를 만드는 동안 컨트롤로 사용할 환경을 선택할 수 있습니다. Automated Personalization (AP) 또는 자동 타기팅 (AT) 활동.

이 기능을 사용하면 활동에 구성된 트래픽 할당 비율에 따라 전체 제어 트래픽을 특정 환경으로 라우팅할 수 있습니다. 그런 다음 해당 경험의 제어 트래픽에 대해 개인화된 트래픽의 성능 보고서를 평가할 수 있습니다.

자세한 내용은 특정 환경을 제어로 사용을 참조하십시오.

비교할 수 있는 턴키 옵션이 없습니다 Automated Personalization 기본 경험으로 마이그레이션합니다. 하지만 해결 방법으로, 기본 오퍼 또는 경험이 전체 활동의 일부로 존재하는 경우 해당 기준선 성능을 이해하려면 를 클릭합니다.제어"보고서의 세그먼트를 만들고 결과 오퍼 수준 보고서에서 해당 특정 오퍼를 찾습니다. 이 오퍼에 대해 기록된 전환율을 사용하여 전체 "Random Forest" 세그먼트의 대화율과 비교할 수 있습니다. 이렇게 하면 기본 오퍼와 비교하여 시스템이 수행하는 방식을 비교하는 데 도움이 됩니다.

• 낮은 트래픽의 페이지를 개인화하거나 개인화하는 경험을 구조적으로 변경하려면 자동 타기팅 활동 대신 Automated Personalization. 다음을 참조하십시오 자동 타기팅.

• 다음 작업을 완료하는 것이 좋습니다. A/B 테스트 에서 사용하려는 오퍼와 위치 간의 활동 Automated Personalization 활동은 위치 및 오퍼가 최적화 목표에 영향을 주는지 확인하기 위한 것입니다. 다음과 같은 경우 A/B 테스트 활동이 상당한 차이를 보이지 못함, Automated Personalization 상승도를 생성하지 못할 수도 있습니다.

  • A/B…N 테스트에서 경험 간에 통계적으로 중요한 차이가 없는 경우 다음 상황 중 하나 이상이 원인일 수 있습니다.

    • 오퍼는 서로 충분히 다르지 않을 수 있습니다.
    • 선택한 위치는 성공 지표에 영향을 주지 않습니다.
    • 전환 단계에서 최적화 목표가 너무 멀어서 선택한 오퍼의 영향을 받을 수 없습니다.

• 다음을 사용하십시오. 트래픽 견적 도구 을 통해 개인화 모델이 만들어지는 데 걸리는 시간을 파악할 수 있습니다. Automated Personalization 활동.

• 목표를 기반으로 활동을 시작하기 전에 통제와 타깃팅 간의 할당을 결정합니다.

  활동의 목표와 선택한 제어 유형에 따라 고려할 시나리오가 세 가지가 있습니다.

  • 제어 및 활동 목표로서의 무작위 경험은 개인화 알고리즘의 효과를 테스트하는 것입니다: 목표가 개인화 알고리즘을 평가하는 것이면 상승도에 대해 보다 정확하게 파악하고자 합니다. 또한 을 수행한 경우 경험 또는 오퍼에 대한 전환율을 비교하려고 합니다. A/B 테스트 (임의로 제공된 제어). 이 경우, 임의로 제공된 환경에 대한 제어에 50% 할당을 사용하는 것이 좋습니다.
  • 제어 및 활동 목표로서의 "무작위 경험"은 개인화된 트래픽을 최대화하는 것입니다: 알고리즘을 사용하는 데 익숙하고 최대 트래픽 양을 개인화하려는 경우 제어에 10%~30%를 할당하는 것이 좋습니다. 여기서 장점은 리프트 정보에 표시되는 정확도입니다. 제어 트래픽으로 유입되는 트래픽이 감소하므로 제어 트래픽의 신뢰 구간이 더 큽니다.
  • 다음 두 가지 목표 유형을 사용하여 특정 경험을 제어로 사용: 특정 마케터 중심의 경험을 개인화 모델과 비교하려면 제어의 10%~30% 할당이 권장됩니다. 한 개의 경험만 제어로 선택하면 활동의 모든 오퍼 또는 경험에 트래픽이 분산되지 않습니다.

• 타깃팅 규칙은 모델의 최적화 기능을 방해할 수 있으므로 가능한 한 덜 사용해야 합니다.

• 보고 그룹은 의 성공을 제한할 수 있습니다. Automated Personalization 활동. 특정 조건에서만 보고 그룹 사용:

  • 다음 조건이 충족되는 경우에만 보고 그룹을 사용하십시오.

    • 활동이 실행되는 동안 새 오퍼를 바꾸거나 추가할 계획입니다.
    • 보고 그룹의 오퍼는 동일한 방문자에게 어필됩니다.
    • 해당 보고 그룹의 오퍼의 전체 응답률은 거의 동일합니다.

  • 보고 그룹의 오퍼 간에는 개인화가 없습니다. 오퍼는 개인화 모델에 의해 모두 동일하게 처리됩니다.

  • 활동에 있는 모든 오퍼를 하나의 보고 그룹에 넣지 마십시오. 이렇게 하면 활동의 모든 방문자에게 모든 오퍼가 균일하게 임의로 제공됩니다.

Target 에는 30,000개의 경험이라는 엄격한 제한이 있지만, 이 경험은 10,000개 미만의 경험이 생성될 때 가장 잘 작동합니다.

이 제한은 활동이 을 활성화한 경우에도 적용됩니다. 중복 항목 비활성화 옵션을 선택합니다.

의 활동 및 기타 요소에 영향을 주는 문자 제한 및 기타 제한(오퍼 크기, 대상, 프로필, 값, 매개 변수 등)에 대한 자세한 정보 Target, 참조 제한.

각 방문자가 도착하면 방문자가 볼 수 있는 가능한 오퍼 세트가 오퍼 수준 타깃팅 규칙에 따라 결정됩니다. 그런 다음 알고리즘에서는 모델이 예측하는 오퍼가 해당 오퍼 중에서 가장 기대하는 매출이나 전환 가능성이 가장 큰 오퍼를 선택합니다. 오퍼 타깃팅은 의 효과에 영향을 줍니다. Target 머신 러닝 알고리즘과 그 결과 가능한 한 드물게 사용해야 합니다.

에는 다음 네 가지 요소가 필요합니다. Automated Personalization 상승도를 생성하는 활동:

• 각 위치의 오퍼는 방문자에게 영향을 줄 수 있을 만큼 달라야 합니다.
• 위치는 최적화 목표에 영향을 주는 위치여야 합니다.
• 활동에 상승도를 감지하기에 충분한 트래픽 및 통계적 검정력이 있어야 합니다.
• 개인화 알고리즘이 잘 작동해야 합니다.

가장 좋은 작업 방침은 먼저 활동 경험을 구성하는 콘텐츠와 위치가 단순하고 개인화되지 않은 방법을 사용하는 전반적인 응답률과 분명한 차이가 있는지 확인하는 것입니다 A/B 테스트 활동. 반드시 미리 샘플 크기를 계산하여, 지정된 시간에 실행을 중단하거나 변경하지 않고도 적당한 상승도를 확인하고 A/B 테스트를 실행할 수 있는 전원이 있는지 확인하십시오. A/B 테스트 결과가 하나 이상의 경험에서 통계적으로 유의한 상승도를 보이면 개인화된 활동이 성공할 가능성이 높습니다. 개인화는 경험의 전체 응답률에 차이가 없더라도 작동할 수 있습니다. 일반적으로 이 문제는 통계적 유의성을 가지고 감지할 최적화 목표에 충분히 큰 영향을 주지 않는 오퍼 또는 위치에서 비롯됩니다.

자세한 내용은 자동화된 개인화 문제 해결을 참조하십시오.

자동화된 개인화는 각 모델을 위해 만들어진 가장 최신 랜덤 포레스트 모델을 기반으로 가장 높게 예측된 성공 지표가 있는 경험으로 방문자를 보냅니다. 이러한 예측은 방문자의 특정 정보와 방문 컨텍스트를 기반으로 합니다.

예를 들어 Automated Personalization 활동에는 각각 두 개의 오퍼가 있는 두 개의 위치가 있었습니다. 첫 번째 위치에서 오퍼 A는 특정 방문자에 대한 예측 전환율이 3%이고 오퍼 B는 예측 전환율이 1%입니다. 두 번째 위치에서 오퍼 C는 동일한 방문자에 대한 예측 전환율이 2%이고 오퍼 D는 예측 전환율이 5%입니다. 따라서 Automated Personalization 은 이 방문자에게 오퍼 A 및 오퍼 D에 대한 경험을 제공합니다.

Automated Personalization 는 항상 최적화되는 "항시적" 개인화로 사용할 수 있습니다. 특히 항상 사용되는 콘텐츠의 경우 를 중지할 필요가 없습니다. Automated Personalization 활동. 현재 의 오퍼와 유사하지 않은 콘텐츠를 크게 변경하려면 Automated Personalization 활동. 가장 좋은 방법은 새 활동을 시작하는 것입니다. 새 활동을 시작하면 보고서를 검토하는 다른 사용자가 과거 결과를 다른 콘텐츠와 혼동하거나 관련시키지 않도록 할 수 있습니다.

일반적으로 활동에서 모델을 만드는 데 걸리는 시간은 선택한 활동 위치에 대한 트래픽과 활동 성공 지표에 따라 다릅니다. 사용 트래픽 견적 도구 활동에서 모델을 만드는 데 걸리는 예상 시간을 결정합니다.

아니요. 개인화를 시작하려면 활동에 만들어져 있는 모델이 두 개 이상이라야 합니다.

의 결과를 볼 수 있습니다. Automated Personalization 모델이 만들어져 있는 경험용으로 모델이 있는 경험을 두 개 이상 만들면 활동(녹색 확인 표시) 을 만듭니다.

활동 설정을 검토하고 모델이 만들어지는 속도를 개선하기 위해 기꺼이 변경할 사항이 있는지 확인하십시오.

• 성공 지표가 활동 경험에서 판매 경로의 아래쪽에 있습니까? 활동 전환율이 낮으면 최소의 전환 횟수가 필요하므로 모델 작성에 필요한 트래픽 요구 수준이 늘어납니다.
• 성공 지표가 RPV로 설정된 경우 전환으로 변경할 수 있습니까? 전환 활동은 일반적으로 모델을 만드는 데 필요한 트래픽이 적습니다.
• 활동에서 삭제할 수 있는 경험이 있습니까? 활동에서 경험 수를 줄이면 모델을 만드는 시간이 빨라집니다.
• 이 활동이 더 성공할 수 있는 더 높은 트래픽 페이지가 있습니까? 활동 위치에 트래픽과 전환이 많을수록 모델이 더 빨리 구축됩니다.

자동화된 개인화 활동은 세션당 한 번씩 평가됩니다. ​ 특정 경험에 적합한 활성 세션이 있고 이제 여기에 새 오퍼가 추가된 경우 방문자는 이전에 표시된 오퍼와 함께 새 콘텐츠를 보게 됩니다. 이러한 방문자는 이전에 해당 경험에 대한 자격이 있었으므로 세션 중에 이러한 경험을 계속 보게 됩니다. 모든 페이지 방문 시 이를 평가하려면 를 로 변경해야 합니다. 경험 타기팅 (XT) 활동 유형.

Adobe 에서는 활동 중간에 목표 지표를 변경하지 않는 것이 좋습니다. Target UI를 사용하는 활동 중에 목표 지표를 변경할 수 있지만 항상 새 활동을 시작해야 합니다. Adobe 활동이 실행된 후 목표 지표를 변경하면 어떻게 되는지 보증하지 마십시오.

이 권장 사항은 조회하고 소스로 사용하는 자동 할당, 자동 타겟, 자동 개인화 Target 또는 Analytics (A4T) 활동에 적용됩니다.

Adobe 권장하지 않음 보고서 데이터 재설정 옵션 Automated Personalization 활동. 이 옵션을 사용하면 표시되는 보고 데이터는 제거되지만, Automated Personalization 모델. 를 사용하지 않고 보고서 데이터 재설정 옵션 Automated Personalization 새 활동을 만들고 원래 활동을 비활성화합니다. 이 지침은 에도 적용됩니다. 자동 할당 및 자동 타기팅 활동.

한 가지 모델이 만들어져 무작위로 제공되는 트래픽과 전체 우승 경험에 모든 트래픽을 보내는 개인화 전략의 성능을 식별합니다. 이 모델은 기본 환경에서만 히트 및 전환을 고려합니다.

두 번째 모델 세트의 트래픽은 각 모델링 그룹에 대해 빌드됩니다(Automated Personalization) 또는 경험(자동 타기팅). 이러한 각 모델에 대해 모든 환경의 히트 및 전환이 고려됩니다.

따라서 환경에 관계없이 동일한 모델에서 요청이 제공됩니다. 그러나, 복수의 트래픽은 식별된 전체 우승 경험이 실제 동작과 일관되도록 기본 환경에서 가져와야 합니다.