自动定位 活动 Adobe Target 使用先进的机器学习技术从营销人员定义的多个高性能体验中进行选择,以个性化内容并促进转化。 自动定位根据单个客户配置文件和具有相似配置文件的先前访客的行为,为每个访客提供量身定制的体验。
自动定位作为 Target Premium 解决方案的一部分提供。如果没有 Target Premium 许可证,则此功能在 Target Standard 中不可用。有关此许可证提供的各项高级功能的更多信息,请参阅 Target Premium。
Analytics for Target (A4T)支持 自动定位 活动。 有关更多信息,请参阅自动分配和自动定位活动支持 A4T。
一家大型服装零售商最近使用了 自动定位 活动,提供十个基于产品类别的体验(以及随机控制),以向每位访客提供正确的内容。 "添加到购物车“ ”作为主要优化量度。 定位体验的平均提升率为29.09%。 在构建 自动定位 模型时,活动会设置为90%的个性化体验。
仅仅在10天内,就实现了170多万美元的提升。
继续阅读以了解如何使用 自动定位 以增加贵组织的提升和收入。
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。
使用 自动定位:
您无法从 自动定位 Automated Personalization,反之亦然。
您无法从“手动”流量分配(传统A/B测试)切换到 自动定位,反之亦然。
我们构建了一个模型,以识别个性化策略与随机提供流量的性能,以及将所有流量发送到整个入选体验的性能。 此模型仅考虑默认环境中的点击和转化。
每个建模组(AP)或体验(AT)会生成第二组模型的流量。 对于其中每个模型,都会考虑所有环境中的点击和转化。
请求会使用相同的模型来提供,而不管环境如何,但多个流量应来自默认环境,以确保已识别的整体入选体验与真实世界的行为一致。
至少使用两个体验。
讨论自动定位时,以下术语很有用:
术语 | 定义 |
---|---|
多臂老虎机 | 多臂老虎机优化方法可在探索式学习和对该学习的利用之间进行平衡。 |
随机森林 | 随机林是一种领先的机器学习方法。在数据科学领域,它是一种组合分类或回归方法,通过基于访客和访问属性构建许多决策树来工作。 在 Target 中,随机林用来确定对于每个特定访客而言,哪个体验的转化可能性最高(或每次访问带来的收入最高)。有关 Target 中随机林的更多信息,请参阅随机林算法。 |
汤普森采样 | 汤普森采样的目的是确定整体来看哪个体验最好(非个性化),同时最大限度地减少找到该体验的“成本”。即便两种体检之间没有统计意义上的差异,汤普森采样算法还是会选出一个入选者。有关更多信息,请参阅汤普森采样。 |
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:
术语 | 详细信息 |
---|---|
随机林算法 | Target 在自动定位和自动个性化中使用的主要个性化算法是随机林。相较于从任何组成学习算法获得的性能而言,诸如随机林之类的组合方法可使用多种学习算法获得更好的预测性能。Automated Personalization系统中的随机林算法是一种分类或回归方法,它通过在训练时构建大量决策树来操作。 |
为 Target 个性化算法上传数据 | 有几种方法可以为自动定位和自动个性化模型输入数据。 |
为 Target 个性化算法收集数据 | Target的个性化算法会自动收集各种数据。 |
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:
活动目标 | 建议的流量分配 | 权衡 |
---|---|---|
评估个性化算法 (50/50):如果您的目标是测试算法,则可以在控制和目标算法之间按 50/50 的百分比拆分访客。这种拆分可让您对提升进行最精确的评估。建议将“随机体验”用作控制。 | 按 50% 控制体验/ 50% 个性化体验进行拆分 |
|
最大化个性化流量 (90/10):如果您的目标是创建“一直开启”的活动,则可以在控制中放入 10% 的访客,以确保算法有足够的数据来不断学习。请注意,这里做出的权衡是,为了对较大比例的流量进行个性化,提升度的准确度会降低。 无论您的目标如何,在使用特定体验作为控制时,都建议按此比例拆分流量。 | 最佳实践是使用 10% - 30% 控制体验 / 70% - 90% 个性化体验的拆分方式 |
|
自定义分配 | 根据需要手动拆分百分比。 |
|
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。
在以下几种情况中,您可能会希望使用 自动定位 over Automated Personalization:
算法会对每次访问进行优化以获得有利的结果。
算法会根据访客行为的变化自行调整。
算法会针对单个目标量度不断进行优化。
Target 会自动收集关于访客的信息来构建个性化模型。
Target 会自动使用所有 Experience Cloud 共享受众来构建个性化模型。
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。
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:
自动定位具有全面的设置功能。
自动定位提供广泛的在线测试框架。
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: