自动定位 常见问题解答和疑难解答

• 确定 每次访问收入 (RPV)成功量度值得满足其他流量要求。 与转化相比，RPV 通常要求每个体验至少有 1,000 次转化才能完成工作。

• 开始活动之前，根据您的目标确定控制体验和个性化体验之间的流量分配。

• 确定您是否有足够的流量访问自动定位活动将运行的页面，以使个性化模型在合理的时间内生成。

  • 如果您正在测试个性化算法，则不应在活动开始时更改体验或添加或删除用户档案属性。

• 考虑在您计划在 自动定位 活动，以确保位置和选件对优化目标产生影响。 如果 A/B 活动未能显示显著差异，则自动定位可能也无法生成提升。

  • 如果 A/B 测试在体验之间没有显示出具有统计意义的显著差异，则意味着：您考虑使用的选件可能并不具备足够的差异，您选择的位置不会影响成功量度，或者优化目标位于转化漏斗中较远的位置，不会受到所选选件的影响。

• 尽量不要在活动运行的过程中对体验做出重大更改。

如果您的目标是尽可能多地个性化流量，则可以在活动生命周期内坚持90%的目标分配和10%的控制。 如果目标是做一个试验，比较个性化算法比对照好多少，那么在整个活动期内最好 50/50 分摊。

最佳实践是在整个活动期内保持流量分配分摊，这样访客就不会在针对性体验与对照体验之间切换。

• 这些选件需要有足够的差异才能对访客产生影响。
• 这些选件需要放置到对优化目标有影响的地方。
• 测试中必须有足够的流量和统计“功效”，才能检测到提升度。
• 个性化算法必须运行良好。

最好的做法是，首先使用简单、非个性化的 A/B 测试来确保组成活动体验的内容和位置对整体响应率真正地产生了影响。务必提前计算样本量，以确保有足够的样本以便看到合理的提升，并在一段固定的时间内运行 A/B 测试，且不要终止或对其进行任何更改。

如果 A/B 测试结果显示一个或多个体验具有统计意义上的显著提升，则个性化活动很可能会起作用。当然，即便体验的总体响应率没有差异，个性化也可能会起作用。通常来说，出现这个问题是因为，对优化目标没有较大影响的选件/位置被检测出具有统计学意义。

自动定位 可用作“始终运行”的个性化，不断进行优化。 特别是对于一直使用的内容，无需停止自动定位活动。

如果您想对 自动定位 活动时，最佳实践是启动一个新活动，以便其他用户查看报表时不会将过去的结果与不同内容混淆或相关联。

自动定位 直到该体验至少有50次转化，才会尝试为给定体验构建个性化模型。 此外，如果所构建的模型质量不足（由对暂挂“测试”数据的离线评估确定），则使用 称为AUC的量度)，则模型不会用于以个性化方式提供流量。

关于自动定位的模型构建，还有如下几点要牢记：

• 活动开始后， 自动定位 尝试构建模型时，会考虑最多过去45天随机提供的数据（例如，控制流量，以及算法保留的一些额外随机提供的数据）。
• 将每次访问收入作为成功指标时，这些活动一般需要更多数据才能构建模型，因为访问收入的数据偏差一般要比转化率的数据偏差高。
• 由于模型是基于每个体验构建的，因此将一个体验替换为另一个体验意味着必须为新体验收集足够的流量（至少50次转化），然后才能重新构建个性化模型。

此功能允许您根据活动中配置的流量分配百分比，将整个控制流量路由到特定体验。 然后，您可以根据该体验的控制流量评估个性化流量的性能报表。

有关更多信息，请参阅使用特定体验作为控制。

此建议适用于使用 Target 或 Analytics (A4T) 作为报表源的自动分配、自动定位和自动个性化活动。

本指南也适用于 自动分配 和 Automated Personalization 活动。

Target 为每个体验构建一个模型，因此删除一个体验意味着 Target 可少构建一个模型，且不会影响其他体验的模型。

例如，假设您的自动定位活动有八个体验，而您不满意其中一个体验的表现。您可以删除该体验，但不会影响其余七个体验的模型。

解决方法：​查看活动设置，看看您是否愿意做出一些更改以提高构建模型的速度。

• 如果成功量度设置为 RPV，能否更改为转化？ 转化活动需要用来构建模型的流量通常较少。如果将成功量度从 RPV 更改为转化，您并不会丢失活动数据。
• 您的成功量度在活动体验的销售漏斗中是否位于较远的位置？较低的活动转化率会增加构建模型所需的流量要求，因为需要的转化次数最少。
• 是否有一些体验可从活动中删除？减少活动中的体验数量会减少构建模型的时间。
• 是否存在更高流量的页面可以提高此活动的成功率？活动位置中的流量和转化越多，构建模型的速度就会越快。

• 选件必须足够不同才能影响访客。
• 选件必须位于对优化目标有影响的位置。
• 测试中必须有足够的流量和统计“功效”，才能检测到提升度。
• 个性化算法必须运行良好。

解决方法：​首先，确保您的活动对流量进行了个性化。如果没有针对所有体验都构建了模型，那么您的自动定位活动仍会为大量访问随机提供体验，以尽可能快地构建所有模型。如果未构建模型，则自动定位不会对流量进行个性化。

接下来，使用简单、非个性化的 A/B 测试，确保选件和活动位置确实会对整体响应率产生影响。务必提前计算样本量，以确保有足够的样本以便看到合理的提升，并在一段固定的时间内运行 A/B 测试，且不要终止或对其进行任何更改。如果 A/B 测试显示一个或多个体验具有统计意义的提升，则个性化活动有可能会奏效。当然，即便体验的总体响应率没有差异，个性化也可能会起作用。通常，问题源自选件和位置对要检测的优化目标没有产生足够大的统计意义的影响。

在自动定位活动中，转化量度（无论是优化目标还是后期目标）发生转化后，用户将会从体验中释放，并且活动会重新开始。

例如，一个活动拥有一个转化量度 (C1) 和一个其他量度 (A1)。A1 依赖于 C1。当访客首次进入活动，并且转化 A1 和 C1 的标准并未实现转化，那么由于成功量度的依赖关系，量度 A1 不会进行转化。如果访客先转化了 C1，然后转化了 A1，则 A1 仍不会实现转化，因为一旦 C1 完成转化，该访客便会被释放。