ensamblado, como el bosque aleatorio, utilizan varios algoritmos de aprendizaje para obtener un mejor rendimiento predictivo que el que se podría obtener de cualquiera de los algoritmos de aprendizaje constituyentes. Algoritmo de bosque aleatorio en Automated Personalization y Segmentación automática actividades es un método de clasificación, o regresión, que opera mediante la construcción de una multitud de árboles de decisión en el momento del entrenamiento.
Carga de datos para TargetAlgoritmos de personalización de Hay varias formas de introducir datos para los modelos de Segmentación automática y Personalización automatizada.
Recopilación de datos para TargetAlgoritmos de personalización de TargetLos algoritmos de personalización de recopilan automáticamente varios datos.

Determinación de la asignación de tráfico.

Dependiendo del objetivo de su actividad, puede elegir una asignación de tráfico diferente entre control y experiencias personalizadas. Lo mejor es determinar este objetivo antes de realizar su actividad en vivo.

La lista desplegable Asignación personalizada le permite elegir entre las siguientes opciones:

  • Evaluar el Algoritmo de personalización
  • Maximice el tráfico de personalización
  • Asignación personalizada

Lista desplegable Objetivo de asignación

Objetivo de la actividad Asignación de tráfico sugerida Compensaciones
Evaluar el algoritmo de personalización (50/50): Si su objetivo es probar el algoritmo, utilice una división del 50/50 por ciento de los visitantes entre el control y el algoritmo seleccionado. Esta división proporciona la estimación más precisa del alza. Se sugiere usar con "experiencias aleatorias" como control. 50 % de control/50 % de experiencia personalizada dividida
  • Maximiza la precisión del aumento entre el control y el personalizado
  • Relativamente menos visitantes tienen una experiencia personalizada
Maximización del tráfico de personalización (90/10): Si su objetivo es crear una actividad "siempre activada", ponga el 10 % de los visitantes en el control para asegurarse de que haya suficientes datos para que los algoritmos continúen aprendiendo a lo largo del tiempo. La compensación aquí es que, a cambio de personalizar una mayor proporción de su tráfico, tiene menos precisión en la estimación del alza. Independientemente del objetivo, esta es la división de tráfico recomendada al usar una experiencia específica como control. Lo mejor es usar una división de Experiencia personalizada del 10 % - 30 %/70 % - 90 %
  • Maximiza el número de visitantes que tienen una experiencia personalizada
  • Maximiza el alza
  • Menos precisión en cuanto a lo que significa el aumento para la actividad
Asignación personalizada Divida manualmente el porcentaje según lo desee.
  • Puede que no consiga los resultados deseados. Si no está seguro, siga las sugerencias de cualquiera de las opciones anteriores

Para ajustar el Control porcentaje, haga clic en los iconos de la Asignación columna. No se puede reducir el grupo de control por debajo del 10 %.

Cambiar la asignación del tráfico de segmentación automática

Puede seleccionar una experiencia específica para utilizarla como control o utilizar la opción de experiencia aleatoria.

¿Cuándo debe elegir Segmentación automática sobre Automated Personalization?

Hay varios escenarios en los que puede preferir utilizar Segmentación automática sobre Automated Personalization:

  • Si desea definir la experiencia completa y no ofertas individuales que se combinan automáticamente para formar una experiencia.
  • Si desea utilizar el conjunto completo de Compositor de experiencias visuales Funciones de (VEC) no compatibles con Personalización automática: el editor de código personalizado, las audiencias de experiencia múltiple y más.
  • Si desea realizar cambios estructurales en su página en diferentes experiencias. Por ejemplo, si desea reorganizar los elementos de la página principal, Segmentación automática es más apropiado utilizar que Automated Personalization.

¿Qué hace Segmentación automática tienen en común con Automated Personalization?

El algoritmo se optimiza para lograr un resultado positivo en cada visita.

  • El algoritmo predice la tendencia de un visitante a la conversión (o los ingresos estimados procedentes de la conversión) para ofrecer la mejor experiencia.
  • Un visitante es elegible para una nueva experiencia al final de una sesión existente (a menos que el visitante esté en el grupo de control, en cuyo caso la experiencia que se asigna a ese visitante en la primera visita permanece igual para las visitas posteriores).
  • En una sesión, la predicción no cambia para mantener la coherencia visual.

El algoritmo se adapta a los cambios de comportamiento de los visitantes.

  • El método multi-armed bandit garantiza que el modelo siempre "gasta" una pequeña fracción del tráfico para seguir aprendiendo a lo largo de la vida de la actividad y para evitar la sobreexplotación de las tendencias aprendidas anteriormente.
  • Los modelos subyacentes se reconstruyen cada 24 horas utilizando los datos de comportamiento del visitante más recientes para garantizar que Target siempre aprovecha los cambios en las preferencias de los visitantes.
  • Si el algoritmo no es capaz de determinar experiencias ganadoras para usuarios individuales, pasa automáticamente a mostrar la experiencia con mejor rendimiento general, sin dejar por ello de buscar ganadores personalizados. La experiencia con mejor rendimiento se determina empleando Muestreo Thompson.

El algoritmo se optimiza continuamente para lograr una única métrica de objetivos.

  • Esta métrica puede estar basada en conversiones o en ingresos (o, mejor dicho, en Ingresos por visita).

Target recopila automáticamente información sobre los visitantes para crear los modelos de personalización.

Target utiliza automáticamente todasAdobe Experience Cloud las audiencias compartidas por para crear los modelos de personalización.

  • No es necesario que haga nada para agregar audiencias al modelo. Para obtener información sobre el uso de Experience Cloud Audiences con Target, consulte Audiencias de Experience Cloud.

Los expertos en marketing pueden cargar datos sin conexión, puntuaciones de inclinación u otros datos personalizados para crear modelos de personalización.

¿Cómo Segmentación automática diferir de Automated Personalization?

La segmentación automática requiere frecuentemente menos tráfico que la personalización automatizada para crear un modelo personalizado.

Aunque la cantidad de tráfico por experiencia requerida para los modelos de segmentación automática o personalización automática para compilar es la misma, usualmente hay más experiencias en una actividad de personalización automatizada que una actividad de segmentación automática.

Por ejemplo, si tuviera un Personalización automática actividad en la que ha creado dos ofertas por ubicación con dos ubicaciones, habría cuatro (2 = 4) experiencias totales incluidas en la actividad (sin exclusiones). Utilizando la segmentación automática, puede configurar la experiencia 1 para incluir la oferta 1 en la ubicación 1 y la oferta 2 en la ubicación 2, y la experiencia 2 para incluir la oferta 1 en la ubicación 1 y la oferta 2 en la ubicación 2. Debido a que la segmentación automática le permite elegir tener múltiples cambios dentro de una experiencia, puede reducir la cantidad total de experiencias en su actividad.

Para la segmentación automática, se pueden usar reglas simples para comprender los requisitos de tráfico:

  • Cuando la conversión es su métrica de éxito: 1000 visitas y al menos 50 conversiones por día por experiencia; además, la actividad debe tener al menos 7000 visitas y 350 conversiones.
  • Cuando los ingresos por visita son su métrica de éxito: 1000 visitas y al menos 50 conversiones por día por experiencia, y además la actividad debe tener al menos 1000 conversiones por experiencia. Por lo general, el RPV requiere más datos para construir modelos debido a la mayor varianza de datos que normalmente existe en los ingresos de visita en comparación con la tasa de conversión.

La segmentación automática cuenta con una funcionalidad de configuración completa.

  • Porque Segmentación automática está incrustado en el flujo de trabajo de la actividad A/B, Segmentación automática se beneficia de los más maduros y completos Compositor de experiencias visuales (VEC). También puede utilizar Vínculos de control de calidad con Segmentación automática.

La segmentación automática proporciona un amplio marco de pruebas en línea.

  • El método multi-armed bandit forma parte de un marco de pruebas en línea más amplio que permite Adobe científicos de datos e investigadores para comprender los beneficios de sus continuas mejoras en condiciones reales.
  • En el futuro, este banco de pruebas nos permitirá abrir Adobe plataforma de aprendizaje automático para clientes expertos en datos, de modo que puedan incorporar sus propios modelos para aumentar el Target modelos.

Informes y segmentación automática

Para obtener más información, consulte Informes y segmentación automática.

Vídeo de formación: Aspectos básicos de las actividades de Segmentación automática

Este vídeo explica cómo configurar una actividad A/B de Segmentación automática.

Tras completar esta formación, debe ser capaz de:

  • Definición de las pruebas de Segmentación automática
  • Comparación y contraste entre la Segmentación automática​ y la Personalización automatizada.
  • Creación de actividades de Segmentación automática

En esta página