Automated Personalization utilizza un algoritmo Foresta casuale per personalizzare

Foresta casuale è uno dei principali metodi di apprendimento automatico. In termini di scienza dei dati, si tratta di una classificazione di insieme o di un metodo di regressione che funziona costruendo molti alberi decisionali in base agli attributi del visitatore e della 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. Ad esempio, per i visitatori che utilizzano Chrome e sono membri fidelizzati e accedono al tuo sito il martedì, potrebbe essere più probabile la conversione con l’esperienza A. Per i visitatori provenienti da New York potrebbe essere più probabile la conversione con l’esperienza B. Per ulteriori informazioni sulla foresta casuale in Target, vedere Algoritmo foresta casuale.

Il modello di personalizzazione ottimizza per ogni visita

  • L'algoritmo prevede la probabilità di conversione di un visitatore (o i 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 non si trovi nel gruppo di controllo. Se il visitatore fa parte del gruppo di controllo, l’esperienza che vede alla prima visita è la stessa delle visite successive.
  • L’esperienza presentata non cambia all’interno di una sessione per mantenere la coerenza visiva.

Il modello di personalizzazione 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 durata dell'attività e per prevenire lo sfruttamento eccessivo delle tendenze apprese in precedenza.
  • I modelli sottostanti vengono ricreati ogni 24 ore utilizzando i dati di comportamento del visitatore più recenti per garantire che Target utilizzi sempre le preferenze del visitatore in modifica.
  • Se l'algoritmo non può determinare le esperienze vincenti per i singoli visitatori, mostra automaticamente l'esperienza 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.

Il modello ottimizza continuamente una singola metrica di obiettivo

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

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 tipi di pubblico al modello. Per informazioni sull’utilizzo di Experience Cloud Audiences con Target, consulta Audience di Experience Cloud.