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

Panoramica di Auto-Target

Auto-Target attività in Adobe Target utilizzano l'apprendimento automatico avanzato per scegliere tra più esperienze ad alte prestazioni definite dall'addetto al marketing per personalizzare il contenuto e favorire le conversioni. Auto-Target fornisce l'esperienza più personalizzata a ogni visitatore in base al suo profilo cliente individuale e al comportamento dei visitatori precedenti con profili simili.

NOTE

Storia di successo nel mondo reale con l’utilizzo del Targeting automatico success

Un grande rivenditore di abbigliamento ha recentemente utilizzato un'attività Auto-Target con dieci esperienze basate su categorie di prodotti (più controllo randomizzato) per fornire il contenuto giusto a ogni visitatore. "Add to Cart" è stato scelto come metrica di ottimizzazione primaria. Le esperienze mirate hanno avuto un incremento medio del 29,09%. Dopo aver generato i modelli Auto-Target, l'attività è stata impostata sul 90% di esperienze personalizzate.

In soli dieci giorni, è stato raggiunto un incremento di oltre 1.700.000 dollari.

Continua a leggere per scoprire come utilizzare Auto-Target per aumentare l'incremento e i ricavi per la tua organizzazione.

Panoramica section_972257739A2648AFA7E7556B693079C9

Durante la creazione di un'attività A/B tramite il flusso di lavoro guidato in tre passaggi, scegliere l'opzione Auto-Target for personalized experiences nella pagina Targeting (passaggio 2).

Opzione Targeting automatico per esperienze personalizzate

L'opzione Auto-Target all'interno del flusso di attività A/B ti consente di sfruttare l'apprendimento automatico per personalizzare in base a una serie di esperienze definite dall'addetto al marketing in un clic. Auto-Target è progettato per fornire la massima ottimizzazione, rispetto ai tradizionali test A/B o Auto Allocate, determinando quale esperienza visualizzare per ogni visitatore. A differenza di un'attività A/B in cui l'obiettivo è quello di trovare un singolo vincitore, Auto-Target determina automaticamente la migliore esperienza per un determinato visitatore. La migliore esperienza si basa sul profilo del visitatore e su altre informazioni contestuali, per fornire un’esperienza altamente personalizzata.

Analogamente a Automated Personalization, Auto-Target utilizza un algoritmo Foresta casuale, uno dei principali metodi di raccolta di dati scientifici, per determinare l'esperienza migliore da mostrare a un visitatore. Poiché Auto-Target può adattarsi ai cambiamenti nel comportamento del visitatore, può essere eseguito perennemente per fornire un incremento. Questo metodo è talvolta indicato come modalità "sempre attiva".

A differenza di un'attività A/B in cui l'allocazione dell'esperienza per un determinato visitatore è definitiva, Auto-Target ottimizza l'obiettivo di business specificato su ogni visita. Come in Auto Personalization, Auto-Target, per impostazione predefinita, riserva parte del traffico dell'attività come gruppo di controllo per misurare l'incremento. Ai visitatori del gruppo di controllo viene messa a disposizione un'esperienza casuale nell'attività.

Considerazioni

Ci sono alcune considerazioni importanti da tenere a mente quando si utilizza Auto-Target:

  • Impossibile passare un'attività specifica da Auto-Target a Automated Personalization e viceversa.

  • Non è possibile passare dall'allocazione del traffico Manual (tradizionale A/B Test) a Auto-Target e viceversa dopo il salvataggio come bozza di un'attività.

  • Un modello è progettato per identificare le prestazioni della strategia personalizzata rispetto al traffico servito in modo casuale rispetto all’invio di tutto il traffico all’esperienza vincente complessiva. Questo modello considera gli hit e le conversioni solo nell’ambiente predefinito.

    Il traffico proveniente da un secondo set di modelli viene generato per ciascun gruppo di modellazione (AP) o esperienza (AT). Per ciascuno di questi modelli, vengono considerati gli hit e le conversioni in tutti gli ambienti.

    Le richieste vengono distribuite con lo stesso modello, indipendentemente dall’ambiente, ma la pluralità di traffico deve provenire dall’ambiente predefinito per garantire che l’esperienza vincente complessiva identificata sia coerente con il comportamento reale.

  • Utilizza almeno due esperienze.

Terminologia section_A309B7E0B258467789A5CACDC1D923F3

I seguenti termini sono utili quando si parla di Auto-Target:

Termine
Definizione
Slot machine
Un approccio slot machine per l'ottimizzazione equilibra l'apprendimento esplorativo e lo sfruttamento di tale apprendimento.
Foresta casuale
Foresta casuale è uno dei principali metodi di apprendimento automatico. Nel linguaggio della scienza dei dati, si tratta di una classificazione di gruppo, o metodo di regressione, che funziona costruendo molti alberi decisionali basati su visitatori e attributi di visita. In Target, Foresta casuale viene utilizzato per determinare quale esperienza dovrebbe avere la più alta probabilità di conversione (o il più alto ricavo per visita) per ogni visitatore specifico.
Campionamento Thompson
L’obiettivo del campionamento di Thompson è determinare quale esperienza è la migliore complessivamente (non personalizzata), riducendo al minimo il "costo" della ricerca di tale esperienza. Il campionamento di Thompson sceglie sempre un vincitore, anche se non c’è differenza statistica tra due esperienze.

Come funziona Auto-Target section_77240E2DEB7D4CD89F52BE0A85E20136

Per ulteriori informazioni sui dati e gli algoritmi sottostanti a Auto-Target e Automated Personalization, visitare i collegamenti seguenti:

Termine
Dettagli
Algoritmo Foresta casuale
L'algoritmo di personalizzazione principale di Target utilizzato in Auto-Target e Automated Personalization è Foresta casuale. I metodi di raggruppamento, come Foresta casuale, utilizzano più algoritmi di apprendimento per ottenere prestazioni predittive migliori rispetto a quelle ottenibili da uno qualsiasi degli algoritmi di apprendimento costituenti. L'algoritmo Foresta casuale nelle attività Automated Personalization e Auto-Target è una classificazione, o metodo di regressione, che funziona costruendo una moltitudine di alberi decisionali al momento dell'addestramento.
Caricamento dei dati per gli algoritmi Personalization di Target
Esistono diversi modi per immettere i dati per i modelli Auto-Target e Automated Personalization.
Raccolta di dati per gli algoritmi Personalization di Target
Gli algoritmi di personalizzazione di Target raccolgono automaticamente vari dati.

Determinazione dell’allocazione del traffico section_AB3656F71D2D4C67A55A24B38092958F

A seconda dell'obiettivo dell'attività, puoi scegliere una diversa allocaizone del traffico tra il controllo e le esperienze personalizzate. Una buona pratica è di determinare questo obiettivo prima di attivare l'attività.

L'elenco a discesa Custom Allocation consente di scegliere tra le opzioni seguenti:

  • Evaluate Personalization Algorithm
  • Maximize Personalization Traffic
  • Custom Allocation

Elenco a discesa Obiettivo di allocazione

Obiettivo dell’attività
Allocazione del traffico consigliata
Compromessi
Valuta algoritmo di personalizzazione (50/50): se l’obiettivo è quello di testare l’algoritmo, assegna il 50% dei visitatori all’algoritmo di controllo e l’altro 50% a quello di destinazione. Questa suddivisione fornisce la stima più accurata dell’incremento. Consigliato per l’utilizzo con "esperienze casuali" come controllo.
50% al controllo / 50% all’esperienza personalizzata.
  • Massimizza la precisione dell'incremento tra controllo e personalizzazione
  • Un numero relativamente basso di visitatori ha un’esperienza personalizzata
Massimizza traffico Personalization (90/10): se il tuo obiettivo è invece quello di creare un'attività "sempre attiva", inserisci il 10% dei visitatori nel controllo affinché ci siano abbastanza dati per consentire agli algoritmi di continuare a imparare nel tempo. In questo caso, il compromesso è che, in cambio della personalizzazione di una proporzione maggiore del traffico, si ha meno precisione in cosa sia l’incremento esatto. Indipendentemente dall’obiettivo, questa è la suddivisione del traffico consigliata quando si utilizza come controllo un’esperienza specifica.
Una buona pratica è quella di allocare 10%-30% al controllo / 70%-90% all’esperienza personalizzata
  • Massimizza il numero di visitatori che ricevono un'esperienza personalizzata
  • Massimizza l'incremento
  • Meno precisione nel determinare l'incremento per l'attività
Personalizza allocazione
Suddividi manualmente la percentuale come desiderato.
  • Potresti non ottenere i risultati desiderati. Se non sei sicuro, segui i suggerimenti per una delle opzioni precedenti

Per regolare la percentuale di Control, fare clic sulle icone nella colonna Allocation. Non è possibile ridurre il gruppo di controllo sotto il 10%.

Cambiare l’allocazione del traffico per Targeting automatico

Puoi selezionare un’esperienza specifica da usare come controllo oppure utilizzare l’opzione Esperienza casuale.

Quando scegliere Auto-Target rispetto a Automated Personalization? section_BBC4871C87944DD7A8B925811A30C633

Esistono diversi scenari in cui si preferisce utilizzare Auto-Target rispetto a Automated Personalization:

  • Se vuoi definire l’intera esperienza anziché singole offerte che vengono combinate automaticamente per formare un’esperienza.
  • Se desideri utilizzare il set completo di funzionalità Visual Experience Composer (VEC) non supportate da Auto Personalization: l'editor di codice personalizzato, più tipi di pubblico e altro ancora.
  • Se desideri apportare modifiche strutturali alla pagina in diverse esperienze. Se ad esempio si desidera ridisporre gli elementi nella home page, Auto-Target è più appropriato da utilizzare rispetto a Automated Personalization.

Cosa ha in comune Auto-Target con Automated Personalization? section_2A601F482F9A44E38D4B694668711319

L’algoritmo ottimizza per ottenere un risultato favorevole per ogni visita.

  • L’algoritmo prevede che il visitatore sia propenso alla conversione (o ai ricavi stimati dalla conversione) per fornire l’esperienza migliore.
  • Un visitatore è idoneo per una nuova esperienza al termine di una sessione esistente (a meno che il visitatore non appartenga al gruppo di controllo, nel qual caso l’esperienza assegnata al visitatore alla prima visita rimane invariata per le visite successive).
  • All’interno di una sessione, la previsione non cambia, per mantenere la coerenza visiva.

L’algoritmo si adatta ai cambiamenti nel comportamento del visitatore.

  • La slot machine assicura che il modello "spenda" sempre una piccola frazione di traffico per continuare a imparare per tutta la vita dell'attività di apprendimento e per prevenire un eccessivo sfruttamento delle tendenze apprese in precedenza.
  • I modelli sottostanti vengono ricreati ogni 24 ore utilizzando i dati di comportamento dei visitatori più recenti per garantire che Target sfrutti sempre le preferenze dei visitatori in continua evoluzione.
  • Se l'algoritmo non può determinare le esperienze vincenti per i singoli visitatori, mostra automaticamente quella con i migliori risultati a livello generale, mentre continua a cercare vincitori personalizzati. L’esperienza che offre prestazioni migliori viene individuata tramite il campione di Thompson.

L’algoritmo viene continuamente ottimizzato per una singola metrica di obiettivo.

  • Questa metrica potrebbe essere basata sulla conversione o sui ricavi (nello specifico Revenue per Visit).

Target raccoglie automaticamente informazioni sui visitatori per generare i modelli di personalizzazione.

Target utilizza automaticamente tutti i Adobe Experience Cloud tipi di pubblico condivisi per generare i modelli di personalizzazione.

  • Non è necessario eseguire alcuna operazione specifica per aggiungere i tipi di pubblico al modello. Per informazioni sull’utilizzo di Experience Cloud Audiences con Target, consulta Audience di Experience Cloud.

Gli addetti al marketing possono caricare dati offline, punteggi di propensione o altri dati personalizzati per creare modelli di personalizzazione.

Differenze tra Auto-Target e Automated Personalization section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Auto-Target richiede spesso meno traffico di Automated Personalization per generare un modello personalizzato.

Anche se la quantità di traffico per esperienza richiesta per la generazione dei modelli Auto-Target o Auto Personalization è la stessa, in genere sono presenti più esperienze in un'attività Automated Personalization rispetto a un'attività Auto-Target.

Ad esempio, se disponessi di un'attività Auto Personalization in cui sono state create due offerte per posizione con due posizioni, ci sarebbero quattro (2 = 4) esperienze totali incluse nell'attività (senza esclusioni). Utilizzando Auto-Target, puoi impostare l'esperienza 1 per includere l'offerta 1 in posizione 1 e l'offerta 2 in posizione 2 e l'esperienza 2 per includere l'offerta 1 in posizione 1 e l'offerta 2 in posizione 2. Poiché Auto-Target consente di avere più modifiche all'interno di un'esperienza, puoi ridurre il numero di esperienze totali nell'attività.

Per Auto-Target è possibile utilizzare semplici regole generali per comprendere i requisiti del traffico:

  • Quando Conversion è la metrica di successo: 1.000 visite e almeno 50 conversioni al giorno per esperienza e inoltre l'attività deve avere almeno 7.000 visite e 350 conversioni.
  • Quando Revenue per Visit è la metrica di successo: 1.000 visite e almeno 50 conversioni al giorno per esperienza e inoltre l'attività deve avere almeno 1.000 conversioni per esperienza. RPV di solito richiede più dati per costruire modelli a causa della varianza più elevata dei dati che esiste in genere nei ricavi di visita rispetto al tasso di conversione.

Auto-Target ha una funzionalità di installazione completa.

  • Poiché Auto-Target è incorporato nel flusso di lavoro di attività A/B, Auto-Target beneficia di Visual Experience Composer (VEC) più maturo e completo. È inoltre possibile utilizzare collegamenti di controllo qualità con Auto-Target.

Auto-Target fornisce un ampio framework di test online.

  • La slot machine fa parte di un framework di test online più ampio che consente a Adobe data scientist e ricercatori di comprendere i vantaggi dei continui miglioramenti delle condizioni reali.
  • In futuro, questo banco di prova ci consentirà di aprire Adobe piattaforma di machine learning a client esperti in materia di dati in modo che possano importare i propri modelli per incrementare i modelli Target.

Reporting e Auto-Target section_42EE7F5E65E84F89A872FE9921917F76

Per ulteriori informazioni, vedere Reporting and Auto-Target.

Video di formazione: Informazioni sulle attività di Targeting automatico

Questo video spiega come impostare un'attività A/B di Auto-Target.

Dopo aver completato questo training, sarai in grado di:

  • Definisci test Auto-Target
  • Confronta e contrasta Auto-Target con Automated Personalization
  • Crea Auto-Target attività
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654