Premium

Auto-Target översikt

Auto-Target verksamhet i Adobe Target använda avancerad maskininlärning för att välja bland flera högpresterande marknadsföringsdefinierade upplevelser för att personalisera innehåll och driva konverteringar. Auto-Target levererar den mest skräddarsydda upplevelsen till varje besökare baserat på den enskilda kundprofilen och beteendet hos tidigare besökare med liknande profiler.

OBSERVERA

Goda erfarenheter i verkligheten med Auto-Target

En stor klädhandlare använde nyligen en Auto-Target med tio produktkategoribaserade upplevelser (plus slumpmässig kontroll) för att leverera rätt innehåll till varje besökare. "Add to Cart" valdes som primärt optimeringsmått. De riktade upplevelserna hade en genomsnittlig ökning på 29,09 %. När du har skapat Auto-Target aktiviteterna var satta till 90 % personaliserade upplevelser.

På bara tio dagar uppnåddes mer än 1 700 000 dollar i lyft.

Fortsätt läsa för att lära dig hur du använder Auto-Target för att öka era intäkter.

Översikt

while skapa en A/B-aktivitet med det guidade arbetsflödet i tre stegkan du välja att tilldela trafik med Auto-Target For Personalized Experiences alternativ:

Automatisk målgruppsanpassning för personaliserade upplevelser

The Auto-Target Med A/B-aktivitetsflödet kan ni utnyttja maskininlärning för att personalisera baserat på en uppsättning marknadsföringsdefinierade upplevelser med ett enda klick. Auto-Target har utformats för att ge maximal optimering, jämfört med traditionell A/B-testning eller Auto Allocategenom att avgöra vilken upplevelse som ska visas för varje besökare. Till skillnad från en A/B-verksamhet där målet är att hitta en enda vinnare, Auto-Target avgör automatiskt den bästa upplevelsen för en viss besökare (baserat på hans eller hennes profil och annan sammanhangsbaserad information) för att leverera en mycket personaliserad upplevelse.

Lika med Automated Personalization, Auto-Target använder Slumpmässig skogsalgoritm, en ledande metod för datavetenskap som ger besökarna den bästa upplevelsen. För Auto-Target kan anpassa sig till förändringar i besökares beteende, kan köras permanent för att ge lyft. Detta kallas ibland för "alltid på"-läge.

Till skillnad från en A/B-aktivitet där upplevelseallokeringen för en viss besökare är fast, Auto-Target optimerar det angivna verksamhetsmålet för varje besök. Gilla in Auto Personalization, Auto-TargetSom standard reserverar en del av aktivitetens trafik som kontrollgrupp för att mäta lyft. Besökarna i kontrollgruppen får en slumpmässig erfarenhet av aktiviteten.

Överväganden

Det finns ett antal viktiga saker att tänka på när du använder Auto-Target:

  • Du kan inte växla en specifik aktivitet från Auto-Target till Automated Personalizationoch vice versa.

  • Du kan inte växla från Manual trafiktilldelning (traditionell) A/B Test) till Auto-Targetoch vice versa när en aktivitet har sparats som utkast.

  • En modell är byggd för att identifiera den personaliserade strategins prestanda jämfört med slumpvis betjänad trafik jämfört med att skicka all trafik till den övergripande vinnande upplevelsen. Den här modellen hanterar endast träffar och konverteringar i standardmiljön.

    Trafik från en andra uppsättning modeller byggs för varje modellgrupp (AP) eller upplevelse (AT). För var och en av dessa modeller beaktas träffar och konverteringar i alla miljöer.

    Förfrågningar hanteras med samma modell, oavsett miljö, men trafikens mångfald bör komma från standardmiljön för att säkerställa att den identifierade övergripande vinnande upplevelsen överensstämmer med verkliga beteenden.

  • Använd minst två upplevelser.

Terminologi

Följande termer är användbara vid diskussion Auto-Target:

Villkor Definition
Flerarmad bandit En flerarmad bandit-strategi för optimering balanserar undersökande inlärning och utnyttjande av det inlärningen.
Slumpmässig skog Random Forest är en ledande maskininlärningsstrategi. I datavetenskapen är det en unik klassificering, eller regressionsmetod, som fungerar genom att skapa många beslutsträd baserade på besöks- och besöksattribut. Inom Targetanvänds Slumpmässig skog för att avgöra vilken erfarenhet som förväntas ha störst sannolikhet för konvertering (eller högsta intäkt per besök) för varje enskild besökare.
Thompson Sampling Målet för Thompson Sampling är att fastställa vilken upplevelse som är bäst totalt sett (icke-personaliserad), samtidigt som man minimerar"kostnaden" för att hitta den upplevelsen. Thompson-urvalet väljer alltid en vinnare, även om det inte finns någon statistisk skillnad mellan två upplevelser.

Hur Auto-Target Works

Läs mer om underliggande data och algoritmer Auto-Target och Automated Personalization via länkarna nedan:

Villkor Detaljer
Slumpmässig skogsalgoritm Målets huvudsakliga personaliseringsalgoritm används i båda Auto-Target och Automated Personalization är Slumpmässig skog. Ensemble-metoder som Slumpmässig skog använder flera inlärningsalgoritmer för att få bättre prediktiva prestanda än vad som kan uppnås med någon av de ingående inlärningsalgoritmerna. Algoritmen Slumpmässig skog i Automated Personalization och Auto-Target verksamhet är en klassificering, eller regressionsmetod, som fungerar genom att en mängd beslutsträd byggs upp under utbildningens gång.
Överför data för målets algoritmer för personalisering Det finns flera sätt att mata in data för Auto-Target och Automated Personalization modeller.
Datainsamling för målets personaliseringsalgoritmer Målets personaliseringsalgoritmer samlar automatiskt in olika data.

Bestämma trafikallokering

Beroende på vad din aktivitet har för mål kan du välja en annan trafikfördelning mellan kontroll och personaliserade upplevelser. Det bästa sättet är att fastställa det här målet innan du gör din aktivitet offentlig.

The Custom Allocation I den nedrullningsbara listan kan du välja mellan följande alternativ:

  • Utvärdera personaliseringsalgoritm
  • Maximera personaliseringstrafiken
  • Anpassad allokering

Listruta för allokeringsmål

Aktivitetsmål Föreslagen trafikallokering Överlåtelser
Utvärdera personaliseringsalgoritm (50/50): Om målet är att testa algoritmen ska du använda en 50/50-procentig delning av besökare mellan kontrollen och målalgoritmen. Denna delning ger den mest korrekta uppskattningen av hissen. Föreslagna för användning med"slumpmässiga upplevelser" som er kontroll. 50 % kontroll/50 % personlig upplevelsedelning
  • Maximerar lyften mellan kontroll och personalisering
  • relativt färre besökare har en personaliserad upplevelse
Maximera personaliseringstrafiken (90/10): Om ditt mål är att skapa en"alltid på"-aktivitet ska 10 % av besökarna ha kontrollen för att se till att det finns tillräckligt med data för att algoritmerna ska kunna fortsätta lära sig över tid. Observera att i utbyte mot personalisering av en större andel av trafiken har ni mindre precision i det exakta lyftet. Oavsett vilket mål du har är detta den rekommenderade trafikdelningen när du använder en specifik upplevelse som kontroll. Det bästa sättet är att använda en 10-30 % kontroll/70-90 % personaliserad upplevelsedelning
  • Maximerar antalet besökare som har en personaliserad upplevelse
  • Maximerar lyft
  • Mindre noggrannhet vad hissen är för aktiviteten
Anpassad allokering Dela procentandelen manuellt efter behov.
  • Du kanske inte uppnår det önskade resultatet. Om du är osäker kan du följa förslagen för något av de föregående alternativen

Justera Control i procent klickar du på ikonerna i Allocation kolumn. Du kan inte minska kontrollgruppen till mindre än 10 %.

Ändra automatiskt måltrafikallokering

Du kan välj en specifik upplevelse som ska användas som kontroll Du kan också använda alternativet Slumpmässig upplevelse.

När ska du välja Auto-Target över Automated Personalization?

Det finns flera scenarier där du kanske föredrar att använda Auto-Target över Automated Personalization:

  • Om ni vill definiera hela upplevelsen i stället för enskilda erbjudanden som automatiskt kombineras för att skapa en upplevelse.
  • Om du vill använda hela uppsättningen Visual Experience Composer (VEC)-funktioner som inte stöds av Auto Personalization: den anpassade kodredigeraren, flera olika upplevelsemålgrupper med mera.
  • Om du vill göra strukturella ändringar på sidan i olika upplevelser. Om du till exempel vill ordna om element på hemsidan Auto-Target är lämpligare att använda än Automated Personalization.

Vad gör Auto-Target har gemensamma Automated Personalization?

Algoritmen optimerar för ett positivt resultat vid varje besök.

  • Algoritmen förutser besökarens benägenhet för konvertering (eller beräknade intäkter från konvertering) för att ge bästa möjliga upplevelse.
  • En besökare är berättigad till en ny upplevelse vid slutet av en befintlig session (såvida inte besökaren är i kontrollgruppen, i vilket fall den upplevelse som besökaren tilldelas vid det första besöket förblir densamma för efterföljande besök).
  • Under en session ändras inte förutsägbarheten, vilket ger en bättre visuell enhetlighet.

Algoritmen anpassas till förändringar i besökarens beteende.

  • Multiarm bandit säkerställer att modellen alltid "spenderar" en liten fraktionstrafik som kan fortsätta att lära sig under aktivitetens livstid och för att förhindra överutnyttjande av tidigare inlärda trender.
  • De underliggande modellerna byggs om var 24:e timme med hjälp av de senaste besökarbeteendedata för att säkerställa att Target utnyttjar alltid de föränderliga besökarinställningarna.
  • Om algoritmen inte kan avgöra vilka vinnande upplevelser individen har, växlar den automatiskt till att visa den övergripande prestandaoptimerade upplevelsen samtidigt som den fortsätter att leta efter personaliserade vinnare. Den bästa upplevelsen med Thompson sampling.

Algoritmen optimerar kontinuerligt för ett enda målmått.

  • Detta mätresultat kan vara konverteringsbaserat eller inkomstbaserat (mer specifikt) Revenue per Visit).

Target samlar automatiskt in information om besökare för att skapa personaliseringsmodeller.

Target använder automatiskt alla Adobe Experience Cloud delade målgrupper för att bygga personaliseringsmodeller.

  • Du behöver inte göra något specifikt för att lägga till målgrupper i modellen. Mer information om hur du använder Experience Cloud Audiences med Target, se Experience Cloud målgrupper

Marknadsförarna kan överföra offlinedata, benägenhetspoäng eller andra anpassade data för att skapa personaliseringsmodeller.

Hur Auto-Target skiljer sig från Automated Personalization?

Auto-Target ofta kräver mindre trafik än Automated Personalization för en personaliserad modell att bygga.

Även om mängden trafik per upplevelse krävs för Auto-Target eller Auto Personalization är samma modeller som bygger, men det finns oftast fler upplevelser i en Automated Personalization aktivitet än en Auto-Target aktivitet.

Om du till exempel har en Auto Personalization aktivitet där du har skapat två erbjudanden per plats med två platser, det skulle finnas fyra (2 = 4) totala upplevelser i aktiviteten (utan undantag). Använda Auto-Targetkan ni ange upplevelse 1 som inkluderar erbjudande 1 på plats 1 och erbjudande 2 på plats 2, och upplevelse 2 som inkluderar erbjudande 1 på plats 1 och erbjudande 2 på plats 2. För Auto-Target gör att ni kan välja att göra flera ändringar i en upplevelse, så att ni kan minska det totala antalet upplevelser i er aktivitet.

För Auto-Targetkan enkla tumregler användas för att förstå trafikkraven:

  • När Conversion är dina framgångsmått: 1 000 besök och minst 50 konverteringar per dag och upplevelse. Dessutom måste aktiviteten ha minst 7 000 besök och 350 konverteringar.
  • När Revenue per Visit är dina framgångsmått: 1 000 besök och minst 50 konverteringar per dag och upplevelse. Dessutom måste aktiviteten ha minst 1 000 konverteringar per upplevelse. RPV kräver vanligtvis mer data för att bygga modeller på grund av den högre datavariationen som vanligtvis finns i besöksintäkterna jämfört med konverteringsgraden.

Auto-Target har fullständig konfigurationsfunktionalitet.

  • För Auto-Target är inbäddad i A/B-aktivitetsarbetsflödet, Auto-Target fördelarna med en mer mogen och fullfjädrad Visual Experience Composer (VEC). Du kan också använda QA-länkar med Auto-Target.

Auto-Target har ett omfattande ramverk för onlinetestning.

  • Multiarm bandit ingår i ett större ramverk för onlinetestning som tillåter Adobe datavetare och forskare för att förstå fördelarna med deras kontinuerliga förbättringar i verkliga förhållanden.
  • I framtiden kommer den här testbädden att tillåta oss att öppna Adobe maskininlärningsplattform för datatillgängliga kunder så att de kan ta med sina egna modeller för att förstärka Target modeller.

Rapportering och Auto-Target

Mer information finns i Rapportering och automatisk målgruppsanpassning.

Utbildningsvideo: Förstå aktiviteter som mål automatiskt Märket Översikt

I den här videon förklaras hur du konfigurerar en Auto-Target A/B-aktivitet.

När du är klar med kursen bör du kunna:

  • Definiera Auto-Target testning
  • Jämför och kontrast Auto-Target till Automated Personalization
  • Skapa Auto-Target verksamhet

På denna sida