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

Présentation de Auto-Target

Auto-Target activités dans Adobe Target utilisent le machine learning avancé pour sélectionner plusieurs expériences hautement performantes définies par des spécialistes marketing afin de personnaliser le contenu et de générer des conversions. Auto-Target offre à chaque visiteur l’expérience la plus adaptée en fonction du profil client individuel et du comportement des visiteurs précédents présentant des profils similaires.

NOTE
  • Auto-Target est disponible dans le cadre de la solution Target Premium. Cette fonctionnalité n’est pas disponible dans Target Standard sans une licence Target Premium. Pour plus d’informations sur les fonctionnalités avancées de cette licence, voir Target Premium.

  • Analytics for Target (A4T) prend en charge les activités Auto-Target. Pour plus d’informations, consultez Prise en charge d’ A4T pour les activités d’affectation automatique et de ciblage automatique.

Témoignages de clients qui utilisent le ciblage automatique success

Un grand détaillant de vêtements a récemment utilisé une activité Auto-Target avec dix expériences basées sur des catégories de produits (ainsi qu’un contrôle randomisé) pour fournir le contenu approprié à chaque visiteur. « Add to Cart » a été choisi comme mesure d’optimisation principale. Les expériences ciblées ont connu une augmentation moyenne de 29,09 %. Après avoir créé les modèles Auto-Target, l’activité a été définie sur 90 % d’expériences personnalisées.

En dix jours seulement, plus de 1 700 000 $ ont été débloqués.

Continuez à lire pour savoir comment utiliser Auto-Target afin d’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 workflow guidé en trois étapes, choisissez l’option Auto-Target for personalized experiences sur la page Targeting (étape 2).

Paramètres de la méthode d’affectation du trafic

L’option Auto-Target dans le flux d’activités A/B vous permet d’exploiter le machine learning pour effectuer une personnalisation en fonction d’un ensemble d’expériences définies par les spécialistes marketing en un seul clic. Auto-Target est conçu pour offrir une optimisation maximale, par rapport aux tests A/B ou aux Auto Allocate traditionnels, en déterminant l’expérience à afficher pour chaque visiteur. Contrairement à une activité A/B dans laquelle 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 afin de fournir une expérience hautement personnalisée.

De même qu’Automated Personalization, Auto-Target utilise un algorithme Forêt aléatoire, une méthode d’ensemble de science des données de pointe, pour déterminer la meilleure expérience à montrer à un visiteur. Étant donné que Auto-Target pouvez s’adapter aux changements de comportement des visiteurs, il peut s’exécuter perpétuellement pour fournir un effet élévateur. Cette méthode est parfois appelée mode « toujours actif ».

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

Considérations

Voici quelques points importants à garder à l’esprit lors de l’utilisation de Auto-Target :

  • Vous ne pouvez pas changer une activité spécifique de Auto-Target en Automated Personalization, et inversement.

  • Vous ne pouvez pas passer de l’affectation de trafic Manual (A/B Test classique) à Auto-Target, et inversement 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 par rapport à l’envoi de tout le trafic vers l’expérience gagnante globale. Ce modèle prend uniquement en compte les accès et les conversions dans l’environnement par défaut.

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

    Les requêtes sont diffusées avec le même modèle, quel que soit l’environnement. Cependant, 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 réel.

  • Utilisez au moins deux expériences.

Terminologie section_A309B7E0B258467789A5CACDC1D923F3

Les termes suivants sont utiles pour aborder le Auto-Target :

Terme
Définition
Bandit manchot
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, Random Forest est utilisé pour déterminer quelle expérience devrait avoir la plus forte probabilité de conversion (ou le revenu le plus élevé par visite) pour chaque visiteur spécifique.
Échantillonnage de Thompson
L’objectif de l’échantillonnage de Thompson est de déterminer quelle expérience est la meilleure globalement (non personnalisée), tout en réduisant 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 aux Auto-Target et Automated Personalization, consultez les liens ci-dessous :

Terme
Détails
Algorithme Forêt aléatoire
Le principal algorithme de personnalisation de Target utilisé dans Auto-Target et Automated Personalization est Random Forest. Des méthodes d'ensemble, telles que Random Forest, utilisent de multiples algorithmes d'apprentissage pour obtenir de meilleures performances prédictives que celles qui pourraient être obtenues à partir de n'importe lequel des algorithmes d'apprentissage constitutifs. L’algorithme Forêt aléatoire dans les activités Automated Personalization et Auto-Target est une méthode de classification, ou de régression, qui fonctionne en construisant une multitude d’arbres de décision au moment de l’entraînement.
Chargement des données pour Target algorithmes Personalization de
Il existe plusieurs façons de saisir des données pour les modèles Auto-Target et Automated Personalization.
Collecte de données pour les algorithmes Personalization de Target
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 permet d'effectuer un choix parmi les options suivantes :

  • Evaluate Personalization Algorithm (50/50)
  • Maximize Personalization Traffic (90/10)
  • Custom Allocation

Liste déroulante Objectif d’affectation

Le tableau suivant explique les trois options :

Objectif de l’activité
Suggestion d’affectation du trafic
Compromis
Evaluate Personalization Algorithm (50/50) : si votre objectif est de tester l’algorithme, utilisez une répartition de 50/50 % des visiteurs entre le contrôle et l’algorithme ciblé. Cette répartition produira l’estimation de l’effet élévateur la plus précise. Suggérée pour une utilisation avec des « 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
  • Moins de visiteurs ont une expérience personnalisée
Maximize Personalization Traffic (90/10) : si votre objectif est de créer une activité « toujours active », placez 10 % des visiteurs dans le contrôle pour vous assurer qu’il y a suffisamment de données pour que les algorithmes puissent continuer à apprendre au fil du temps. Le compromis ici est qu'en l'exchange de la personnalisation d'une plus grande proportion de votre trafic, vous avez moins de précision dans ce qu'est exactement l'ascenseur. 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 %.
  • Optimise le nombre de visiteurs et visiteuses qui disposent d’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 de Control, cliquez sur Experiences dans le volet Traffic Allocation, puis ajustez les pourcentages selon vos besoins. Vous ne pouvez pas diminuer le groupe de contrôle à moins de 10 %.

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 pouvez préférer 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 des fonctionnalités Visual Experience Composer (VEC) non prises en charge par Auto Personalization : l’éditeur de code personnalisé, plusieurs audiences d’expérience, 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 d’utiliser que Automated Personalization.

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

L’algorithme s’optimise pour obtenir un résultat favorable pour chaque visite.

  • L’algorithme prédit la propension d’un visiteur à la conversion (ou le chiffre d’affaires estimé provenant de la conversion) pour offrir la meilleure expérience.
  • Un visiteur est éligible à 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 affectée lors de sa première visite reste la même pour les visites suivantes).
  • Au cours d’une session, la prédiction ne change pas afin de maintenir la cohérence visuelle.

L’algorithme s’adapte aux changements de comportement des visiteurs.

  • Le bandit à plusieurs bras garantit que le modèle « dépense » toujours une petite fraction du trafic pour continuer à apprendre tout au long de la vie de l’apprentissage par activité et pour éviter 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 s’assurer que Target exploite toujours les préférences changeantes 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 s’optimise en continu pour une seule mesure d’objectif.

  • Cette mesure peut être basée sur la conversion ou sur le chiffre d’affaires (plus précisément Revenue per Visit).

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

Target utilise automatiquement toutes Adobe Experience Cloud audiences partagées pour créer des 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 diffère-t-Auto-Target de Automated Personalization ? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Auto-Target nécessite souvent moins de trafic que Automated Personalization pour la création d’un modèle personnalisé.

Bien que la quantité de trafic par expérience requise pour que les modèles Auto-Target ou Auto Personalization soient créés soit la même, il y a généralement plus d’expériences dans une activité Automated Personalization qu’une activité Auto-Target.

Par exemple, si vous aviez une activité Auto Personalization dans laquelle vous avez créé deux offres par emplacement avec deux emplacements, il y aurait quatre (2 = 4) expériences totales incluses dans l’activité (sans exclusion). 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 expérience, vous pouvez réduire le nombre total d’expériences dans votre activité.

Par Auto-Target, des règles générales simples peuvent être utilisées pour comprendre les exigences du trafic :

  • Lorsque Conversion est votre mesure de succès : 1 000 visites et au moins 50 conversions par jour et par expérience, et en outre l’activité doit avoir 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 avoir 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.

  • Étant donné que Auto-Target est incorporé dans le workflow d’activité A/B, Auto-Target bénéficie des Visual Experience Composer plus matures et à part entière (VEC). 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 aux chercheurs et aux spécialistes des données Adobe de comprendre les avantages de leurs améliorations continues dans des conditions réelles.
  • À l’avenir, ce banc d’essai nous permettra d’ouvrir la plateforme de machine learning Adobe aux clients qui maîtrisent les données afin qu’ils puissent introduire leurs propres modèles pour compléter les modèles Target.

Rapports et Auto-Target section_42EE7F5E65E84F89A872FE9921917F76

Pour plus d’informations, voir Reporting et ciblage automatique.

recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654