[Premium]{class="badge positive" title="Découvrez les fonctionnalités incluses dans Target Premium."}

Auto-Target - Aperçu

Les activités Auto-Target de Adobe Target utilisent l’apprentissage automatique avancé pour effectuer une sélection parmi plusieurs expériences hautement performantes définies par des responsables du marketing afin de personnaliser le contenu et de générer des conversions. Auto-Target diffuse l’expérience la plus personnalisée à chaque visiteur en fonction du profil client individuel et du comportement des visiteurs précédents dotés de profils similaires.

NOTE

Témoignage de succès dans le monde réel à l’aide du ciblage automatique success

Un grand détaillant de vêtements a récemment utilisé une activité Auto-Target avec dix expériences basées sur des catégories de produits (plus contrôle aléatoire) pour fournir le contenu approprié à chaque visiteur. "Add to Cart" a été choisi comme mesure d’optimisation principale. Les expériences ciblées ont un effet élévateur moyen de 29,09 %. Après la création des modèles Auto-Target, l’activité a été définie sur 90 % d’expériences personnalisées.

En seulement dix jours, plus de 1 700 000 $ en effet élévateur a été atteint.

Continuez à lire pour savoir comment utiliser Auto-Target pour augmenter l’effet élévateur et les recettes de votre entreprise.

Aperçu section_972257739A2648AFA7E7556B693079C9

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

Option de Ciblage automatique pour les expériences personnalisées

L’option Auto-Target du flux d’activité A/B vous permet d’exploiter l’apprentissage automatique pour effectuer une personnalisation sur la base d’un ensemble d’expériences définies par le marketeur en un seul clic. Auto-Target est conçu pour offrir une optimisation maximale, par rapport aux tests A/B traditionnels ou Auto Allocate, en déterminant l’expérience à afficher pour chaque visiteur. Contrairement à une activité A/B dont l’objectif est de trouver un gagnant unique, Auto-Target détermine automatiquement la meilleure expérience pour un visiteur donné. La meilleure expérience est basée sur le profil du visiteur et d’autres informations contextuelles pour offrir une expérience hautement personnalisée.

De même que Automated Personalization, Auto-Target utilise un algorithme Forêt aléatoire, une méthode d’ensemble issue de la science des données, pour déterminer la meilleure expérience à présenter à un visiteur. Auto-Target pouvant s’adapter aux changements de comportement du visiteur, il peut s’exécuter perpétuellement pour générer un effet élévateur. Cette méthode est parfois appelée mode "toujours actif".

Contrairement à une activité A/B où l’affectation d’expérience pour un visiteur donné est persistante, Auto-Target optimise l’objectif commercial spécifié à chaque visite. Comme dans Auto Personalization, Auto-Target, par défaut, réserve une partie du trafic de l’activité en tant que groupe témoin pour mesurer l’effet élévateur. Les visiteurs du groupe de contrôle reçoivent une expérience aléatoire dans l’activité.

Considérations

Quelques points importants doivent être pris en compte lors de l’utilisation de Auto-Target :

  • Vous ne pouvez pas passer une activité spécifique de Auto-Target à Automated Personalization, et de la manière inverse.

  • Vous ne pouvez pas passer de l’affectation de trafic Manual (traditionnelle A/B Test) à Auto-Target, et de la manière inverse après l’enregistrement d’une activité en tant que brouillon.

  • Un modèle est conçu pour identifier les performances de la stratégie personnalisée par rapport au trafic diffusé de manière aléatoire plutôt que d’envoyer tout le trafic à l’expérience gagnante globale. Ce modèle ne prend en compte que les accès et les conversions dans l’environnement par défaut.

    Le trafic provenant d’un deuxième ensemble de modèles est créé pour chaque groupe de modélisation (AP) ou expérience (AT). Pour chacun de ces modèles, les accès et les conversions sont pris en compte dans tous les environnements.

    Les requêtes sont diffusées avec le même modèle, quel que soit l’environnement, mais la pluralité du trafic doit provenir de l’environnement par défaut pour s’assurer que l’expérience gagnante globale identifiée est cohérente avec le comportement du monde réel.

  • Utilisez au moins deux expériences.

Terminologie section_A309B7E0B258467789A5CACDC1D923F3

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

Terme
Définition
Bandit à plusieurs bras
Une approche du type bandit à plusieurs bras de l’optimisation équilibre l’apprentissage exploratoire et l’exploitation de cet apprentissage.
Random Forest
La forêt aléatoire est l’une des approches les plus utilisées dans le domaine de l’apprentissage automatique. En langage de science des données, il s’agit d’une classification d’ensemble, ou méthode de régression, qui fonctionne en construisant de nombreux arbres de décision en fonction des attributs du visiteur et de la visite. Dans Target, l’algorithme Forêt aléatoire est utilisé pour déterminer l’expérience qui devrait avoir la plus forte probabilité de conversion (ou les recettes par visite les plus élevées) pour chaque visiteur spécifique.
Échantillonnage de Thompson
L’objectif de l’échantillonnage de Thompson est de déterminer la meilleure expérience globale (non personnalisée), tout en minimisant le "coût" de la recherche de cette expérience. L’échantillonnage de Thompson sélectionne toujours un gagnant, même s’il n’existe aucune différence statistique entre deux expériences.

Fonctionnement de Auto-Target section_77240E2DEB7D4CD89F52BE0A85E20136

Pour en savoir plus sur les données et les algorithmes sous-jacents Auto-Target et Automated Personalization, voir les liens ci-dessous :

Terme
Détails
Algorithme Forêt aléatoire
L’algorithme de personnalisation principal de Target utilisé à la fois dans Auto-Target et Automated Personalization est l’algorithme Forêt aléatoire. Les méthodes d’ensemble, telles que l’algorithme Forêt aléatoire, utilisent plusieurs algorithmes d’apprentissage pour obtenir de meilleures performances prédictives que celles qui peuvent être obtenues à partir de n’importe quel algorithme d’apprentissage constitutif. L’algorithme Forêt aléatoire dans les activités Automated Personalization et Auto-Target est une classification, ou méthode de régression, qui fonctionne en construisant une multitude d’arbres de décision au moment de la formation.
Chargement de données pour les Target algorithmes Personalization
Il existe plusieurs façons de saisir des données pour les modèles Auto-Target et Automated Personalization.
Collecte de données pour les Target algorithmes Personalization
Les algorithmes de personnalisation de Target collectent automatiquement diverses données.

Détermination de l’affectation du trafic section_AB3656F71D2D4C67A55A24B38092958F

Selon l’objectif de votre activité, vous pouvez sélectionner une affectation de trafic différente entre les expériences de contrôle et de ciblage. Une règle de bonne pratique consiste à déterminer cet objectif avant de lancer votre activité en direct.

La liste déroulante Custom Allocation vous permet de choisir parmi les options suivantes :

  • Evaluate Personalization Algorithm
  • Maximize Personalization Traffic
  • Custom Allocation

Liste déroulante Objectif d’affectation

Objectif de l’activité
Suggestion d’affectation du trafic
Compromis
Évaluer l’algorithme de personnalisation (50/50)  : Si votre objectif est de tester l’algorithme, utilisez une répartition à 50/50 des visiteurs entre le contrôle et l’algorithme ciblé. Cette répartition produira l’estimation de l’effet élévateur la plus précise. Suggestion d’utilisation avec "expériences aléatoires" comme contrôle.
Répartition entre contrôle à 50 % et expérience personnalisée à 50 %
  • Maximise la précision de l’effet élévateur entre le contrôle et la personnalisation
  • Relativement moins de visiteurs ont une expérience personnalisée
Maximiser le trafic Personalization (90/10) : si votre objectif est de créer une activité "toujours active", affectez 10 % des visiteurs dans le contrôle afin de vous assurer qu’il y a suffisamment de données pour que les algorithmes continuent d’apprendre au fil du temps. Le compromis ici est qu'en exchange pour personnaliser une plus grande partie de votre trafic, vous avez moins de précision dans l'effet élévateur exact. Quel que soit votre objectif, il s’agit du trafic recommandé lors de l’utilisation d’une expérience spécifique comme contrôle.
Une règle de bonne pratique consiste à répartir le trafic entre le contrôle de 10 à 30 % et l’expérience personnalisée de 70 à 90 %.
  • Maximise le nombre de visiteurs qui auront une expérience personnalisée
  • Maximise l’effet élévateur
  • Moins de précision quant à la nature de l’effet élévateur vis-à-vis de l’activité
Affectation personnalisée
Répartir manuellement le pourcentage suivant les besoins.
  • Il se peut que vous n’obteniez pas les résultats souhaités. En cas d’incertitude, suivez les suggestions indiquées pour l’une des options précédentes.

Pour ajuster le pourcentage Control, cliquez sur les icônes de la colonne Allocation. Vous ne pouvez pas diminuer le groupe de contrôle à moins de 10 %.

Modification de l’affectation du trafic de ciblage automatique

Vous pouvez sélectionner une expérience spécifique à utiliser comme contrôle ou utiliser l’option Expérience aléatoire.

Quand devriez-vous choisir Auto-Target plutôt que Automated Personalization ? section_BBC4871C87944DD7A8B925811A30C633

Il existe plusieurs scénarios dans lesquels vous préférerez peut-être utiliser Auto-Target plutôt que Automated Personalization :

  • Si vous souhaitez définir l’expérience entière plutôt que des offres individuelles automatiquement combinées pour former une expérience.
  • Si vous souhaitez utiliser l’ensemble complet des fonctionnalités Visual Experience Composer (VEC) non prises en charge par Auto Personalization : l’éditeur de code personnalisé, les audiences d’expériences multiples, etc.
  • Lorsque vous souhaitez apporter des modifications structurelles à votre page dans différentes expériences. Par exemple, si vous souhaitez réorganiser les éléments sur votre page d’accueil, Auto-Target est plus approprié que Automated Personalization.

Qu'est-ce que Auto-Target a en commun avec Automated Personalization ? section_2A601F482F9A44E38D4B694668711319

L’algorithme optimise les résultats favorables pour chaque visite.

  • L’algorithme prédit la propension d’un visiteur à la conversion (ou les recettes estimées de la conversion) afin de fournir la meilleure expérience.
  • Un visiteur est éligible pour une nouvelle expérience à la fin d’une session existante (sauf s’il fait partie de la population témoin, auquel cas l’expérience qui lui est attribuée lors de sa première visite reste la même pour les visites suivantes).
  • Dans une session, la prédiction ne change pas, pour maintenir la cohérence visuelle.

L’algorithme s’adapte aux changements de comportement du visiteur.

  • Le bandit à plusieurs bras garantit que le modèle "dépense" toujours une petite fraction de trafic pour continuer à apprendre tout au long de la vie de l’activité d’apprentissage et pour empêcher la surexploitation des tendances apprises précédemment.
  • Les modèles sous-jacents sont reconstruits toutes les 24 heures à l’aide des dernières données de comportement des visiteurs afin de garantir que Target exploite toujours l’évolution des préférences des visiteurs.
  • Si l’algorithme ne peut pas déterminer les expériences gagnantes pour les individus, il affiche automatiquement l’expérience globale la plus performante tout en continuant à rechercher des gagnants personnalisés. L’expérience la plus performante est trouvée en utilisant l’échantillonnage de Thompson.

L’algorithme assure une optimisation continue pour une mesure d’objectif unique.

  • Cette mesure peut être basée sur la conversion ou sur les recettes (plus spécifiquement Revenue per Visit).

Target collecte automatiquement des informations sur les visiteurs pour créer les modèles de personnalisation.

Target utilise automatiquement toutes les Adobe Experience Cloud audiences partagées pour créer les modèles de personnalisation.

  • Vous n’avez rien besoin de faire de particulier pour ajouter des audiences au modèle. Pour plus d’informations sur l’utilisation de Experience Cloud Audiences avec Target, voir Audiences d’Experience Cloud.

Les marketeurs peuvent charger des données hors ligne, des scores de propension ou d’autres données personnalisées pour créer des modèles de personnalisation.

En quoi Auto-Target diffère-t-il de Automated Personalization ? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Auto-Target nécessite souvent moins de trafic que Automated Personalization pour générer un modèle personnalisé.

Bien que la quantité de trafic par expérience requise pour la création des modèles Auto-Target ou Auto Personalization soit la même, il existe généralement plus d’expériences dans une activité Automated Personalization qu’une activité Auto-Target.

Par exemple, si vous avez une activité Auto Personalization dans laquelle vous avez créé deux offres par emplacement avec deux emplacements, il y a au total quatre (2 = 4) expériences incluses dans l’activité (sans exclusions). En utilisant Auto-Target, vous pouvez définir l’expérience 1 pour inclure l’offre 1 à l’emplacement 1 et l’offre 2 à l’emplacement 2, et l’expérience 2 pour inclure l’offre 1 à l’emplacement 1 et l’offre 2 à l’emplacement 2. Étant donné que Auto-Target vous permet de choisir plusieurs modifications au sein d’une seule expérience, vous pouvez réduire le nombre total d’expériences dans votre activité.

Pour Auto-Target, des règles de base simples peuvent être utilisées pour comprendre les exigences de trafic :

  • Lorsque Conversion est votre mesure de succès : 1 000 visites et au moins 50 conversions par jour et par expérience. De plus, l’activité doit comporter au moins 7 000 visites et 350 conversions.
  • Lorsque Revenue per Visit est votre mesure de succès : 1 000 visites et au moins 50 conversions par jour et par expérience, et en outre l’activité doit comporter au moins 1 000 conversions par expérience. Le revenu par visite nécessite généralement plus de données pour élaborer des modèles en raison de la variance de données plus prononcée généralement constatée dans le revenu par visite comparativement au taux de conversion.

Auto-Target dispose d’une fonctionnalité de configuration complète.

  • Auto-Target étant incorporé dans le workflow d’activité A/B, Auto-Target bénéficie des Visual Experience Composer (VEC), plus matures et complets. Vous pouvez également utiliser des liens QA avec Auto-Target.

Auto-Target fournit un cadre de test en ligne complet.

  • Le bandit à plusieurs bras fait partie d’un cadre de test en ligne plus vaste qui permet à Adobe spécialistes des données et chercheurs de comprendre les avantages de leurs améliorations constantes dans les conditions réelles.
  • À l’avenir, ce banc de test nous permettra d’ouvrir la plateforme d’apprentissage automatique Adobe à des clients à l’aise avec les données afin qu’ils puissent introduire leurs propres modèles pour augmenter les modèles Target.

Reporting et Auto-Target section_42EE7F5E65E84F89A872FE9921917F76

Pour plus d’informations, voir Création de rapports et ciblage automatique.

Vidéo de formation : Présentation des activités de ciblage automatique

Cette vidéo explique comment configurer une activité A/B Auto-Target.

Après avoir terminé cette formation, vous devez être en mesure de :

  • Définition de Auto-Target tests
  • Comparer Auto-Target à Automated Personalization
  • Créer des activités Auto-Target
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654