Configuration de rapports A4T dans Analysis Workspace pour les activités Auto-Target
L’intégration Analytics for Target (A4T) pour les activités Auto-Target utilise les algorithmes d’apprentissage automatique d’ensemble Adobe Target pour choisir la meilleure expérience pour chaque visiteur en fonction de son profil, de son comportement et de son contexte, tout en utilisant une mesure d’objectif Adobe Analytics.
Bien que de riches fonctionnalités d'analyse soient disponibles dans Adobe Analytics Analysis Workspace, quelques modifications du panneau par défaut Analytics for Target sont nécessaires pour interpréter correctement les activités Auto-Target, en raison de différences entre les activités d'expérimentation (manuelles A/B Test et Auto-Allocate) et les activités de personnalisation (Auto-Target).
Ce tutoriel décrit les modifications recommandées pour l’analyse des activités Auto-Target dans Analysis Workspace, basées sur les concepts clés suivants :
- La dimension Control vs Targeted peut être utilisée pour faire la distinction entre les expériences Control et celles diffusées par l’algorithme ML d’ensemble Auto-Target.
- Les visites doivent être utilisées comme mesure de normalisation lors de l’affichage des ventilations de performances au niveau de l’expérience. En outre, la méthodologie de comptage par défaut d’ Adobe Analytics peut inclure des visites pour lesquelles l’utilisateur ne voit pas réellement le contenu de l’activité, mais ce comportement par défaut peut être modifié à l’aide d’un segment de portée appropriée (détails ci-dessous).
- L’attribution étendue de la recherche en amont des visites, également appelée "intervalle de recherche en amont des visites" sur le modèle d’attribution prescrit, est utilisée par les modèles ML Adobe Target pendant leurs phases de formation, et le même modèle d’attribution (autre que celui par défaut) doit être utilisé lors de la ventilation de la mesure d’objectif.
Créez le panneau A4T pour Auto-Target dans Analysis Workspace
Pour créer un rapport A4T pour Auto-Target, commencez par le panneau Analytics for Target dans Analysis Workspace, comme illustré ci-dessous, ou commencez par un tableau à structure libre. Effectuez ensuite les sélections suivantes :
-
Control Experience : vous pouvez choisir n’importe quelle expérience ; vous remplacerez toutefois ce choix ultérieurement. Notez que pour les activités Auto-Target, l’expérience de contrôle est en fait une stratégie de contrôle, qui consiste soit à a) diffuser de manière aléatoire parmi toutes les expériences, soit b) diffuser une seule expérience (ce choix est effectué au moment de la création de l’activité dans Adobe Target). Même si vous avez choisi (b), votre activité Auto-Target a désigné une expérience spécifique comme contrôle. Suivez toujours l’approche décrite dans ce tutoriel pour analyser A4T pour les activités Auto-Target.
-
Normalizing Metric : sélectionnez Visits.
-
Success Metrics : bien que vous puissiez sélectionner n’importe quelle mesure sur laquelle créer un rapport, vous devez généralement afficher les rapports sur la même mesure que celle choisie pour l’optimisation lors de la création de l’activité dans Target.
Figure 1 : Analytics for Target configuration du panneau pour les activités Auto-Target.
Utilisez la dimension Control vs.Targeted pour comparer le modèle ML d’ensemble Target à votre contrôle.
Le panneau A4T par défaut est conçu pour les activités classiques (manuelles) A/B Test ou Auto-Allocate dont l’objectif est de comparer les performances des expériences individuelles à l’expérience de contrôle. Dans les activités Auto-Target, cependant, la première comparaison de commande doit être entre le contrôle stratégie et la stratégie ciblée. En d’autres termes, déterminer l’effet élévateur des performances globales du modèle ML d’ensemble Auto-Target par rapport à la stratégie de contrôle.
Pour effectuer cette comparaison, utilisez la dimension Control vs Targeted (Analytics for Target). Effectuez un glisser-déposer pour remplacer la dimension Target Experiences dans le rapport A4T par défaut.
Notez que ce remplacement invalide les calculs Lift and Confidence par défaut sur le panneau A4T. Pour éviter toute confusion, vous pouvez supprimer ces mesures du panneau par défaut, en laissant le rapport suivant :
Figure 2 : Rapport de base recommandé pour les activités Auto-Target. Ce rapport a été configuré pour comparer le trafic ciblé (traité par le modèle ML d’ensemble) à votre trafic de contrôle.
Ajout de ventilations de mesures au niveau de l’expérience
Pour mieux comprendre les performances du modèle ML d’ensemble, vous pouvez examiner les ventilations au niveau de l’expérience de la dimension Control vs Targeted. Dans Analysis Workspace, faites glisser la dimension Target Experiences sur votre rapport, puis ventilez séparément chaque dimension de contrôle et dimension ciblée.
Figure 3 : Ventilation de la dimension ciblée par expériences Target
Un exemple du rapport obtenu est présenté ici.
Figure 4 : Rapport Auto-Target standard avec ventilations au niveau de l’expérience. Notez que la mesure de votre objectif peut être différente et que votre stratégie de contrôle peut comporter une seule expérience.
Pourquoi "Visits" est la mesure de normalisation correcte pour les activités Auto-Target
Lors de l’analyse d’une activité Auto-Target, choisissez toujours Visits comme mesure de normalisation par défaut. La personnalisation Auto-Target sélectionne une expérience pour un visiteur une fois par visite (officiellement, une fois par session Target), ce qui signifie que l’expérience présentée à un visiteur peut changer à chaque visite. Par conséquent, si vous utilisez Unique Visitors comme mesure de normalisation, le fait qu’un utilisateur unique puisse voir plusieurs expériences (au cours de différentes visites) peut entraîner des taux de conversion déroutants.
Un exemple simple illustre ce point : imaginez un scénario dans lequel deux visiteurs entrent dans une campagne qui ne comporte que deux expériences. Le premier visiteur effectue deux visites. Elles sont affectées à l’expérience A lors de la première visite, mais à l’expérience B lors de la seconde visite (en raison de la modification de leur état de profil lors de cette deuxième visite). Après la deuxième visite, le visiteur effectue une conversion en passant une commande. La conversion est attribuée à l’expérience la plus récemment affichée (expérience B). Le deuxième visiteur se rend également deux fois sur le site et affiche l’expérience B à chaque fois, mais ne procède jamais à une conversion.
Comparons les rapports au niveau des visiteurs et des visites :
Tableau 1 : exemple de comparaison de rapports normalisés en fonction des visiteurs et normalisés en fonction des visites pour un scénario dans lequel les décisions sont liées à une visite (et non aux visiteurs, comme avec les tests A/B standard). Les mesures normalisées par les visiteurs sont déroutantes dans ce scénario.
Comme le montre le tableau, les nombres au niveau du visiteur présentent une incongruité évidente. Bien qu’il existe deux visiteurs uniques au total, il ne s’agit pas de la somme des visiteurs uniques individuels pour chaque expérience. Bien que le taux de conversion au niveau du visiteur ne soit pas nécessairement incorrect, lorsqu’on compare des expériences individuelles, les taux de conversion au niveau du visiteur ont sans doute beaucoup plus de sens. Officiellement, l’unité d’analyse ("visites") est identique à l’unité d’attractivité de décision, ce qui signifie que les ventilations au niveau de l’expérience de mesures peuvent être ajoutées et comparées.
Filtre pour les visites réelles de l’activité
La méthodologie de comptage par défaut de Adobe Analytics pour les visites d’une activité Target peut inclure les visites au cours desquelles l’utilisateur n’a pas interagi avec l’activité Target. Cela est dû à la manière dont les affectations d’activité Target sont conservées dans le contexte du visiteur Analytics. Par conséquent, le nombre de visites de l’activité Target peut parfois être exagéré, ce qui entraîne une dépression des taux de conversion.
Si vous préférez créer un rapport sur les visites au cours desquelles l’utilisateur a réellement interagi avec l’activité Auto-Target (soit par l’entrée de l’activité, un événement d’affichage ou de visite, soit par une conversion), vous pouvez :
- Créez un segment spécifique qui inclut les accès de l’activité Target en question, puis
- Filtrez la mesure Visits à l’aide de ce segment.
Pour créer le segment :
- Sélectionnez l’option Components > Create Segment dans la barre d’outils Analysis Workspace.
- Spécifiez un Title pour votre segment. Dans l’exemple ci-dessous, le segment est nommé “Hit with specific Auto-Target activity”.
- Faites glisser la dimension Target Activities vers la section de segment Definition.
- Utilisez l’opérateur equals .
- Recherchez votre activité Target spécifique.
- Cliquez sur l’icône d’engrenage, puis sélectionnez Attribution model > Instance comme illustré dans la figure ci-dessous.
- Cliquez sur Save.
Figure 5 : Utilisation d’un segment tel que celui illustré ici pour filtrer la mesure Visits dans votre rapport A4T pour Auto-Target
Une fois le segment créé, utilisez-le pour filtrer la mesure Visits. Par conséquent, la mesure Visits n’inclut que les visites où l’utilisateur a interagi avec l’activité Target.
Pour filtrer Visits à l’aide de ce segment :
- Faites glisser le segment nouvellement créé à partir de la barre d’outils des composants et survolez la base de l’étiquette de mesure Visits jusqu’à ce qu’une invite bleue Filter by s’affiche.
- Relâchez le segment. Le filtre est appliqué à cette mesure.
Le panneau final s’affiche comme suit :
Figure 6 : Panneau de création de rapports avec le segment "Accès avec activité de ciblage automatique spécifique" appliqué à la mesure Visits. Ce segment garantit que seules les visites au cours desquelles un utilisateur a réellement interagi avec l’activité Target en question sont incluses dans le rapport.
Assurez-vous que la mesure et l’attribution de l’objectif sont alignées sur votre critère d’optimisation.
L’intégration A4T permet au modèle Auto-Target ML d’être entraîné en utilisant les mêmes données d’événement de conversion que celles utilisées par Adobe Analytics pour générer des rapports de performances. Cependant, certaines hypothèses doivent être utilisées pour interpréter ces données lors de la formation des modèles ML, qui diffèrent des hypothèses par défaut faites lors de la phase de création de rapports dans Adobe Analytics.
Plus précisément, les modèles ML Adobe Target utilisent un modèle d’attribution à portée de visite. En d’autres termes, les modèles ML supposent qu’une conversion doit avoir lieu au cours de la même visite comme affichage du contenu de l’activité pour que la conversion soit "attribuée" à la décision prise par le modèle ML. Cela est nécessaire pour Target afin de garantir une formation opportune de ses modèles ; Target ne peut pas attendre jusqu’à 30 jours pour une conversion (la fenêtre d’attribution par défaut pour les rapports dans Adobe Analytics) avant de l’inclure dans les données d’entraînement de ses modèles.
Par conséquent, la différence entre l’attribution utilisée par les modèles Target (pendant la formation) et l’attribution par défaut utilisée dans l’interrogation des données (pendant la génération du rapport) peut entraîner des incohérences. Il peut même sembler que les modèles ML sont peu performants, alors qu'en fait le problème réside dans l'attribution.
La définition exacte des mesures et les paramètres d’attribution dépendent du critère d’optimisation que vous avez spécifié lors de la création de l’activité.
Conversions définies par Target ou Analytics mesures avec Maximiser la valeur de mesure par visite
Lorsque la mesure est une conversion Target ou une mesure Analytics avec Maximiser la valeur de mesure par visite, la définition de la mesure d’objectif permet à plusieurs événements de conversion de se produire au cours d’une même visite.
Pour afficher les mesures d’objectif qui ont la même méthodologie d’attribution utilisée par les modèles ML Target, procédez comme suit :
-
Passez la souris sur l’icône d’engrenage de la mesure d’objectif :
-
Dans le menu qui s’affiche, faites défiler l’écran jusqu’à Data settings.
-
Sélectionnez Use non-default attribution model (s’il n’est pas déjà sélectionné).
-
Cliquez sur Edit.
-
Sélectionnez Model : Participation et Lookback window : Visit.
-
Cliquez sur Apply.
Ces étapes garantissent que votre rapport attribue la mesure d’objectif à l’affichage de l’expérience, si l’événement de mesure d’objectif s’est produit à tout moment ("participation") au cours de la même visite qu’une expérience a été affichée.
Analytics mesures avec taux de conversion de visites uniques
Définir la visite avec un segment de mesure positif
Dans le scénario où vous avez sélectionné Maximiser le taux de conversion des visites uniques comme critère d’optimisation, la définition correcte du taux de conversion est la fraction des visites pour lesquelles la valeur de mesure est positive. Pour ce faire, vous pouvez créer un segment en filtrant les visites par rapport aux visites avec une valeur positive de la mesure, puis en filtrant la mesure Visites.
-
Comme auparavant, sélectionnez l’option Components > Create Segment dans la barre d’outils Analysis Workspace.
-
Spécifiez un Title pour votre segment.
Dans l’exemple ci-dessous, le segment est nommé “Visits with an order”.
-
Faites glisser la mesure de base que vous avez utilisée dans votre objectif d’optimisation dans le segment.
Dans l’exemple ci-dessous, nous utilisons la mesure commandes afin que le taux de conversion mesure la fraction des visites où une commande est enregistrée.
-
En haut à gauche du conteneur de définitions de segment, sélectionnez Include Visite.
-
Utilisez l’opérateur is greater than et définissez la valeur sur 0.
Si vous définissez la valeur sur 0, cela signifie que ce segment inclut les visites pour lesquelles la mesure des commandes est positive.
-
Cliquez sur Save.
Figure 7 : Filtrage de la définition de segment pour les visites avec un ordre positif. Selon la mesure d’optimisation de votre activité, vous devez remplacer les commandes par une mesure appropriée
Appliquez cela aux visites dans la mesure filtrée de l’activité
Ce segment peut désormais être utilisé pour filtrer les visites avec un nombre positif de commandes, et où il y a eu un accès pour l’activité Auto-Target. La procédure de filtrage d’une mesure est similaire à la procédure précédente. Après avoir appliqué le nouveau segment à la mesure de visite déjà filtrée, le panneau du rapport doit ressembler à la figure 8.
Figure 8 : Panneau du rapport présentant la mesure de conversion de visite unique correcte : le nombre de visites au cours desquelles un accès de l’activité a été enregistré et où la mesure de conversion (commandes dans cet exemple) était non nulle.
Étape finale : créez un taux de conversion qui capture la magie ci-dessus.
Avec les modifications apportées aux mesures Visit et d’objectif dans les sections précédentes, la dernière modification que vous devez apporter à votre panneau de création de rapports A4T par défaut pour Auto-Target est de créer des taux de conversion qui sont le ratio correct, celui de la mesure d’objectif corrigée, à une mesure "Visites" correctement filtrée.
Pour ce faire, créez un Calculated Metric en suivant les étapes suivantes :
- Sélectionnez l’option Components > Create Metric dans la barre d’outils Analysis Workspace.
- Spécifiez un Title pour votre mesure. Par exemple, "Taux de conversion corrigé des visites pour l’activité XXX".
- Sélectionnez Format = Pourcentage et Decimal Places = 2.
- Faites glisser la mesure d’objectif appropriée pour votre activité (par exemple, Activity Conversions) dans la définition et utilisez l’icône en forme d’engrenage sur cette mesure d’objectif pour ajuster le modèle d’attribution à (Participation|Visite), comme décrit précédemment.
- Sélectionnez Add > Container dans le coin supérieur droit de la section Definition.
- Sélectionnez l'opérateur de division (÷) entre les deux conteneurs.
- Faites glisser le segment précédemment créé, nommé "Accès avec une activité Auto-Target spécifique" dans ce tutoriel pour cette activité Auto-Target spécifique.
- Faites glisser la mesure Visits dans le conteneur de segments.
- Cliquez sur Save.
La définition de mesure calculée complète s’affiche ici.
Figure 7 : Définition de la mesure de taux de conversion de modèle corrigée pour les visites et corrigée pour l’attribution. (Notez que cette mesure dépend de votre mesure d’objectif et de votre activité. En d’autres termes, cette définition de mesure n’est pas réutilisable entre les activités.)
Résumé : dernier exemple Analysis Workspace de panneau pour les rapports Auto-Target
En combinant toutes les étapes ci-dessus dans un seul panneau, la figure ci-dessous présente une vue complète du rapport recommandé pour les activités A4T Auto-Target. Ce rapport est identique à celui utilisé par les modèles Target ML pour optimiser la mesure de votre objectif. Le rapport intègre toutes les nuances et recommandations abordées dans ce tutoriel. Ce rapport est également le plus proche des méthodologies de comptage utilisées dans les activités Auto-Target traditionnelles pilotées par des rapports Target.
Cliquez sur pour développer l’image.
Figure 10 : Rapport final A4T Auto-Target dans Adobe Analytics Workspace, qui combine tous les ajustements aux définitions de mesures décrits dans les sections précédentes de ce tutoriel.