PREMIUMA自动目标

自动定 位使用高 Adobe Target 级机器学习从多个高性能营销人员定义的体验中进行选择，以个性化内容并推动转化。自动目标根据个别客户用户档案和具有相似用户档案的先前访客的行为，为每位访客提供最为定制的体验。

使用自动目标的真实成功案例

一家主要服装零售商最近使用了自动目标活动和十种基于产品类别的体验（加上随机控制），向每个访客提供正确的内容。 "添加到购物车"被选为主要优化量度。 目标体验平均提升29.09%。 构建自动目标模型后，活动设置为90%的个性化体验。

仅仅十天，就实现了170多万美元的提升。

继续阅读，了解如何使用自动目标来增加组织的提升和收入。

概述

在使用三步引导式工作流创建 A/B 活动时，您可以选择使用“自动定位以提供个性化体验”选项来分配流量：

通过 A/B 活动流程中的自动定位选项，您可以利用机器学习功能，只需一次单击即可根据营销人员定义的一组体验进行个性化。与传统 A/B 测试或自动分配相比，自动定位旨在通过确定为每个访客显示哪个体验来实现最大程度的优化。与目标是找到一个入选者的 A/B 活动不同，自动定位会自动确定适用于给定访客的最佳体验（根据其个人资料和其他相关信息），从而交付高度个性化的体验。

与自动个性化类似，自动定位使用随机林算法（一种领先的数据科学组合方法）来确定要向访客显示的最佳体验。由于自动定位可根据访客行为的变化而自行调整，因此它可以一直运行以实现提升。这有时被称为“始终运行”模式。

与 A/B 活动不同，自动定位会优化每次访问的指定业务目标，而 A/B 活动为给定访客分配的体验是具有粘性的。与自动个性化一样，默认情况下，自动定位会将部分活动流量作为控制组保留以便测量提升度。在活动中，控制组的访客会得到随机体验。

注意事项

使用自动目标时，应记住以下几个重要注意事项：

• 无法将特定活动从自动目标切换到Automated Personalization，反之亦然。

• 您不能从手动流量分配（传统的A/B测试）切换到自动目标，在活动实时后切换为反之。

• 通过建立一个模型来识别个性化策略与随机服务流量的性能，以及将所有流量发送到整体赢取体验的性能。 此模型仅考虑默认环境中的点击和转换。

  来自第二组模型的流量是为每个建模组(AP)或体验(AT)构建的。 对于每个模型，都会考虑所有环境的点击和转换。

  请求以相同的模型提供，而不管环境如何，但多个流量应来自默认环境，以确保所识别的整体入选体验与真实行为一致。

• 至少使用两种体验。

术语

讨论自动定位时，以下术语很有用：

自动定位的工作方式

请通过以下链接，了解与自动定位和自动个性化的数据和算法相关的更多信息：

确定流量分配

根据您的活动目标，您可以选择向控制体验和个性化体验分配不同的流量。最佳实践是在活动开始之前确定此目标。

“自定义分配”下拉列表可让您从以下选项中进行选择：

• 评估个性化算法
• 最大化个性化流量
• 自定义分配

要调整控制百分比，请单击“分配”列中的图标。您不能将控制组降至 10% 以下。

您可以选择特定体验作为控制，也可以使用“随机体验”选项。

何时应选择自动定位而不是自动个性化？

在以下几种情况下，您可能希望使用自动目标，而不是Automated Personalization:

• 如果您想定义整个体验，而不是单个选件（各选件会自动结合形成一个体验）。
• 如果要使用自动个性化不支持的全套Visual Experience Composer(VEC)功能：自定义代码编辑器、多个体验受众等。
• 如果您想在不同的体验中对页面进行结构性更改。例如，如果要重新排列主页上的元素，自动目标更适合使用。

自动定位与自动个性化有什么共同之处？

算法会对每次访问进行优化以获得有利的结果。

• 其算法会预测访客的转化倾向（或预估转化带来的收入），以便提供最佳体验。
• 访客有资格在现有会话结束时获得新体验(除非访客在对照组中，在这种情况下，在首次访问时分配访客的体验对于后续访问保持不变)。
• 在一个会话中，为保持可视化的一致性，预测不会发生更改。

算法会根据访客行为的变化自行调整。

• 多臂强盗可确保模型始终“花费”少量流量，以在活动学习的整个生命周期中继续学习，并防止过度利用以前学习的趋势。
• 基础模型每24小时使用最新的访客行为数据重建一次，以确保目标始终利用不断变化的访客首选项。
• 如果该算法无法为个人用户确定入选体验，则会自动切换为显示总体性能最佳的体验，同时仍继续查找个性化入选者。使用汤普森采样查找性能最佳的体验。

算法会针对单个目标量度不断进行优化。

• 此量度可以是基于转化的，也可以是基于收入的（更具体地说，即“每次访问带来的收入”）。

Target 会自动收集关于访客的信息来构建个性化模型。

• 有关自动定位和自动个性化中使用的参数的更多信息，请参阅自动个性化数据收集。

Target 会自动使用所有 Experience Cloud 共享受众来构建个性化模型。

• 您无需执行任何特定操作来将受众添加到模型中。有关在 Target 中使用 Experience Cloud 受众的信息，请参阅 Experience Cloud 受众

营销人员可以上传离线数据、倾向得分或其他自定义数据来构建个性化模型。

• 了解更多有关为自动定位和自动个性化上传数据的信息。

自动定位与自动个性化有什么不同之处？

与自动个性化相比，自动定位通常需要较少的流量即可构建个性化模型。

尽管构建自动定位或自动个性化模型所需的​每个体验​的流量数量相同，但自动个性化活动中的体验通常多于自动定位活动中的体验。例如，如果您有一个自动个性化活动，其中包含两个位置，且您已为每个位置创建两个选件，则该活动中将共包含四个（2 = 4）体验（不含排除项）。在使用自动定位时，您可以将体验 1 设置为在位置 1 中包含选件 1，在位置 2 中包含选件 2，将体验 2 设置为在位置 1 中包含选件 1，在位置 2 中包含选件 2。由于自动定位允许您选择在一个体验中进行多次更改，因此您可以减少活动中的体验总数。

对于自动定位，可以使用简单的经验规则来了解流量要求：

• 当“转化”是您的成功量度时：​每个体验每天有 1,000 次访问和至少 50 次转化，此外，该活动至少需要 7,000 次访问和 350 次转化。
• 当“每次访问带来的收入”(RPV) 是您的成功量度时：​每个体验每天有 1,000 次访问和至少 50 次转化，此外，该活动的每个体验必须至少有 1,000 次转化。RPV 通常需要更多的数据才能构建模型，这是因为与转化率相比，访问收入通常存在着较大的数据差异。

自动定位具有全面的设置功能。

• 由于自动定位嵌入在 A/B 活动工作流中，因此自动定位可以从更成熟且功能齐全的可视化体验编辑器 (VEC) 中受益。您还可以在自动定位中利用 QA 链接。

自动定位提供广泛的在线测试框架。

• 多臂老虎机是较大的在线测试框架的一部分，它允许我们的数据科学家和研究人员了解在实际环境中进行持续改进带来的好处。
• 将来，此测试平台将允许我们向那些精通数据处理的客户开放我们的机器学习平台，以便他们可以引入自己的模型来增强 Target 的模型。

报表和自动定位

有关更多信息，请参阅报表部分中的自动定位摘要报表。

培训视频：了解自动目标活动

本视频介绍了如何设置自动定位 A/B 活动。

完成此培训后，您应该能够：

• 定义自动定位测试
• 将自动定位与自动个性化进行比较和对比
• 创建自动定位活动