Pannello Sperimentazione

Il pannello Experimentation consente agli analisti di confrontare diverse varianti di esperienza utente, marketing o messaggistica per determinare quale sia meglio per determinare un risultato specifico. Puoi valutare l’incremento e l’affidabilità di qualsiasi esperimento A/B da qualsiasi piattaforma di sperimentazione: online, offline, dalle soluzioni di Adobe, come Target o Journey Optimizer e persino da dati BYO (risorse disponibili).

Ulteriori informazioni sull'integrazione tra Adobe Customer Journey Analytics e Adobe Target.

Controllo degli accessi access

Il pannello Sperimentazione è disponibile per l’uso da parte di tutti gli utenti del Customer Journey Analytics. Non sono necessari diritti di amministratore o altre autorizzazioni. Tuttavia, la configurazione (passaggi 1 e 2 di seguito) richiede azioni che solo gli amministratori possono eseguire.

Nuove funzioni nelle metriche calcolate functions

Sono state aggiunte due nuove funzioni avanzate: Lift e Confidence. Per ulteriori informazioni, consulta Riferimento - Funzioni avanzate.

Passaggio 1: creare una connessione per i set di dati dell’esperimento connection

Lo schema di dati consigliato prevede che i dati dell’esperimento siano in un array Oggetto che contiene i dati dell’esperimento e della variante in due dimensioni separate. Entrambe le dimensioni devono trovarsi in un array di oggetti single. Se i dati dell'esperimento sono inclusi in una singola dimensione (con dati di esperimento e variante in una stringa delimitata), puoi utilizzare l'impostazione substring nelle visualizzazioni dati per suddividere la dimensione in due e utilizzarla nel pannello.

Dopo che i dati dell'esperimento sono stati acquisiti in Adobe Experience Platform, crea una connessione nel Customer Journey Analytics a uno o più set di dati dell'esperimento.

Passaggio 2: aggiungere etichette di contesto alle visualizzazioni dati context-labels

Nelle impostazioni delle visualizzazioni dati di Customer Journey Analytics, gli amministratori possono aggiungere etichette di contesto a una dimensione o a una metrica e i servizi di Customer Journey Analytics come il pannello Experimentation possono utilizzare queste etichette per i loro scopi. Per il pannello Sperimentazione vengono utilizzate due etichette predefinite:

  • Experimentation Experiment
  • Experimentation Variant

Nella visualizzazione dati che contiene dati di sperimentazione, scegli due dimensioni, una con i dati di sperimentazione e una con i dati della variante. Quindi assegna a queste dimensioni le etichette Experiment e Variant.

Opzioni etichetta contesto per Variante sperimentazione e sperimentazione.

Se queste etichette non sono presenti, il pannello Sperimentazione non funziona, in quanto non ci saranno esperimenti su cui lavorare.

Passaggio 3: configurare il pannello Sperimentazione configure

  1. In Customer Journey Analytics Workspace, trascina il pannello Sperimentazione in un progetto.

Il pannello Sperimentazione è stato trascinato in un progetto.

IMPORTANT
Se la configurazione necessaria nelle visualizzazioni dati del Customer Journey Analytics non è stata completata, prima di poter procedere riceverai un messaggio: "Please configure the experiment and variant dimensions in Data Views".
  1. Configura le impostazioni di input del pannello.

    table 0-row-2 1-row-2 2-row-2 3-row-2 4-row-2 5-row-2
    Impostazione Definizione
    Experiment Un set di varianti di un’esperienza che sono state esposte agli utenti finali per determinare quale è meglio mantenere per sempre. Un esperimento è costituito da due o più varianti, una delle quali è considerata la variante di controllo. Questa impostazione è precompilata con le dimensioni a cui è stata applicata l’etichetta Experiment nelle visualizzazioni dati e i dati relativi all’esperimento degli ultimi 3 mesi.
    Control Variant Una delle due o più modifiche nell’esperienza di un utente finale che vengono confrontate allo scopo di identificare l’alternativa migliore. Una variante deve essere selezionata come controllo; una sola variante può essere considerata come variante di controllo. Questa impostazione è precompilata con le dimensioni a cui è stata applicata l’etichetta Variant nelle visualizzazioni dati. Questa impostazione richiama i dati delle varianti associati all’esperimento.
    Success Metrics La metrica o le metriche con cui un utente confronta le varianti. La variante con il risultato più auspicabile per la metrica di conversione (più alto o più basso) è indicata come la “variante con le prestazioni migliori” di un esperimento. Puoi aggiungere fino a 5 metriche.
    Normalizing Metric Base (People, Sessions o Events) su cui viene eseguito un test. Ad esempio, un test può confrontare i tassi di conversione di diverse varianti in cui il valore Conversion rate è calcolato come Conversions per session o Conversions per person.
    Date Range L’intervallo di date viene impostato automaticamente in base al primo evento ricevuto nel Customer Journey Analytics per l’esperimento selezionato. Se necessario, puoi limitare o espandere l’intervallo di date a un arco temporale più specifico.
  2. Fai clic su Build.

Passaggio 4: visualizzare l’output del pannello view

Il pannello Sperimentazione restituisce set completi di dati e visualizzazioni per consentirti di comprendere meglio le prestazioni degli esperimenti. Nella parte superiore del pannello viene visualizzata una riga di riepilogo per ricordarti le impostazioni selezionate per il pannello. In qualsiasi momento, puoi modificare il pannello facendo clic sull’icona Modifica a forma di matita, in alto a destra.

Viene inoltre visualizzato un riepilogo testuale che indica se l’esperimento è conclusivo o meno e riassume il risultato. La conclusione si basa sulla rilevanza statistica. Vedi “Metodologia statistica” di seguito. Puoi visualizzare i numeri di riepilogo per la variante con le prestazioni migliori, con i valori di incremento e affidabilità più elevati.

Per ogni metrica di successo selezionata, viene visualizzata una tabella a forma libera e una tendenza del tasso di conversione.

Loutput della sperimentazione mostra una tabella a forma libera e una tendenza del tasso di conversione.

Il grafico Line fornisce le prestazioni di Control rispetto a Control Variant:

Loutput del grafico a linee che mostra le prestazioni di Control rispetto a Control Variant.

NOTE
Al momento questo pannello non supporta l’analisi dei test A/A.

Passaggio 5: interpretare i risultati interpret

  1. L'esperimento è conclusivo: ogni volta che visualizzi il rapporto sulla sperimentazione, vengono analizzati i dati accumulati nell'esperimento fino a questo punto. E dichiara un esperimento "Conclusivo" quando l'affidabilità valida supera una soglia del 95% per almeno una delle varianti (con una correzione Benjamini-Hochberg applicata quando ci sono più di due bracci, per correggere test con più ipotesi).

  2. Variante con prestazioni migliori: quando un esperimento è dichiarato conclusivo, la variante con il tasso di conversione più alto è etichettata come la “variante con le prestazioni migliori”. Questa variante deve essere la variante di controllo o linea di base oppure una delle varianti che supera la soglia di affidabilità valida del 95% in qualsiasi momento (con correzioni Benjamini-Hochberg applicate).

  3. Tasso di conversione: il tasso di conversione visualizzato è un rapporto tra il valore della metrica di successo e il valore della metrica di normalizzazione. Tieni presente che questo valore può talvolta essere maggiore di 1, se la metrica non è binaria (1 o 0 per ogni unità nell’esperimento)

  4. Incremento: il riepilogo del rapporto Esperimento mostra l'Incremento rispetto alla linea di base, che è una misura del miglioramento percentuale del tasso di conversione di una determinata variante rispetto alla linea di base. Più precisamente, rappresenta la differenza di prestazioni tra una determinata variante e la linea di base, divisa per le prestazioni della linea di base, espressa in percentuale.

  5. Affidabilità: l'affidabilità valida mostrata ogni volta è una misura probabilistica della quantità di prove che dimostrano che una determinata variante è uguale alla variante di controllo. Una maggiore affidabilità indica meno prove dell’ipotesi che le varianti di controllo e non di controllo abbiano prestazioni uguali. Più precisamente, l’affidabilità visualizzata rappresenta la probabilità (espressa in percentuale) di osservare una differenza minore nei tassi di conversione tra una determinata variante e il controllo, se in realtà non vi è alcuna differenza nei veri tassi di conversione sottostanti. In termini di valori p, l’affidabilità visualizzata è 1 - valore p.

NOTE
Una descrizione completa dei risultati dovrebbe considerare tutte le prove disponibili (ad esempio la progettazione dell’esperimento, le dimensioni del campione, i tassi di conversione, l’affidabilità e altri) e non solo la dichiarazione conclusiva o meno. Anche quando un risultato non è ancora conclusivo, ci possono essere prove convincenti che una variante sia diversa da un’altra (ad esempio, gli intervalli di affidabilità sono quasi non sovrapposti). Idealmente, tutte le prove statistiche, interpretate su uno spettro continuo, dovrebbero informare il processo decisionale.

Metodologia statistica di Adobe statistics

Per fornire un’inferenza statistica facilmente interpretabile e sicura, Adobe ha adottato una metodologia statistica basata sulle sequenze di affidabilità valide in qualsiasi momento.

Una sequenza di affidabilità è un analogo sequenziale di un intervallo di affidabilità. Per capire quale sia una sequenza di affidabilità, immagina di ripetere un esperimento cento volte e di calcolare una stima della metrica di business media (ad esempio il tasso di apertura di un'e-mail) e della relativa sequenza con affidabilità al 95% per ogni nuovo utente che entra nell'esperimento.

Una sequenza con affidabilità del 95% include il valore "true" della metrica di business in 95 dei 100 esperimenti eseguiti. (Un intervallo di affidabilità del 95% può essere calcolato una sola volta per esperimento per fornire la stessa garanzia di copertura del 95%; non con ogni nuovo utente). Le sequenze di affidabilità consentono quindi di monitorare gli esperimenti in modo continuo, senza aumentare i tassi di errore di tipo falso positivo, ovvero permettono di "sbirciare" nei risultati.

Interpretare dimensioni non randomizzate non-randomized

Il Customer Journey Analytics consente agli analisti di selezionare qualsiasi dimensione come "esperimento". Ma come si interpreta un'analisi in cui la dimensione scelta come esperimento non è quella per cui le persone sono randomizzate?

Ad esempio, considera un annuncio visualizzato da una persona. Se decidi di mostrare le persone "ad B" invece di "ad A", potresti essere interessato a misurare la variazione di alcune metriche (ad esempio, ricavi medi). L’effetto causale della visualizzazione dell’annuncio B al posto dell’annuncio A è di fondamentale importanza per giungere alla decisione di marketing. Questo effetto causale può essere misurato come il reddito medio sull’intera popolazione, se hai sostituito lo status quo di mostrare l’annuncio A con la strategia alternativa di mostrare l’annuncio B.

Il test A/B è il gold standard all'interno del settore per misurare obiettivamente gli effetti di tali interventi. La ragione fondamentale per cui un test A/B dà luogo a una stima causale è dovuta alla randomizzazione delle persone a ricevere una delle possibili varianti.

Consideriamo ora una dimensione che non si ottiene con la randomizzazione, per esempio, lo stato americano della persona. Diciamo che le persone provengono principalmente da due stati, New York e California. I ricavi medi delle vendite di un marchio di abbigliamento invernale possono essere diversi nei due Stati a causa delle differenze nelle condizioni climatiche regionali. In una situazione del genere, le condizioni meteorologiche possono essere il vero fattore causale delle vendite di abbigliamento invernale, e non il fatto che gli stati geografici delle persone siano diversi.

Il pannello di sperimentazione nel Customer Journey Analytics consente di analizzare i dati come differenza media di ricavi per stato delle persone. In una situazione del genere, la produzione non ha un’interpretazione causale. Tuttavia, tale analisi può essere ancora interessante. Esso fornisce una stima (insieme a misure di incertezza) della differenza tra le entrate medie degli Stati delle persone. Questo valore è anche noto come "Statistical Hypothesis Testing". L’output di questa analisi può essere interessante, ma non necessariamente actionable, poiché non hai e a volte non puoi randomizzare le persone a uno dei possibili valori della dimensione.

La figura seguente contrasta queste situazioni:

Diagramma che mostra i dati osservazionali e lesperimento randomizzato.

Quando si vuole misurare l'impatto dell'intervento X sull'esito Y, è possibile che la vera causa di entrambi sia il fattore confondente C. Se i dati non vengono ottenuti randomizzando le persone su X, l'impatto è più difficile da misurare, e l'analisi rende esplicitamente conto di C. La randomizzazione interrompe la dipendenza di X da C, permettendoci di misurare l'effetto di X su Y senza doverci preoccupare di altre variabili.

Utilizzare le metriche calcolate nel pannello Sperimentazione

Per informazioni sull'utilizzo di metriche derivate nel pannello Sperimentazione🔗, consulta questo post di blog.

recommendation-more-help
080e5213-7aa2-40d6-9dba-18945e892f79