Auto-Allocate - Aperçu

Une activité Auto-Allocate dans Adobe Target identifie un gagnant parmi plusieurs expériences et réaffecte automatiquement du trafic supplémentaire vers le gagnant afin d’augmenter les conversions pendant que le test se poursuit et apprend.

Lors de la création d’une activité A/B à l’aide du processus assisté en trois étapes, sélectionnez l’option Auto-Allocate to best experience sur la page Targeting (étape 2).

Le défi section_85D5A03637204BACA75E19646162ACFF

Les tests A/B standard ont un coût. Vous devez générer du trafic pour mesurer les performances de chaque expérience et déterminer l’expérience gagnante grâce à une analyse. L’affectation du trafic reste fixe même après que vous avez admis que certaines expériences sont plus performantes que d’autres. En outre, il est difficile de déterminer la taille de l’échantillon. L’activité doit également s’exécuter en entier avant que vous ne puissiez agir sur un gagnant. Et il y a encore une chance que le gagnant identifié ne soit pas un vrai gagnant.

La solution : Auto-Allocate section_98388996F0584E15BF3A99C57EEB7629

Une activité Auto-Allocate réduit ce coût et les frais liés à la détermination d’une expérience gagnante. Auto-Allocate surveille les performances de la mesure d’objectif de toutes les expériences et envoie plus de nouveaux participants vers les expériences hautement performantes proportionnellement. Suffisamment de trafic est réservé à l’exploration des autres expériences. Vous pouvez constater les avantages du test sur vos résultats, même si l’activité est toujours en cours d’exécution : l’optimisation se produit en parallèle de l’apprentissage.

Auto-Allocate dirige progressivement les visiteurs vers les expériences gagnantes, plutôt que d’exiger que vous attendiez la fin d’une activité pour déterminer un gagnant. Vous bénéficiez de l’effet élévateur plus rapidement, car les participants à l’activité qui auraient été envoyés vers des expériences moins performantes sont dirigés vers des expériences potentiellement gagnantes.

Un test A/B normal dans Target n’affiche que des comparaisons par paires entre les concurrents et le contrôle. Par exemple, si une activité comporte des expériences : A, B, C et D où A est le contrôle, un test A/B normal Target compare A à B, A à C et A à D.

Dans ces tests, la plupart des produits, y compris Target, utilisent un test en t gallois pour produire un degré de confiance basé sur la valeur p. Cette valeur de confiance sert ensuite à déterminer si l’expérience concurrente est suffisamment différente de l’expérience de contrôle. Cependant, Target n’effectue pas automatiquement les comparaisons implicites (B par rapport à C, B par rapport à D et C par rapport à D) requises pour trouver la "meilleure" expérience. Le marketeur doit dès lors analyser les résultats manuellement pour déterminer la « meilleure » expérience.

Auto-Allocate effectue toutes les comparaisons implicites entre les expériences et produit un "vrai" gagnant. La notion d’expérience de « contrôle » disparaît donc totalement du test.

Auto-Allocate alloue intelligemment de nouveaux visiteurs aux expériences jusqu’à ce que l’intervalle de confiance de la meilleure expérience ne chevauche pas l’intervalle de confiance de toute autre expérience. Normalement, ce processus peut produire des faux positifs, mais Auto-Allocate utilise des intervalles de confiance basés sur l’ inégalité de Bernstein qui compense les évaluations répétées. À ce stade, il y a un vrai gagnant. Lorsque Auto-Allocate s’arrête, à condition qu’il n’y ait pas de dépendance temporelle importante pour les visiteurs qui arrivent sur la page, il y a au moins 95 % de chances que Auto-Allocate renvoie une expérience dont la vraie réponse n’est pas inférieure de 1 % (relatif) à la vraie réponse de l’expérience gagnante.

Quand utiliser les activités Auto-Allocate contre A/B Test ou Automated Personalization section_3F73B0818A634E4AAAA60A37B502BFF9

  • Utilisez Auto-Allocate lorsque vous souhaitez optimiser votre activité dès le début et identifier les expériences gagnantes aussi rapidement que possible. En diffusant plus souvent des expériences hautement performantes, les performances globales de l’activité sont améliorées.
  • Utilisez un test A/B standard lorsque vous souhaitez caractériser les performances de toutes les expériences avant d’optimiser votre site. Un test A/B vous aide à classer toutes vos expériences, tandis que Auto-Allocate trouve les plus performants, mais ne garantit pas la différenciation entre les moins performants.
  • Utilisez Automated Personalization lorsque vous souhaitez des algorithmes d’optimisation de la plus haute complexité, tels que des modèles d’apprentissage automatique qui créent des prédictions en fonction d’attributs de profil individuels. Auto-Allocate examine le comportement agrégé des expériences (tout comme les tests A/B standard) et ne fait pas de distinction entre les visiteurs.

Principaux avantages de Auto-Allocate section_0913BF06F73C4794862561388BBDDFF0

  • Préserve la rigueur d’un test A/B
  • Identifie un gagnant statistiquement significatif plus rapidement qu’un test A/B manuel
  • Fournit un effet élévateur de campagne moyen plus élevé qu’un test A/B manuel

Terminologie section_670F8785BA894745B43B6D4BFF953188

Les termes suivants sont utiles pour discuter de Auto-Allocate :

Bandit à plusieurs bras : Une approche d’optimisation bandit à plusieurs bras équilibre l’apprentissage exploratoire et l’exploitation de cet apprentissage.

Fonctionnement de l’algorithme section_ADB69A1C7352462D98849F2918D4FF7B

La logique globale derrière Auto-Allocate incorpore à la fois les performances mesurées (telles que le taux de conversion) et les intervalles de confiance des données cumulées. Contrairement à un test A/B standard où le trafic est réparti uniformément entre les expériences, Auto-Allocate modifie l’affectation du trafic entre les expériences.

  • 80 % des visiteurs sont affectés à l’aide de la logique intelligente décrite ci-dessous.
  • 20 % des visiteurs sont affectés de manière aléatoire à toutes les expériences afin de s’adapter à l’évolution du comportement des visiteurs.

L’approche du bandit à plusieurs bras permet à certaines expériences d’être explorées tandis que les expériences performantes sont exploitées. Davantage de nouveaux visiteurs sont dirigés vers des expériences aux meilleures performances tout en préservant la possibilité de réagir aux conditions changeantes. Ces modèles sont mis à jour au moins une fois par heure pour garantir que le modèle réagit aux dernières données.

Alors que davantage de visiteurs participent à l’activité, certaines expériences commencent à augmenter leurs performances et plus de trafic est envoyé vers les expériences performantes. 20 % du trafic reste réparti de manière aléatoire pour explorer toutes les expériences. Si l’une des expériences moins performantes commence à augmenter ses performances, plus de trafic est affecté à cette expérience. Si une activité hautement performante diminue ses performances, moins de trafic est affecté à cette expérience. Par exemple, si un événement pousse les visiteurs à rechercher d’autres informations sur votre site multimédia ou des ventes de week-end sur votre site de vente au détail, vous obtiendrez des résultats différents.

L’illustration suivante représente la manière dont l’algorithme peut s’exécuter lors d’un test avec quatre expériences (cliquez pour développer l’illustration) :

image auto-allouée

L’illustration montre l’évolution du trafic affecté à chaque expérience sur plusieurs tours pendant la durée de vie de l’activité, jusqu’à ce que l’expérience gagnante puisse être déterminée.

Tour
Description
Tour de chauffe {width="200" modal="regular"}

Tour de chauffe (0)  : au cours du tour de chauffe, chaque expérience reçoit une affectation égale du trafic jusqu’à ce que chaque expérience de l’activité atteigne un minimum de 1 000 visiteurs et 50 conversions.

  • Expérience A = 25 %
  • Expérience B = 25 %
  • Expérience C = 25 %
  • Expérience D = 25 %

Une fois que chaque expérience reçoit 1 000 visiteurs et 50 conversions, Target commence l’affectation automatisée du trafic. Toutes les affectations se produisent par tour ; deux expériences sont sélectionnées pour chaque tour.
Seules deux expériences passent au tour suivant : D et C.
Si vous avancez, cela signifie que les deux expériences reçoivent 80 % du trafic de manière égale. Les deux autres expériences continuent de participer, mais ne sont diffusées que dans le cadre de l’affectation aléatoire de 20 % du trafic au fur et à mesure que de nouveaux visiteurs entrent dans l’activité.
Toutes les affectations sont mises à jour toutes les heures (indiqué par les tours sur l’axe X ci-dessus). Après chaque tour, les données cumulées sont comparées.

1er tour {width="200" modal="regular"}

1er tour  : durant ce tour, 80 % du trafic est affecté aux expériences C et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire aux expériences A, B, C et D (5 % à chaque expérience). Au cours de ce tour, l’expérience A enregistre de bonnes performances.

  • L’algorithme sélectionne l’expérience D pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience A pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.

Les expériences D et A passent au tour suivant.

2e tour {width="200" modal="regular"}

2e tour  : durant ce tour, 80 % du trafic est affecté aux expériences A et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire, ce qui signifie que les expériences A, B, C et D récupèrent chacune 5 % du trafic. Au cours de ce tour, l’expérience B enregistre de bonnes performances.

  • L’algorithme sélectionne l’expérience D pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience B pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.

Les expériences D et B passent au tour suivant.

3e tour {width="200" modal="regular"}

3e tour  : durant ce tour, 80 % du trafic est affecté aux expériences B et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire, ce qui signifie que les expériences A, B, C et D récupèrent chacune 5 % du trafic. Au cours de ce tour, l’expérience D continue d’enregistrer de bonnes performances, de même que l’expérience C.

  • L’algorithme sélectionne l’expérience D pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience C pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.

Les expériences D et C passent au tour suivant.

4e tour {width="200" modal="regular"}

4e tour  : durant ce tour, 80 % du trafic est affecté aux expériences C et D (40 % chacune). 20 % du trafic est affecté de manière aléatoire, ce qui signifie que les expériences A, B, C et D récupèrent chacune 5 % du trafic. Au cours de ce tour, l’expérience C enregistre de bonnes performances.

  • L’algorithme sélectionne l’expérience C pour passer au tour suivant parce qu’elle enregistre le taux de conversion le plus élevé (comme indiqué par l’échelle verticale de chaque activité).
  • L’algorithme sélectionne également l’expérience D pour progresser, puisqu’elle présente la limite supérieure la plus élevée de l’intervalle de confiance de 95 % de Bernstein pour les expériences restantes.

Les expériences C et D passent au tour suivant.

Tour n {width="200" modal="regular"}

Tour n : au fur et à mesure de l’évolution de l’activité, une expérience hautement performante commence à émerger et le processus se poursuit jusqu’à ce qu’une expérience gagnante se produise. Lorsque l’intervalle de confiance de l’expérience avec le taux de conversion le plus élevé ne chevauche aucun autre intervalle de confiance d’expérience, elle est désignée comme gagnante. Un badge s’affiche sur la page de l’activité gagnanteet dans la liste Activity.

  • L’algorithme désigne l’expérience C comme gagnante définitive.

À ce stade, l’algorithme distribue 80 % du trafic à l’expérience C, tandis que 20 % du trafic continue à être distribué de manière aléatoire à toutes les expériences (A, B, C et D). Au total, l’expérience C récupère 85 % du trafic. Dans le cas improbable où l’intervalle de confiance du gagnant recommence à chevaucher un autre intervalle, l’algorithme restaure le comportement du tour 4 ci-dessus.

Important : Si vous aviez choisi un gagnant manuellement plus tôt dans le processus, il aurait été facile de choisir la mauvaise expérience. C’est pourquoi il est recommandé d’attendre que l’algorithme détermine l’expérience gagnante.

NOTE
Si une activité ne comporte que deux expériences, les deux expériences reçoivent un trafic égal jusqu’à ce que Target trouve une expérience gagnante avec un degré de confiance de 75 %. À ce stade, les deux tiers du trafic sont attribués au gagnant et un tiers au perdant. Ensuite, lorsqu’une expérience atteint un degré de confiance de 95 %, 90 % du trafic est affecté au gagnant et 10 % à celui-ci. Target envoie toujours du trafic vers l’expérience "perdante" pour éviter les faux positifs à la fin (c’est-à-dire, conserver une certaine exploration).

Une fois qu’une activité Auto-Allocate est activée, les opérations suivantes de l’interface utilisateur Target ne sont pas autorisées :

  • Basculer le mode d’« Affectation du trafic » en « Manuel »
  • Modifier le type de mesure d’objectif
  • Modification des options du panneau "Advanced Settings"

Fonctionnement de l’affectation automatique

Pour plus d’informations, voir L’affectation automatique peut vous donner des résultats de test plus rapides et des recettes plus élevées qu’un test manuel.

Avertissements section_5C83F89F85C14FD181930AA420435E1D

Tenez compte des informations suivantes lorsque vous utilisez Auto-Allocate :

La fonction Auto-Allocate fonctionne avec un seul paramètre de mesure avancé : Increment Count and Keep User in Activity

Les paramètres de mesure avancée suivants ne sont pas pris en charge : Increment Count, Release User, Allow Reentry and Increment Count et Release User and Bar from Reentry.

Les visiteurs fréquents peuvent gonfler les taux de conversion de l’expérience.

Si un visiteur qui visualise l’expérience A revient fréquemment et effectue plusieurs conversions, le taux de conversion de l’expérience A augmente artificiellement. Comparez ce résultat à l’expérience B, où les visiteurs convertissent mais ne reviennent pas souvent. Par conséquent, le taux de conversion de l’expérience A semble meilleur que celui de l’expérience B, de sorte que les nouveaux visiteurs sont plus susceptibles d’être affectés à A qu’à B. Si vous choisissez de compter une fois par participant, le CR de A et le TC de B peuvent être identiques.

Si les visiteurs récurrents sont distribués de manière aléatoire, leur effet sur les taux de conversion sera a priori nivelé. Pour atténuer cet effet, vous pouvez changer la méthode de comptabilisation de la mesure d’objectif pour ne compter qu’une fois par participant.

Différencie les personnes les plus performantes, et non les personnes les moins performantes.

Auto-Allocate est un excellent outil de différenciation entre les expériences hautement performantes (et la recherche d’un gagnant). Il peut arriver que la différenciation des expériences les moins performantes soit insuffisante.

Si vous souhaitez produire une différenciation statistiquement significative entre toutes les expériences, vous pouvez envisager d’utiliser le mode d’affectation manuelle du trafic.

Les taux de conversion liés au temps (ou variant selon le contexte) peuvent fausser l’affectation.

Certains facteurs qui peuvent être ignorés lors d’un test A/B standard car ils affectent toutes les expériences de manière égale ne peuvent pas être ignorés dans une activité Auto-Allocate. L’algorithme est sensible aux taux de conversion observés.

Vous trouverez ci-dessous des exemples de facteurs qui peuvent affecter les performances des expériences de manière inégale :

  • Expériences présentant une pertinence contextuelle variable (heure, lieu, sexe, etc.).

    Par exemple :

    • "Dieu merci, c'est vendredi" provoque des conversions plus élevées le vendredi.
    • "Démarrez votre lundi" a une conversion plus élevée le lundi.
    • "Préparez-vous à un hiver sur la côte Est" offre une conversion plus élevée sur la côte Est ou dans les endroits touchés par l’hiver.

    L’utilisation d’expériences avec une pertinence contextuelle variable peut fausser les résultats d’un test Auto-Allocate plus que dans un test A/B, car le test A/B analyse les résultats sur une plus longue période.

  • Expériences avec des délais variables de conversion (probablement à cause de l’urgence du message).

    Par exemple, « Derniers jours des soldes à -30 % » signale au visiteur d’effectuer une conversion aujourd’hui, tandis que « 50 % sur votre premier achat » n’engendre pas le même sentiment d’urgence.

Questions fréquentes section_0E72C1D72DE74F589F965D4B1763E5C3

Consultez les questions fréquentes et réponses suivantes lorsque vous utilisez des activités Auto-Allocate :

Analytics for Target (A4T) prend-il en charge les activités Auto-Allocate ?

Oui. Pour plus d’informations, voir Prise en charge d’A4T pour les activités d’affectation automatique et de ciblage automatique.

Les visiteurs récurrents sont-ils automatiquement redirigés vers des expériences hautement performantes ?

Non. Seuls les nouveaux visiteurs sont affectés automatiquement. Les visiteurs récurrents continuent de voir leur expérience d’origine pour protéger la validité du test A/B.

Comment l’algorithme traite-t-il les faux positifs ?

L’algorithme garantit un degré de confiance de 95 % ou un taux de faux positifs de 5 % si vous patientez jusqu’à l’apparition du badge Gagnant.

Quand Auto-Allocate commence-t-il à affecter le trafic ?

L’algorithme commence à fonctionner quand toutes les expériences de l’activité atteignent un minimum de 1 000 visiteurs et 50 conversions.

Quel est le niveau d’exploitation de l’algorithme ?

80 % du trafic est traité à l’aide de Auto-Allocate et 20 % du trafic est diffusé de manière aléatoire. Lorsqu’un gagnant a été identifié, 80 % du trafic y est affecté, tandis que toutes les expériences continuent d’obtenir un certain trafic dans le cadre des 20 %, y compris l’expérience gagnante.

Les expériences perdantes sont-elles affichées ?

Oui. Le bandit à plusieurs bras s’assure qu’au moins 20 % du trafic est réservé à l’exploration des taux de conversion ou des modèles changeants sur l’ensemble des expériences.

Qu’advient-il des activités avec de longs délais de conversion ?

Tant que les délais sont identiques pour toutes les expériences optimisées, le comportement est identique à celui d’une activité avec un cycle de conversion plus rapide. Toutefois, il faut plus de temps pour atteindre le seuil de 50 conversions avant que le processus d’affectation du trafic ne commence.

En quoi Auto-Allocate est-il différent de Automated Personalization ?

Automated Personalization utilise les attributs de profil de chaque visiteur pour déterminer la meilleure expérience. Ce faisant, l’activité est optimisée, mais également personnalisée en fonction de cet utilisateur.

Auto-Allocate, en revanche, est un test A/B qui produit un gagnant agrégé (l’expérience la plus populaire, mais pas nécessairement l’expérience la plus efficace pour chaque visiteur).

Les visiteurs récurrents gonflent-ils le taux de conversion de ma mesure de succès ?

Actuellement, la logique favorise les visiteurs qui convertissent rapidement ou visitent plus souvent, car ces visiteurs gonflent temporairement le taux de conversion global de l’expérience à laquelle ils appartiennent. L’algorithme s’ajuste fréquemment, de sorte que l’augmentation du taux de conversion est amplifiée à chaque instantané. Si le site reçoit de nombreux visiteurs récurrents, leurs conversions peuvent potentiellement gonfler le taux de conversion global de l’expérience à laquelle ils appartiennent. Il y a de bonnes chances que les visiteurs récurrents soient distribués de manière aléatoire, auquel cas l’effet global (effet élévateur augmenté) est équilibré. Pour atténuer cet effet, vous pouvez changer la méthode de comptabilisation de la mesure de succès pour ne compter qu’une fois par participant.

Puis-je utiliser le calculateur de taille d’échantillon lorsque j’utilise Auto-Allocate pour estimer combien de temps il faut à l’activité pour identifier le gagnant ?

Vous pouvez utiliser le Adobe Target calculateur de taille d’échantillon existant pour obtenir une estimation de la durée du test. (Comme pour les tests A/B traditionnels, appliquez la correction Bonferroni si vous testez plus de deux offres ou plusieurs mesures/hypothèses de conversion.) Ce calculateur est conçu pour les tests A/B à horizon fixe classiques et ne fournit qu’une estimation. L’utilisation du calculateur pour une activité Auto-Allocate est facultative car Auto-Allocate déclare un gagnant pour vous. Il n’est pas nécessaire de choisir un moment précis pour consulter les résultats du test. Les valeurs fournies sont toujours statistiquement valides.

Les expériences Adobe internes ont trouvé ce qui suit :

  • Lors du test de deux expériences exactement, Auto-Allocate trouve un gagnant plus rapidement que le test à horizon fixe (c’est-à-dire la période suggérée par le calculateur de taille d’échantillon) lorsque la différence de performance entre les expériences est importante. Cependant, Auto-Allocate peut nécessiter un temps supplémentaire pour identifier un gagnant lorsque la différence de performances entre les expériences est faible. Dans ce cas, les tests à horizon fixe se seraient généralement terminés sans résultat statistiquement significatif.
  • Lors du test de plus de deux expériences, Auto-Allocate trouve un gagnant plus rapidement que le test à horizon fixe (c’est-à-dire la période suggérée par le calculateur de taille d’échantillon) lorsqu’une seule expérience surpasse fortement toutes les autres expériences. Lorsque plusieurs expériences sont à la fois "gagnantes" par rapport à d’autres expériences, mais étroitement liées les unes aux autres, Auto-Allocate peut nécessiter un temps supplémentaire pour déterminer celle qui est supérieure. Dans ce cas, les tests à horizon fixe se seraient généralement terminés en concluant que les expériences "gagnantes" étaient meilleures que les expériences moins performantes, mais sans avoir identifié celle qui était supérieure.

Dois-je supprimer une expérience peu performante d’une activité Auto-Allocate pour accélérer le processus de détermination d’un gagnant ?

Il n’y a vraiment aucune raison de supprimer une expérience peu performante. Auto-Allocate diffuse automatiquement des expériences hautement performantes et diffuse moins souvent des expériences peu performantes. Le fait de laisser une expérience peu performante dans l’activité n’a pas d’incidence significative sur la vitesse de détermination d’un gagnant.

20 % des visiteurs sont affectés de manière aléatoire à toutes les expériences. Le volume de trafic affecté à une expérience peu performante est minimal (20 % divisé par le nombre d’expériences).

Puis-je modifier la mesure d’objectif à mi-chemin d’une activité Auto-Allocate ? change-metric

Adobe ne vous recommande pas de modifier la mesure d’objectif à mi-chemin d’une activité. Bien qu’il soit possible de modifier la mesure d’objectif au cours d’une activité à l’aide de l’interface utilisateur de Target, vous devez toujours démarrer une nouvelle activité. Adobe ne garantit pas ce qui se passe si vous modifiez la mesure d’objectif dans une activité après son exécution.

Cette recommandation s’applique aux activités Auto-Allocate, Auto-Target et Automated Personalization qui utilisent Target ou Analytics (A4T) comme source des rapports.

Puis-je modifier la source de création de rapports à mi-chemin d’une activité Auto-Allocate ? change-reporting

Adobe ne recommande pas de modifier la source de création de rapports à mi-chemin d’une activité. Bien qu’il soit possible de modifier la source des rapports (de Target à A4T ou de l’autre manière) au cours d’une activité à l’aide de l’interface utilisateur de Target, vous devez toujours démarrer une nouvelle activité. Adobe ne garantit pas ce qui se passe si vous modifiez la source de création de rapports dans une activité après son exécution.

Cette recommandation s’applique aux activités Auto-Allocate, Auto-Target et Automated Personalization qui utilisent Target ou Analytics (A4T) comme source des rapports.

Puis-je utiliser l’option Reset Report Data lors de l’exécution d’une activité Auto-Allocate ?

L’utilisation de l’option Reset Report Data pour les activités Auto-Allocate n’est pas suggérée. Bien qu’elle supprime les données de rapport visibles, cette option ne supprime pas tous les enregistrements d’entraînement du modèle Auto-Allocate. Au lieu d’utiliser l’option Reset Report Data pour les activités Auto-Allocate, créez une activité et désactivez l’activité d’origine. (Cette recommandation s’applique également aux activités Auto-Target et Automated Personalization.)

Comment Auto-Allocate crée-t-il des modèles par rapport aux environnements ?

Auto-Allocate crée des modèles basés sur le comportement de trafic et de conversion enregistré dans l’environnement par défaut uniquement. Par défaut, Production est l’environnement par défaut, mais l’environnement par défaut peut être modifié dans Target (Administration > Environnements).

Si un accès se produit dans un autre environnement (autre que celui par défaut), le trafic est réparti en fonction du comportement de conversion observé dans l’environnement par défaut. Le résultat de cet accès (conversion ou non-conversion) est enregistré à des fins de création de rapports, mais n’est pas pris en compte dans le modèle Auto-Allocate.

Lors de la sélection d’un autre environnement, le rapport affiche le trafic et les conversions pour cet environnement. L’environnement sélectionné par défaut pour un rapport correspond à la valeur par défaut sélectionnée pour l’ensemble du compte. L’environnement par défaut ne peut pas être défini par activité.

Une activité Auto-Allocate peut-elle ajuster l’intervalle de recherche en amont au cours d’un test pour tenir compte de l’évolution des tendances au fil du temps ?

Par exemple, l’activité peut-elle prendre en compte le mois de décembre pour décider comment affecter le trafic, plutôt que de consulter les données de visiteur de septembre (quand le test a commencé) ?

Non, Auto-Allocate prend en compte les performances de l’ensemble de l’activité.

Auto-Allocate présente-t-il une expérience gagnante à un visiteur récurrent si l’expérience gagnante est différente de ce que le visiteur a vu lors de la qualification pour l’activité ?

Auto-Allocate utilise la prise de décision persistante pour les mêmes raisons que les activités A/B Test. L’affectation du trafic fonctionne uniquement pour les nouveaux visiteurs.

Vidéos de formation section_893E5B36DC4A415C9B1D287F51FCCB83

Les vidéos suivantes contiennent davantage d’informations sur les concepts abordés dans cet article.

Workflow d’activité - Ciblage (2:14) Badge du tutoriel

Cette vidéo comprend des informations sur la configuration de l’affectation du trafic.

  • Affecter une audience à votre activité
  • Augmenter ou ralentir le trafic
  • Sélectionner votre méthode d’affectation du trafic
  • Affecter du trafic entre différentes expériences

Création de tests A/B (8:36) Badge de tutoriel

Cette vidéo explique comment créer un test A/B à l’aide du processus assisté en trois étapes de Target. Auto-Allocate est abordé à partir de 04:45.

  • Créer une activité A/B dans Adobe Target
  • Affecter du trafic à l’aide d’un fractionnement manuel ou de l’affectation automatique du trafic
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654