[Premium]{class="badge positive" title="Vedi cosa è incluso in Target Premium."}

Configurare rapporti A4T in Analysis Workspace per Auto-Target attività

L'integrazione di Analytics for Target (A4T) per le attività di Auto-Target utilizza gli algoritmi di machine learning (ML) Adobe Target per scegliere l'esperienza migliore per ogni visitatore in base al profilo, al comportamento e al contesto, mentre si utilizza una metrica di obiettivo Adobe Analytics.

Sebbene le funzionalità avanzate di analisi siano disponibili in Adobe Analytics Analysis Workspace, sono necessarie alcune modifiche al pannello predefinito Analytics for Target per interpretare correttamente le attività Auto-Target, a causa delle differenze tra le attività di sperimentazione (manuale A/B Test e Auto-Allocate) e le attività di personalizzazione (Auto-Target).

Questo tutorial illustra le modifiche consigliate per l'analisi delle attività Auto-Target in Analysis Workspace, basate sui seguenti concetti chiave:

Crea il pannello A4T per Auto-Target in Analysis Workspace

Per creare un report A4T per Auto-Target, iniziare con il pannello Analytics for Target in Analysis Workspace, come mostrato di seguito, oppure iniziare con una tabella a forma libera. Effettua quindi le seguenti selezioni:

Usa la dimensione Control vs.Targeted per confrontare il modello ML del gruppo Target con il tuo controllo

Il pannello A4T predefinito è progettato per le attività classiche (manuali) A/B Test o Auto-Allocate in cui l'obiettivo è confrontare le prestazioni delle singole esperienze con l'esperienza di controllo. Nelle attività Auto-Target, tuttavia, il confronto del primo ordine deve essere tra il controllo strategia e la strategia di destinazione. In altre parole, determinare l'incremento delle prestazioni complessive del modello ML del gruppo Auto-Target sulla strategia di controllo.

Per eseguire il confronto, utilizzare la dimensione Control vs Targeted (Analytics for Target). Trascinare e rilasciare per sostituire la dimensione Target Experiences nel report A4T predefinito.

Nota: questa sostituzione invalida i calcoli predefiniti di Lift and Confidence sul pannello A4T. Per evitare confusione, puoi rimuovere queste metriche dal pannello predefinito, lasciando il seguente rapporto:

Pannello

Figura 2: rapporto linea di base consigliato per le attività Auto-Target. Questo report è stato configurato per confrontare il traffico di destinazione (gestito dal modello ML del gruppo) con il traffico di controllo.

Aggiungere suddivisioni delle metriche a livello di esperienza

Per ottenere ulteriori informazioni sulle prestazioni del modello ML del gruppo, è possibile esaminare i raggruppamenti a livello di esperienza della dimensione Control vs Targeted. In Analysis Workspace, trascina la dimensione Target Experiences nel report, quindi suddividi separatamente ciascuna dimensione di controllo e di destinazione.

Pannello

Figura 3: suddivisione della dimensione di destinazione per esperienze Target

Qui viene mostrato un esempio del rapporto risultante.

Pannello

Figura 4: un report Auto-Target standard con raggruppamenti a livello di esperienza. Tieni presente che la metrica dell'obiettivo potrebbe essere diversa e che la strategia di controllo potrebbe avere una singola esperienza.

Perché "Visits" è la metrica di normalizzazione corretta per le attività Auto-Target

Durante l'analisi di un'attività Auto-Target, scegliere sempre Visits come metrica di normalizzazione predefinita. La personalizzazione Auto-Target seleziona un'esperienza per un visitatore una volta per visita (formalmente, una volta per Target sessione), il che significa che l'esperienza mostrata a un visitatore può cambiare su ogni singola visita. Pertanto, se utilizzi Unique Visitors come metrica di normalizzazione, il fatto che un singolo utente possa vedere più esperienze (su visite diverse) condurrebbe a confondere i tassi di conversione.

Un semplice esempio dimostra questo punto: considera uno scenario in cui due visitatori entrano in una campagna che ha solo due esperienze. Il primo visitatore visita due volte. Vengono assegnati all’Esperienza A alla prima visita, ma all’Esperienza B alla seconda visita (a causa del loro stato di profilo che cambia durante la seconda visita). Dopo la seconda visita, il visitatore converte effettuando un ordine. La conversione è attribuita all’esperienza mostrata più di recente (Esperienza B). Anche il secondo visitatore visita due volte e viene mostrata l’Esperienza B entrambe le volte, ma non si converte mai.

Confrontiamo i rapporti a livello di visitatore e di visita:

Tabella 1: esempio di confronto dei rapporti normalizzati per visitatore e per visita per uno scenario in cui le decisioni sono permanenti per una visita (e non per visitatore, come con i normali test A/B). In questo scenario le metriche normalizzate dal visitatore sono confuse.

Come mostrato nella tabella, esiste una chiara incongruenza dei numeri a livello di visitatore. Nonostante il fatto che ci siano due visitatori univoci totali, questa non è una somma dei singoli visitatori univoci per ogni esperienza. Anche se il tasso di conversione a livello di visitatore non è necessariamente sbagliato, quando si confrontano le singole esperienze, i tassi di conversione a livello di visita hanno probabilmente molto più senso. Formalmente, l’unità di analisi ("visite") è la stessa dell’unità di fedeltà decisionale, il che significa che è possibile aggiungere e confrontare le suddivisioni delle metriche a livello di esperienza.

Filtra per le visite effettive all’attività

La metodologia di conteggio predefinita Adobe Analytics per le visite a un'attività Target potrebbe includere visite in cui l'utente non ha interagito con l'attività Target. Ciò è dovuto al modo in cui Target assegnazioni di attività vengono mantenute nel contesto visitatore Analytics. Di conseguenza, il numero di visite all'attività Target può talvolta essere aumentato, determinando una depressione dei tassi di conversione.

Se si preferisce creare un rapporto sulle visite in cui l'utente ha effettivamente interagito con l'attività Auto-Target (tramite l'ingresso nell'attività, un evento di visualizzazione o visita o una conversione), è possibile:

Per creare il segmento:

Figura 5: utilizza un segmento come quello mostrato qui per filtrare la metrica Visits nella tua A4T per il report Auto-Target

Una volta creato il segmento, utilizzalo per filtrare la metrica Visits, in modo che la metrica Visits includa solo le visite in cui l'utente ha interagito con l'attività Target.

Per filtrare Visits con questo segmento:

Il pannello finale viene visualizzato come segue:

Pannello

Figura 6: pannello di reporting con il segmento "Hit con attività di Targeting automatico specifica" applicato alla metrica Visits. Questo segmento garantisce che nel rapporto vengano incluse solo le visite in cui un utente ha effettivamente interagito con l'attività Target in questione.

Assicurati che la metrica di obiettivo e l’attribuzione siano allineate al criterio di ottimizzazione

L'integrazione A4T consente al modello Auto-Target ML di essere addestrato utilizzando gli stessi dati dell'evento di conversione utilizzati da Adobe Analytics per generare rapporti sulle prestazioni. Tuttavia, esistono alcune ipotesi che devono essere utilizzate per interpretare questi dati durante la formazione dei modelli ML, che differiscono dalle ipotesi predefinite effettuate durante la fase di reporting in Adobe Analytics.

In particolare, i modelli da Adobe Target ML utilizzano un modello di attribuzione con ambito visita. In altre parole, i modelli ML presuppongono che una conversione debba avvenire durante la stessa visita come visualizzazione del contenuto per l’attività, affinché la conversione possa essere "attribuita" alla decisione presa dal modello ML. Questo è necessario affinché Target garantisca una formazione tempestiva dei propri modelli; Target non può attendere fino a 30 giorni per una conversione (l'intervallo di attribuzione predefinito per i report in Adobe Analytics) prima di includerlo nei dati di formazione dei propri modelli.

Pertanto, la differenza tra l'attribuzione utilizzata dai modelli Target (durante l'apprendimento) e l'attribuzione predefinita utilizzata nell'esecuzione di query sui dati (durante la generazione del rapporto) potrebbe causare discrepanze. Potrebbe anche sembrare che i modelli ML stiano andando male, quando in realtà il problema sta nell’attribuzione.

La definizione esatta della metrica e le impostazioni di attribuzione dipendono dal criterio di ottimizzazione specificato durante la creazione dell'attività.

Conversioni definite da Target o Analytics metriche con Massimizza valore metrica per visita

Quando la metrica è una conversione Target o una metrica Analytics con Massimizza valore metrica per visita, la definizione della metrica di obiettivo consente che si verifichino più eventi di conversione nella stessa visita.

Per visualizzare le metriche obiettivo con la stessa metodologia di attribuzione utilizzata dai modelli Target ML, eseguire la procedura seguente:

Questi passaggi garantiscono che il rapporto attribuisca la metrica di obiettivo alla visualizzazione dell'esperienza, se l'evento della metrica di obiettivo si è verificato in qualsiasi momento ("partecipazione") nella stessa visita in cui è stata visualizzata un'esperienza.

Analytics metriche con Tassi di conversione visita univoci

Definisci la visita con un segmento di metrica positivo

Nello scenario in cui hai selezionato Massimizzare il tasso di conversione visita univoco come criterio di ottimizzazione, la definizione corretta del tasso di conversione è la frazione di visite in cui il valore della metrica è positivo. Ciò può essere ottenuto creando un segmento che filtra le visite con un valore positivo della metrica e quindi filtrando la metrica Visite.

Figura 7: filtro della definizione del segmento per le visite con ordine positivo. A seconda della metrica di ottimizzazione dell'attività, è necessario sostituire gli ordini con una metrica appropriata

Applicalo alle visite nella metrica filtrata per attività

Questo segmento può ora essere utilizzato per filtrare le visite con un numero positivo di ordini e in cui si è verificato un hit per l'attività Auto-Target. La procedura di filtraggio di una metrica è simile a prima e dopo aver applicato il nuovo segmento alla metrica di visita già filtrata, il pannello di rapporto dovrebbe essere simile alla Figura 8

Figura 8: il pannello dei rapporti con la metrica di conversione visita univoca corretta: il numero di visite in cui è stato registrato un hit dall'attività e in cui la metrica di conversione (ordini in questo esempio) è diversa da zero.

Passaggio finale: crea un tasso di conversione che acquisisca la magia precedente

Con le modifiche apportate alle metriche Visit e obiettivo nelle sezioni precedenti, la modifica finale da apportare al pannello di reporting A4T predefinito per Auto-Target consiste nel creare tassi di conversione che rappresentino il rapporto corretto, ovvero quello della metrica obiettivo corretta, con una metrica "Visite" filtrata in modo appropriato.

Per eseguire questa operazione, creare un Calculated Metric seguendo la procedura seguente:

La definizione completa della metrica calcolata è mostrata qui.

Figura 7: definizione delle metriche del tasso di conversione del modello corretto per visita e per attribuzione. (Nota: questa metrica dipende dalla metrica e dall’attività dell’obiettivo. In altre parole, questa definizione di metrica non è riutilizzabile tra le attività.)

Riepilogo: esempio finale Analysis Workspace pannello per Auto-Target rapporti

Combinando tutti i passaggi precedenti in un unico pannello, la figura seguente mostra una visualizzazione completa del rapporto consigliato per Auto-Target attività A4T. Questo report è uguale a quello utilizzato dai modelli Target ML per ottimizzare la metrica obiettivo. Il rapporto incorpora tutte le sfumature e i consigli discussi in questa esercitazione. Questo report è anche il più simile alle metodologie di conteggio utilizzate nelle attività Auto-Target tradizionali basate sul reporting di Target.

Fare clic per espandere l'immagine.

Figura 10: il report finale A4T Auto-Target in Adobe Analytics Workspace, che combina tutte le regolazioni alle definizioni delle metriche descritte nelle sezioni precedenti di questa esercitazione.