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,則會顯示每一個體驗的 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的完整信賴計算器 Excel檔案以輸入活動值,或檢閱Target🔗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 TargetAnalytics的離線計算(A4T)

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。要執行學生t-test計算,需要「平方和」來計算差異,差異是用於t-統計的分母。 本文檔說明所 用數學公式的詳細資訊。可從Analytics擷取平方和。 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。

為什麼Target建議使用學生的t-tests?

A/B測試是比較控制變數中某些業務量度(也稱為體驗)的平均值與一個或多個替代體驗中該量度的平均值的實驗。

Target 建議使用兩個範例 Student T-test,因為這些測試需要的假設比Z-tests等替代項目少,而且是在控制體驗和替代體驗之間進行兩對(數量)商業度量比較的適當統計測試。

詳細資訊

執行線上A/B測試時,會隨機將每個使用者/訪客指派給單一變數。 隨後,我們會測量感興趣的業務量度(例如轉換、訂購、收入等) 變數中的訪客。 然後,我們使用的統計測試會測試平均業務量度(例如轉換率、每位使用者的訂單、每位使用者的收入等)的假設 等於控制項和給定的替代變數。

雖然業務量度本身可能根據任意分佈進行分配,但此量度(在每個變數內)的平均分佈應通過中心極限定理收斂到常態分佈。 請注意,雖然無法保證此平均值的取樣分佈會以多快的速度收斂至正常,但此條件通常會線上上測試中根據訪客的規模而達成。

在平均值的這種正常性下,所使用的測試統計值可以被顯示為遵循t分佈,因為它是基於資料的估計值(裝置差的標準誤差)的正常分佈值(業務量度的差值)與縮放項的比值。 如果測試統計資料遵循t分佈,則​學生的t-test​即為適當的假設測試。

不使用其他測試的原因

z-test​不適當,因為在典型的A/B測試情景中,測試統計的分母不是從已知方差中衍生出來的,而是必須從資料中估計。

Chi- square測試不被使用,因為這些適用於確定兩個變體之間是否存在定性關係(即在變體之間沒有差異的零假設)。T-tests更適合於​dimutical​比較量度的藍本。

Mann-Whitney U測試​是非參數測試,適用於平均業務量度(對於每個變體)的抽樣分佈不正常時。 但是,如前所述,線上測試涉及的流量大小,中心極限定理通常適用,因此t-test可以安全地應用。

當測試有兩個以上的體驗時(「A/Bn測試」),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,我們會套用常規t-test,比較每個變體與控制項,並使用Bonferroni修正來計算多個比較。

本頁內容

Adobe Maker Awards Banner

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now
Adobe Maker Awards Banner

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now