[Premium]{class="badge positive" title="Voir ce qui est inclus dans Target Premium."}

Configurer des rapports A4T dans Analysis Workspace pour les activités Auto-Target

L’intégration Analytics for Target (A4T) pour les activités Auto-Target utilise les algorithmes de machine learning (ML) d’Adobe Target ensemble 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 des fonctionnalités d’analyse riches soient disponibles dans Adobe Analytics Analysis Workspace, quelques modifications sont nécessaires dans le panneau par défaut Analytics for Target pour interpréter correctement les activités de Auto-Target, en raison des différences entre les activités d’expérimentation (test A/B manuel et affectation automatique) et les activités de personnalisation ( ciblage automatique).

Ce tutoriel décrit les modifications recommandées pour l’analyse des activités de ciblage automatique dans Analysis Workspace, qui reposent sur les concepts clés suivants :

Créez le panneau A4T pour ciblage automatique dans Analysis Workspace

Pour créer un rapport A4T pour ciblage automatique, 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 :

Utilisez la comparaison Contrôle ouDimension ciblée pour comparer le modèle ML d’ensemble Target à votre contrôle

Le panneau A4T par défaut est conçu pour les activités classiques (manuelles) Test A/B ou Affectation automatique où l’objectif est de comparer les performances des expériences individuelles à l’expérience de contrôle. Toutefois, dans les activités de ciblage automatique, la comparaison de premier ordre doit porter sur le contrôle stratégie et la stratégie ciblée. En d’autres termes, la détermination de l’effet élévateur de la performance globale du modèle de ML d’ensemble de ciblage automatique sur la stratégie de contrôle.

Pour effectuer cette comparaison, utilisez la dimension Contrôle ou ciblé (Analytics for Target). Effectuez un glisser-déposer pour remplacer la dimension Expériences Target dans le rapport A4T par défaut.

Notez que ce remplacement invalide les calculs par défaut Effet élévateur et Degré de confiance dans le panneau A4T. Pour éviter toute confusion, vous pouvez supprimer ces mesures du panneau par défaut et conserver le rapport suivant :

Panneau

Figure 2 : rapport de référence recommandé pour les activités Auto-Target. Ce rapport a été configuré pour comparer le trafic ciblé (fourni par le modèle ML d’ensemble) à votre trafic de contrôle.

Ajout de répartitions de mesures au niveau de l’expérience

Pour mieux comprendre les performances d’insight, vous pouvez examiner les répartitions au niveau de l’expérience de la dimension Contrôle par rapport à ciblé. Dans Analysis Workspace, faites glisser la dimension Expériences Target sur votre rapport, puis répartissez séparément chacune des dimensions de contrôle et des dimensions ciblées.

Panneau

Figure 3 : Répartition de la dimension ciblée par expériences cible

Un exemple du rapport obtenu est illustré ici.

Panneau

Figure 4 : rapport standard Ciblage automatique avec répartitions au niveau de l’expérience. Notez que votre mesure d’objectif peut être différente et votre stratégie de contrôle peut avoir une seule expérience.

Pourquoi « ​ Visites ​ » est-il la mesure de normalisation correcte pour les activités de ciblage automatique ?

Lors de l’analyse d’une activité de ciblage automatique, choisissez toujours Visites comme mesure de normalisation par défaut. La personnalisation Ciblage automatique sélectionne une expérience pour un visiteur une fois par visite (officiellement, une fois par session de Target), ce qui signifie que l’expérience présentée à un visiteur peut changer à chaque visite. Ainsi, si vous utilisez la mesure Visiteurs uniques comme mesure de normalisation, le fait qu’un seul utilisateur ou une seule utilisatrice puisse voir plusieurs expériences (sur différentes visites) conduirait à des taux de conversion déroutants.

Un exemple simple illustre ce point : prenons l’exemple d’un scénario dans lequel deux visiteurs rejoignent une campagne qui ne comporte que deux expériences. Le premier visiteur visite deux fois. Ils sont affectés à l’expérience A lors de la première visite, mais à l’expérience B lors de la deuxième visite (en raison de la modification de l’état de leur 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 visite également deux fois et voit l’expérience B les deux fois, mais ne se convertit jamais.

Comparons les rapports au niveau des visiteurs et au niveau des visites :

Tableau 1 : exemple de comparaison des rapports normalisés par le visiteur et normalisés par les visites pour un scénario dans lequel les décisions sont liées à une visite (et non à un visiteur, comme avec les tests A/B réguliers). Les mesures normalisées par le visiteur prêtent à confusion dans ce scénario.

Comme le montre le tableau, il existe une incohérence évidente entre les nombres au niveau des visiteurs. Bien qu’il y ait au total deux visiteurs uniques, il ne s’agit pas d’une somme de visiteurs uniques individuels pour chaque expérience. Bien que le taux de conversion au niveau du visiteur ou de la visiteuse ne soit pas nécessairement faux, lorsqu’on compare des expériences individuelles, les taux de conversion au niveau des visites ont sans doute beaucoup plus de sens. Formellement, l’unité d’analyse (« visites ») est identique à l’unité de finesse des décisions, ce qui signifie que des répartitions de mesures au niveau de l’expérience peuvent être ajoutées et comparées.

Filtrer les visites réelles sur l’activité

La méthodologie de comptage par défaut Adobe Analytics pour les visites d’une activité Target peut inclure des visites au cours desquelles l’utilisateur ou l’utilisatrice n’a pas interagi avec l’activité Target. Cela est dû à la manière dont les affectations d’activités 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 baisse des taux de conversion.

Si vous préférez créer des rapports sur les visites au cours desquelles l’utilisateur a réellement interagi avec l’activité de ciblage automatique (soit par le biais d’une entrée dans l’activité, d’un événement d’affichage ou de visite, ou d’une conversion), vous pouvez :

Pour créer le segment, procédez comme suit

Figure 5 : utilisez un segment tel que celui illustré ici pour filtrer la mesure Visites dans votre rapport A4T pour ciblage automatique

Une fois le segment créé, utilisez-le pour filtrer la mesure Visites afin que la mesure Visites inclue uniquement les visites pour lesquelles l’utilisateur a interagi avec l’activité de Target.

Pour filtrer Visites à l’aide de ce segment :

Le dernier panneau se présente comme suit :

Panneau

Figure 6 : Panneau de création de rapports avec le segment « Accès avec une activité de ciblage automatique spécifique » appliqué à la mesure ​ Visites ​. Ce segment permet de s’assurer que seules les visites au cours desquelles un utilisateur ou une utilisatrice a réellement interagi avec l’activité de Target en question sont incluses dans le rapport.

Assurez-vous que la mesure d’objectif et l’attribution sont alignées avec votre critère d’optimisation

L’intégration A4T permet au modèle ML de ciblage automatique d’être entraîné à l’aide des 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 l’entraînement des modèles ML, qui diffèrent des hypothèses par défaut faites pendant la phase de création de rapports en Adobe Analytics.

Plus précisément, les modèles ML Adobe Target utilisent un modèle d’attribution à l’échelle des visites. En d’autres termes, les modèles ML supposent qu’une conversion doit se produire au cours de la même visite qu’un affichage du contenu de l’activité afin que la conversion soit « attribuée » à la décision prise par le modèle ML. Cela est nécessaire pour que Target garantisse une formation rapide de ses modèles. Target ne pouvez pas attendre jusqu’à 30 jours pour une conversion (la fenêtre d’attribution par défaut pour les rapports en Adobe Analytics) avant de l’inclure dans les données de formation de ses modèles.

Ainsi, la différence entre l’attribution utilisée par les modèles de Target (pendant l’entraînement) et l’attribution par défaut utilisée dans les requêtes de données (pendant la génération du rapport) peut entraîner des incohérences. Il peut même sembler que les modèles de ML ont de mauvaises performances, alors qu’en fait le problème réside dans l’attribution.

La définition exacte de la mesure 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 mesures Analytics avec Maximiser la valeur de mesure par visite

Lorsque la mesure est une conversion Target ou une mesure Analytics avec Maximiser la valeur de la mesure par visite, la définition de la mesure d’objectif permet à plusieurs événements de conversion de se produire au cours de la même visite.

Pour afficher les mesures d’objectif avec la même méthodologie d’attribution que celle utilisée par les modèles ML Target, procédez comme suit :

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 des mesures avec des taux de conversion de visites uniques

Définir la visite avec un segment de mesure positive

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 la mesure est positive. Pour ce faire, créez un segment en filtrant les visites sur une valeur positive de la mesure, puis en filtrant la mesure des visites.

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

Appliquer cette mesure aux visites dans la mesure filtrée par activité

Ce segment peut désormais être utilisé pour filtrer les visites avec un nombre positif de commandes et l’endroit où l’activité de Auto-Target a eu un accès. La procédure de filtrage d’une mesure est similaire à la précédente. Après avoir appliqué le nouveau segment à la mesure de visite déjà filtrée, le panneau de rapport doit ressembler à la figure 8

Figure 8 : panneau de rapport contenant la mesure de conversion de visite unique correcte : le nombre de visites pour lesquelles un accès à l’activité a été enregistré et pour lesquelles la mesure de conversion (commandes dans cet exemple) était différente de zéro.

Étape finale : créez un taux de conversion qui capture la magie ci-dessus

Compte tenu des modifications apportées aux mesures Visite et d’objectif dans les sections précédentes, la dernière modification que vous devez apporter à votre A4T par défaut pour Auto-Target panneau de création de rapports consiste à créer des taux de conversion correspondant au ratio correct (celui de la mesure d’objectif corrigée) par rapport à une mesure « Visites » filtrée de manière appropriée.

Pour ce faire, créez une mesure calculée en procédant comme suit :

La définition complète de la mesure calculée s’affiche ici.

Figure 7 : définition de la mesure de taux de conversion du modèle corrigée de la visite et corrigée de 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 dans toutes les activités.)

Résumé : panneau d’Analysis Workspace type final pour les rapports de ciblage automatique

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 de ciblage automatique. Ce rapport est identique à celui utilisé par les modèles ML Target pour optimiser votre mesure d’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 traditionnelles de Target pilotées par les rapports ciblage automatique.

Cliquez pour développer l’image.

{width="600" modal="regular"}

Figure 10 : rapport A4T ciblage automatique final de Adobe Analytics Workspace, qui combine tous les ajustements des définitions de mesures décrits dans les sections précédentes de ce tutoriel.