Premium

自動鎖定目標概覽

自動鎖定目標 中的活動 Adobe Target 使用進階機器學習來從多個高效能之市場行銷人員定義的體驗中進行選擇,以便個人化內容並促進轉換。 自動鎖定目標 會根據個別客戶設定檔和具有類似設定檔之先前訪客的行為,提供每位訪客量身打造的最佳體驗。

注意

使用自動鎖定目標的真實成功案例

一家大型服裝零售商最近使用 自動鎖定目標 活動包含十種產品類別型體驗(加上隨機控制),可為每位訪客提供正確內容。 "加入購物車「 」已選為主要最佳化量度。 目標體驗的平均提升度為29.09%。 建置之後 自動鎖定目標 模型,活動已設定為90%個人化體驗。

在短短十天內,提升度就超過$1,700,000。

請繼續閱讀以瞭解如何使用 自動鎖定目標 以提升貴組織的提升度和收入。

總覽

使用三步驟引導式工作流程建立 A/B 活動時,您可以選擇使用「針對個人化體驗自動鎖定目標」選項來分配流量:

個人化體驗選項的自動鎖定目標

A/B 活動流量內的「自動鎖定目標」選項可讓您只要按一下即可駕馭機器學習,以根據市場行銷人員定義的一組體驗進行個人化。自動鎖定目標 相較於傳統的A/B測試或 自動分配,藉此決定要為每位訪客顯示的體驗。 不同於 A/B 活動的目標是找出單一獲勝者,自動鎖定目標會自動為特定訪客決定最佳體驗 (根據其設定檔及其他情境資訊),以實現高度個人化的體驗。

類似於 Automated Personalization, 自動鎖定目標 使用 隨機森林演演算法(頂尖的資料科學整體方法),用來決定要向訪客顯示的最佳體驗。 因為自動鎖定目標可以適應訪客行為的變化,所以可不斷地執行以帶來提升度。這有時稱為「隨時待命」模式。

不同於 A/B 活動對特定訪客採用固定的體驗分配,自動鎖定目標會隨著每次造訪來最佳化指定的業務目標。如同在自動個人化中,依預設,自動鎖定目標也會保留一部分活動流量作為控制組以測量提升度。在活動中會提供隨機體驗給控制組中的訪客。

考量事項

使用時,請謹記一些重要的考量事項 自動鎖定目標:

  • 您無法從切換特定活動 自動鎖定目標 至 Automated Personalization,反之亦然。

  • 您無法從 手動 流量分配(傳統 A/B測試)至 自動鎖定目標,反之亦然。

  • 建立一個模型,用於識別個人化策略與隨機提供流量的效能,以及將所有流量傳送至整體成功體驗的效能。 此模型只會考慮預設環境中的點選和轉換。

    系統會為每個模型群組(AP)或體驗(AT)建立第二組模型的流量。 對於這些模型中的每一個,都會考量所有環境中的點選和轉換。

    無論環境為何,請求都以相同的模式提供,但多個流量應來自預設環境,以確保識別的整體成功體驗與真實世界行為一致。

  • 至少使用兩個體驗。

術語

討論自動鎖定目標時,下列詞語相當實用:

術語 定義
多臂吃角子老虎機 最佳化的多臂吃角子老虎機方法可平衡探索學習和該學習的利用。
隨機森林 隨機森林是先進的機器學習方法。就資料科學而言,這是一種整體分類或回歸方法,會根據訪客和造訪屬性來建構許多決策樹。 範圍 Target,隨機森林用於決定哪個體驗對於每個特定訪客具有最高的轉換可能性(或每次造訪的最高收入)。
Thompson 取樣 Thompson取樣的目標是判斷哪個體驗是最佳的整體(非個人化)體驗,同時將尋找該體驗的「成本」降至最低。 即便兩個體驗之間沒有統計上的差異,Thompson 取樣仍一律會挑選獲勝者。

自動鎖定目標如何運作

請前往下列連結,以進一步瞭解自動鎖定目標和自動個人化所根據的資料和演算法:

術語 詳細資料
隨機森林演算法 Target 在自動鎖定目標和自動個人化中採用的主要個人化演算法是「隨機森林」。隨機森林之類的整體方法會使用多個學習演算法,相較於任何建構式學習演算法可獲得更好的預測性效能。中的隨機森林演演算法 Automated Personalization 和 自動鎖定目標 活動是一種分類或回歸方法,在訓練時透過建構多個決策樹來運作。
上傳資料供 Target 的個人化演算法使用 有幾種方式可輸入資料供自動鎖定目標和自動個人化模型使用。
Target 個人化演算法的資料收集 Target的個人化演演算法會自動收集各種資料。

決定流量分配

視活動的目標而定,您可能在控制體驗與個人化體驗之間選擇不同的流量分配。最佳作法是在活動上線之前就決定此目標。

「自訂分配」下拉式清單可讓您從下列選項中選擇:

  • 評估個人化演算法
  • 將個人化流量最大化
  • 自訂分配

分配目標下拉式清單

活動目標 建議的流量分配 取捨
評估個人化演算法 (50/50): 如果您的目標是要測試演算法,請在控制與鎖定的演算法之間使用訪客的 50/50 百分比分割。此分割可提供提升度更準確的預估。建議搭配使用「隨機體驗」作為控制。 50% 控制/ 50% 個人化體驗分割
  • 使控制與個人化之間的提升度達到最高準確性
  • 擁有個人化體驗的訪客相對較少
最大化個人化流量(90/10):如果您的目標是要建立「一律開啟」的活動,請將10%的訪客放入控制,以確保有足夠的資料供演演算法隨著時間繼續學習。 請注意,這裡的取捨是以更大比例的流量交換個人化,因此在確切的提升度方面較不精確。 無論您的目標為何,這是使用特定體驗作為控制時的建議流量分割。 最佳作法是採用 10% - 30% 控制/ 70% - 90% 個人化體驗分割
  • 將具有個人化體驗的訪客人數最大化
  • 將提升度最大化
  • 活動的提升度較不準確
自訂分配 視需要手動分割百分比。
  • 您可能未達到理想的結果。如果不確定,請採用前述任一選項的建議。

若要調整 控制 百分比,按一下 配置 欄。 您無法將控制組降到 10% 以下。

變更自動鎖定目標流量分配

您可以選取特定體驗以用來作為控制,或者也可以使用隨機體驗選項。

何時應選擇自動鎖定目標而放棄自動個人化?

在幾種情況下,您可能會偏好使用 自動鎖定目標 超過 Automated Personalization:

  • 如果您想定義整個體驗,而非將會自動合併而形成體驗的個別選件。
  • 如果您想要使用完整的 視覺化體驗撰寫器 不支援的(VEC)功能 自動個人化:自訂程式碼編輯器、多個體驗對象等。
  • 如果您想對不同體驗中的頁面進行結構性變更。例如,如果您想重新排列首頁上的元素, 自動鎖定目標 比以下專案更適合 Automated Personalization.

什麼功能 自動鎖定目標 與以下專案有共同點: Automated Personalization?

演算法會針對每次造訪的有利結果而最佳化。

  • 演演算法會預測訪客的轉換傾向(或轉換的估計收入),以提供最佳體驗。
  • 訪客符合在現有工作階段結束後使用新體驗的資格(除非訪客在控制組中,在這種情況下,訪客在第一次造訪時指派的體驗在後續造訪中維持相同)。
  • 在工作階段中,預測不會變更,以維持視覺一致性。

演算法會適應訪客行為的變化。

  • 多臂吃角子老虎機可確保模型一律「花費」一小部分流量,以便在活動學習的整個生命週期中繼續學習,並防止過度利用之前學習的趨勢。
  • 基礎模型每24小時會使用最新的訪客行為資料重建一次,以確保 Target 總是利用訪客偏好設定的變化。
  • 如果演算法無法為個人決定勝出體驗,則會自動切換為顯示整體表現最佳的體驗,同時仍繼續尋找個人化獲勝者。採用 Thompson 取樣可找出表現最佳的體驗。

演算法會持續針對單一目標量度而最佳化。

  • 此量度可根據轉換或收入計算(更具體地說 每次造訪帶來的收入)。

Target 會自動收集關於訪客的資訊以建置個人化模型。

TargetAdobe Experience Cloud 會自動使用所有 共用對象,以建立個人化模型。

  • 您不需要做任何特定的動作將對象新增至模型。如需關於使用的資訊 Experience Cloud Audiences 替換為 Target,請參閱 Experience Cloud對象

市場行銷人員可以上傳離線資料、傾向分數或其他自訂資料,以建立個人化模型。

自動鎖定目標與自動個人化有何不同?

建立個人化模型時,自動鎖定目標所需的流量通常比自動個人化還少。

雖然建立自動鎖定目標或自動個人化模型所需的​個別體驗​流量相同,但自動個人化活動中的體驗通常比自動鎖定目標活動更多。

例如,如果您有一個 自動個人化 您已針對具有兩個位置的每個位置建立兩個選件的活動,活動中總共會包含四個(2 = 4)體驗(沒有排除專案)。 使用自動鎖定目標時,您可以將體驗 1 設為包含位置 1 的選件 1 和位置 2 的選件 2,將體驗 2 設為包含位置 1 的選件 1 和位置 2 的選件 2。由於自動鎖定目標允許一個體驗內有多項變更,因此您可以減少活動中的體驗總數。

針對自動鎖定目標,可以使用簡易的經驗法則來瞭解流量需求:

  • 當轉換是成功量度時:​每個體驗每日有 1,000 次造訪和至少 50 次轉換,此外,活動至少必須有 7,000 次造訪和 350 次轉換。
  • 當每次造訪帶來的收入為您的成功量度時:​每個體驗每天 1,000 次造訪和至少 50 次轉換,此外,活動必須每個體驗至少 1,000 次轉換。RPV 通常需要更多資料才能建置模型,原因是造訪收入相較於轉換率一般會存在較高的資料變數。

自動鎖定目標具有完整的設定功能。

  • 因為 自動鎖定目標 內嵌於A/B活動工作流程中, 自動鎖定目標 從更成熟且功能齊全的產品中獲益 視覺化體驗撰寫器 (VEC)。 您也可以使用 QA連結 替換為 自動鎖定目標.

自動鎖定目標提供廣闊的線上測試架構。

  • 多臂吃角子是大型線上測試架構的一部分,該架構允許 Adobe 資料科學家和研究人員,以瞭解他們在現實世界中持續改善的好處。
  • 未來此測試平台將允許我們開啟 Adobe 為精通資料的客戶提供機器學習平台,好讓他們能匯入自己的模型,以增強 Target 模型。

報表和自動鎖定目標

如需詳細資訊,請參閱 報表和自動鎖定目標.

訓練影片:瞭解自動鎖定目標活動 Overview badge

本影片說明如何設定自動鎖定目標 A/B 活動。

完成此訓練之後,您應該能夠:

  • 定義自動鎖定目標測試
  • 比較和對照自動鎖定目標與自動個人化
  • 建立自動鎖定目標活動

本頁內容