Tasso di conversione

Per ogni esperienza viene riportato il tasso di conversione, l’incremento, l’affidabilità e l’intervallo di affidabilità.

Nell’illustrazione seguente viene mostrata l’intestazione del grafico per un’attività di esempio, in cui sono evidenziate le intestazioni Tasso di conversione, Incremento e Affidabilità.

NOTA

In tutti i dati, gli ordini duplicati vengono ignorati se viene passato un orderID. Nel rapporto di audit vengono elencati gli ordini duplicati ignorati.

Tasso di conversione

Mostra il tasso di conversione mediano, l’affidabilità, l’intervallo e il numero di conversioni.

Esamina, ad esempio, la seguente colonna del rapporto sul tasso di conversione:

La prima riga rappresenta l’esperienza di controllo. Mostra un tasso di conversione del 15%, con tre conversioni. La seconda, Esperienza B, mostra un tasso di conversione del 15%, con un intervallo di affidabilità di +/-15,65% e tre conversioni.

NOTA

Attualmente, l’intervallo di affidabilità viene calcolato solo per le metriche binarie.

Incremento

Confronta il tasso di conversione per ogni esperienza rispetto all’esperienza di controllo.

Incremento = (TC esperienza - TC controllo) / TS controllo

Se il controllo è uguale a 0, non vi è alcuna percentuale di incremento.

Dati retail

I dati AOV, RPV e Vendite vengono visualizzati per ogni esperienza se hai inserito un ordine di posizione (orderConfirmPage) mbox e l’ha selezionata come mbox di conversione.

Livello di affidabilità e intervallo di affidabilità

Per ogni esperienza, vengono visualizzati l’intervallo di affidabilità e affidabilità.

Puoi eseguire calcoli offline per for Target (A4T), ma richiede un passaggio con esportazioni di dati in AnalyticsAnalytics. Per ulteriori informazioni, vedi “Esecuzione di calcoli offline per Analytics for Target (A4T)”, di seguito.

Affidabilità

L’affidabilità di un’esperienza o di un’offerta visualizzata è una probabilità (espressa in percentuale) di ottenere un risultato meno estremo di quello effettivamente osservato, se l’ipotesi null è vera (in sostanza, se non c’è differenza nei tassi di conversione tra l’esperienza o l’offerta e l’esperienza/offerta di controllo). In termini di valori p, questa affidabilità visualizzata è 1 - valore p. In parole povere, una maggiore affidabilità indica che i dati sono meno coerenti con il presupposto che l'offerta/esperienza di controllo e non di controllo abbiano tassi di conversione uguali.

L’affidabilità raggiunge il 100,00%, quando maggiore o uguale a 99,995%.

Prima di prendere qualsiasi decisione di business, attendi di avere un campione sufficientemente grande e che le quattro barre di affidabilità su una o più esperienze rimangano coerenti per un periodo di tempo continuativo, al fine di garantire che i risultati siano stabili.

Intervallo di affidabilità

NOTA

Attualmente, l’intervallo di affidabilità viene calcolato solo per le metriche binarie.

La intervallo di confidenza è un intervallo di stime entro cui il valore reale della metrica può essere trovato a un determinato livello di affidabilità. Target mostra sempre intervalli di affidabilità del 95%. L’intervallo di affidabilità viene visualizzato come una percentuale +/- di colore grigio chiaro nella colonna Tasso di conversione. Nell’esempio riportato di seguito, l’intervallo di affidabilità per l’incremento di Esperienza B è +/-15,65%.

Esempio: Un RPV osservato da un'esperienza è di $ 10, e il suo 95% intervallo di confidenza è da 5 a 15 dollari. Sconosciuto per noi, il suo RPV vero è $12. Quindi, se il test è stato eseguito più volte, il 95% delle volte l’intervallo di affidabilità calcolato conterrà il valore true valore del valore RPV di 12 $.

Che cosa influisce sull’intervallo di affidabilità? La formula segue metodi statistici standard per il calcolo degli intervalli di affidabilità.

  • Dimensione del campione: al crescere del campione l’intervallo si ridurrà. Questo rapporto è quello preferenziale, perché indica che i rapporti si avvicinano al valore effettivo della metrica di successo.
  • Deviazione standard più piccola: più risultati simili, come AOV simili o numeri simili o visitatori con conversioni ogni giorno, riducono la deviazione standard.

Calcolo dell’affidabilità e modalità di esecuzione offline

Il rapporto CSV scaricato include solo dati non elaborati; non include metriche calcolate come ricavi per visitatore, incremento o affidabilità, utilizzate per i test A/B.

Per calcolare queste metriche calcolate, scarica il Calcolatore di affidabilità completo File Excel per inserire il valore dell'attività o rivedere il calcoli statistici utilizzati da Target.

NOTA

Questo calcolatore è per i rapporti basati su Target e non per la creazioni di rapporti per A4T.

Esecuzione di calcoli offline per Analytics for Adobe Target (A4T)

Puoi eseguire calcoli offline per A4T, ma è necessario un ulteriore passaggio di esportazione dei dati di Analytics.

Per A4T usiamo il calcolo del test t di Student per variabili continue (anziché metriche binarie). In Analytics, un visitatore viene sempre tracciato e ogni azione intrapresa viene conteggiata. Pertanto, se il visitatore effettua più acquisti o visita una metrica di successo più volte, tali hit aggiuntivi vengono conteggiati. Questo rende la metrica una variabile continua. Per eseguire il calcolo del test t di Student, è necessaria la "somma dei quadrati" per calcolare la varianza, che viene utilizzata nel denominatore della statistica t. Questo documento spiega i dettagli delle formule matematiche utilizzate. La somma dei quadrati può essere recuperata da Analytics. Per ottenere la somma dei quadrati è necessario eseguire un’esportazione a livello del visitatore per la metrica che desideri ottimizzare, per un periodo di tempo campione.

Ad esempio, per ottimizzare le visualizzazioni di pagina per ogni visitatore, devi esportare un campione del numero totale di visualizzazioni di pagina per ogni visitatore per un lasso di tempo specificato, come un paio di giorni (servono solo poche migliaia di punti di dati). Dovresti poi quadrare ogni valore e sommare i totali (è importante eseguire le operazioni in questo ordine). Questo valore di “somma dei quadrati” viene quindi utilizzato nel Calcolatore di affidabilità completo. Per questi valori consulta la sezione “ricavi” del foglio di calcolo.

Per eseguire la funzione di esportazione dei dati di Analytics:

  1. Accedi a Adobe Analytics.

  2. Fai clic su Strumenti > Data Warehouse.

  3. Compila i campi nella scheda di Richiesta Data Warehouse.

    Per ulteriori informazioni su ogni campo, consulta “Descrizioni di Data Warehouse” in Data Warehouse.

    Campo Istruzioni
    Request Name (Nome richiesta) Specifica un nome per la richiesta.
    Reporting Date (Data rapporto) Specifica un periodo di tempo e una granularità.
    Per la prima richiesta si consiglia di scegliere non più di un’ora o un giorno di dati. L’elaborazione dei file di Data Warehouse richiede più tempo per periodo di tempo più lunghi, pertanto è sempre consigliabile richiedere prima dati per un periodo di tempo breve, per assicurarsi che il file restituisca il risultato atteso. Quindi, passa a Request Manager (Gestione richieste), duplica la richiesta e richiedi più dati la seconda volta. Inoltre, se seleziona una granularità diversa da Nessuno, la dimensione del file aumenterà drasticamente.
    Data Warehouse
    Available Segments (Segmenti disponibili) Applica un segmento, se necessario.
    Breakdowns (Suddivisioni) Seleziona le dimensioni desiderate: le dimensioni standard sono pronte all’uso, mentre quelle personalizzate includono eVar e prop. Si consiglia di utilizzare l’ID visitatore se sono necessarie informazioni a livello dell’ID visitatore, anziché “ID visitatore di Experience Cloud”.
    • ID visitatore è l’ID finale utilizzato da Analytics. Si tratterà di AID (se il cliente è un’azienda) o MID (se il cliente è nuovo o se ha cancellato i cookie da quando è stato avviato il servizio ID visitatore di MC).
    • L’ID visitatore di Experience Cloud sarà impostato solo per i clienti che sono nuovi o che hanno cancellato i cookie da quando è stato avviato il servizio ID visitatore di MC.
    Metrics (Metriche) Seleziona la metrica desiderata. La metrica standard è OOTB, mentre quella personalizzata include eventi personalizzati.
    Report Preview (Anteprima rapporto) Rivedi le impostazioni prima di pianificare il rapporto.
    Data Warehouse 2
    Schedule Delivery (Pianifica consegna) Immetti l’indirizzo email a cui deve essere consegnato il file, assegna un nome al file, quindi seleziona Send Immediately (Invia subito).
    Nota: il file può essere consegnato via FTP da Opzioni di consegna avanzate
    Pianifica consegna.
  4. Fai clic su Richiedi questo rapporto.

    La consegna dei file può richiedere fino a 72 ore, a seconda della quantità di dati richiesti. Puoi controllare l’avanzamento della richiesta in qualsiasi momento facendo clic su Tools > Data Warehouse > Request Manager (Strumenti > Data Warehouse > Gestione richieste).

    Per richiedere nuovamente dati già richiesti in passato, puoi duplicare una richiesta precedente da Request Manager (Gestione richieste).

Per ulteriori informazioni su Data Warehouse, consulta i seguenti collegamenti nella documentazione di Analytics:

Metodologia di conteggio

È possibile scegliere di visualizzare i rapporti in base a diverse metodologie di conteggio per capire come le attività create influiscono sugli utenti, durante l’intero ciclo di vita o in una singola sessione.

La metodologia di conteggio è supportata per i seguenti tipi di attività:

  • Test A/B

    Come eccezione, le attività A/B di targeting automatica supportano solo la metodologia di conteggio predefinita “Visite”.

  • Targeting esperienza (XT)

  • Test multivariato (MVT)

    Per il rapporto sul contributo degli elementi MVT, Target non supporta l’attività Impression per i tipi di metrica Ricavi.

  • Consigli

Per le attività Personalizzazione automatica (AP) al momento è supportata solo la metodologia di conteggio predefinita (Visite).

È possibile visualizzare i rapporti tramite le seguenti metodologie di conteggio:

  • Visitatore: un partecipante univoco nell’attività, per tutta la durata dell’attività.

    Una persona viene conteggiata come nuovo partecipante se visita il sito da un nuovo computer o un nuovo browser; se elimina il cookie; o se viene convertito e torna all’attività con lo stesso cookie. Un partecipante è identificato dal PCID nel cookie mbox del visitatore. Se il PCID cambia, la persona viene considerata come un nuovo visitatore.

  • Visita: un partecipante univoco in un’esperienza durante una singola sessione del browser di 30 minuti.

    Se viene realizzata una conversione o se il visitatore ritorna al sito dopo un’assenza di almeno 30 minuti, il visitatore di ritorno viene conteggiato come una nuova visita. Una visita è identificata da sessionID nel cookie mbox del visitatore. Quando sessionID cambia, la visita viene considerata nuova.

  • Impression/Visualizzazione pagina: conteggiata ogni volta che un visitatore carica una pagina dell’attività.

    Una singola visita potrebbe includere diverse impression, ad esempio, della home page.

NOTA

Di solito, questi conteggi sono determinati dai cookie e dalle attività di sessione. Tuttavia, se il visitatore raggiunge il punto di conversione finale di un’attività e quindi accede nuovamente all’attività, viene considerato come un nuovo partecipante e una nuova visita all’attività. Questo vale anche se i valori PCID e sessionID non cambiano.

Perché Target consiglia di utilizzare i test t di Student?

I test A/B sono esperimenti per confrontare il valore medio di alcune metriche di business in una variante di controllo (nota anche come esperienza) con il valore medio di quella stessa metrica in una o più esperienze alternative.

Target consiglia di utilizzare Test t di Welch, poiché richiedono meno presupposti rispetto a alternative quali i test z, e rappresentano il test statistico appropriato per eseguire confronti in coppia di metriche di business (quantitative) tra esperienze di controllo ed esperienze alternative.

Maggiori dettagli

Quando esegui test A/B online, ogni utente/visitatore viene assegnato in modo casuale a una singola variante. Successivamente, effettuiamo le misurazioni delle metriche aziendali di interesse (ad esempio conversioni, ordini, ricavi, ecc.) per i visitatori in ogni variante. Il test statistico che utilizziamo quindi verifica l'ipotesi che la metrica media di business (ad esempio il tasso di conversione, gli ordini per utente, i ricavi per utente, ecc.) è uguale al controllo e a una determinata variante alternativa.

Anche se la metrica di business stessa potrebbe essere distribuita in base a qualche distribuzione arbitraria, la distribuzione della media di questa metrica (all’interno di ogni variante) dovrebbe convergere in una distribuzione normale tramite il Teorema del limite centrale. Tieni presente che, sebbene non vi sia alcuna garanzia sulla velocità con cui questa distribuzione di campionamento della media converge in normale, questa condizione viene generalmente raggiunta data la portata dei visitatori nei test online.

Data questa normalità della media, la statistica del test da utilizzare può essere mostrata come segue una distribuzione t, perché è il rapporto tra un valore normalmente distribuito (la differenza nel mezzo della metrica business) e un termine di scala basato su una stima basata sui dati (l'errore standard della differenza nei mezzi). La test t è quindi il test di ipotesi appropriato, dato che la statistica del test segue una distribuzione t.

Perché non vengono utilizzati altri test

A test z è tecnicamente inappropriato perché nel tipico scenario di test A/B, il denominatore della statistica del test non è derivato da una varianza nota e deve essere stimato dai dati. Tuttavia, per dimensioni di campione sufficienti, le prove z e t sono identiche.

Prove a chi al quadrato non sono utilizzati perché sono appropriati per determinare se esiste una relazione qualitativa tra due varianti (ossia un’ipotesi nulla che non vi sia alcuna differenza tra le varianti). I test T sono più appropriati per lo scenario di quantitativamente confronto delle metriche.

La Prova U di Mann-Whitney è un test non parametrico, appropriato quando la distribuzione del campionamento della metrica media d'affari (per ogni variante) non è normalmente distribuita. Tuttavia, come discusso in precedenza, date le dimensioni del traffico coinvolto nei test online, il Central Limit Theorem si applica in genere e quindi il test t può essere applicato in modo sicuro.

Metodi più complessi come ANOVA (che generalizzano test t a più di due varianti) può essere applicato quando un test ha più di due esperienze ("test A/Bn"). Tuttavia, ANOVA risponde alla domanda "se tutte le varianti hanno la stessa media", mentre nel tipico test A/Bn siamo più interessati quale variante specifica è la migliore. In TargetPertanto, applichiamo test t regolari confrontando ogni variante con un controllo, con una correzione Bonferroni per tenere conto di confronti multipli.

In questa pagina