[Premium]{class="badge positive" title="Consulte qué se incluye en Target Premium."}

Resumen de Auto-Target

Auto-Target actividades en Adobe Target utilizan aprendizaje automático avanzado para seleccionar entre varias experiencias de alto rendimiento definidas por expertos en marketing para personalizar el contenido y dirigir las conversiones. Auto-Target ofrece a cada visitante la experiencia más adaptada en función del perfil de cada cliente y del comportamiento de los visitantes anteriores con perfiles similares.

NOTE

Caso de éxito real con segmentación automática success

Un importante minorista de ropa recientemente utilizó una actividad Auto-Target con diez experiencias basadas en categorías de productos (además de un control aleatorio) para ofrecer el contenido adecuado a cada visitante. Se eligió "Add to Cart" como métrica de optimización principal. Las experiencias segmentadas tuvieron un alza media del 29,09 %. Después de crear los modelos Auto-Target, la actividad se estableció en experiencias personalizadas al 90 %.

En solo diez días, se lograron más de 1.700.000 dólares en alza.

Siga leyendo para aprender a usar Auto-Target a fin de aumentar el alza y los ingresos de su organización.

Información general section_972257739A2648AFA7E7556B693079C9

Mientras crea una actividad A/B mediante el flujo de trabajo guiado de tres pasos, elija la opción Auto-Target for personalized experiences en la página Targeting (paso 2).

Opción de segmentación automática para experiencias personalizadas

La opción Auto-Target dentro del flujo de actividad A/B le permite aprovechar el aprendizaje automático para personalizar en un solo clic basándose en un conjunto de experiencias definidas por el especialista en marketing. Auto-Target está diseñado para ofrecer una optimización máxima, en comparación con las pruebas A/B tradicionales o Auto Allocate, determinando qué experiencia mostrar para cada visitante. A diferencia de una actividad A/B en la que el objetivo es encontrar un único ganador, Auto-Target determina automáticamente la mejor experiencia para un visitante determinado. La mejor experiencia se basa en el perfil del visitante y otra información contextual para ofrecer una experiencia altamente personalizada.

De manera similar a Automated Personalization, Auto-Target usa un algoritmo de bosque aleatorio, un método puntero de ensamblado de la ciencia de datos, para determinar la mejor experiencia para mostrar a un visitante. Dado que Auto-Target puede adaptarse a los cambios en el comportamiento de los visitantes, puede ejecutarse de forma perpetua para proporcionar un aumento. Este método a veces se denomina modo "siempre-activo".

A diferencia de una actividad A/B en la que la asignación de experiencias para un visitante dado es fija, Auto-Target optimiza el objetivo comercial especificado en cada visita. Al igual que en Auto Personalization, Auto-Target, de manera predeterminada, reserva parte del tráfico de la actividad como grupo de control para medir el alza. A los visitantes del grupo de control se les sirve una experiencia aleatoria en la actividad.

Consideraciones

Hay algunas consideraciones importantes que se deben tener en cuenta al usar Auto-Target:

  • No puede cambiar una actividad específica de Auto-Target a Automated Personalization, y viceversa.

  • No puede cambiar de la asignación de tráfico Manual (tradicional A/B Test) a Auto-Target, y viceversa después de guardar una actividad como borrador.

  • Un modelo se crea para identificar el rendimiento de la estrategia personalizada en comparación con el tráfico servido aleatoriamente en lugar de enviar todo el tráfico a la experiencia ganadora general. Este modelo considera las visitas y conversiones solo en el entorno predeterminado.

    El tráfico de un segundo conjunto de modelos se crea para cada grupo de modelado (AP) o experiencia (AT). Para cada uno de estos modelos, se tienen en cuenta las visitas y conversiones en todos los entornos.

    Las solicitudes se atienden con el mismo modelo, independientemente del entorno, pero la pluralidad del tráfico debe provenir del entorno predeterminado para garantizar que la experiencia ganadora general identificada sea coherente con el comportamiento en el mundo real.

  • Utilice un mínimo de dos experiencias.

Terminología section_A309B7E0B258467789A5CACDC1D923F3

Los siguientes términos pueden resultar útiles al tratar el tema de Auto-Target:

Término
Definición
Bandido multibrazo
Un método multi-armed bandit en la optimización equilibra el aprendizaje de exploración y la explotación de dicho aprendizaje.
Bosque aleatorio
El bosque aleatorio es una solución pionera de aprendizaje automático. En términos de ciencia de datos, se trata de una clasificación de conjunto, o método de regresión, que funciona mediante la construcción de muchos árboles de decisión basados en los atributos del visitante y la visita. En Target, el bosque aleatorio se usa para determinar qué experiencia se espera que tenga la mayor probabilidad de conversión (o los mayores ingresos por visita) para cada visitante específico.
Muestreo Thompson
El objetivo del muestreo Thompson es determinar qué experiencia es la mejor globalmente (sin personalizar), al mismo tiempo que se minimiza el "coste" de encontrar esa experiencia. El muestreo Thompson siempre elige un ganador, incluso si no hay diferencia estadística entre dos experiencias.

Cómo funciona Auto-Target section_77240E2DEB7D4CD89F52BE0A85E20136

Obtenga más información acerca de los datos y algoritmos subyacentes de Auto-Target y Automated Personalization en los siguientes vínculos:

Término
Detalles
Algoritmo de bosque aleatorio
El algoritmo de personalización principal de Target que se usa en Auto-Target y en Automated Personalization es el de bosque aleatorio. Los métodos de ensamblado, como el bosque aleatorio, utilizan varios algoritmos de aprendizaje para obtener un mejor rendimiento predictivo que el que se podría obtener de cualquiera de los algoritmos de aprendizaje constituyentes. El algoritmo de bosque aleatorio en las actividades Automated Personalization y Auto-Target es una clasificación, o método de regresión, que funciona mediante la construcción de una multitud de árboles de decisión en el momento de la formación.
Cargando datos para los algoritmos Personalization de Target
Hay varias formas de introducir datos para los modelos Auto-Target y Automated Personalization.
Recopilación de datos para los algoritmos Personalization de Target
Los algoritmos de personalización de Target recopilan automáticamente varios datos.

Determinación de la asignación de tráfico. section_AB3656F71D2D4C67A55A24B38092958F

Dependiendo del objetivo de su actividad, puede elegir una asignación de tráfico diferente entre control y experiencias personalizadas. Lo mejor es determinar este objetivo antes de realizar su actividad en vivo.

La lista desplegable Custom Allocation le permite elegir entre las siguientes opciones:

  • Evaluate Personalization Algorithm
  • Maximize Personalization Traffic
  • Custom Allocation

Lista desplegable Objetivo de asignación

Objetivo de la actividad
Asignación de tráfico sugerida
Compensaciones
Evaluar el algoritmo de personalización (50/50): Si su objetivo es probar el algoritmo, utilice una división del 50/50 por ciento de los visitantes entre el control y el algoritmo seleccionado. Esta división proporciona la estimación más precisa del alza. Se sugiere usar con "experiencias aleatorias" como control.
50 % de control/50 % de experiencia personalizada dividida
  • Maximiza la precisión del aumento entre el control y el personalizado
  • Relativamente menos visitantes tienen una experiencia personalizada
Maximizar el tráfico de Personalization (90/10): Si su objetivo es crear una actividad "siempre activada", ponga el 10% de los visitantes en el control a fin de asegurarse de que haya suficientes datos para que los algoritmos continúen aprendiendo a lo largo del tiempo. La compensación aquí es que, a cambio de personalizar una mayor proporción de su tráfico, tiene menos precisión en la estimación del alza. Independientemente del objetivo, esta es la división de tráfico recomendada al usar una experiencia específica como control.
Lo mejor es usar una división de Experiencia personalizada del 10 % - 30 %/70 % - 90 %
  • Maximiza el número de visitantes que tienen una experiencia personalizada
  • Maximiza el alza
  • Menos precisión en cuanto a lo que significa el aumento para la actividad
Asignación personalizada
Divida manualmente el porcentaje según lo desee.
  • Puede que no consiga los resultados deseados. Si no está seguro, siga las sugerencias de cualquiera de las opciones anteriores

Para ajustar el porcentaje Control, haga clic en los iconos de la columna Allocation. No se puede reducir el grupo de control por debajo del 10 %.

Cambiar la asignación del tráfico de segmentación automática

Puede seleccionar una experiencia específica para utilizarla como control o utilizar la opción de experiencia aleatoria.

¿Cuándo se debe elegir Auto-Target sobre Automated Personalization? section_BBC4871C87944DD7A8B925811A30C633

Hay varios escenarios en los que puede preferir usar Auto-Target sobre Automated Personalization:

  • Si desea definir la experiencia completa y no ofertas individuales que se combinan automáticamente para formar una experiencia.
  • Si desea usar el conjunto completo de características de Visual Experience Composer (VEC) que no admite Auto Personalization: el editor de código personalizado, las audiencias de experiencia múltiple y más.
  • Si desea realizar cambios estructurales en su página en diferentes experiencias. Por ejemplo, si desea reorganizar los elementos de la página principal, Auto-Target es más apropiado para usar que Automated Personalization.

¿Qué tiene Auto-Target en común con Automated Personalization? section_2A601F482F9A44E38D4B694668711319

El algoritmo se optimiza para obtener un resultado favorable para cada visita.

  • El algoritmo predice la tendencia de un visitante a la conversión (o los ingresos estimados procedentes de la conversión) para ofrecer la mejor experiencia.
  • Un visitante es elegible para una nueva experiencia al final de una sesión existente (a menos que el visitante esté en el grupo de control, en cuyo caso la experiencia que se asigna a ese visitante en la primera visita permanece igual para las visitas posteriores).
  • En una sesión, la predicción no cambia para mantener la coherencia visual.

El algoritmo se adapta a los cambios en el comportamiento de los visitantes.

  • El método multi-armed bandit garantiza que el modelo siempre "gasta" una pequeña fracción del tráfico para seguir aprendiendo a lo largo de la vida de la actividad y para evitar la sobreexplotación de las tendencias aprendidas anteriormente.
  • Los modelos subyacentes se reconstruyen cada 24 horas utilizando los datos de comportamiento del visitante más recientes para garantizar que Target siempre aproveche los cambios en las preferencias de visitante.
  • Si el algoritmo no es capaz de determinar experiencias ganadoras para usuarios individuales, pasa automáticamente a mostrar la experiencia con mejor rendimiento general, sin dejar por ello de buscar ganadores personalizados. La experiencia con mejor rendimiento se determina empleando Muestreo Thompson.

El algoritmo se optimiza continuamente para una métrica de objetivo único.

  • Esta métrica puede estar basada en conversiones o en ingresos (más específicamente Revenue per Visit).

Target recopila automáticamente información sobre los visitantes para crear los modelos de personalización.

Target utiliza automáticamente todas las Adobe Experience Cloud audiencias compartidas para crear los modelos de personalización.

  • No es necesario que haga nada para agregar audiencias al modelo. Para obtener información sobre el uso de Experience Cloud Audiences con Target, consulte Audiencias de Experience Cloud.

Los especialistas en marketing pueden cargar datos sin conexión, puntuaciones de tendencia u otros datos personalizados para crear modelos de personalización.

¿En qué se diferencian Auto-Target y Automated Personalization? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Auto-Target requiere frecuentemente menos tráfico que Automated Personalization para generar un modelo personalizado.

Aunque la cantidad de tráfico por experiencia necesario para que los modelos Auto-Target o Auto Personalization se creen es la misma, normalmente hay más experiencias en una actividad Automated Personalization que en una actividad Auto-Target.

Por ejemplo, si tuvo una actividad Auto Personalization en la que creó dos ofertas por ubicación con dos ubicaciones, habría cuatro (2 = 4) experiencias totales incluidas en la actividad (sin exclusiones). Con Auto-Target, podría configurar la experiencia 1 para incluir la oferta 1 en la ubicación 1 y la oferta 2 en la ubicación 2, y la experiencia 2 para incluir la oferta 1 en la ubicación 1 y la oferta 2 en la ubicación 2. Dado que Auto-Target le permite elegir tener múltiples cambios dentro de una experiencia, puede reducir la cantidad total de experiencias en su actividad.

Para Auto-Target, se pueden usar reglas simples para comprender los requisitos de tráfico:

  • Cuando Conversion es su métrica de éxito: 1.000 visitas y al menos 50 conversiones por día y experiencia, además la actividad debe tener al menos 7.000 visitas y 350 conversiones.
  • Cuando Revenue per Visit es su métrica de éxito: 1.000 visitas y al menos 50 conversiones por día y experiencia, además la actividad debe tener al menos 1.000 conversiones por experiencia. Por lo general, el RPV requiere más datos para construir modelos debido a la mayor varianza de datos que normalmente existe en los ingresos de visita en comparación con la tasa de conversión.

Auto-Target tiene una funcionalidad de configuración completa.

  • Dado que Auto-Target está incrustado en el flujo de trabajo de la actividad A/B, Auto-Target se beneficia del Visual Experience Composer (VEC), que es más maduro y completo. También puede usar vínculos de control de calidad con Auto-Target.

Auto-Target proporciona un amplio marco de pruebas en línea.

  • El método multi-armed bandit forma parte de un marco de pruebas en línea más amplio que permite a Adobe científicos de datos e investigadores comprender los beneficios de sus continuas mejoras en condiciones reales.
  • En el futuro, este banco de pruebas nos permitirá abrir la plataforma de aprendizaje automático de Adobe a clientes expertos en datos para que puedan incorporar sus propios modelos y aumentar los modelos de Target.

Informes y Auto-Target section_42EE7F5E65E84F89A872FE9921917F76

Para obtener más información, consulte Informes y segmentación automática.

Vídeo de formación: Aspectos básicos de las actividades de Segmentación automática

Este vídeo explica cómo configurar una actividad A/B de Auto-Target.

Tras completar esta formación, debe ser capaz de:

  • Definir pruebas de Auto-Target
  • Comparar y contrastar Auto-Target con Automated Personalization
  • Crear Auto-Target actividades
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654