[Premium]{class="badge positive" title="Consulte qué se incluye en Target Premium."}
Configurar informes de A4T en Analysis Workspace para Auto-Target actividades
La integración de Analytics for Target (A4T) para actividades Auto-Target usa los algoritmos de aprendizaje automático (ML) de ensamblado Adobe Target para elegir la mejor experiencia para cada visitante en función de su perfil, comportamiento y contexto, todo mientras usa una métrica de objetivo de Adobe Analytics.
Aunque las funcionalidades de análisis enriquecidas están disponibles en Adobe Analytics Analysis Workspace, se requieren algunas modificaciones en el panel predeterminado Analytics for Target para interpretar correctamente las actividades de Auto-Target, debido a diferencias entre las actividades de experimentación (manual A/B Test y Auto-Allocate) y las actividades de personalización (Auto-Target).
Este tutorial muestra las modificaciones recomendadas para analizar las actividades de Auto-Target en Analysis Workspace, que se basan en los siguientes conceptos clave:
- La dimensión Control vs Targeted se puede usar para distinguir entre las experiencias Control y las que ofrece el algoritmo XML de ensamblado Auto-Target.
- Las visitas deben utilizarse como métrica de normalización al ver desgloses de rendimiento de nivel de experiencia. Además, la metodología de contabilización predeterminada de Adobe Analytics podría incluir visitas en las que el usuario no ve realmente el contenido de la actividad, pero este comportamiento predeterminado se puede modificar utilizando un segmento con el ámbito adecuado (detalles a continuación).
- La atribución con ámbito de retrospectiva de visita, también conocida como "ventana retrospectiva de visita" en el modelo de atribución prescrito, la utilizan los modelos XML de Adobe Target durante sus fases de formación, y se debe utilizar el mismo modelo de atribución (no predeterminado) al desglosar la métrica de objetivo.
Crear A4T para el panel Auto-Target en Analysis Workspace
Para crear un informe de A4T para Auto-Target, comience con el panel Analytics for Target en Analysis Workspace, como se muestra a continuación, o comience con una tabla de forma libre. A continuación, realice las siguientes selecciones:
-
Control Experience: puede elegir cualquier experiencia; sin embargo, anulará esta opción más adelante. Tenga en cuenta que para las actividades Auto-Target, la experiencia de control es en realidad una estrategia de control, que consiste en a) servir aleatoriamente entre todas las experiencias o b) servir una sola experiencia (esta opción se realiza en el momento de la creación de la actividad en Adobe Target). Incluso si optó por la opción (b), su actividad Auto-Target designó una experiencia específica como control. Debe seguir el enfoque descrito en este tutorial para analizar A4T para Auto-Target actividades.
-
Normalizing Metric: seleccione Visits.
-
Success Metrics: aunque puede seleccionar las métricas de las que desee informar, generalmente debería ver los informes de la misma métrica que se eligió para la optimización durante la creación de la actividad en Target.
Configuración del panel
Figura 1: configuración del panel Analytics for Target para Auto-Target actividades.
Utilice la dimensión Control vs.Targeted para comparar el modelo XML de ensamblado Target con el control
El panel predeterminado de A4T está diseñado para actividades clásicas (manuales) A/B Test o Auto-Allocate en las que el objetivo es comparar el rendimiento de experiencias individuales con la experiencia de control. En las actividades Auto-Target, sin embargo, la primera comparación de orden debe ser entre la estrategia de control y la estrategia de destino. En otras palabras, determinar el alza del rendimiento general del modelo XML de ensamblado Auto-Target sobre la estrategia de control.
Para realizar esta comparación, utilice la dimensión Control vs Targeted (Analytics for Target). Arrastre y suelte para reemplazar la dimensión Target Experiences en el informe predeterminado de A4T.
Tenga en cuenta que este reemplazo invalida los cálculos predeterminados de Lift and Confidence en el panel A4T. Para evitar confusiones, puede eliminar estas métricas del panel predeterminado y dejar el siguiente informe:
Figura 2: El informe de línea de base recomendado para Auto-Target actividades. Este informe se ha configurado para comparar el tráfico de destino (servido por el modelo XML ensamblado) con el tráfico de control.
Agregar desgloses de métricas de nivel de experiencia
Para obtener más información sobre el rendimiento del modelo XML de ensamblado, puede examinar los desgloses de nivel de experiencia de la dimensión Control vs Targeted. En Analysis Workspace, arrastre la dimensión Target Experiences al informe y, a continuación, desglose cada una de las dimensiones de control y de destino por separado.
Figura 3: Desglose de la dimensión de destino por experiencias de destino
Aquí se muestra un ejemplo del informe resultante.
Figura 4: Informe Auto-Target estándar con desgloses de nivel de experiencia. Tenga en cuenta que la métrica de objetivos puede ser diferente y que la estrategia de control puede tener una sola experiencia.
Por qué "Visits" es la métrica de normalización correcta para Auto-Target actividades
Al analizar una actividad Auto-Target, elija siempre Visits como métrica de normalización predeterminada. La personalización de Auto-Target selecciona una experiencia para un visitante una vez por visita (formalmente, una vez por sesión de Target), lo que significa que la experiencia mostrada a un visitante puede cambiar en cada visita individual. Por lo tanto, si usa Unique Visitors como métrica de normalización, el hecho de que un solo usuario termine viendo varias experiencias (en diferentes visitas) podría llevar a tasas de conversión confusas.
Un ejemplo sencillo demuestra este punto: imagine un escenario en el que dos visitantes entran en una campaña que solo tiene dos experiencias. El primer visitante lo visita dos veces. Se les asigna la Experiencia A en la primera visita, pero la Experiencia B en la segunda visita (debido a que su estado de perfil cambió en esa segunda visita). Después de la segunda visita, el visitante convierte realizando un pedido. La conversión se atribuye a la experiencia mostrada más recientemente (Experiencia B). El segundo visitante también visita dos veces y se muestra en la Experiencia B ambas veces, pero nunca se convierte.
Vamos a comparar los informes de nivel de visitante y de nivel de visita:
Tabla 1: Ejemplo de comparación de informes normalizados por el visitante y por la visita para un escenario en el que las decisiones son fijas en una visita (y no de visitante, como sucede con las pruebas A/B regulares). Las métricas normalizadas por visitantes son confusas en este escenario.
Como se muestra en la tabla, existe una clara incongruencia entre las cifras a nivel de visitante. A pesar de que hay dos visitantes únicos totales, no se trata de una suma de visitantes únicos individuales para cada experiencia. Aunque la tasa de conversión a nivel de visitante no es necesariamente incorrecta, cuando se comparan experiencias individuales, las tasas de conversión a nivel de visita probablemente tengan mucho más sentido. Formalmente, la unidad de análisis ("visitas") es la misma que la unidad de permanencia en la toma de decisiones, lo que significa que se pueden agregar y comparar desgloses de métricas a nivel de experiencia.
Filtro de las visitas reales a la actividad
La metodología de recuento predeterminada Adobe Analytics para las visitas a una actividad Target puede incluir visitas en las que el usuario no interactuó con la actividad Target. Esto se debe a la forma en que se mantienen las asignaciones de actividad Target en el contexto de visitante Analytics. Como resultado, el número de visitas a la actividad Target a veces se puede aumentar, lo que da como resultado una reducción de las tasas de conversión.
Si prefiere informar sobre las visitas en las que el usuario realmente interactuó con la actividad Auto-Target (ya sea mediante la entrada a la actividad, un evento de visualización o de visita o una conversión), puede:
- Cree un segmento específico que incluya las visitas de la actividad Target en cuestión y, a continuación,
- Filtrar la métrica Visits mediante este segmento.
Para crear el segmento:
- Seleccione la opción Components > Create Segment en la barra de herramientas Analysis Workspace.
- Especifique un Title para el segmento. En el ejemplo que se muestra a continuación, el segmento se denomina “Hit with specific Auto-Target activity”.
- Arrastre la dimensión Target Activities a la sección del segmento Definition.
- Utilice el operador equals.
- Busque su actividad Target específica.
- Haga clic en el icono de engranaje y, a continuación, seleccione Attribution model > Instance como se muestra en la figura siguiente.
- Haga clic en Save.
Figura 5: Use un segmento como el que se muestra aquí para filtrar la métrica Visits en su A4T para el informe Auto-Target
Una vez creado el segmento, utilícelo para filtrar la métrica Visits, de modo que la métrica Visits incluya solo visitas en las que el usuario haya interactuado con la actividad Target.
Para filtrar Visits usando este segmento:
- Arrastre el segmento recién creado desde la barra de herramientas de componentes y pase el ratón por encima de la base de la etiqueta de métrica Visits hasta que aparezca un símbolo del sistema Filter by azul.
- Suelte el segmento. El filtro se aplica a esa métrica.
El panel final aparece de la siguiente manera:
Figura 6: Panel de informes con el segmento "Visita con actividad de segmentación automática específica" aplicado a la métrica Visits. Este segmento garantiza que solo se incluyan en el informe las visitas en las que un usuario realmente interactuó con la actividad Target en cuestión.
Asegúrese de que la métrica y la atribución del objetivo estén alineadas con el criterio de optimización
La integración de A4T permite que el modelo ML Auto-Target se forme con los mismos datos de evento de conversión que Adobe Analytics usa para generar informes de rendimiento. Sin embargo, hay ciertas suposiciones que deben emplearse para interpretar estos datos al entrenar los modelos XML, que difieren de las suposiciones predeterminadas realizadas durante la fase de creación de informes en Adobe Analytics.
Específicamente, los modelos ML de Adobe Target utilizan un modelo de atribución de ámbito de visita. Es decir, los modelos ML suponen que una conversión debe producirse en la misma visita como una visualización de contenido para la actividad para que la conversión se "atribuya" a la decisión tomada por el modelo ML. Esto es necesario para que Target garantice la formación oportuna de sus modelos; Target no puede esperar hasta 30 días a que se produzca una conversión (la ventana de atribución predeterminada para los informes de Adobe Analytics) antes de incluirla en los datos de formación de sus modelos.
Por lo tanto, la diferencia entre la atribución utilizada por los modelos Target (durante la formación) frente a la atribución predeterminada utilizada para consultar datos (durante la generación del informe) puede producir discrepancias. Incluso podría parecer que los modelos ML tienen un mal rendimiento, cuando en realidad el problema reside en la atribución.
La definición de métrica exacta y la configuración de atribución dependen del criterio de optimización que haya especificado durante la creación de la actividad.
Conversiones definidas por el objetivo o métricas de Analytics con Maximizar valor de métrica por visita
Si la métrica es una conversión de Target o una métrica de Analytics con Maximizar valor de métrica por visita, la definición de métrica de objetivo permite que se produzcan varios eventos de conversión en la misma visita.
Para ver las métricas de objetivo que tienen la misma metodología de atribución utilizada por los modelos ML de Target, siga estos pasos:
-
Pase el ratón sobre el icono de engranaje de la métrica de objetivo:
-
En el menú resultante, desplácese hasta Data settings.
-
Seleccione Use non-default attribution model (si no está seleccionado todavía).
-
Haga clic en Edit.
-
Seleccione Model: Participation y Lookback window: Visit.
-
Haga clic en Apply.
Estos pasos garantizan que el informe atribuya la métrica de objetivo a la visualización de la experiencia, si el evento de métrica de objetivo ocurrió en cualquier momento ("participación") en la misma visita en la que se mostró una experiencia.
Analytics métricas con tasas de conversión de visitas únicas
Defina la visita con un segmento de métrica positivo
En el escenario donde seleccionó Maximizar la tasa de conversión de visitas únicas como criterio de optimización, la definición correcta de la tasa de conversión es la fracción de visitas en la que el valor de la métrica es positivo. Esto se puede lograr creando un segmento que filtre hasta las visitas con un valor positivo de la métrica y luego filtrando la métrica de visitas.
-
Como antes, seleccione la opción Components > Create Segment en la barra de herramientas Analysis Workspace.
-
Especifique un Title para el segmento.
En el ejemplo que se muestra a continuación, el segmento se denomina “Visits with an order”.
-
Arrastre la métrica base que utilizó en el objetivo de optimización al segmento.
En el ejemplo que se muestra a continuación, utilizamos la métrica pedidos, de modo que la tasa de conversión mida la fracción de visitas en la que se registra un pedido.
-
En la parte superior izquierda del contenedor de definición del segmento, seleccione Include Visita.
-
Use el operador is greater than y establezca el valor en 0.
Si establece el valor en 0, este segmento incluye las visitas en las que la métrica pedidos es positiva.
-
Haga clic en Save.
Figura 7: La definición del segmento filtra las visitas con un orden positivo. Según la métrica de optimización de su actividad, debe reemplazar los pedidos por una métrica adecuada
Aplicar esto a las visitas en la métrica filtrada de actividad
Este segmento ahora se puede usar para filtrar a visitas con un número positivo de pedidos y donde hubo una visita para la actividad Auto-Target. El procedimiento de filtrado de una métrica es similar al anterior y, después de aplicar el nuevo segmento a la métrica de visitas ya filtrada, el panel de informes debería parecerse a la Figura 8
Figura 8: Panel de informes con la métrica de conversión de visitas únicas correcta: número de visitas donde se registró una visita de la actividad y donde la métrica de conversión (pedidos en este ejemplo) no era cero.
Paso final: Cree una tasa de conversión que capture la magia anterior
Con las modificaciones realizadas en las métricas de objetivo Visit y en las secciones anteriores, la modificación final que debe realizar en su A4T predeterminado para el panel de informes de Auto-Target es crear tasas de conversión que sean la proporción correcta (la de la métrica de objetivo corregida) en una métrica de "Visitas" correctamente filtrada.
Para ello, cree un(a) Calculated Metric, siga estos pasos:
- Seleccione la opción Components > Create Metric en la barra de herramientas Analysis Workspace.
- Especifique un Title para la métrica. Por ejemplo, "Tasa de conversión corregida por la visita para la actividad XXX".
- Seleccione Format = Porcentaje y Decimal Places = 2.
- Arrastre la métrica de objetivo correspondiente a su actividad (por ejemplo, Activity Conversions) en la definición y utilice el icono de engranaje de esta métrica de objetivo para ajustar el modelo de atribución a (Participación|Visita), como se describió anteriormente.
- Seleccione Add > Container de la parte superior derecha de la sección Definition.
- Seleccione el operador de división (÷) entre los dos contenedores.
- Arrastre el segmento creado anteriormente, denominado "Visita con actividad Auto-Target específica", en este tutorial para esta actividad Auto-Target específica.
- Arrastre la métrica Visits al contenedor de segmentos.
- Haga clic en Save.
La definición completa de la métrica calculada se muestra aquí.
Figura 7: La definición de métrica de tasa de conversión del modelo corregido por la visita y corregido por la atribución. Tenga en cuenta que esta métrica depende de la métrica de objetivos y de la actividad. En otras palabras, esta definición de métrica no se puede reutilizar en todas las actividades.)
Resumen: muestra final Analysis Workspace del panel para Auto-Target informes
Al combinar todos los pasos anteriores en un solo panel, la figura siguiente muestra una vista completa del informe recomendado para Auto-Target actividades de A4T. Este informe es el mismo que el que usan los modelos ML de Target para optimizar la métrica de objetivos. El informe incorpora todos los matices y recomendaciones que se examinan en este tutorial. Este informe también es lo más cercano a las metodologías de conteo utilizadas en las actividades Auto-Target tradicionales impulsadas por la creación de informes de Target.
Haga clic para expandir la imagen.
Figura 10: el informe final de A4T Auto-Target en Adobe Analytics Workspace, que combina todos los ajustes a las definiciones de métricas descritas en las secciones anteriores de este tutorial.