PREMIUMAuto-Target

Le attività di Targeting automatico in Adobe Target utilizzano l’apprendimento automatico avanzato per selezionare tra più esperienze ad alte prestazioni definite dall’addetto al marketing al fine di personalizzare i contenuti e favorire le conversioni. La funzione Targeting automatico fornisce a ogni visitatore l’esperienza più personalizzata in base al profilo del singolo cliente e al comportamento dei visitatori precedenti con profili simili.

Successo nel mondo reale tramite Targeting automatico

Un grande rivenditore di abbigliamento ha recentemente utilizzato un’attività di Targeting automatico con dieci esperienze basate su categorie di prodotti (più controllo casuale) per fornire il contenuto giusto a ciascun visitatore. "Aggiungi al carrello" è stato scelto come metrica di ottimizzazione primaria. Le esperienze mirate hanno registrato un incremento medio del 29,09%. Dopo aver creato i modelli Targeting automatico, l'attività è stata impostata sul 90% di esperienze personalizzate.

In soli dieci giorni, è stato raggiunto un incremento di oltre 1.700.000 dollari.

Continua a leggere per scoprire come utilizzare Targeting automatico per aumentare gli incrementi e i ricavi per la tua organizzazione.

Panoramica

Durante la creazione di un’attività A/B tramite il flusso di lavoro guidato in tre passaggi, è possibile scegliere di allocare il traffico utilizzando l’opzione Targeting automatico per esperienze personalizzate:

L’opzione di Targeting automatico all’interno del flusso di attività A/B ti consente di sfruttare l’apprendimento automatico per personalizzare in base a una serie di esperienze definite dall’esperto di marketing in un clic. La funzionalità di Targeting automatico è progettata per fornire la massima ottimizzazione, rispetto ai tradizionali test A/B o Allocazione automatica, determinando quale esperienza visualizzare per ogni visitatore. A differenza di un’attività A/B in cui la finalità è quella di trovare un singolo vincitore, il Targeting automatico determina automaticamente la migliore esperienza per uno specifico visitatore (in base al suo profilo e altre informazioni contestuali) per fornire un’esperienza altamente personalizzata.

Similmente alla Personalizzazione automatizzata, il Targeting automatico utilizza un algoritmo di Foresta casuale, uno dei principali metodi di raccolta di dati scientifici, per determinare l’esperienza migliore da mostrare ad un visitatore. Il Targeting automatico è adattabile ai cambiamenti nel comportamento del visitatore, perciò può essere eseguito perennemente per fornire un incremento. Questo a volte è indicato come modalità “sempre attiva”.

A differenza di un’attività A/B in cui l’allocazione dell’esperienza per un determinato visitatore è definitiva, il Targeting automatico ottimizza l’obiettivo di business specificato su ogni visita. Come nella Personalizzazione automatizzata, il Targeting automatico, per impostazione predefinita, riserva parte del traffico dell’attività come gruppo di controllo per misurare l’incremento. Ai visitatori del gruppo di controllo viene messa a disposizione un'esperienza casuale nell'attività.

Considerazioni

Ci sono alcune considerazioni importanti da tenere a mente quando si utilizza il Targeting automatico:

• Non puoi passare un'attività specifica da Targeting automatico ad Automated Personalization e viceversa.

• Non puoi passare dall’Allocazione manuale del traffico (test A/B tradizionale) al Targeting automatico e viceversa durante un’attività in corso.

• Un modello è costruito per identificare le prestazioni della strategia personalizzata rispetto al traffico distribuito in modo casuale rispetto all’invio di tutto il traffico all’esperienza vincente complessiva. Questo modello considera gli hit e le conversioni solo nell’ambiente predefinito.

  Il traffico proveniente da un secondo set di modelli viene generato per ciascun gruppo di modeling (AP) o per esperienza (AT). Per ciascuno di questi modelli, vengono considerati hit e conversioni in tutti gli ambienti.

  Le richieste vengono servite con lo stesso modello, indipendentemente dall’ambiente, ma la pluralità di traffico deve provenire dall’ambiente predefinito per garantire che l’esperienza vincente complessiva identificata sia coerente con il comportamento del mondo reale.

• Utilizza almeno due esperienze.

Terminologia

I seguenti termini sono utili quando si parla di Targeting automatico:

Termine	Definizione
Slot machine	Un approccio slot machine per l'ottimizzazione equilibra l'apprendimento esplorativo e lo sfruttamento di tale apprendimento.
Foresta casuale	Foresta casuale è uno dei principali metodi di apprendimento automatico. In termini di scienza dei dati, si tratta di una classificazione di insieme, o metodo di regressione, che funziona costruendo molti alberi decisionali basati su visitatori e attributi di visita. In Target, l’algoritmo Foresta casuale determina quale esperienza possa avere la più alta probabilità di conversione (o il più alto ricavo per visita) per ogni visitatore specifico. Per ulteriori informazioni sulla foresta casuale in Target, consulta Algoritmo Foresta casuale.
Campionamento di Thompson	L’obiettivo del campionamento di Thompson è quello di determinare quale esperienza è la migliore complessivamente (non personalizzata), minimizzando il “costo” della ricerca dell’esperienza. Il campionamento di Thompson sceglie sempre un vincitore, anche in assenza di differenza statistica tra due esperienze. Per ulteriori informazioni, consulta Campionamento di Thompson.

Funzionamento di Targeting automatico

Di seguito sono disponibili collegamenti a ulteriori informazioni sui dati e gli algoritmi di base di Targeting automatico e Personalizzazione automatizzata:

Termine	Dettagli
Algoritmo Foresta casuale	L’algoritmo di personalizzazione principale di Target utilizzato sia nel Targeting automatico sia nella Personalizzazione automatizzata è quello di Foresta casuale. I metodi di raggruppamento come Foresta casuale si basano su più algoritmi di apprendimento per ottenere prestazioni predittive migliori rispetto agli algoritmi di apprendimento costituenti. L’algoritmo Foresta casuale nel sistema Automated Personalization è un metodo di classificazione, o metodo di regressione, che opera costruendo una moltitudine di alberi decisionali al momento dell’addestramento.
Caricamento di dati per gli algoritmi di personalizzazione di Target	Esistono diversi modi per immettere i dati per i modelli di Targeting automatico e personalizzazione automatizzata.
Raccolta di dati per gli algoritmi di personalizzazione di Target	Gli algoritmi di personalizzazione di Target raccolgono automaticamente vari dati.

Determinazione dell’allocazione del traffico

A seconda dell'obiettivo dell'attività, puoi scegliere una diversa allocaizone del traffico tra il controllo e le esperienze personalizzate. Una buona pratica è di determinare questo obiettivo prima di attivare l'attività.

L’elenco a discesa Personalizza allocazione consente di scegliere tra le seguenti opzioni:

• Valuta l'algoritmo di personalizzazione
• Massimizza traffico di personalizzazione
• Personalizza allocazione

Obiettivo dell’attività	Allocazione del traffico consigliata	Compromessi
Valuta algoritmo di personalizzazione (50/50): se l’obiettivo è quello di testare l’algoritmo, assegna il 50% dei visitatori all’algoritmo di controllo e l’altro 50% a quello di destinazione. Questa suddivisione fornisce la stima più accurata dell’incremento. È consigliata quando il controllo è impostato su “Esperienze casuali”.	50% al controllo / 50% all’esperienza personalizzata.	Massimizza la precisione dell'incremento tra controllo e personalizzazione Un numero relativamente inferiore di visitatori ha un’esperienza personalizzata
Massimizza traffico personalizzazione (90/10): se il tuo obiettivo è invece quello di creare un’attività “sempre attiva”, inserisci il 10% dei visitatori nel controllo affinché ci siano abbastanza dati per consentire agli algoritmi di continuare a imparare nel tempo. In questo caso, noterai che, in cambio della personalizzazione di una proporzione più ampia del traffico, hai una precisione inferiore nell’incremento esatto. Indipendentemente dall’obiettivo, questa è la suddivisione del traffico consigliata quando si utilizza come controllo un’esperienza specifica.	Una buona pratica è quella di allocare 10%-30% al controllo / 70%-90% all’esperienza personalizzata	Massimizza il numero di visitatori che ricevono un'esperienza personalizzata Massimizza l'incremento Meno precisione nel determinare l'incremento per l'attività
Personalizza allocazione	Suddividi manualmente la percentuale come desiderato.	Potresti non ottenere i risultati desiderati. Se non sei sicuro, segui i suggerimenti per una delle opzioni precedenti

Per regolare la percentuale di controllo, fai clic sulle icone nella colonna Allocazione. Non è possibile ridurre il gruppo di controllo sotto il 10%.

Puoi selezionare un’esperienza specifica da usare come controllo oppure utilizzare l’opzione Esperienza casuale.

Quando scegliere il Targeting automatico rispetto alla Personalizzazione automatizzata?

Esistono diversi scenari in cui si preferisce il Targeting automaticorispetto alla Personalizzazione automatizzata:

• Se vuoi definire l'intera esperienza spetto alle singole offerte, queste verranno combinate automaticamente per formare un'esperienza.
• Se desideri utilizzare l’intero set di funzioni del Compositore esperienza visivo non supportate da Personalizzazione automatica: editor di codice personalizzato, più tipi di pubblico di esperienza e altro ancora.
• Se desideri apportare modifiche strutturali alla pagina in diverse esperienze. Ad esempio, se desideri ridisporre gli elementi nella pagina principale, il Targeting automatico sarebbe più appropriato da utilizzare rispetto ad Automated Personalization.

Che cosa hanno in comune il Targeting automatico e la Personalizzazione automatizzata?

L'algoritmo è ottimizzato per ottenere un risultato favorevole per ogni visita.

• L'algoritmo prevede la propensione di un visitatore per la conversione (o i ricavi stimati dalla conversione) al fine di offrire la migliore esperienza.
• Un visitatore è idoneo per una nuova esperienza al termine di una sessione esistente (a meno che il visitatore non si trovi nel gruppo di controllo, nel qual caso l’esperienza che il visitatore viene assegnato alla prima visita rimane la stessa per le visite successive).
• All'interno di una sessione, la stima non cambia, per mantenere la coerenza visiva.

L'algoritmo si adatta alle modifiche nel comportamento dei visitatori.

• La slot machine assicura che il modello "spenda" sempre una piccola frazione di traffico per continuare ad apprendere durante tutta la vita dell'apprendimento dell'attività e per evitare lo sfruttamento eccessivo delle tendenze precedentemente apprese.
• I modelli sottostanti vengono ricostruiti ogni 24 ore utilizzando i dati di comportamento dei visitatori più recenti per garantire che Target sfrutti sempre le preferenze dei visitatori che cambiano.
• Se l'algoritmo non può determinare le esperienze vincenti per i singoli visitatori, mostra automaticamente quella con i migliori risultati a livello generale, mentre continua a cercare vincitori personalizzati. L’esperienza che offre prestazioni migliori viene individuata tramite il campione di Thompson.

L’algoritmo esegue l’ottimizzazione continua per una singola metrica dell’obiettivo.

• Questa metrica potrebbe essere basata sulla conversione o i ricavi (più specificamente ricavi per visita).

Target raccoglie automaticamente informazioni sui visitatori per generare modelli di personalizzazione.

• Per ulteriori informazioni sui parametri utilizzati in Targeting automatico e Personalizzazione automatizzata, consulta Raccolta dati di Personalizzazione automatizzata.

Target utilizza automaticamente tutti i tipi di pubblico di Experience Cloud condivisi, per generare i modelli di personalizzazione.

• Non è necessario eseguire alcuna operazione specifica per aggiungere i tipi di pubblico al modello. Per informazioni sull’utilizzo dei tipi di pubblico di Experience Cloud con Target, consulta Experience Cloud Audiences

Gli addetti al marketing possono caricare dati offline, punteggi di propensione o altri dati personalizzati per creare modelli di personalizzazione.

• Ulteriori informazioni sul caricamento di dati per il Targeting automatico la Personalizzazione automatizzata.

Quali sono le differenze tra il Targeting automatico e la Personalizzazione automatizzata?

Il Targeting automatico richiede spesso meno traffico rispetto alla Personalizzazione automatizzata per generare un modello personalizzato.

Anche se la quantità di traffico per esperienza richiesta per la generazione dei modelli di Targeting automatico o Personalizzazione automatizzata è la stessa, ci sono di solito più esperienze in un'attività di Personalizzazione automatizzata di un'attività di Targeting automatico. Ad esempio, se disponessi di un’attività di Personalizzazione automatizzata in cui sono state create due offerte per posizione con due posizioni, ci sarebbero quattro (2 = 4) esperienze totali incluse nell’attività (senza esclusioni). Tramite il Targeting automatico puoi impostare l’esperienza 1 per includere l’offerta 1 in posizione 1 e l’offerta 2 in posizione 2 e l’esperienza 2 per includere l’offerta 1 in posizione 1 e l’offerta 2 in posizione 2. Poiché il Targeting automatico consente di avere più modifiche all’interno di un’esperienza, puoi ridurre il numero di esperienze totali nell’attività.

Per il Targeting automatico è possibile utilizzare semplici regole generali per comprendere i requisiti del traffico:

• Quando la Conversione è la metrica di successo: 1.000 visite e almeno 50 conversioni al giorno per esperienza e in più l'attività deve avere almeno 7.000 visite e 350 conversioni.
• Quando il Ricavo per visita è la metrica di successo: 1.000 visite e almeno 50 conversioni al giorno per esperienza e in più l'attività deve avere almeno 1.000 conversioni per esperienza. RPV di solito richiede più dati per costruire modelli a causa della varianza più elevata dei dati che esiste in genere nei ricavi di visita rispetto al tasso di conversione.

Il Targeting automatico ha una funzionalità di installazione completa.

• Poiché è incorporato nel flusso di lavoro di attività A/B, il Targeting automatico beneficia di un Compositore esperienza visivo molto maturo e completo. Puoi anche sfruttare i collegamenti di controllo qualità con il Targeting automatico.

Il Targeting automatico fornisce un ampio framework di test online.

• La slot machine è parte di un quadro più ampio di test online che permette ai nostri scienziati e ricercatori di dati di comprendere i benefici dei loro continui miglioramenti nelle condizioni del mondo reale.
• In futuro, questo banco di prova ci permetterà di aprire la nostra piattaforma di apprendimento automatico per i nostri clienti esperti di dati in modo che possano portare i propri modelli per aumentare i modelli di Target.

Creazione di rapporti e Targeting automatico

Per ulteriori informazioni, consulta Rapporto di riepilogo del Targeting automatico nella sezione Rapporti.

Video di formazione: Informazioni sulle attività di targeting automatico

Questo video spiega come configurare un’attività di Targeting automatico A/B.

Dopo aver completato questo training, sarai in grado di:

• Definire il test di Targeting automatico
• Confrontare e contrastare il Targeting automatico con la Personalizzazione automatizzata
• Creare attività di Targeting automatico