Adobe Target中 的自動定位活動使用進階機器學習從多個高效能行銷人員定義的體驗中選擇,以個人化內容並推動轉化。自動鎖定目標會根據訪客的個別客戶設定檔與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。
自動鎖定目標是 Target Premium 解決方案內建的功能。若無 Target Standard 授權,Target Premium 不提供此功能。如需此授權提供之進階功能的詳細資訊,請參閱 Target Premium。
Analytics for Target (A4T)支援「自 動定位 」活動。如需詳細資訊,請參閱建立使用Analytics作為報告來源的活動。
一家主要服裝零售商最近使用Auto-Target活動搭配十種產品類別型體驗(加上隨機控制),為每位訪客提供正確的內容。 "新增至購物車"被選為主要最佳化度量。 目標體驗平均提升29.09%。 建立Auto-Target模型後,活動會設為90%的個人化體驗。
短短10天,就實現了170多萬美元的提升。
繼續閱讀以瞭解如何使用Auto-Target來增加組織的提升度和收入。
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:
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。相較於傳統的 A/B 測試或自動分配,「自動鎖定目標」旨在決定要顯示給每個訪客的體驗,讓最佳化發揮到極致。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。
類似於自動個人化,自動鎖定目標也採用隨機森林演算法 (頂尖的資料科學整體方法),以判斷要顯示給訪客的最佳體驗。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。
使用Auto-Target時,應牢記以下幾點重要事項:
您無法將特定活動從自動鎖定目標切換到自動個人化,反之亦然。
在活動上線之後,您無法從手動流量分配 (傳統 A/B 測試) 切換到自動鎖定目標,反之亦然。
建立一個模型,用以識別個人化策略的效能與隨機提供的流量,以及將所有流量傳送至整體成功體驗。 此模型僅會在預設環境中考慮點擊和轉換。
來自第二組模型的流量會針對每個模型群組(AP)或體驗(AT)建立。 對於這些模型,會考慮所有環境的點擊和轉換。
因此,無論環境如何,請求都會以相同的模型提供,但是,多個流量應來自預設環境,以確保所識別的整體成功體驗與實際行為一致。
您必須使用至少兩個體驗。
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。以資料科學的行話來說,這是一種系綜法分類法 (或迴歸方法),作法是根據訪客和造訪屬性來建構大量決策樹。在 Target 內,隨機森林可用來針對每個特定訪客,決定何種體驗預期轉換的可能性最高 (或每次造訪帶來的收入最高)。如需關於 Target 中隨機森林的資訊,請參閱隨機森林演算法。 |
Thompson 取樣 | Thompson 取樣的目標是要判斷哪個體驗是整體最佳 (非個人化),同時將找到該體驗的「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。如需詳細資訊,請參閱 Thompson 取樣。 |
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。自動個人化系統中的隨機森林演算法為一種分類或迴歸方法,其運作方式是在訓練時建構許多決策。 |
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 的個人化演算法會自動收集各種資料。 |
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:
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「隨機體驗」搭配使用以作為控制。 | 50% 控制/ 50% 個人化體驗分割 |
|
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 |
|
自訂分配 | 視需要手動分割百分比。 |
|
若要調整控制百分比,請按一下分配欄中的圖示。您無法將控制組降到 10% 以下。
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。
在幾種情況下,您可能偏好使用自動鎖定目標,而不選擇自動個人化:
演算法會針對每次造訪的有利結果而最佳化。
演算法會適應訪客行為的變化。
演算法會持續針對單一目標量度而最佳化。
Target 會自動收集關於訪客的資訊以建置個人化模型。
Target 會自動使用所有 Experience Cloud 的共用對象來建置個人化模型。
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。
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,如果您的自動個人化活動中有兩個位置,且已為各個位置建立兩個選件,則活動中總共會包含四個 (2 = 4) 體驗 (沒有排除項目)。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:
自動鎖定目標具有完整的設定功能。
自動鎖定目標提供廣闊的線上測試架構。
如需詳細資訊,請參閱報表一節中的自動鎖定目標摘要報表。
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: