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 finns som en del av Target Premium lösning. Den ingår inte i Target Standard utan Target Premium licens. Om du har en Target Premium licens, Target Premium kortet ersätter Target Standard i Adobe Experience Cloud.

Lika med Auto-Target, Automated Personalization använder en slumpmässig skogsalgoritm, en ledande enemble-metod för datavetenskap, som sin huvudsakliga personaliseringsalgoritm 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.

Om du vill ha mer information om hur Automated Personalization skiljer sig från Auto-Target, se Automatiskt mål.

Marknadsförarna implementerar en fil på sin webbplats, vilket gör att de kan peka och klicka på valfritt innehåll och sedan visuellt skapa och välja ytterligare innehållsalternativ för det området med hjälp av VEC (Visual Experience Composer). 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. Detta kallas ibland för "alltid på"-läge. 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	Random Forest är en ledande maskininlärningsstrategi. I datavetenskapen är det en unik klassificering- eller regressionsmetod som fungerar genom att skapa ett stort antal beslutsträd baserade på besöks- och besöksattribut. Inom Target används Slumpmässig skog för att fastställa vilken erfarenhet som förväntas ha störst sannolikhet för konvertering (eller högsta intäkt per besök) för varje enskild besökare. Mer information om Slumpmässig skog i Target finns i Slumpmässig skogsalgoritm.
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 Personalizationanvänder en slumpmässig skogsalgoritm för att personalisera.

Random Forest är en ledande maskininlärningsstrategi. I datavetenskapen är det en unik klassificering- eller regressionsmetod som fungerar genom att skapa ett stort antal beslutsträd baserade på besöks- och besöksattribut. Inom Target används Slumpmässig skog för att fastställa 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 som har tillgång till din webbplats på tisdagar kan vara mer benägna att konvertera med Experience A, medan besökare från New York kan vara mer benägna att konvertera med Experience B. Mer information om Slumpmässig skog i Target finns i 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 han eller hon inte är i kontrollgruppen, i vilket fall den upplevelse som besökaren ser vid det första besöket är samma upplevelse som han eller hon kommer att se vid efterföljande besök).
I en session ändras inte upplevelsen för att bibehålla 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 att tidigare inlärda trender utnyttjas i alltför stor utsträckning.
De underliggande modellerna byggs om var 24:e timme med hjälp av de senaste besökarbeteendedata för att säkerställa att Target alltid utnyttjar förändrade besökarinställningar.
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.

Mer information om attributen som används i Auto-Target och Automated Personalization, se Automated Personalization Data Collection.

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

Du 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 bygga personaliseringsmodeller.

Offlinedata, som CRM-information eller kundbortfallspoäng, kan vara oerhört värdefulla när du skapar 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.