PREMIUM 자동화된 개인화

자동화된 개인화 (AP)는 컨텐츠를 개인화하고 상승도를 유도하기 위해, 오퍼나 메시지를 결합하고 고급 기계 학습을 사용하여 방문자의 개별 고객 프로필을 기반으로 다양한 오퍼를 각 방문자와 연결합니다.

NOTE

자동화된 개인화는 Target Premium 솔루션의 일부로 사용할 수 있습니다. Target Premium 라이센스가 없는 Target Standard에는 포함되어 있지 않습니다. Target Premium 라이센스가 있으면 Target Premium 카드는 Adobe Experience Cloud에서 Target Standard 카드를 대신합니다.

자동 타겟과 마찬가지로, 자동화된 개인화는 선구적인 데이터 과학 앙상블 방법인 Random Forest 알고리즘을 방문자에게 표시할 최상의 경험을 결정하는 기본 개인화 알고리즘으로 사용합니다. 자동화된 개인화는 테스트의 검색 단계에서 유용할 수 있습니다. 또한 다양한 방문자를 타깃팅할 때 기계 학습을 통해 가장 효과적인 컨텐츠를 확인하는 데도 유용합니다. 시간이 지남에 따라 이 알고리즘은 가장 효과적인 컨텐츠를 예측하는 방법을 학습하며 목표를 달성할 가능성이 가장 높은 컨텐츠를 표시합니다.

To find more information about how Automated Personalization differs from Auto-Target, see Auto-Target.

마케터는 VEC(시각적 경험 작성기)를 사용하여 컨텐츠를 가리킨 후 클릭한 다음 해당 영역에 대한 추가 컨텐츠 선택 사항을 시각적으로 만들고 선택할 수 있는 파일을 사이트에서 구현합니다. 그런 후에 이 알고리즘은 시스템이 방문자에 대해 가지고 있는 모든 행동 데이터를 기준으로 각 방문자에게 전달할 컨텐츠를 자동으로 결정하며 개인화된 경험을 제공합니다. 자동화된 개인화는 방문자 동작의 변경에 맞춰 조정될 수 있으므로 지속적인 상승도 및 개인화를 제공하기 위해 설정된 종료 날짜 없이 실행될 수 있습니다. 이를 "상시 설정" 모드라고도 합니다. 마케터는 최적화를 통해 확인된 상승도를 실현하기 전에, 표준 A/B 활동의 결과를 구현하기 위한 표준 작업 순서에 해당하는 테스트 실행, 결과 분석, 승자 전달 과정을 진행할 필요가 없습니다.

다음과 같은 용어는 자동화된 개인화를 논의할 때 유용합니다.

용어 정의
Multi-armed bandit 최적화에 대한 multi-armed bandit 접근 방식은 탐색 학습과 해당 학습의 이용 간에 균형을 이룹니다.
Random Forest Random Forest는 선도적인 기계 학습 접근 방식입니다. 데이터 과학 분야에서는 방문자 및 방문 속성을 기준으로 많은 수의 결정 트리를 생성하여 작용하는 앙상블 분류 또는 회귀 방법입니다. Target 내에서 Random Forest는 각 특정 방문자에 대해 전환 가능성이 가장 높(또는 방문당 매출이 가장 높음)을 것으로 예상되는 경험을 결정하는 데 사용됩니다. Target의 Random Forest에 대한 자세한 내용은 Random Forest 알고리즘을 참조하십시오.
Thompson 샘플링 Thompson 샘플링의 목표는 해당 경험을 찾는 "비용"은 최소화하면서도 전체적으로 가장 훌륭한(개인화되지 않음) 경험을 판별하는 것입니다. Thompson 샘플링에서는 두 경험 간의 통계적 차이가 없는 경우에도 항상 승자를 선택합니다. 자세한 내용은 Thompson 샘플링을 참조하십시오.

자동화된 개인화를 사용할 때는 다음 세부 사항을 고려하십시오.

자동화된 개인화는 무작위 포리스트 알고리즘을 사용하여 개인화합니다.

Random Forest는 선도적인 기계 학습 접근 방식입니다. 데이터 과학 분야에서는 방문자 및 방문 속성을 기준으로 많은 수의 결정 트리를 생성하여 작용하는 앙상블 분류 또는 회귀 방법입니다. Target 내에서 Random Forest는 각 특정 방문자에 대해 전환 가능성이 가장 높(또는 방문당 매출이 가장 높음)을 것으로 예상되는 경험을 결정하는 데 사용됩니다. 예를 들어, Chrome을 사용하고, 골드 충성도 멤버이고, 화요일에 사용자 사이트에 액세스하는 방문자는 경험 A로 전환할 가능성이 높지만, 뉴욕의 방문자는 경험 B로 전환할 가능성이 높을 수 있습니다. Target의 랜덤 포레스트에 대한 자세한 내용은 Random Forest 알고리즘을 참조하십시오.

개인화 모델은 각 방문에 대해 최적화됩니다.

  • 이 알고리즘은 최고의 경험을 제공하기 위해 방문자의 전환 가능성(또는 전환에서 예상되는 매출)을 예측합니다.
  • 방문자는 기존 세션이 끝날 때 새 경험을 제공 받을 수 있습니다(단, 첫 번째 방문에서 방문자가 보게 되는 경험이 후속 방문에서 보게 되는 경험과 같게 되는 통제군에 속하지 않아야 함).
  • 세션 내에서 제시된 경험은 시각적 일관성을 유지하기 위해 변경되지 않습니다.

개인화 모델은 방문자 행동 변화에 따라 조정됩니다.

  • MAB(Multi-Arm Bandit)는 모델이 활동 수명 동안 지속적으로 학습하고, 이전에 학습한 트렌드를 과도하게 이용하지 않도록 하기 위해 항상 트래픽의 일부만 "사용"하고 있는지 확인합니다.
  • 기본 모델은 24시간마다 재구축되며, 최신 방문자 동작 데이터를 사용하여 달라지는 방문자 기본 설정이 Target에서 항상 활용되도록 합니다.
  • 이 알고리즘은 개별 방문자의 성과가 좋은 경험을 파악할 수 없는 경우 개인화된 승자를 계속 찾으면서, 전반적으로 가장 성과가 좋은 경험을 표시하는 방식으로 자동으로 전환됩니다. 최고 성과를 보이는 경험은 Thompson 샘플링을 사용하여 확인되었습니다.

이 모델은 계속해서 단일 목표 지표를 최적화합니다.

  • 이 지표는 전환 기반 또는 매출 기반(좀 더 구체적으로 나타내자면 방문자당 매출)일 수 있습니다.

Target은 방문자에 대한 정보를 자동으로 수집하여 개인화 모델을 구축합니다.

Adobe Experience CloudTarget은 자동으로 모든 공유 대상을 사용하여 개인화 모델을 구축합니다.

  • 모델에 대상을 추가하기 위해 수행해야 할 특별한 작업은 없습니다. Target에서 Experience Cloud Audiences 사용에 대한 자세한 내용은 Experience Cloud 대상을 참조하십시오.

마케터는 오프라인 데이터, 성향 점수 또는 기타 사용자 지정 데이터를 업로드하여 개인화 모델을 구축할 수 있습니다.

CRM 정보나 고객 이탈 성향 점수와 같은 오프라인 데이터는 개인화 모델을 만들 때 매우 소중합니다. 자동화된 개인화 (AP)와 자동 타겟 개인화 알고리즘에서 데이터를 입력하는 방법에는 몇 가지가 있습니다.

자동화된 개인화 및 자동 타겟 개인화 알고리즘에서 자동으로 수집 및 사용되는 데이터에 대해서는 자동화된 개인화 데이터 수집을 참조하십시오.

개요 배지 교육 비디오:활동 유형

다음 비디오에서는 Target Standard/Premium에서 사용할 수 있는 활동 유형에 대해 설명합니다. 자동화된 개인화는 5시 55분부터 논의됩니다.

  • Adobe Target에 포함된 활동 유형 설명
  • 목표를 달성하기 위한 적절한 활동 유형 선택
  • 모든 활동 유형에 적용되는 3단계 안내가 있는 워크플로우 설명

이 페이지에서는