Auto-Target Summary report

Les différentes lignes du tableau vous aident à comprendre les performances des activités.

• Les deux premières lignes du tableau de la page de création de rapports affichent les résultats d’un test A/B entre les visiteurs affectés au contrôle (c’est-à-dire les expériences diffusées de manière aléatoire) et les visiteurs affectés à l’algorithme de personnalisation. Ces informations peuvent être utilisées pour mesurer la façon dont l’algorithme de personnalisation a été exécuté par rapport au contrôle diffusé de manière aléatoire.
• Les lignes restantes affichent les résultats au niveau de l’expérience. Pour chaque expérience, il existe une comparaison entre la réponse moyenne des visiteurs qui ont assisté à cette expérience servie par un contrôle au hasard et la réponse moyenne des visiteurs qui ont assisté à l’expérience via l’algorithme de personnalisation.

L’icône de vérification verte en regard du nom de chaque expérience dans le rapport indique qu’un modèle de machine learning personnalisé a été généré pour cette expérience. L’icône d’horloge indique que le trafic diffusé n’a pas été suffisant pour générer le modèle.

• Étant donné que le modèle est construit par l’expérience, il est possible de voir un modèle avec certaines expériences comportant une coche verte et d’autres avec une icône d’horloge.
• Dans ce cas, pour augmenter la rapidité de construction des modèles par l’activité pour toutes les expériences, le trafic supplémentaire est envoyé aux expériences associées à des modèles non construits.
• Pour que la personnalisation commence, il doit y avoir au moins deux expériences avec des modèles créés (coche verte).

Comparer le taux de conversion de l’expérience A à celui de l’expérience B n’est pas la bonne comparaison dans Auto-Target. La question est de savoir si l’expérience A fonctionne mieux lorsqu’elle est servie de manière intelligente que de manière aléatoire (autrement dit, par rapport au témoin). Les spécialistes marketing doivent également être prudents dans leur interprétation des effets élévateurs émanant des expériences individuelles, car l’algorithme de personnalisation cherche à optimiser la mesure de succès sur l’ensemble de l’activité, et non sur chaque expérience individuelle.

Les expériences présentant l’effet élévateur le plus élevé peuvent être interprétées comme ayant la différenciation la plus élevée dans la population. En d’autres termes, l’algorithme a trouvé un segment qui aime le plus cette expérience particulière.

Les différentes colonnes du tableau indiquent le nombre de visites, le taux de conversion, l’effet élévateur moyen et le niveau de confiance, ainsi que le degré de confiance. Pour plus d’informations, voir Calculs statistiques dans les tests A/B.