PREMIUM自動ターゲットの概要

Adobe Targetの自動 ターゲットアクティビティでは、高度な機械学習を活用して、パフォーマンスの高い複数のマーケティング担当者が定義したエクスペリエンスから選択し、コンテンツをパーソナライズし、コンバージョンを推進します。個々の顧客プロファイルや同様のプロファイルを持つ過去の訪問者の行動に基づいて、各訪問者に最適なエクスペリエンスを提供します。

自動ターゲットを使用した実際の成功事例

ある大手衣料品店が最近、10種類の商品カテゴリベースのエクスペリエンス（プラスランダム化制御）を備えた自動ターゲットアクティビティを使用して、各訪問者に適切なコンテンツを配信しました。 「追加から買い物かごへ」が主要な最適化指標として選択されました。 ターゲット設定されたエクスペリエンスの平均上昇率は29.09%でした。 自動ターゲットモデルの構築後、アクティビティは90%のパーソナライズされたエクスペリエンスに設定されました。

わずか10日で、170万ドル以上のリフトを獲得しました。

自動ターゲットを使用して組織の上昇率と売上高を上げる方法については、読み続けてください。

概要

3ステップのガイドによるワークフローを使用してA/B アクティビティを作成する際に、「パーソナライズされたエクスペリエンスの自動ターゲット」オプションを使用してトラフィックを割り当てることができます:

A/B アクティビティフロー内で 自動ターゲット オプションを利用すると、マーケティング担当者が定義したエクスペリエンスのセットを基に、機械学習を生かしたパーソナライゼーションをクリック 1 回でおこなうことができます。自動ターゲットは従来の A/B テストや自動配分とは違い、各訪問者にどのエクスペリエンスを提供するかを判断することで、可能な限りの最適化をおこなう仕組みになっています。1つの勝者を見つけるためのA/Bアクティビティとは異なり、自動ターゲット は、特定の訪問者に対して（プロフィールやその他のコンテキスト情報に基づいて）最適なエクスペリエンスを自動的に決定し、高度にパーソナライズされたエクスペリエンスを提供します。

自動パーソナライゼーションと同じように、自動ターゲットでは先進のデータサイエンスアンサンブル手法であるランダムフォレストアルゴリズムを使用して、訪問者に表示する最適なエクスペリエンスを決定します。自動ターゲットなら訪問者の行動の変化に対応できるので、恒久的に実行して上昇率を高めることができます。これは、「常時稼動」モードとも呼ばれます。

特定の訪問者のエクスペリエンス配分が定着であるA/Bアクティビティとは異なり、 自動ターゲット は、各訪問で指定したビジネス目標を最適化します。Auto Personalization と同様に 自動ターゲット でも、上昇率を計測するために、デフォルトではアクティビティのトラフィックの一部がコントロールグループに配分されます。コントロールグループの訪問者には、アクティビティのランダムエクスペリエンスが配信されます。

注意点

自動ターゲットを使用する場合は、次の点に注意してください。

• 特定のアクティビティを自動ターゲットから自動パーソナライゼーションに切り替えることはできません。逆も同様です。

• 手動トラフィック配分（従来のA/Bテスト）から 自動ターゲット への切り替えや、アクティビティの有効化後には、手動で切り替えることはできません。

• パーソナライズされた戦略のパフォーマンスとランダムに提供されたトラフィックの違い、すべてのトラフィックが勝者エクスペリエンス全体に送られている場合の違いを識別するために、1つのモデルが構築されています。 このモデルでは、ヒットとコンバージョンがデフォルトの環境でのみ考慮されます。

  2つ目のモデルセットからのトラフィックは、各モデリンググループ(AP)またはエクスペリエンス(AT)に対して構築されます。 これらの各モデルについて、すべての環境のヒットおよびコンバージョンが考慮されます。

  したがって、環境に関係なく、リクエストは同じモデルで提供されますが、識別された全体的な勝者エクスペリエンスが実際の動作と確実に一致するように、複数のトラフィックはデフォルトの環境から提供される必要があります。

• 最低 2 つのエクスペリエンスを使用する必要があります。

用語

自動ターゲットを説明する際には、次の用語が役立ちます。

用語	定義
マルチアームバンディット	調査学習とその学習の活用のバランスの最適化のためのマルチアームバンディットアプローチです。
ランダムフォレスト	ランダムフォレストは、優れた機械学習手法です。データサイエンス分野においては、訪問者と訪問の属性に基づいて大量のデシジョンツリーを構築することで機能するアンサンブル分類または回帰手法を指します。Target では、個々の訪問者がコンバージョンに至る可能性が最も高い（または訪問あたりの売上高が最も高い）と予想されるエクスペリエンスを決定するためにランダムフォレストが使用されます。Target でのランダムフォレストについて詳しくは、ランダムフォレストアルゴリズムを参照してください。
トンプソンサンプリング	トンプソンサンプリングの目的は、全体的に最良の（パーソナライズされていない）エクスペリエンスを最小限の「コスト」で特定することです。トンプソンサンプリングでは、2 つのエクスペリエンスに統計的な差異がない場合でも、必ず勝者が選定されます。詳しくは、トンプソンサンプリングを参照してください。

自動ターゲット の仕組み

以下のリンクにある、自動ターゲットと自動パーソナライゼーションのデータおよびアルゴリズムについての詳細をご覧ください。

用語	詳細
ランダムフォレストアルゴリズム	自動ターゲットと自動パーソナライゼーションの両方 で使用されるTargetの主なパーソナライゼーションアルゴリズムは、ランダムフォレストです。ランダムフォレストのようなアンサンブル手法は、複数の学習アルゴリズムを使用して、どの構成学習アルゴリズムを使用した場合よりも優れた予測パフォーマンスを実現します。自動パーソナライゼーションシステムのランダムフォレストアルゴリズムは、トレーニング時に多数のデシジョンツリーを構成することで機能する分類または回帰手法です。
Target のパーソナライゼーションアルゴリズムのデータのアップロード	自動ターゲット と自動パーソナライゼーションモデルのデータを入力するには、いくつかの方法があります。
Target のパーソナライゼーションアルゴリズムのデータ収集	Target のパーソナライゼーションアルゴリズムは様々なデータを自動収集します。

トラフィック配分の決定

アクティビティの目標に合わせて、様々な方法でコントロールとパーソナライズされたエクスペリエンスにトラフィックを配分できます。アクティビティをライブにする前に、アクティビティの目標を決めておくことをお勧めします。

カスタム配分ドロップダウンリストで、以下のオプションを選択できます。

• パーソナライゼーションアルゴリズムを評価
• パーソナライゼーショントラフィックを最大化
• カスタム配分

アクティビティの目標	推奨のトラフィック配分	メリットとデメリット
パーソナライゼーションアルゴリズムを評価 (50/50)：目標がアルゴリズムのテストの場合は、50:50 の比率でコントロールとターゲットアルゴリズムに訪問者を配分します。この配分により、上昇率を最も正確に推定できます。「ランダムエクスペリエンス」をコントロールとして使用することをお勧めします。	配分はコントロールエクスペリエンスに 50％、パーソナライズされたエクスペリエンスに 50％	コントロールと比較した場合のパーソナライゼーションの上昇率の精度を最大化できます。 パーソナライズされたエクスペリエンスが提供される訪問者が比較的少なくなります。
パーソナライゼーショントラフィックを最大化 (90/10)：「常時稼動」のアクティビティを作成することが目標の場合は、10％の訪問者をコントロールに配分し、アルゴリズムによる学習の継続に必要なデータを確保します。この場合は、トラフィックの大部分をパーソナライズ対象に回す代わりに、推定上昇率の精度が落ちるというデメリットがあります。これは、目標にかかわらず、特定のエクスペリエンスをコントロールとして使用する場合のお勧めのトラフィック分割です。	最適な配分はコントロールエクスペリエンスに 10％から 30％、パーソナライズされたエクスペリエンスに 70％から 90％	パーソナライズされたエクスペリエンスを提供する訪問者数を最大化できます。 上昇率を最大化できます。 アクティビティの上昇率の精度が落ちます。
カスタム配分	配分の割合を手動で調節します。	想定どおりの結果が得られない場合もあります。目安がわからない場合は、上述のいずれかのオプションを使用することをお勧めします。

コントロールの割合を調整するには、配分列のアイコンをクリックします。コントロールグループの割合を 10％未満にすることはできません。

特定のエクスペリエンスを選択してコントロールとして使用したり、ランダムエクスペリエンスオプションを使用したりできます。

自動ターゲットを自動パーソナライゼーションで選択するには、どうしたらよいですか？

自動パーソナライゼーションで自動ターゲットを使用する場合は、いくつかのシナリオがあります。

• 自動的に組み合わせられてエクスペリエンスを形成する個々のオファーではなく、エクスペリエンス全体を定義したい場合。
• 自動パーソナライゼーションでサポートされていない Visual Experience Composer（VEC）機能のフルセットを活用するには: カスタムコードエディター、複数エクスペリエンスオーディエンスなど。
• 複数のエクスペリエンスで、ページに構造的な変更を加えたい場合。例えば、ホームページの要素の順序を変更する場合、自動ターゲットは自動パーソナライゼーションよりも適しています。

自動ターゲットと自動パーソナライゼーションの共通点

訪問ごとに好ましい結果を得るためにアルゴリズムが最適化されます。

• 最高のエクスペリエンスを提供するために、アルゴリズムによって、訪問者のコンバージョンの傾向（またはコンバージョンによる推定売上高）を予測します。
• 訪問者は、既存のセッションの終了時に新しいエクスペリエンスの対象になります（ただし、コントロールグループの訪問者には、最初の訪問時に提供されたエクスペリエンスがその後の訪問でも提供されます）。
• セッション内では、ビジュアルの一貫性を維持するために、予測による変更はおこなわれません。

訪問者の行動の変化にアルゴリズムが対応します。

• マルチアームバンディットにより、モデルは常にトラフィックのごく一部を利用して、アクティビティの学習期間全体にわたって学習を続け、それまでに学習したトレンドの乱用を防止します。
• Target がユーザーの好みの変化に常に付いていけるように、24 時間ごとに訪問者の最新の行動データを使用して基になるモデルを再構築します。
• アルゴリズムによって個々の勝者エクスペリエンスを特定できなかった場合は、総合的なパフォーマンスが最も高いエクスペリエンスを表示する方式に自動的に切り替わります。その間もパーソナライズされた勝者の特定は続行されます。最もパフォーマンスが高いエクスペリエンスは、トンプソンサンプリングによって割り出されます。

単一の目標指標に合わせてアルゴリズムが絶えず最適化されます。

• この指標には、コンバージョンベースと売上高ベース（具体的には、訪問あたりの売上高）があります。

Target は、パーソナライゼーションモデルを構築するために、訪問者に関する情報を自動的に収集します。

• 自動ターゲットおよび自動パーソナライゼーションで使用されるパラメーターについて詳しくは、 自動パーソナライゼーションのデータ収集 を参照してください。

Target は、パーソナライゼーションモデルを構築するために、Experience Cloud のすべての共有オーディエンスを自動的に使用します。

• オーディエンスをモデルに追加するために特別な作業をおこなう必要はありません。Target で Experience Cloud オーディエンスを使用する方法について詳しくは、Experience Cloud オーディエンス

パーソナライゼーションモデルを構築するために、オフラインデータや傾向スコアなどのカスタムデータをアップロードできます。

• 自動ターゲットおよび自動パーソナライゼーション用のデータのアップロードについて詳細情報を説明します。

自動ターゲットの自動パーソナライゼーションとの相違点

通常、パーソナライズされたモデルの作成に必要なトラフィックの量は、自動ターゲットの方が自動パーソナライゼーションよりも少なくなります。

モデルの構築に必要な​エクスペリエンスごと​のトラフィック量は、自動ターゲットと自動パーソナライゼーションで違いはありませんが、エクスペリエンスの数は、通常は自動ターゲットアクティビティよりも自動パーソナライゼーションアクティビティの方が多くなります。例えば、2つの場所のある場所ごとに2つのオファーを作成した 自動パーソナライゼーションアクティビティの場合、アクティビティに含まれるエクスペリエンスの合計は4（2=4）になります（除外なし）。自動ターゲット を使用して、エクスペリエンス1を場所1にオファー1および場所2にオファー2を含め、エクスペリエンス2を場所1にオファー1および場所2にオファー2を含めた設定をします。自動ターゲットで は、1つのエクスペリエンス内で複数の変更をおこなうことができるので、アクティビティ内のエクスペリエンスの合計数を減らすことができます。

自動ターゲット の場合、シンプルなサムのルールを使用してトラフィック要件を把握できます。

• コンバージョンが成功指標の場合：​エクスペリエンスごとに、1 日に訪問 1,000 回、コンバージョン 50 回以上。また、アクティビティで訪問 7,000 回以上、コンバージョン 350 回以上。
• 1 訪問あたりの売上高が成功指標の場合：​エクスペリエンスごとに、1 日に訪問 1,000 回、コンバージョン 50 回以上。また、アクティビティでエクスペリエンスごとにコンバージョン 1,000 回以上。RPV の場合は、モデルの構築により多くのデータが必要になることが一般的です。コンバージョン率と比べ、訪問あたりの売上高の方がデータの相違が大きいことが多いためです。

自動ターゲットには本格的な設定機能があります。

• 自動ターゲット は A/B アクティビティワークフローに埋め込まれるので、より成熟した本格的なVisual Experience Composer（VEC）からの 自動ターゲット のメリットが得られます。また、 自動ターゲット と共に QA リンク を利用することもできます。

自動ターゲットは広範なオンラインテストフレームワークを提供します。

• マルチアームバンディットは、データサイエンティストや研究者が現実の状況における継続的な改善のメリットを把握できるようにする、大規模なオンラインテストフレームワークの一部です。
• 将来的には、このテストベッドを使用して、データに精通したお客様向けにアドビの機械学習プラットフォームを公開し、Target のモデルを拡張する独自のモデルを導入できるようにする予定です。

レポートと自動ターゲット

詳細については、「レポート」セクションの「自動ターゲット概要レポート」を参照してください。

トレーニングビデオ：自動ターゲットアクティビティについて

このビデオでは 、自動ターゲット A/Bアクティビティを設定する方法について説明します。

このトレーニングでは、以下の内容について学習します。

• 自動ターゲット テストの定義
• 自動ターゲットと自動パーソナライゼーションの比較とコントラスト
• 自動ターゲット アクティビティの作成