자동 Target 개요

자동 타겟은 콘텐츠를 개인화하고 전환을 유도하기 위해 고급 기계 학습을 사용하여 성과가 좋은 마케터가 정의한 여러 경험 중에서 선택합니다. 자동 타겟은 개별 고객 프로필 및 유사한 프로필을 갖는 이전 방문자의 행동을 기반으로 각 방문자에게 가장 적합한 경험을 제공합니다.

자동 Target을 사용한 실제 성공 사례

최근 주요 의류 소매업체는 10개의 제품 카테고리 기반 경험(무작위 제어 포함)이 포함된 자동 Target 활동을 사용하여 각 방문자에게 올바른 컨텐츠를 전달했습니다. "장바구니에추가"가 기본 최적화 지표로 선택되었습니다. 타깃팅된 경험들은 평균 29.09%의 상승률을 보였다. 자동 Target 모델을 빌드한 후 활동이 90%의 개인화된 경험으로 설정되었습니다.

10일 만에 170만 달러 이상의 리프트 뚫렸다.

지속적인 읽기를 통해 자동 Target을 사용하여 조직의 상승도와 매출을 높이는 방법을 살펴볼 수 있습니다.

개요

3단계 안내 워크플로우를 사용하여 A/B 활동을 작성하는 동안 개인화된 경험에 대한 자동 타겟 선택 사항을 사용하여 트래픽을 할당하도록 선택할 수 있습니다.

A/B 활동 흐름 내의 자동 타겟 선택 사항을 사용하면 한 번의 클릭으로 마케터가 정의한 일련의 경험들을 기반으로 개인화하는 기계 학습을 활용할 수 있습니다. 자동 타겟은 각 방문자에 대해 표시할 경험을 결정함으로써, 기존의 A/B 테스트나 자동 할당에 비해 최대 최적화를 제공하도록 설계되었습니다. 목표가 단일 승자를 찾는 것인 A/B 활동과는 달리, 자동 타겟은 주어진 방문자에 대해(방법 프로필과 기타 상황 정보를 기반으로) 최고의 경험을 자동으로 결정하여 높은 수준으로 개인화된 경험을 제공합니다.

자동화된 개인화와 유사하게, 자동 타겟에서는 선도적인 데이터 과학 Ensemble 방식인 Random Forest 알고리즘을 사용하여 방문자에게 표시할 최고의 경험을 판별합니다. 자동 타겟은 방문자의 행동 변화에 적응할 수 있으므로 상승도를 제공하도록 지속적으로 실행할 수 있습니다. 이를 때로 "항시적" 모드라고도 합니다.

지정된 방문자에 대한 경험 할당이 고정된 A/B 활동과 달리, 자동 타겟은 각 방문을 통해 지정된 비즈니스 목표를 최적화합니다. 자동화된 개인화에서와 같이, 자동 타겟은 기본적으로 활동의 트래픽 일부를 상승도를 측정하기 위한 통제군으로 예약합니다. 통제군에 있는 방문자는 활동에서 임의 경험을 제공받습니다.

고려 사항

There are a few important considerations to keep in mind when using Auto-Target:

• 특정 활동을 자동 타겟에서 자동화된 개인화로 전환하거나 그 반대로 전환할 수 없습니다.

• 활동이 라이브 상태가 된 후에는 수동 트래픽 할당(기존 A/B 테스트)에서 자동 타겟으로 전환하거나 그 반대로 전환할 수 없습니다.

• 하나의 모델은 개인화된 전략과 무작위로 제공되는 트래픽의 성과를 식별하여 모든 트래픽을 전체적인 우승 경험으로 보내는 것입니다. 이 모델은 히트와 전환을 기본 환경에서만 고려합니다.

  두 번째 모델 세트의 트래픽은 각 모델링 그룹(AP) 또는 경험(AT)에 대해 작성됩니다. 이러한 각 모델에 대해 모든 환경에서 히트 및 전환을 고려합니다.

  따라서 요청은 환경에 관계없이 동일한 모델로 제공되지만 트래픽의 복수는 기본 환경에서 생성되어야 식별된 전체 우승 경험이 실제 행동과 일치하는지 확인합니다.

• 최소 두 개의 경험을 사용해야 합니다.

용어

다음 용어는 자동 타겟에 대해 논의할 때 유용합니다.

용어	정의
Multi-armed bandit	최적화에 대한 multi-armed bandit 접근 방식은 탐색 학습과 해당 학습의 이용 간에 균형을 이룹니다.
Random Forest	Random Forest는 선도적인 기계 학습 접근 방식입니다. 데이터 과학에서 이 방법은 방문자 및 방문 속성을 기반으로 많은 수의 결정 트리를 만들어 작동하는 Ensemble 분류 또는 회귀 방법입니다. Target 내에서 Random Forest는 각 특정 방문자에 대해 전환 가능성이 가장 높(또는 방문당 매출이 가장 높음)을 것으로 예상되는 경험을 결정하는 데 사용됩니다. Target의 Random Forest에 대한 자세한 내용은 Random Forest 알고리즘을 참조하십시오.
Thompson 샘플링	Thompson 샘플링의 목표는 해당 경험을 찾는 "비용"은 최소화하면서도 전체적으로 가장 훌륭한(개인화되지 않음) 경험을 판별하는 것입니다. Thompson 샘플링에서는 두 경험 간의 통계적 차이가 없는 경우에도 항상 승자를 선택합니다. 자세한 내용은 Thompson 샘플링을 참조하십시오.

자동 타겟 작동 방식

아래 링크에서 자동 타겟 및 자동화된 개인화의 기본이 되는 데이터 및 알고리즘에 대해 자세히 알아보십시오.

용어	세부 사항
Random Forest 알고리즘	자동 타겟과 자동화된 개인화 모두에서 사용되는 Target의 주 개인화 알고리즘은 랜덤 포레스트입니다. Random Forest와 같은 Ensemble 방식에서는 Constituent 학습 알고리즘에서 얻을 수 있는 것보다 더 나은 예측 성과를 얻기 위해 여러 학습 알고리즘을 사용합니다. 자동화된 개인화 시스템의 Random Forest 알고리즘은 학습 시 다수의 의사 결정 트리를 만들어 운용되는 분류 또는 회귀 방법입니다.
Target의 개인화 알고리즘을 위한 데이터 업로드	자동 타겟 및 자동화된 개인화 모델을 위한 데이터 입력 방법에는 여러 가지가 있습니다.
Target의 개인화 알고리즘에 대한 데이터 수집	Target의 개인화 알고리즘은 다양한 데이터를 자동으로 수집합니다.

트래픽 할당 결정

활동의 목표에 따라 제어와 통제 경험과 개인화된 경험 간에 서로 다른 트래픽 할당을 선택할 수 있습니다. 활동을 라이브 상태로 만들기 전에 이 목표를 결정하는 것이 좋습니다.

사용자 지정 할당 드롭다운 목록에서 다음 선택 사항 중에 선택할 수 있습니다.

• 개인화 알고리즘 평가
• 개인화 트래픽 극대화
• 사용자 지정 할당

활동 목표	제안된 트래픽 할당	트레이드오프
개인화 알고리즘 평가(50/50): 목표가 알고리즘을 테스트하는 것이면 제어 및 타깃팅된 알고리즘 간에 50/50%로 분할된 방문자를 사용합니다. 이 분할은 가장 정확한 상승도 추정치를 제공합니다. 임의 경험을 제어로 사용하는 것이 좋습니다.	50% 통제/50% 개인화 경험 분할	통제 경험과 개인화된 경험 간 상승도의 정확성을 극대화합니다. 상대적으로 더 적은 방문자에게 개인화된 경험이 생깁니다.
개인화 트래픽 최대화(90/10): 목표가 "상시 설정" 활동을 만드는 것이면 10%의 방문자를 제어 알고리즘에 추가하여 충분한 데이터를 보장함으로써 시간에 따른 학습이 계속 진행될 수 있게 합니다. 여기에는 더 큰 트래픽 비율을 개인화하는 대신 정확한 상승도를 파악하는 데는 정밀도가 떨어지게 된다는 장단점이 있습니다. 목표에 관계없이, 특정 경험을 제어로 사용할 때 권장되는 트래픽 분할입니다.	10%~30% 통제/70%~90% 개인화된 경험 분할을 사용하는 것이 좋습니다.	개인화된 경험이 있는 방문자의 수를 극대화합니다. 상승도를 극대화합니다. 활동에 대한 상승도 크기와 관련하여 정확도가 낮습니다.
사용자 지정 할당	백분율을 원하는 대로 수동으로 분할하십시오.	원하는 결과를 얻지 못할 수 있습니다. 잘 모르는 경우에는 앞의 선택 사항들 중 하나에 대한 제안을 따르십시오.

제어 비율을 조정하려면 할당 열에서 아이콘을 클릭합니다. 통제군은 10% 미만으로 줄일 수 없습니다.

특정 경험을 선택하여 컨트롤로 사용하거나 임의의 선택 사항을 사용할 수 있습니다.

언제 자동화된 개인화보다 자동 타겟을 선택해야 합니까?

자동화된 개인화보다 자동 타겟을 사용할 수도 있는 시나리오가 몇 가지 있습니다.

• 한 경험을 형성하기 위해 자동으로 결합하게 되는 개별 오퍼들이 아닌 전체 경험을 정의하려는 경우.
• 사용자 지정 코드 편집기, 여러 경험 대상 등, 자동화된 개인화에서 지원하지 않는 시각적 경험 작성기(VEC) 기능의 전체 세트를 활용하려는 경우.
• 다양한 경험에서 내 페이지의 구조를 변경하려는 경우. 예를 들어, 홈 페이지에서 요소의 순서를 재정렬하려는 경우에는 자동 타겟이 자동화된 개인화를 사용하는 것보다 더 적절합니다.

자동 타겟에는 자동화된 개인화와 어떤 공통점이 있습니까?

알고리즘이 각 방문에 대해 유용한 결과를 내놓도록 최적화됩니다.

• 알고리즘은 최고의 경험을 제공하기 위해 전환하는 방문자의 성향(또는 전환을 통한 예상 매출)을 예측합니다.
• 기존 세션이 끝날 때 방문자에게 새 경험이 표시될 수 있습니다(방문자가 첫 번째 방문 시 할당된 경험이 후속 방문에 대해서도 동일하게 유지되는 경우인, 방문자가 통제 그룹에 있는 경우가 아니라면).
• 세션 내에서 예측이 변경되지 않고 시각적 일관성을 유지합니다.

알고리즘이 방문자의 행동 변화에 적응합니다.

• multi-arm bandit 방식을 사용하면 모델이 항상 약간의 트래픽을 "사용"하여 활동 학습 과정 전체에서 계속 학습하고 이전에 학습한 트렌드의 과도한 이용을 방지하게 됩니다.
• 기본 모델이 최근의 방문자 행동 데이터를 사용하여 24시간마다 다시 만들어지므로 Target은 항상 변화하는 방문자 기호를 이용할 수 있습니다.
• 알고리즘이 개인에 대해 가장 성과가 좋은 경험을 결정할 수 없는 경우 개인화된 승자를 계속 찾으면서도 전체적으로 성과가 가장 좋은 경험을 표시하도록 자동으로 전환합니다. 성과가 가장 좋은 경험은 Thompson 샘플링을 사용하여 발견됩니다.

알고리즘이 지속적으로 하나의 목표 지표에 대해 최적화됩니다.

• 이 지표는 전환이나 매출을 기반으로 할 수 있습니다(구체적으로는 방문당 매출액).

Target은 방문자에 대한 정보를 자동으로 수집하여 개인화 모델을 구축합니다.

• 자동 타겟 및 자동화된 개인화에 사용되는 매개 변수에 대한 자세한 내용은 자동화된 개인화 데이터 수집을 참조하십시오.

Target은 자동으로 모든 Experience Cloud 공유 대상을 사용하여 개인화 모델을 구축합니다.

• 모델에 대상을 추가하기 위해 특정한 작업을 수행할 필요가 없습니다. Target에서의 Experience Cloud 대상 사용에 대한 자세한 내용은 Experience Cloud 대상자

마케터는 오프라인 데이터, 성향 점수 또는 기타 사용자 지정 데이터를 업로드하여 개인화 모델을 만들 수 있습니다.

• 자동 타겟 및 자동화된 개인화를 위한 데이터 업로드에 대해 알아보십시오.

자동 타겟은 자동화된 개인화와 어떻게 다릅니까?

자동 타겟은 개인화된 모델을 만드는 데 자동화된 개인화보다 적은 트래픽을 필요로 합니다.

자동 타겟이나 자동화된 개인화 모델을 만드는 데 필요한 경험당 트래픽의 양은 동일하지만 자동화된 개인화 활동에는 일반적으로 자동 타겟 활동보다 더 많은 경험이 있습니다. 예를 들어, 두 개의 위치에 위치당 두 개의 오퍼를 만든 자동화된 개인화 활동이 있었다면, 활동에 총 4개(2 = 4)의 경험이 포함되어 있을 것입니다. 자동 타겟을 사용하여 경험 1을 위치 1에서 오퍼 1을 포함하고, 위치 2에서 오퍼 2를 포함하도록 설정하고, 경험 2를 위치 1에서 오퍼 1을 포함하고, 위치 2에서 오퍼 2를 포함하도록 설정할 수 있을 것입니다. 자동 타겟을 사용하면 한 경험 내에 여러 가지 변경이 생기도록 선택할 수 있으므로 활동에 있는 총경험 수를 줄일 수 있습니다.

자동 타겟의 경우 간단한 경험 법칙을 사용하여 트래픽 요구 사항을 이해할 수 있습니다.

• 전환이 성공 지표일 경우:​경험당 하루에 1,000개의 방문과 최소 50개의 전환이 있어야 하고, 또한 활동에는 적어도 7000개의 방문과 350개의 전환이 있어야 합니다.
• 방문당 매출액이 성공 지표일 경우:​경험당 하루에 1,000개의 방문과 최소 50개의 전환이 있어야 하고, 또한 활동에는 경험당 적어도 1000개의 전환이 있어야 합니다. RPV를 사용할 때에는 전환율을 사용할 때와 비교하여 방문 매출에 일반적으로 존재하는 더 높은 데이터 분산으로 인해 모델을 만드는 데 더 많은 데이터가 필요합니다.

자동 타겟에는 완전한 설정 기능이 있습니다.

• 자동 타겟은 A/B 활동 워크플로우에 포함되어 있으므로 자동 타겟에서는 보다 발전되고 완전한 시각적 경험 작성기(VEC)의 장점을 이용합니다. 자동 타겟의 QA 링크를 활용할 수도 있습니다.

자동 타겟에서는 광범위한 온라인 테스트 프레임워크를 제공합니다.

• multi-arm bandit은 데이터 과학자와 연구자들이 실제 조건에서 수행되는 지속적인 개선의 이점을 이해할 수 있도록 해주는 더 큰 온라인 테스트 프레임워크의 일부입니다.
• 이후에는 이 테스트 베드를 사용하면 클라이언트가 자신만의 모델을 도입하여 Target의 모델을 보강할 수 있도록 데이터 관련 지식이 있는 클라이언트에게 기계 학습 플랫폼을 개방할 수 있습니다.

보고 및 자동 타겟

자세한 내용은 보고서 섹션의 자동 타겟 요약 보고서를 참조하십시오.

교육 비디오:자동 Target 활동 개요

다음 비디오에서는 자동 타겟 A/B 활동을 설정하는 방법을 설명합니다.

이 교육을 완료하면 다음 작업을 수행할 수 있습니다.

• 자동 타겟 테스트 정의
• 자동 타겟을 자동화된 개인화와 비교 및 대조
• 자동 타겟 활동 만들기