Un'attività Auto-Allocate in Adobe Target identifica un vincitore tra due o più esperienze e ridistribuisce automaticamente più traffico per aumentare le conversioni, mentre il test continua a essere eseguito e ad apprendere.
Durante la creazione di un'attività A/B tramite il flusso di lavoro guidato in tre passaggi, scegliere l'opzione Auto-Allocate to best experience nella pagina Targeting (passaggio 2).
La sfida section_85D5A03637204BACA75E19646162ACFF
I test A/B standard hanno un costo intrinseco. Devi investire del traffico per misurare le prestazioni di ogni esperienza e capire quale sia l’esperienza vincente attraverso l’analisi. La distribuzione del traffico rimane fissa anche dopo aver compreso che alcune esperienze hanno prestazioni migliori di altre. Inoltre, è complicato calcolare la dimensione necessaria del campione, e l’attività deve essere eseguita completamente prima di poter intervenire in base al vincitore. E c'è ancora la possibilità che il vincitore identificato non sia un vero vincitore.
Un'attività Auto-Allocate riduce il costo e il sovraccarico associati alla determinazione di un'esperienza vincente. Auto-Allocate monitora le prestazioni della metrica obiettivo di tutte le esperienze e invia in modo proporzionale un numero maggiore di nuovi partecipanti alle esperienze con prestazioni migliori. Per l’esplorazione delle altre esperienze viene riservata una quantità adeguata di traffico. È possibile vedere i vantaggi del test nei risultati, anche se l’attività è ancora in esecuzione: l’ottimizzazione si verifica in parallelo all’apprendimento.
Auto-Allocate sposta gradualmente i visitatori verso esperienze vincenti, invece di richiedere di attendere che un'attività finisca per determinare un vincitore. Puoi beneficiare di incrementi più rapidi perché potenziali esperienze vincenti vengono mostrate a partecipanti che sarebbero altrimenti stati destinati a esperienze di minor successo.
Un normale test A/B in Target mostra solo confronti a coppie di sfidanti con il controllo. Ad esempio, se un'attività ha esperienze: A, B, C e D dove A è il controllo, un normale test A/B Target confronterebbe A con B, A con C e A con D.
In questi test, la maggior parte dei prodotti, incluso Target, utilizza un test t di Welch per produrre un'affidabilità basata sul valore p. Questo valore di affidabilità viene quindi utilizzato per determinare se lo sfidante è sufficientemente diverso dal controllo. Tuttavia, Target non esegue automaticamente i confronti impliciti (B con C, B con D e C con D) necessari per trovare l'esperienza "migliore". Di conseguenza, l’addetto al marketing deve analizzare manualmente i risultati per determinare l’esperienza “migliore”.
Auto-Allocate esegue tutti i confronti impliciti tra le esperienze e produce un vincitore "vero". Non vi è alcuna nozione di esperienza di “controllo” nel test.
Auto-Allocate alloca in modo intelligente nuovi visitatori alle esperienze finché l'intervallo di affidabilità della migliore esperienza non si sovrappone all'intervallo di affidabilità di qualsiasi altra esperienza. Normalmente questo processo potrebbe produrre falsi positivi, ma Auto-Allocate utilizza intervalli di affidabilità in base alla disuguaglianza di Bernstein che compensa le valutazioni ripetute. A questo punto, c'è un vero vincitore. Quando Auto-Allocate si arresta, purché non vi sia una dipendenza sostanziale dal tempo per i visitatori che arrivano alla pagina, c'è almeno un 95% di probabilità che Auto-Allocate restituisca un'esperienza la cui vera risposta non sia peggiore dell'1% (relativo) inferiore alla vera risposta dell'esperienza vincente.
Quando utilizzare Auto-Allocate rispetto a A/B Test o Automated Personalization attività section_3F73B0818A634E4AAAA60A37B502BFF9
Utilizza Auto-Allocate per ottimizzare l'attività fin dall'inizio e identificare le esperienze vincenti il più rapidamente possibile. Rendendo più frequenti le esperienze ad alte prestazioni, le prestazioni complessive dell’attività aumentano.
Utilizza un test A/B standard quando vuoi caratterizzare le prestazioni di tutte le esperienze prima di ottimizzare il sito. Un test A/B consente di classificare tutte le esperienze, mentre Auto-Allocate trova le migliori prestazioni ma non garantisce la differenziazione tra le prestazioni più basse.
Utilizza Automated Personalization quando desideri algoritmi di ottimizzazione della complessità più elevata, ad esempio modelli di apprendimento automatico che generano previsioni basate su attributi di profilo individuali. Auto-Allocate esamina il comportamento aggregato delle esperienze (proprio come i test A/B standard) e non distingue tra visitatori.
Vantaggi chiave di Auto-Allocate section_0913BF06F73C4794862561388BBDDFF0
Mantiene la rigorosità di un test A/B
Trova un vincitore statisticamente significativo più velocemente rispetto a un test A/B manuale.
Fornisce un maggiore incremento medio della campagna rispetto a un test A/B manuale.
La logica complessiva alla base di Auto-Allocate include sia le prestazioni misurate (come il tasso di conversione) che gli intervalli di affidabilità dei dati cumulativi. A differenza di un test A/B standard in cui il traffico viene suddiviso in modo uniforme tra le esperienze, Auto-Allocate modifica l'allocazione del traffico tra le esperienze.
L'80% dei visitatori è assegnato utilizzando la logica intelligente descritta di seguito.
Il 20% dei visitatori viene assegnato in modo casuale in tutte le esperienze per adattarsi al cambiamento del comportamento del visitatore.
L'approccio slot machine consente di riservare alcune esperienze all’esplorazione, sfruttando le esperienze che danno buoni risultati. Un numero maggiore di nuovi visitatori vedrà le esperienze migliori, ma sarà comunque possibile reagire in caso di condizioni mutevoli. Questi modelli si aggiornano almeno una volta all'ora per assicurarsi che il modello reagisca ai dati più recenti.
Man mano che più visitatori accedono all’attività, alcune esperienze iniziano a dimostrarsi di maggior successo e viene quindi incrementato il traffico inviato a tali esperienze. Il 20% del traffico continua a contribuire casualmente all’esplorazione di tutte le esperienze. Se una delle esperienze dalle prestazioni peggiori inizia a ottenere risultati migliori, le viene allocato più traffico. Oppure se il successo di un’attività con ottime prestazioni diminuisce, le viene assegnato meno traffico. Questo si verifica ad esempio se i visitatori cercano informazioni diverse sul tuo sito multimediale a causo di un particolare evento oppure se le offerte speciali del fine settimana nel tuo sito retail generano risultati diversi.
L’illustrazione seguente rappresenta il comportamento dell’algoritmo durante un test con quattro esperienze (fai clic per espandere l’illustrazione):
L'illustrazione mostra come il traffico assegnato a ogni esperienza progredisca nell'acro di parecchi turni della durata dell'attività, finché non sia possibile determinare un chiaro vincitore.
Turno
Descrizione
{width="200" modal="regular"}
Turno di riscaldamento (0): durante il turno di riscaldamento, ogni esperienza ottiene pari ripartizione del traffico fino a quando ogni esperienza in attività ha un minimo di 1.000 visitatori e 50 conversioni.
Esperienza A=25%
Esperienza B=25%
Esperienza C=25%
Esperienza D=25%
Dopo che ogni esperienza ottiene 1.000 visitatori e 50 conversioni, Target avvia l'allocazione automatica del traffico. Tutte le allocazioni avvengono in turni e vengono raccolte due esperienze per ogni turno. Solo due esperienze progrediscono al turno successivo: D e C. Progredire significa che alle due esperienze è assegnato l'80% del traffico equamente. Le altre due esperienze continuano a partecipare, ma vengono gestite solo come parte dell’allocazione casuale del traffico del 20% quando nuovi visitatori accedono all’attività. Tutte le allocazioni vengono aggiornate ogni ora (mostrato in alto per turni lungo l'asse x). Dopo ogni turno, i dati cumulativi vengono confrontati.
{width="200" modal="regular"}
Turno 1: durante questo turno, l’80% di traffico è assegnato alle esperienze C e D (40% ciascuna). Il 20% del traffico viene assegnato in modo casuale alle esperienze A, B, C e D (5% ciascuna). Durante questo turno, l'esperienza A registra buoni risultati.
L'algoritmo sceglie l'esperienza D per passare al turno successivo perché ha il più alto tasso di conversione (come indicato dalla scala verticale di ogni attività).
L'algoritmo sceglie anche l'esperienza A per proseguire perché, tra le esperienze rimanenti, ha il limite superiore più alto dell'intervallo di affidabilità Bernstein al 95%.
Le esperienze D e A proseguono.
{width="200" modal="regular"}
Turno 2: durante questo turno, l’80% del traffico è assegnato alle esperienze A e D (40% ciascuna). Il 20% del traffico è allocato in modo casuale, quindi A, B, C e D ricevono rispettivamente il 5% del traffico. Durante questo turno, l’esperienza B registra buoni risultati.
L'algoritmo sceglie l'esperienza D per passare al turno successivo perché ha il più alto tasso di conversione (come indicato dalla scala verticale di ogni attività).
L'algoritmo sceglie anche l'esperienza B per proseguire perché, tra le esperienze rimanenti, ha il limite superiore più alto dell'intervallo di affidabilità Bernstein al 95%.
Le esperienze D e B proseguono.
{width="200" modal="regular"}
Turno 3: durante questo turno, l’80% di traffico è assegnato alle esperienze B e D (40% ciascuna). Il 20% del traffico è allocato in modo casuale, quindi A, B, C e D ricevono rispettivamente il 5% del traffico. Durante questo turno, l'esperienza D continua a fornire buoni risultati, così come l'esperienza C.
L'algoritmo sceglie l'esperienza D per passare al turno successivo perché ha il più alto tasso di conversione (come indicato dalla scala verticale di ogni attività).
L'algoritmo sceglie anche l'esperienza C per proseguire perché, tra le esperienze rimanenti, ha il limite superiore più alto dell'intervallo di affidabilità Bernstein al 95%.
Le esperienze D e C proseguono.
{width="200" modal="regular"}
Turno 4: durante questo turno, l’80% di traffico è assegnato alle esperienze C e D (40% ciascuna). Il 20% del traffico è allocato in modo casuale, quindi A, B, C e D ricevono rispettivamente il 5% del traffico. Durante questo turno, l'esperienza C risulta avere buone prestazioni.
L'algoritmo sceglie l'esperienza C per passare al turno successivo perché ha il più alto tasso di conversione (come indicato dalla scala verticale di ogni attività).
L'algoritmo sceglie anche l'esperienza D per proseguire perché, tra le esperienze rimanenti, ha il limite superiore più alto dell'intervallo di affidabilità Bernstein al 95%.
Le esperienze C e D proseguono.
{width="200" modal="regular"}
Turno n: mentre l'attività progredisce, inizia a emergere un'esperienza con prestazioni elevate e il processo continua fino a quando non si verifica un'esperienza vincente. Quando l’intervallo di affidabilità dell’esperienza con il tasso di conversione più alto non si sovrappone all’intervallo di affidabilità di qualsiasi altra esperienza, viene etichettato come vincitore. Un distintivo viene visualizzato nella pagina dell'attività vincente e nell'elenco Activity.
L'algoritmo sceglie l’esperienza C come chiaro vincitore.
A questo punto l'algoritmo indirizza l’80% del traffico all’esperienza C, mentre il 20% del traffico continua a essere indirizzato casualmente a tutte le esperienze (A, B, C e D). In totale, C ottiene l’85% del traffico. Nel caso improbabile che l’intervallo di affidabilità del vincitore inizi a sovrapporsi di nuovo cpn quello di un’altra esperienza, l’algoritmo ritorna al comportamento del turno 4 di cui sopra.
Importante: se hai scelto manualmente un vincitore in una fase precedente del processo, sarebbe stato facile scegliere l'esperienza sbagliata. Per questo motivo, è consigliabile attendere che l’algoritmo determini l’esperienza vincente.
NOTE
Se un'attività ha solo due esperienze, entrambe ottengono la stessa quantità di traffico fino a quando Target trova un'esperienza vincente con il 75% di affidabilità. A quel punto, due terzi del traffico vengono assegnati al vincitore e un terzo al perdente. Successivamente, quando un’esperienza raggiunge il 95% di affidabilità, il 90% del traffico viene assegnato al vincitore e il 10% al perdente. Target invia sempre del traffico all'esperienza "perdente" per evitare falsi positivi alla fine (ovvero, mantieni alcune esplorazioni).
Dopo l'attivazione di un'attività Auto-Allocate, le seguenti operazioni dall'interfaccia utente Target non sono consentite:
Impostazione della modalità di Allocazione traffico su Manuale
Modifica del tipo di metrica obiettivo
Modifica delle opzioni nel pannello "Advanced Settings"
Considera le seguenti informazioni mentre lavori con Auto-Allocate:
La funzionalità Auto-Allocate funziona con una sola impostazione metrica avanzata: Increment Count and Keep User in Activity
Le impostazioni di metrica avanzate seguenti non sono supportate: Increment Count, Release User, Allow Reentry and Increment Count e Release User and Bar from Reentry.
I visitatori di ritorno frequenti possono gonfiare i tassi di conversione dell’esperienza.
Se un visitatore che vede l’esperienza A torna frequentemente e la sua conversione si verifica più volte, il tasso di conversione (CR) dell’esperienza A aumenta artificialmente. Confronta questo risultato con l’esperienza B, dove i visitatori si convertono ma non tornano spesso. Di conseguenza, il CR dell’esperienza A ha un aspetto migliore del CR dell’esperienza B, pertanto è più probabile che i nuovi visitatori vengano assegnati ad A che a B. Se scegli di contare una volta per partecipante, il CR di A e CR di B potrebbero essere identici.
Se i visitatori di ritorno sono distribuiti in modo casuale, è più probabile che il loro effetto sui tassi di conversione venga mitigato. Per attenuare questo effetto, è consigliabile modificare il metodo di conteggio della metrica obiettivo per conteggiare ogni partecipante una sola volta.
Differenzia tra i migliori e non tra i peggiori.
Auto-Allocate è in grado di distinguere tra esperienze dalle prestazioni migliori (e trovare un vincitore). Ci potrebbero essere momenti in cui non vi è abbastanza differenziazione tra le esperienze con prestazioni inferiori.
Se desideri produrre una differenziazione statisticamente significativa tra tutte le esperienze, puoi utilizzare la modalità di allocazione manuale del traffico.
I tassi di conversione correlati al tempo (o contestualmente variabili) possono distorcere le quantità di allocazione.
Alcuni fattori che possono essere ignorati durante un test A/B standard perché influiscono ugualmente su tutte le esperienze non possono essere ignorati in un'attività Auto-Allocate. L’algoritmo è sensibile ai tassi di conversione osservati.
Di seguito sono riportati alcuni esempi di fattori che possono influenzare le prestazioni dell'esperienza in modo disuguale:
Esperienze con diversa rilevanza contestuale (tempo, posizione, genere e così via).
Ad esempio:
"Grazie a Dio è venerdì" ha fatto aumentare le conversioni di venerdì.
"Jump-start your Monday" ha una conversione più alta il lunedì.
"Prepararsi per un inverno della costa orientale" fornisce una maggiore conversione nelle zone della costa orientale o in quelle afflitte dall'inverno.
L'utilizzo di esperienze con rilevanza contestuale variabile può distorcere i risultati in un test Auto-Allocate più che in un test A/B perché il test A/B analizza i risultati su un periodo più lungo.
Esperienze con ritardi diversi nella conversione possono essere dovute all’urgenza del messaggio.
Ad esempio, “i saldi al 30% finiscono oggi” incita il visitatore ad eseguire oggi stesso la conversione, mentre “50% di sconto sul primo acquisto” non crea lo stesso senso di urgenza.
I visitatori di ritorno vengono riallocati automaticamente alle esperienze con prestazioni elevate?
No. Solo i nuovi visitatori vengono allocati automaticamente. I visitatori di ritorno continuano a vedere la loro esperienza originale per proteggere la validità del test A/B.
In che modo l’algoritmo tratta i falsi positivi?
L’algoritmo garantisce un'affidabilità del 95% o un tasso di falsa positività del 5% se si attende che appaia il badge del vincitore.
Quando Auto-Allocate inizia ad allocare il traffico?
L’algoritmo inizia a funzionare dopo che tutte le esperienze nell’attività hanno un minimo di 1.000 visitatori e 50 conversioni.
Quanto aggressivamente viene applicato l’algoritmo?
L'80% del traffico viene servito con Auto-Allocate e il 20% del traffico viene servito in modo casuale. Quando viene identificato un vincitore, l'80% del traffico viene indirizzato a tale vincitore, mentre tutte le esperienze continuano a ricevere una parte del traffico come parte del 20%, inclusa l'esperienza vincente.
Le esperienze perdenti vengono mostrate?
Sì. Con un approccio di tipo slot machine, almeno il 20% del traffico è riservato all’esplorazione di modifiche nei pattern o nei tassi di conversione in tutte le esperienze.
Cosa succede alle attività con tempi di conversione lunghi?
Finché tutte le esperienze ottimizzate avranno ritardi simili, il comportamento sarà lo stesso di un’attività con un ciclo di conversione più veloce. Tuttavia, il raggiungimento della soglia di conversione di 50 richiede più tempo prima dell’inizio del processo di allocazione del traffico.
Differenze tra Auto-Allocate e Automated Personalization
Automated Personalization utilizza gli attributi del profilo di ogni visitatore per determinare l'esperienza migliore. In tal modo, non solo ottimizza, ma personalizza anche l’attività per quell’utente.
Auto-Allocate è invece un test A/B che produce un vincitore aggregato (l'esperienza più popolare, ma non necessariamente quella più efficace per ogni visitatore).
I visitatori di ritorno gonfiano il tasso di conversione sulla metrica di successo?
Attualmente, la logica favorisce i visitatori che si convertono rapidamente o che effettuano visite più frequenti, perché tali visitatori aumentano temporaneamente il tasso di conversione complessivo dell’esperienza a cui appartengono. L’algoritmo si regola frequentemente, quindi l’aumento del tasso di conversione viene amplificato in ogni istantanea. Se il sito riceve numerosi visitatori di ritorno, le loro conversioni possono potenzialmente aumentare il tasso di conversione complessivo per l’esperienza a cui appartengono. C'è una buona probabilità che i visitatori di ritorno siano distribuiti in modo casuale, nel qual caso l’effetto aggregato (aumento dell’incremento) è mitigato. Per attenuare questo effetto, è consigliabile modificare il metodo di conteggio della metrica di sucesso per conteggiare ogni partecipante una sola volta.
Posso utilizzare il Calcolatore dimensione campione quando utilizzo Auto-Allocate per stimare il tempo necessario all'attività per identificare il vincitore?
È possibile utilizzare il Adobe Target Calcolatore dimensioni campione esistente per ottenere una stima della durata di esecuzione del test. (Come con i tradizionali test A/B, applica la correzione Bonferroni se stai sottoponendo a test più di due offerte o più di una metrica/ipotesi di conversione.) Questo calcolatore è progettato per il tradizionale test A/B a orizzonte fisso e fornisce solo una stima. L'utilizzo del calcolatore per un'attività Auto-Allocate è facoltativo perché Auto-Allocate dichiara un vincitore. Non è necessario scegliere un punto fisso nel tempo per esaminare i risultati del test. I valori forniti sono sempre statisticamente validi.
Adobe esperimenti interni hanno rilevato quanto segue:
Quando esegue il test esattamente di due esperienze, Auto-Allocate trova un vincitore più rapidamente del test a orizzonte fisso (ovvero l'intervallo di tempo suggerito dal calcolatore delle dimensioni del campione) quando la differenza di prestazioni tra le esperienze è grande. Tuttavia, Auto-Allocate potrebbe richiedere più tempo per identificare un vincitore quando la differenza di prestazioni tra le esperienze è ridotta. In questi casi, i test a orizzonte fisso si sarebbero in genere conclusi senza un risultato statisticamente significativo.
Quando si sottopongono a test più di due esperienze, Auto-Allocate trova un vincitore più rapidamente del test a orizzonte fisso (ovvero l'intervallo di tempo suggerito dal calcolatore delle dimensioni del campione) quando una singola esperienza supera nettamente tutte le altre esperienze. Quando due o più esperienze sono entrambe "vincenti" rispetto ad altre ma strettamente correlate tra loro, Auto-Allocate potrebbe richiedere più tempo per determinare quale sia superiore. In questi casi, i test a orizzonte fisso in genere si sarebbero conclusi concludendo che le esperienze "vincenti" erano migliori rispetto a quelle con prestazioni inferiori, ma non avevano identificato quale era superiore.
È necessario rimuovere un'esperienza insoddisfacente da un'attività Auto-Allocate per velocizzare il processo di determinazione di un vincitore?
Non c’è motivo di rimuovere un’esperienza insoddisfacente. Auto-Allocate fornisce automaticamente esperienze con prestazioni elevate più spesso e fornisce esperienze con prestazioni inferiori con minore frequenza. Lasciare un’esperienza insoddisfacente nell’attività non influisce in modo significativo sulla velocità per determinare un vincitore.
Il 20% dei visitatori viene assegnato in modo casuale attraverso tutte le esperienze. La quantità di traffico utilizzata per un’esperienza insoddisfacente è minima (20% diviso per il numero di esperienze).
Posso cambiare la metrica obiettivo a metà strada attraverso un'attività Auto-Allocate? change-metric
Adobe non consiglia di modificare la metrica obiettivo a metà strada in un'attività. Anche se è possibile modificare la metrica dell’obiettivo durante un’attività utilizzando l’interfaccia utente Target, è sempre necessario avviare una nuova attività. Adobe non garantisce ciò che accade se si modifica la metrica obiettivo in un'attività dopo che è in esecuzione.
Questo consiglio si applica alle attività Auto-Allocate, Auto-Target e Automated Personalization che utilizzano Target o Analytics (A4T) come origine per la generazione di rapporti.
Posso cambiare l'origine per la generazione di rapporti nel corso di un'attività Auto-Allocate? change-reporting
Adobe non consiglia di cambiare l'origine per la generazione di rapporti a metà strada attraverso un'attività. Anche se è possibile modificare l'origine per la generazione di rapporti (da Target a A4T o in modo opposto) durante un'attività utilizzando l'interfaccia utente di Target, è sempre necessario avviare una nuova attività. Adobe non garantisce ciò che accade se si modifica l'origine per la generazione di rapporti in un'attività dopo che è in esecuzione.
Questo consiglio si applica alle attività Auto-Allocate, Auto-Target e Automated Personalization che utilizzano Target o Analytics (A4T) come origine per la generazione di rapporti.
È possibile utilizzare l'opzione Reset Report Data durante l'esecuzione di un'attività Auto-Allocate?
L'utilizzo dell'opzione Reset Report Data per le attività Auto-Allocate non è consigliato. Anche se rimuove i dati di reporting visibili, questa opzione non rimuove tutti i record di formazione dal modello Auto-Allocate. Invece di utilizzare l'opzione Reset Report Data per le attività Auto-Allocate, crea una nuova attività e disattiva l'attività originale. Questa guida si applica anche alle attività Auto-Target e Automated Personalization.
In che modo Auto-Allocate genera i modelli rispetto agli ambienti?
Auto-Allocate crea modelli in base al comportamento di traffico e conversione registrato solo nell'ambiente predefinito. Per impostazione predefinita, Production è l'ambiente predefinito, ma l'ambiente predefinito può essere modificato in Target (Amministrazione > Ambienti).
Se un hit si verifica in un altro ambiente (non predefinito), il traffico viene distribuito in base al comportamento di conversione osservato nell’ambiente predefinito. Il risultato di tale hit (conversione o non conversione) viene registrato a scopo di reporting ma non considerato nel modello Auto-Allocate.
Quando selezioni un altro ambiente, il rapporto mostra il traffico e le conversioni per tale ambiente. L’ambiente selezionato predefinito per un rapporto è l’ambiente predefinito a livello di account selezionato. L’ambiente predefinito non può essere impostato in base alle singole attività.
Un'attività Auto-Allocate può modificare l'intervallo di lookback nel corso di un test per considerare la possibilità di modificare le tendenze nel tempo?
Ad esempio, l’attività può considerare il mese di dicembre per decidere come allocare il traffico, anziché esaminare i dati dei visitatori di settembre (quando è iniziato il test)?
No, Auto-Allocate considera le prestazioni dell'intera attività.
Auto-Allocate mostra un'esperienza vincente a un visitatore che ritorna, se l'esperienza vincente è diversa da quella che ha visto quando si è qualificato per l'attività?
Auto-Allocate utilizza le decisioni permanenti per gli stessi motivi per cui le attività A/B Test sono permanenti. L’allocazione del traffico funziona solo per i nuovi visitatori.
Video di formazione section_893E5B36DC4A415C9B1D287F51FCCB83
I video seguenti contengono ulteriori informazioni sui concetti descritti in questo articolo.
Flusso di lavoro attività - Targeting (2:14)
Questo video include informazioni su come impostare l'allocazione del traffico.
In questo video viene illustrato come creare un test A/A utilizzando il flusso di lavoro guidato in tre passaggi di Target. Auto-Allocate è discusso a partire dal minuto 4:45.
Crea un'attività A/B in Adobe Target
Allocare il traffico con suddivisione manuale o automatica del traffico
