Auto-Target Vanliga frågor och felsökning

• Bestäm om affärsvärdet för en Revenue per Visit (RPV) framgångsmått är värt de extra trafikkraven. RPV behöver vanligtvis minst 1 000 konverteringar per upplevelse för att en aktivitet ska fungera jämfört med konvertering.

• Bestäm allokeringen mellan kontroll och personaliserade upplevelser innan du påbörjar aktiviteten utifrån era mål.

• Kontrollera om du har tillräckligt med trafik till sidan där Auto-Target för att personaliseringsmodeller ska kunna byggas på rimlig tid.

• Om du testar personaliseringsalgoritmen bör du inte ändra upplevelser eller lägga till eller ta bort profilattribut när aktiviteten är aktiv.

• Överväg att slutföra en A/B-aktivitet mellan erbjudandena och platserna som du tänker använda i Auto-Target aktivitet för att säkerställa att platserna och erbjudandena påverkar optimeringsmålet. Om en A/B-aktivitet inte uppvisar någon signifikant skillnad, Auto-Target sannolikt inte heller genererar lyft.

  Om ett A/B-test inte visar några statistiskt signifikanta skillnader mellan upplevelserna, är det troligt att de erbjudanden du överväger inte skiljer sig tillräckligt mycket från varandra, att de platser du valde inte påverkar framgångsmåttet eller att optimeringsmålet är för långt i konverteringsprocessen för att påverkas av dina valda erbjudanden.

• Försök att inte göra några större ändringar av upplevelserna under aktiviteten.

Om målet är att personalisera så mycket trafik som möjligt kan ni behålla 90 % riktad tilldelning och 10 % kontroll över aktivitetens livstid. Om målet är att köra ett experiment där personaliserade algoritmer jämförs med kontrollen, är en delning på 50/50 bäst under aktivitetens livstid.

Det bästa sättet är att behålla uppdelningen av trafikallokeringen under aktivitetens livstid så att besökarna inte växlar mellan målinriktade upplevelser och kontrollupplevelser.

• Erbjudandena måste vara tillräckligt olika för att påverka besökarna.
• Erbjudandena måste finnas någonstans som gör skillnad för optimeringsmålet.
• Det skall finnas tillräckligt med trafik och statistisk "effekt" i provningen för att upptäcka hissen.
• Personaliseringsalgoritmen måste fungera bra.

Det bästa sättet att agera är att först se till att det innehåll och de platser som utgör aktivitetsupplevelserna verkligen gör skillnad i den totala svarsfrekvensen med hjälp av ett enkelt, icke-personaliserat A/B-test. Se till att beräkna provstorlekarna i förväg för att säkerställa att det finns tillräckligt med kraft för att se en rimlig lyft och köra A/B-provningen under en fast varaktighet utan att stoppa den eller göra några ändringar.

Om resultaten från ett A/B-test visar en statistiskt signifikant förbättring av en eller flera av upplevelserna är det troligt att en personaliserad aktivitet kommer att fungera. Personalisering kan förstås fungera även om det inte finns några skillnader i den totala svarsfrekvensen för upplevelserna. Vanligtvis beror problemet på erbjudanden och platser som inte har tillräckligt stor inverkan på optimeringsmålet för att kunna identifieras med statistisk betydelse.

Auto-Target kan användas som"alltid on"-personalisering som ständigt optimeras. I synnerhet när det gäller innehåll som alltid är grönt behöver du inte stoppa Auto-Target aktivitet.

Om du vill göra väsentliga ändringar av innehållet i Auto-Target är det bästa sättet att starta en ny aktivitet så att andra användare som granskar rapporter inte förväxlar eller relaterar tidigare resultat med annat innehåll.

Auto-Target försöker inte skapa en personaliserad modell för en viss upplevelse förrän det finns minst 50 konverteringar för den upplevelsen. Om den modell som byggs dessutom har otillräcklig kvalitet (enligt offlineutvärdering av spärrdata), använder man ett mått som kallas AUC) används modellen inte för att betjäna trafiken på ett personaliserat sätt.

Några andra saker att tänka på Auto-TargetModelluppbyggnad:

• När en aktivitet är aktiv, Auto-Target tar hänsyn till de senaste 45 dagarna med slumpmässigt använda data när man försöker skapa modeller. Styr till exempel trafiken, plus vissa extra data som spelas upp slumpmässigt av algoritmen.
• När Revenue per Visit är dina framgångsmått, kräver dessa aktiviteter vanligtvis mer data för att bygga modeller på grund av den högre datavariationen som vanligtvis finns i besöksinkomster jämfört med konverteringsgraden.
• Eftersom modellerna byggs per upplevelse innebär en ersättning av en upplevelse med en annan att tillräcklig trafik (minst 50 konverteringar) måste samlas in för den nya upplevelsen innan personaliserade modeller kan återskapas.

Med den här funktionen kan du dirigera hela kontrolltrafiken till en viss upplevelse, baserat på den procentandel av trafikallokering som har konfigurerats i aktiviteten. Sedan kan ni utvärdera prestandarapparna för den personaliserade trafiken mot kontrolltrafiken till den upplevelsen.

Mer information finns i Använd en specifik upplevelse som kontroll.

Target bygger en modell per upplevelse, vilket innebär att en upplevelse tas bort Target skapar en modell med mindre storlek och påverkar inte modeller för de andra upplevelserna.

Anta att du har en Auto-Target med åtta upplevelser och du tycker inte om en upplevelse. Ni kan ta bort den upplevelsen och den påverkar inte modellerna för de sju återstående upplevelserna.

Lösning: Granska din aktivitetskonfiguration och se om det finns några ändringar du vill göra för att förbättra hastigheten som modellerna bygger på.

• Om mätvärdet för framgång är inställt på RPVkan du ändra till konvertering? Konverteringsaktiviteter kräver ofta mindre trafik för att skapa modeller. Du kommer inte att förlora aktivitetsdata om du ändrar resultatmåttet från RPV till konvertering.
• Når er framgångsstatistik långt ned i säljprocessen från era aktivitetsupplevelser? En lägre aktivitetskonverteringsfrekvens ökar de trafikkrav som krävs för modeller att bygga, eftersom ett minsta antal konverteringar krävs.
• Finns det några upplevelser du kan släppa från din aktivitet? Om du minskar antalet upplevelser i en aktivitet tar det kortare tid att skapa modeller.
• Finns det någon sida med högre trafik där den här aktiviteten skulle bli mer framgångsrik? Ju mer trafik och konverteringar ni har på er aktivitetsplats, desto snabbare blir modellerna.

• Erbjudandena måste vara tillräckligt olika för att påverka besökarna.
• Erbjudandena måste finnas någonstans som gör skillnad för optimeringsmålet.
• Det skall finnas tillräckligt med trafik och statistisk "effekt" i provningen för att upptäcka hissen.
• Personaliseringsalgoritmen måste fungera bra.

Lösning: Kontrollera först att din aktivitet personaliserar trafik. Om modellerna inte har byggts för alla upplevelser, Auto-Target aktiviteten ger fortfarande en slumpvis stor del av besöken för att försöka skapa alla modeller så snabbt som möjligt. Om modeller inte byggs Auto-Target personaliserar inte trafik.

Se sedan till att erbjudandena och aktivitetsplatserna verkligen gör skillnad i den totala svarsfrekvensen med hjälp av ett enkelt, icke-personaliserat A/B-test. Se till att beräkna provstorlekarna i förväg för att säkerställa att det finns tillräckligt med kraft för att se en rimlig lyft och köra A/B-provningen under en fast varaktighet utan att stoppa den eller göra några ändringar. Om resultaten från ett A/B-test visar en statistiskt signifikant förbättring av en eller flera av upplevelserna är det troligt att en personaliserad aktivitet fungerar. Personalisering kan fungera även om det inte finns några skillnader i den totala svarsfrekvensen för upplevelserna. Vanligtvis beror problemet på erbjudanden och platser som inte har tillräckligt stor inverkan på optimeringsmålet för att kunna identifieras med statistisk betydelse.

I en Auto-Target när ett konverteringsmått (vare sig optimeringsmål eller postmål) konverteras, släpps användaren från upplevelsen och aktiviteten startas om.

Det finns till exempel en aktivitet med ett konverteringsmått (C1) och ett ytterligare mått (A1). A1 är beroende av C1. När en besökare går in i aktiviteten för första gången och villkoren för konvertering av A1 och C1 inte konverteras, konverteras inte mätvärdena A1 på grund av beroendet av framgångsmått. Om besökaren konverterar C1 och sedan konverterar A1, konverteras A1 fortfarande inte eftersom besökaren frigörs när C1 konverteras.