轉換率

每次體驗皆會回報轉換率、提升度、信賴 (統計精確度) 和信賴區間。

下圖顯示活動範例的圖表標題,並醒目提示轉換率、提升度和信賴度。

注意

在所有資料中,若傳遞 orderID,則會忽略重複訂單。稽核報表會列出忽略的重複訂單。

轉換率

顯示中位數轉換率、信賴度、區間和轉換次數。

例如,檢查下列轉換率報表欄:

第一行是控制體驗。其中顯示 15% 的轉換率,轉換三次。第二行 (體驗 B) 顯示 15% 轉換率,信賴區間加或減 15.65%,轉換三次。

注意

目前,信賴區間僅針對二進位量度計算。

提升度

對照控制體驗來比較每一個體驗的轉換率。

提升度 = (體驗 CR - 控制 CR) / 控制 CR

若控制值為 0,則無百分比提升度。

信賴度 (統計顯著性)

此數字代表再次執行測試時會產生重複結果的可能性。可信度大於或等於 99.995% 時會四捨五入為 100.00%。

請參閱信賴等級與信賴區間

零售資料

如果您插入下訂單(orderConfirmPage)mbox並選為轉換mbox,則會顯示每個體驗的AOV、RPV和銷售資料。

信賴等級與信賴區間

針對每一種體驗,顯示可信度等級和可信度區間。

Target 型量度 (例如收入和參與量度) 的轉換和連續變數計算如下:

  • 轉換: 是或否
  • 其他全部:​範圍內的值

您可以對 for Target (A4T) 執行離線計算,但在 AnalyticsAnalytics 中需要執行資料匯出的步驟。如需詳細資訊,請參閱以下的「對 Target (A4T) 執行離線計算」。

信賴等級

信賴水準​以每個體驗在「轉換率」欄中的深色百分比表示。

信賴水準 (或統計顯著性) 指出體驗成功不是出於機遇的可能性。較高的信賴等級代表:

  • 體驗的執行情形與控制明顯不同。
  • 體驗績效非因發生干擾而產生。
  • 若您重新執行此測試,則可能會看見相同的結果。

若可信度層級超過 90% 或 95%,則在統計上可視為顯著結果。下定任何商業決策之前,請試著靜待出現足夠大小的樣本,且有一或多個體驗的四條信賴度在一段持續的時間內保持一致,以確保獲得穩定的結果。

注意

可信度大於或等於 99.995% 時會四捨五入為 100.00%。

信賴區間

注意

目前,信賴區間僅針對二進位量度計算。

信賴區間​是指在指定信賴等級中發現的真值範圍。信賴區間在「轉換率」欄中以淺灰色 +/- 百分比出現。在下列範例中,體驗 B 提升度的信賴區間會加或減 15.65%。

範例: 體驗的 RPV 為 $10,其信賴等級為 95%,而其​信賴區間​為 $5 至 $15。如果我們多次執行此測試,則 95% 的次數中 RPV 會介於 $5 與 $15 之間。

影響信賴區間的因素為何?​公式會遵循標準統計方法來計算信賴區間。

  • 樣本尺寸: 樣本增大,區間就縮小或變窄。這代表您的報表越來越接近成功度量的真值,因此為有利狀況。
  • 標準偏差較小: 結果越近似 (例如相似的 AOV、數字或每日轉換訪客),便越會縮小標準偏差。

可信度計算以及如何離線執行計算

下載的 CSV 報表只包含原始資料,不含計算度量,例如每次造訪帶來的收入、提升度或用於 A/B 測試的信賴度。

若要計算這些計算量度,請下載Target的完整信賴度計算器 Excel檔案以輸入活動值,或檢閱Target🔗所使用的統計計算。

注意

此計算機適用於鎖定目標型報表,而非 A4T 報表。

執行Adobe Target(A4T)的Analytics離線計算

您可以為 A4T 執行離線計算,但是它需要在 Analytics 中進行資料匯出的步驟。

對於 A4T,我們採用 Student 的 t 檢定來計算連續變數 (而非二元量度)。在 Analytics 中,一律會追蹤訪客,並統計每一個採取的動作。因此,如果訪客多次購物或多次造訪成功量度,這些額外的點閱會納入計算。這會使量度變成連續變數。要執行Student的t檢定計算,需要「平方和」來計算差異,差異用於t統計值的分母。 本檔案說明所 用數學公式的詳細資訊。平方和可從Analytics中擷取。 若要取得平方和資料,您需要針對想要最佳化的量度,在樣本期間內執行訪客等級的匯出。

例如,假設您想最佳化每位訪客的頁面檢視,則需要匯出每位訪客在指定時間範圍內的頁面檢視總數樣本,或許是幾天 (所有您需要的就是幾千個資料點)。接著,您會求每一個值的平方,並算出總和 (此處的運算順序很重要)。然後,在「完整信賴度計算機」中會使用此「平方和」值。針對這些值,使用該試算表的「收入」區段。

使用 Analytics 資料匯出功能來這樣做:

  1. 登入 Adobe Analytics。

  2. 按一下「工具 > 資料倉儲」。

  3. 在​「資料倉儲要求」​標籤上,填寫欄位。

    如需每一個欄位的相關資訊,請參閱資料倉儲中的「資料倉儲說明」。

    欄位 說明
    請求名稱 指定要求的名稱。
    報告日期 指定時段和精度。
    最佳做法是不要為第一個要求選擇超過一小時或一天的資料。所要求的時段越長,資料倉儲檔案處理的時間就越長,最好一律先要求較短時段的資料,以確保檔案傳回預期的結果。接著,前往「要求管理程式」,複製要求,再第二次要求更多資料。此外,如果您將精度切換為「無」以外的任何值,檔案大小會大幅增加。
    Data Warehouse
    可用區段 視需要套用區段。
    劃分 選取所需的維度:標準是內建 (OOTB),而「自訂」包含 eVars 與屬性。如果需要訪客 ID 層級資訊,建議您使用「訪客 ID」,而非「Experience Cloud 訪客 ID」。
    • 訪客 ID 是 Analytics 使用的最終 ID。這會是 AID (如果客戶是舊的) 或 MID (如果客戶是新的,或已清除從 MC 訪客 ID 服務啟動以來的 Cookie)。
    • 僅針對新的客戶,或客戶已清除從 MC 訪客服務啟動以來的 Cookie,才會設定 Experience Cloud 訪客 ID。
    量度 選取所需的量度。標準是 OOTB,而「自訂」包含自訂事件。
    報表預覽 在排定報表之前檢閱設定。
    Data Warehouse 2
    計劃傳送 輸入要將檔案傳送到哪個電子郵件地址、命名檔案,然後選取「立即傳送」。
    注意: 在「進階傳送選項」
    下,您可以透過 FTP 傳送檔案排程傳送
  4. 按一下​「請求此報表」

    檔案傳送最多可能需要 72 小時,視所要求的資料量而定。您隨時可以按一下「工具 > 資料倉儲 > 要求管理程式」,以檢查要求的進度。

    如果您想要再次要求從前要求過的資料,您可以視需要從「要求管理程式」複製舊的要求。

如需 Data Warehouse 的相關資訊,請參閱 Analytics 說明文件中的下列連結:

計算方法

您可以選擇依不同的計算方法來檢視報表,以瞭解活動在其存留期或單一作業階段期間影響使用者的方式。

下列活動類型支援計數方法:

  • A/B 測試

    例外的是 A/B 活動僅支援預設「造訪」計數方法。

  • 體驗鎖定目標 (XT)

  • 多變數測試 (MVT)

    對於 MVT 元素貢獻報表,Target 不支援「收入量度」類型的「活動曝光次數」。

  • Recommendations

對於自動個人化 (AP) 活動,目前僅支援預設計數方法 (造訪)。

您可以遵循下列計數方法來檢視報表:

  • 訪客: 活動期間的唯一參與者。

    如果某人從新電腦或新瀏覽器造訪網站、刪除 Cookie,或以相同 Cookie 轉換和回到活動,則會將此人視為新的加入者。系統會使用訪客 mbox Cookie 中的 PCID 來識別加入者。若 PCID 變更,則會將使用者視為新訪客。

  • 造訪: 在單一 30 分鐘的瀏覽器工作階段期間,體驗中的唯一參與者。

    若達成轉換或訪客在離開至少 30 分鐘後返回網站,則會將再度訪問的訪客視為新的造訪。系統會使用訪客 mbox Cookie 中的 sessionID 來識別瀏覽。當 sessionID 變更,則會視為新瀏覽。

  • 曝光/頁面檢視: 每次使用者載入任何活動的頁面時,就計算一次。

    單次造訪可能包含多次曝光,例如首頁。

注意

計數通常是由 Cookie 和作業活動所決定。不過,若您達到活動的最終轉換點,然後重新進入活動,則會將您視為該活動的新加入者和新的造訪。即使您的 PCID 和 sessionID 值未變更,亦會採取此處理方式。

Target為何建議使用Student的t檢定?

A/B測試是實驗,用來比較控制變體中某些業務量度(也稱為體驗)的平均值與一或多個替代體驗中相同量度的平均值。

Target 建議使用兩個 範例Student的t檢定,因為這些測試需要的假設比z檢定之類的替代項目少,且是在控制體驗和替代體驗之間進行成對(定量)業務量度比較的適當統計檢定。

更詳細

執行線上A/B測試時,每個使用者/訪客會隨機指派給單一變體。 隨後,我們會測量興趣的業務量度(例如轉換、訂購、收入等) 適用於每個變體中的訪客。 我們使用的統計測試接著會測試平均業務量度(例如轉換率、每位使用者訂單、每位使用者收入等)的假設 等於控制項和給定的替代變體。

雖然業務量度本身可能根據某些任意分佈進行分配,但此量度(在每個變數內)的平均值的分佈應通過中心極限定理收斂到常態分佈。 請注意,雖然無法保證此取樣分佈的平均值會以多快的速度收斂至正常,但一般會根據線上測試中的訪客規模來達成此條件。

根據平均值的這種正常性,可以顯示要使用的測試統計值以遵循t分佈,因為它是常態分佈值(業務量度的手段的差)與基於資料的估計的縮放項的比率(裝置差的標準誤差)。 假設測試統計資料遵循t分佈,則​Student的t檢定​即為適當的假設測試。

未使用其他測試的原因

z-test​不適當,因為在典型A/B測試案例中,測試統計資料的分母並非衍生自已知的變數,而是必須從資料中估計。

不使用 卡方測試,因為這些適合於判斷兩種變體之間是否存在定性關係(即變體之間沒有差異的空假設)。T檢定更適合於​quamitual​比較量度的情境。

Mann-Whitney U測試​是非參數測試,當平均業務量度(對於每個變體)的取樣分佈不正常時,此測試是適當的。 但是,如前所述,考慮到線上測試所涉及的流量大小,中心極限定理通常適用,因此t檢測可以安全地應用。

當測試有超過兩個體驗(「A/Bn測試」)時,可套用更複雜的方法,例如​ANOVA(將t測試歸納為兩個以上的變體)。 但是,ANOVA回答的問題是「所有變體是否具有相同的平均值」,而在典型的A/Bn測試中,我們更感興趣的是哪個特定變體​最好。​因此,在Target中,我們會套用一般t檢定來比較每個變體與控制項,並使用Bonferroni校正來計算多個比較。

本頁內容