Premium

Automated Personalization (AP)

Automated Personalization (AP) aktiviteter i Adobe Target kombinera erbjudanden eller meddelanden och använder avancerad maskininlärning för att matcha olika erbjudandevariationer för varje enskild besökare baserat på deras individuella kundprofil för att personalisera innehåll och driva på lyft.

OBSERVERA

Automated Personalization är tillgängligt som en del av Target Premium lösning. Den här funktionen är inte tillgänglig i Target Standard utan Target Premium licens. Mer information om de avancerade funktionerna i den här licensen finns i Mål Premium.

Lika med Auto-Target, Automated Personalization använder Slumpmässig skogsalgoritm, en ledande metod för datavetenskap som är unik för personalisering, som är den viktigaste personaliseringsalgoritmen för att fastställa den bästa upplevelsen för att visa en besökare. Automated Personalization kan vara värdefullt i testfasen. Det är också användbart att låta maskininlärning avgöra vilket innehåll som är mest effektivt när man riktar in sig på olika besökare. Med tiden lär sig algoritmen att förutsäga det mest effektiva innehållet och visar det innehåll som troligast uppnår dina mål.

Mer information om hur du hittar Automated Personalization skiljer sig från Auto-Target, se Automatiskt mål.

Marknadsförarna implementerar en fil på sin webbplats där de kan peka och klicka på valfritt innehåll och sedan visuellt skapa och välja ytterligare innehållsalternativ för det området med hjälp av Visual Experience Composer (VEC) Sedan bestämmer algoritmen automatiskt vilken del av innehållet som ska levereras till varje enskild besökare baserat på alla beteendedata som systemet har om besökaren, vilket ger en personaliserad upplevelse. För Automated Personalization kan anpassa sig till förändringar i besökarnas beteende, kan köras utan ett fast slutdatum för att ge kontinuerlig lyft och personalisering. Det här läget kallas ibland för"alltid på". Marknadsföraren behöver inte köra ett test, analysera resultaten och sedan leverera en vinnare innan optimeringen genomförs, vilket är en standardordning för åtgärder för att implementera resultatet av en standard A/B-aktivitet.

Följande termer är användbara vid diskussion Automated Personalization:

Villkor Definition
Flerarmad bandit En flerarmad bandit-strategi för optimering balanserar undersökande inlärning och utnyttjande av det inlärningen.
Slumpmässig skog En ledande maskininlärningsstrategi. I datavetenskapliga termer är det en unik klassificerings- eller regressionsmetod som fungerar genom att skapa många beslutsträd baserade på besöks- och besöksattribut.
Thompson Sampling Målet för Thompson Sampling är att fastställa vilken upplevelse som är bäst totalt sett (icke-personaliserad), samtidigt som man minimerar"kostnaden" för att hitta den upplevelsen. Thompson-urvalet väljer alltid en vinnare, även om det inte finns någon statistisk skillnad mellan två upplevelser. Mer information finns i Thompson Sampling.

Tänk på följande när du använder Automated Personalization:

Automated Personalization använder en slumpmässig skogsalgoritm för att anpassa

Random Forest är en ledande maskininlärningsstrategi. I datavetenskapliga termer är det en unik klassificerings- eller regressionsmetod som fungerar genom att skapa många beslutsträd baserade på besöks- och besöksattribut. Inom Targetanvänds Slumpmässig skog för att avgöra vilken erfarenhet som förväntas ha störst sannolikhet för konvertering (eller högsta intäkt per besök) för varje enskild besökare. Besökare som använder Chrome är till exempel guldkunder, och om de kommer åt din webbplats på tisdagar kan det vara mer sannolikt att de konverterar med Experience A. Besökare från New York kan vara mer benägna att konvertera med Experience B. Mer information om Slumpmässig skog i Target, se Slumpmässig skogsalgoritm.

Personaliseringsmodellen optimerar för varje besök

  • Algoritmen förutser besökarens sannolikhet för konvertering (eller beräknade intäkter från konvertering) för att ge bästa möjliga upplevelse.
  • En besökare är berättigad till en ny upplevelse vid slutet av en befintlig session, såvida inte besökaren är i kontrollgruppen. Om besökaren befinner sig i kontrollgruppen är upplevelsen som besökaren ser vid det första besöket densamma som vid efterföljande besök.
  • Den presenterade upplevelsen ändras inte inom en session för att bevara den visuella enhetligheten.

Anpassningsmodellen anpassas till förändringar i besökarnas beteende

  • Multiarm bandit säkerställer att modellen alltid "spenderar" en liten del av trafiken för att fortsätta lära sig genom hela aktivitetens livstid och för att förhindra överutnyttjande av tidigare inlärda trender.
  • De underliggande modellerna byggs om var 24:e timme med hjälp av de senaste besökarbeteendedata för att säkerställa att Target ändrar alltid besökarens inställningar.
  • Om algoritmen inte kan avgöra vilka upplevelser som vinner för enskilda besökare, växlar den automatiskt till att visa den övergripande prestandaoptimerade upplevelsen, samtidigt som den fortsätter att leta efter personaliserade vinnare. Den bästa upplevelsen med Thompson Sampling.

Modellen optimerar kontinuerligt ett enskilt målmått

  • Detta mätresultat kan vara konverteringsbaserat eller inkomstbaserat (mer specifikt, Revenue per Visitor).

Target samlar automatiskt in information om besökare för att skapa personaliseringsmodeller

Target använder automatiskt alla Adobe Experience Cloud delade målgrupper för att bygga personaliseringsmodeller

  • Ni behöver inte göra något specifikt för att lägga till målgrupper i modellen. Mer information om hur du använder Experience Cloud Audiences med Target, se Experience Cloud målgrupper.

Marknadsförarna kan överföra offlinedata, benägenhetspoäng eller andra anpassade data för att skapa personaliseringsmodeller

Offlinedata, som CRM-information eller kundrespons, kan vara oerhört värdefulla när du bygger personaliseringsmodeller. Det finns flera sätt att mata in data i Automated Personalization (AP) och Auto-Target personaliseringsalgoritmer.

För information om data som samlas in och används av Automated Personalization och Auto-Target personaliseringsalgoritmer, se Automated Personalization Data Collection.

Utbildningsvideo: Aktivitetstyper

I den här videon förklaras aktivitetstyperna som finns i Target. Automated Personalization behandlas från 17:55.

  • Beskriv de typer av aktiviteter som ingår i Adobe Target
  • Välj lämplig aktivitetstyp för att uppnå dina mål
  • Beskriv det guidade arbetsflödet i tre steg som gäller för alla aktivitetstyper

På denna sida