Premium

Automated Personalization (AP)

Automated Personalization AP-Aktivitäten in Adobe Target Angebote oder Nachrichten kombinieren und mithilfe des erweiterten maschinellen Lernens verschiedene Angebotsvarianten den einzelnen Besuchern basierend auf ihrem individuellen Kundenprofil zuordnen, um Inhalte zu personalisieren und die Steigerung zu fördern.

HINWEIS

Die Funktion Automatisierte Personalisierung steht als Bestandteil der Target Premium-Lösung zur Verfügung. Sie ist nicht in Target Standard ohne Target Premium-Lizenz enthalten. Wenn Sie über eine Target Premium-Lizenz verfügen, ersetzt die Target Premium-Karte die Target Standard-Karte in der Adobe Experience Cloud.

Ähnlich wie bei Automatisches Targeting verwendet Automatisierte Personalisierung einen Random Forest-Algorithmus, also eine führende Methode in der Datenwissenschaft, als wichtigsten Personalisierungsalgorithmus zum Ermitteln des besten Erlebnisses, das einem Besucher angezeigt werden kann. Automatisierte Personalisierung kann während der Entdeckungsphase des Testens sehr hilfreich sein. Es ist zudem nützlich, maschinelles Lernen zu ermöglichen, um den effektivsten Inhalt zu bestimmen, wenn man unterschiedliche Besucher anspricht. Im Lauf der Zeit lernt der Algorithmus, die effektivsten Inhalte vorherzusagen, und zeigt die Inhalte an, die am wahrscheinlichsten zum Erreichen Ihrer Ziele beitragen.

Weitere Informationen zum Automated Personalization unterscheidet sich von Automatisches Targeting, siehe Automatisches Targeting.

Marketer implementieren eine Datei auf ihrer Website, dank der sie beliebige Inhalte anklicken und dann mit Hilfe des VEC (Visual Experience Composer) visuell zusätzliche Inhaltsoptionen für diesen Bereich erstellen und auswählen können. Dann bestimmt der Algorithmus auf Basis aller Verhaltensdaten, die das System über diesen Besucher hat, automatisch, welche Inhalte jedem einzelnen Besucher gezeigt werden sollen, und liefert so eine personalisierte Erfahrung. Da sich die automatisierte Personalisierung an Veränderungen beim Besucherverhalten anpasst, kann sie ohne ein festgelegtes Enddatum ausgeführt werden und ermöglicht dennoch eine kontinuierliche Weiterentwicklung der Personalisierung. Dies wird manchmal auch als „Always-on“-Modus bezeichnet. Der Marketer muss keine Tests durchführen, keine Ergebnisse analysieren und keinen sich daraus ergebenen Gewinner ermitteln, bevor er erkennen kann, welche Steigerung sich aus der Optimierung ergibt. Das übernimmt eine festgelegte Reihenfolge von Operationen, die dann das Ergebnis einer standardmäßigen A/B-Aktivität implementiert.

Die folgenden Begriffe und Definitionen sind hilfreich, wenn es um die automatisierte Personalisierung geht:

Begriff Definition
Multi-Armed Bandit Die Methode „Multi-Armed Bandit“ stellt ein Gleichgewicht zwischen forschendem Lernen (Exploration) und der Verwertung der Lernergebnisse (Exploitation) her.
Random Forest Random Forest ist ein führender Ansatz beim maschinellen Lernen. In der Sprache der Datenwissenschaftler ist dies eine Ensemble-Classification- oder Regressionsmethode, die auf der Grundlage von Besuchern und Besuchsattributen eine große Anzahl von Entscheidungsbäumen erstellt. Random Forest wird von Target eingesetzt, um zu bestimmen, welches Erlebnis die höchste Wahrscheinlichkeit einer Konversion (oder den höchsten Umsatz pro Besuch) für jeden einzelnen Besucher hat. Weitere Informationen zu Random Forest in Target finden Sie unter Random Forest-Algorithmus.
Thompson Sampling Ziel des Thompson-Samplings ist es, zu ermitteln, welches Erlebnis insgesamt das beste (nicht personalisierte) Erlebnis ist, und gleichzeitig die "Kosten"für die Suche nach diesem Erlebnis zu minimieren. Das Thompson Sampling wählt immer einen Gewinner aus, auch wenn es keinen statistischen Unterschied zwischen zwei Erlebnissen gibt. Weitere Informationen finden Sie unter Thompson Sampling.

Folgendes sollte beim Einsatz der automatisierten Personalisierung beachtet werden:

Die automatisierte Personalisierung verwendet einen Random Forest-Algorithmus.

Random Forest ist ein führender Ansatz beim maschinellen Lernen. In der Sprache der Datenwissenschaftler ist dies eine Ensemble-Classification- oder Regressionsmethode, die auf der Grundlage von Besuchern und Besuchsattributen eine große Anzahl von Entscheidungsbäumen erstellt. Random Forest wird von Target eingesetzt, um zu bestimmen, welches Erlebnis die höchste Wahrscheinlichkeit einer Konversion (oder den höchsten Umsatz pro Besuch) für jeden einzelnen Besucher hat. Beispiel: Besucher, die Google Chrome verwenden, Mitglieder der Treuestufe „Gold“ sind und am Dienstag Ihre Website besuchen, konvertieren wahrscheinlicher bei Erlebnis A, während Besucher aus New York eher bei Erlebnis B konvertieren. Weitere Informationen zu Random Forest in Target finden Sie unter Random-Forest-Algorithmus.

Das Personalisierungsmodell wird bei jedem Besuch verbessert.

  • Der Algorithmus prognostiziert die Wahrscheinlichkeit der Konversion (oder der geschätzten Einnahmen aus der Konversion) eines Besuchers, um das beste Erlebnis anbieten zu können.
  • Ein Besucher erhält am Ende eines Besuchs ein neues Erlebnis (es sei denn, er oder sie ist Mitglied einer Kontrollgruppe; in diesem Fall ist das Erlebnis, das der Besucher beim ersten Besuch sieht, das gleiche, das er oder sie bei späteren Besuchen sehen wird).
  • Während eines Besuchs ändert sich das dargestellte Erlebnis nicht, um die visuelle Konsistenz aufrechtzuerhalten.

Das Personalisierungsmodell passt sich an Änderungen beim Besucherverhalten an.

  • Der "mehrarmige Bandit"stellt sicher, dass das Modell immer einen kleinen Teil des Traffics "ausgibt", um während des gesamten Lebenszyklus der Aktivität weiter zu lernen und um zu verhindern, dass zuvor erlernte Trends übertrieben ausgenutzt werden.
  • Die zugrunde liegenden Modelle werden alle 24 Stunden anhand der neuesten Daten zum Besucherverhalten überholt, um sicherzustellen, dass Target bei wechselnden Besucherpräferenzen immer auf dem neuesten Stand bleibt.
  • Wenn der Algorithmus keine Gewinnererlebnisse für einzelne Besucher bestimmen kann, wechselt er automatisch zur Anzeige des Erlebnisses mit der besten Gesamtleistung und sucht weiterhin nach personalisierten Gewinnern. Das Erlebnis mit der besten Leistung wird mithilfe des Thompson-Samplings ermittelt.

Das Modell optimiert kontinuierlich eine einzige Zielmetrik.

  • Diese Metrik kann auf Konversionen oder Umsätzen (genauer gesagt: Umsatz pro Besucher) basieren.

Target sammelt automatisch Informationen über Besucher, um Personalisierungsmodelle zu erstellen.

Target verwendet automatisch alleAdobe Experience Cloud von gemeinsam genutzten Zielgruppen, um diese Personalisierungsmodelle zu erstellen.

  • Um Zielgruppen zu dem Modell hinzuzufügen, sind Ihrerseits keine besonderen Aktivitäten erforderlich. Weitere Informationen zum Verwenden von Experience Cloud Audiences mit Target finden Sie unter Experience Cloud Audiences.

Marketer können für die Erstellung von Personalisierungsmodellen Offline-Daten, Propensity Scores oder andere benutzerdefinierte Daten hochladen.

Offline-Daten wie CRM-Informationen oder Propensity Scores zur Kundenabwanderung können beim Aufbau von Personalisierungsmodellen von unschätzbarem Wert sein. Es gibt verschiedene Möglichkeiten für die Dateneingabe in die Algorithmen zur automatisierten Personalisierung (AP) und zum automatischen Targeting.

Informationen zu den Daten, die automatisch von den Personalisierungsalgorithmen der automatisierten Personalisierung und des automatischen Targetings gesammelt und verwendet werden, finden Sie unter Datenerfassung für die automatisierte Personalisierung.

Übersichtszeichen Schulungsvideo: Aktivitätstypen

In diesem Video werden die in Target Standard/Premium verfügbaren Aktivitätstypen erläutert. Automatisierte Personalisierung wird ab 5:55 besprochen.

  • Beschreibung der Aktivitätstypen in Adobe Target
  • Auswählen des für Ihre Ziele geeigneten Aktivitätstyps
  • Beschreibung des für alle Aktivitätstypen gültigen Arbeitsablaufs mit drei Schritten

Auf dieser Seite