[Premium]{class="badge positive" title="Target Premium に含まれる機能を確認してください。"}
Analysis Workspace での Auto-Target アクティビティ用 A4T レポートの設定
Auto-Target アクティビティの Analytics for Target （A4T）統合は、Adobe Analytics の目標指標を使用しながら、Adobe Target アンサンブル機械学習（ML）アルゴリズムを使用して、プロファイル、動作、コンテキストに基づいて、各訪問者に最適なエクスペリエンスを選択します。
Adobe Analytics Analysis Workspace には豊富な分析機能が備わっていますが、実験アクティビティ（手動の A/B Test と Auto-Allocate）とパーソナライゼーションアクティビティ（Auto-Target）には違いがあるので、Auto-Target アクティビティを正しく解釈するには、デフォルトの Analytics for Target パネルにいくつかの変更を加える必要があります。
このチュートリアルでは、次の主要な概念に基づいて、Analysis Workspace での Auto-Target アクティビティ分析に推奨される変更について説明します。
- Control vs Targeted ディメンションを使用して、Control エクスペリエンスと Auto-Target アンサンブル ML アルゴリズムで提供されるエクスペリエンスを区別できます。
- 訪問回数は、エクスペリエンスレベルのパフォーマンスの分類を表示する際の正規化指標として使用する必要があります。 また、Adobe Analyticsのデフォルトのカウント方法には、ユーザーが実際にはアクティビティコンテンツを表示しない訪問が含まれる場合がありますがこのデフォルトの動作は、適切にスコープが設定されたセグメント（詳細は以下）を使用することで変更できます。
- 訪問ルックバックスコープ型アトリビューションは、所定のアトリビューションモデルの「訪問ルックバックウィンドウ」とも呼ばれ、Adobe Target ML モデルによってトレーニングフェーズで使用され、目標指標を分割する場合は、同じ（デフォルト以外の）アトリビューションモデルを使用する必要があります。
Analysis Workspace での Auto-Target パネル用の A4T の作成
Auto-Target のレポートの A4T を作成するには、以下に示すように、Analysis Workspace の Analytics for Target パネルから開始するか、フリーフォームテーブルから開始します。 次に、以下の選択を行います。
-
Control Experience：任意のエクスペリエンスを選択できます。ただし、この選択は後で上書きされます。 Auto-Target のアクティビティの場合、制御エクスペリエンスは実際には制御戦略であることに注意してください。これは、a）すべてのエクスペリエンスの中からランダムに提供されるか、b）単一のエクスペリエンスを提供します（この選択は、Adobe Target のアクティビティ作成時におこないます）。 選択肢（b）を選択した場合でも、Auto-Target アクティビティは特定のエクスペリエンスをコントロールとして指定しました。 Auto-Target アクティビティに関する A4T の分析については、このチュートリアルで概要を説明しているアプローチに従う必要があります。
-
Normalizing Metric: 「Visits」を選択します。
-
Success Metrics: レポート対象の指標を選択できますが、通常は Target でのアクティビティ作成時に最適化対象として選択した指標と同じ指標に関するレポートを表示する必要があります。
Auto-Target アクティビティの
図 1:Auto-Target アクティビティの Analytics for Target パネルの設定
Control vs.Targeted ディメンションを使用して、Target アンサンブル ML モデルをコントロールと比較します
デフォルトの A4T パネルは、個々のエクスペリエンスのパフォーマンスをコントロー A/B Test エクスペリエンスと比較することを目的とした、クラシック（手動）のエクスペリエンスまたは Auto-Allocate アクティビティ用に設計されています。 しかし、Auto-Target のアクティビティでは、コントロール 戦略 とターゲット 戦略 の間の一次比較が必要です。 つまり、Auto-Target ンサンブル ML モデルの制御戦略に対する全体的なパフォーマンスの上昇率を決定します。
この比較を実行するには、Control vs Targeted (Analytics for Target) ディメンションを使用します。 ドラッグ&ドロップして、デフォルトの A4T レポートの Target Experiences ディメンションを置き換えます。
この置換により、A4T パネルのデフォルトの Lift and Confidence 計算が無効になることに注意してください。 混乱を避けるために、次のレポートを残して、これらの指標をデフォルトパネルから削除できます。
Analysis Workspace
図 2:Auto-Target アクティビティに対して推奨されるベースラインレポート。 このレポートは、（アンサンブル ML モデルによって提供される）ターゲットトラフィックを制御トラフィックと比較するように設定されています。
指標のエクスペリエンスレベルの分類の追加
アンサンブル ML モデルのパフォーマンスをさらに詳しく理解するには、Control vs Targeted ディメンションのエクスペリエンスレベルの分類を調べることができます。 Analysis Workspace では、Target Experiences ディメンションをレポートにドラッグしてから、コントロールおよびターゲットの各ディメンションを別々に分類します。
Analysis Workspace
図 3：ターゲットエクスペリエンスによるターゲットディメンションの分類
結果のレポートの例を次に示します。
Analysis Workspace
図 4：エクスペリエンスレベルの分類を含む標準 Auto-Target レポート。 目標指標は異なる場合があり、制御戦略は 1 つのエクスペリエンスである可能性があることに注意してください。
「Visits」が Auto-Target アクティビティの正しい正規化指標である理由
Auto-Target アクティビティを分析する場合、デフォルトの正規化指標として常に Visits を選択します。 Auto-Target のパーソナライゼーションでは、訪問者のエクスペリエンスが訪問ごとに 1 回（公式には、Target セッションごとに 1 回）選択されます。つまり、訪問者に表示されるエクスペリエンスは、1 回の訪問ごとに変化します。 したがって、Unique Visitors を正規化指標として使用すると、1 人のユーザーに（異なる訪問をまたいで）複数のエクスペリエンスが表示される可能性があるという事実により、コンバージョン率が混乱する可能性があります。
この点を簡単な例で示します。2 人の訪問者が、エクスペリエンスが 2 つしかないキャンペーンにエントリするシナリオを考えてみましょう。 最初の訪問者が 2 回訪問する。 訪問者は最初の訪問ではエクスペリエンス A に割り当てられ、2 回目の訪問ではエクスペリエンス B に割り当てられます（2 回目の訪問でプロファイルの状態が変更されるため）。 2 回目の訪問の後、訪問者は注文を行うことでコンバージョンを行います。 コンバージョンは、最近表示されたエクスペリエンス（エクスペリエンス B）に関連付けられます。 2 人目の訪問者も 2 回訪問し、エクスペリエンス B の両方が表示されますが、コンバージョンは行われません。
訪問者レベルのレポートと訪問レベルのレポートを比較しましょう。
表 1：通常の A/B テストのように訪問に関する決定がスティッキー（訪問者ではない）となるシナリオの訪問者の正規化されたレポートと訪問の正規化されたレポートの比較例。 このシナリオでは、訪問者を正規化した指標は混乱を招きます。
表に示すように、訪問者レベルの数に明確な不一致があります。 合計 2 人のユニーク訪問者がいるにもかかわらず、これは、各エクスペリエンスへの個別のユニーク訪問者の合計ではありません。 訪問者レベルのコンバージョン率は必ずしも間違いではありませんが、個々のエクスペリエンスを比較する場合、訪問レベルのコンバージョン率の方がはるかに理にかなっていると言えます。 正式には、分析単位（「訪問回数」）は決定のスティッキネスの単位と同じです。つまり、指標のエクスペリエンスレベルの分類を追加して比較できます。
アクティビティへの実際の訪問をフィルタリングする
Target アクティビティへの訪問に対する Adobe Analytics のデフォルトのカウント方法には、ユーザーが Target アクティビティとやり取りしなかった訪問が含まれる場合があります。 これは、アクティビティ Target 割り当てが Analytics の訪問者コンテキスト内に保持されるためです。 その結果、Target アクティビティへの訪問回数が増え、コンバージョン率が低下する場合があります。
ユーザーが実際に Auto-Target のアクティビティを操作した訪問をレポートする場合（アクティビティのエントリ、ディスプレイまたは訪問イベント、コンバージョンのいずれか）、次のことができます。
- 該当する Target アクティビティからのヒットを含む特定のセグメントを作成し、次に
- このセグメントを使用して Visits 指標をフィルタリングします。
セグメントを作成するには：
- Analysis Workspace ツールバーの「Components > Create Segment」オプションを選択します。
- セグメントの Title を指定します。 次の例では、セグメントの名前は “Hit with specific Auto-Target activity” です。
- Target Activities のディメンションをセグメント Definition セクションにドラッグします。
- equals 演算子を使用します。
- 特定の Target アクティビティを検索します。
- 歯車アイコンをクリックし、「Attribution model > Instance」を選択します（下図を参照）。
- Save をクリックします。
図 5：ここに示すようなセグメントを使用して、レポート用に A4T の Visits 指標をフィルタリング Auto-Target ます
セグメントを作成したら、そのセグメントを使用して Visits 指標をフィルタリングし、ユーザーが Target アクティビティとインタラクションを行った訪問のみを Visits 指標に含めるようにします。
このセグメントを使用して Visits をフィルタリングするには：
- コンポーネントツールバーから新しく作成したセグメントをドラッグし、青い Filter by プロンプトが表示されるまで Visits 指標ラベルのベース上にマウスポインターを置きます。
- セグメントを解放します。 その指標にフィルターが適用されます。
最終的なパネルは次のように表示されます。
Analysis Workspace
図 6: Visits 指標に適用された「特定の自動ターゲットアクティビティでヒット」セグメントを含むレポートパネル。 このセグメントにより、ユーザーが実際に当該の Target アクティビティを操作した訪問のみが、レポートに含まれます。
目標指標とアトリビューションが最適化条件に関連付けられていることを確認します
A4T 統合により、Adobe Analytics が パフォーマンスレポートの生成 に使用するのと同じコンバージョンイベントデータを使用して Auto-Target ML モデルをトレーニング できます。 ただし、ML モデルのトレーニング時にこのデータを解釈する際に採用する必要がある前提があります。これは、Adobe Analytics のレポートフェーズで行われたデフォルトの前提とは異なります。
特に、Adobe Target ML モデルでは、訪問スコープのアトリビューションモデルを使用します。 つまり、ML モデルでは、ML モデルによる決定にコンバージョンが「属性」とされるためには、アクティビティのコンテンツが表示されるのと同じ訪問でコンバージョンが行われる必要があると想定しています。 これは、Target がそのモデルのタイムリーなトレーニングを保証するために必要 Target す。コンバージョン（Adobe Analytics のレポートのデフォルトのアトリビューションウィンドウ）の最大 30 日を待ってから、そのモデルのトレーニングデータに含めることはできません。
したがって、Target モデルで（トレーニング中に）使用されるアトリビューションと（レポート生成中に）データのクエリに使用されるデフォルトアトリビューションの違いにより、不一致が生じる可能性があります。 実際には問題がアトリビューションにある場合は、ML モデルのパフォーマンスが低下しているように見えることさえあります。
正確な指標の定義とアトリビューションの設定は、アクティビティの作成時に指定した 最適化条件によって異なります。
Target で定義されたコンバージョン、または 訪問あたりの指標値の最大化 を使用した指標の Analytics 定
指標が Target コンバージョンの場合、または 訪問あたりの指標値の最大化 を持つ Analytics 指標の場合、目標指標定義を使用すると、同じ訪問で複数のコンバージョンイベントを発生させることができます。
Target ML モデルで使用されるのと同じアトリビューション手法を持つ目標指標を表示するには、次の手順に従います。
-
目標指標の歯車アイコンの上にマウスポインターを置きます。
-
表示されたメニューから、Data settings までスクロールします。
-
「Use non-default attribution model」を選択します（選択されていない場合）。
-
Edit をクリックします。
-
「Model: Participation」と「Lookback window: Visit」を選択します。
-
Apply をクリックします。
これらの手順により、エクスペリエンスが表示されたのと同じ訪問で目標指標イベントが いつでも （「パーティシペーション」）発生した場合、レポートで目標指標がエクスペリエンスの表示に関連付けられることが保証されます。
ユニーク訪問のコンバージョン率 を使用した指標のカスタマイ Analytics
ポジティブ指標セグメントを使用して訪問を定義
最適化条件として ユニーク訪問コンバージョン率の最大化 を選択したシナリオでは、コンバージョン率の正しい定義は指標値が肯定的となる訪問回数の割合です。 これを実現するには、指標の正の値を持つ訪問をフィルタリングするセグメントを作成し、次に訪問回数指標をフィルタリングします。
-
前と同様に、Analysis Workspace のツールバーの「Components > Create Segment」オプションを選択します。
-
セグメントの Title を指定します。
次の例では、セグメントの名前は “Visits with an order” です。
-
最適化目標で使用したベース指標をセグメントにドラッグします。
次の例では、orders 指標を使用し、コンバージョン率で注文が記録された訪問の割合を測定します。
-
セグメント定義コンテナの左上で、「Include クセス を選択 ます。
-
is greater than 演算子を使用して、値を 0 に設定します。
値を 0 に設定すると、このセグメントには注文指標が肯定的な訪問が含まれます。
-
Save をクリックします。
図 7：正の順序を持つ訪問に対するセグメント定義フィルタリング アクティビティの最適化指標に応じて、注文を適切な指標に置き換える必要があります
これをアクティビティフィルター適用指標の訪問回数に適用
このセグメントを使用して、注文数が正の訪問と、Auto-Target アクティビティのヒットがあった訪問をフィルタリングできるようになりました。 指標のフィルタリング手順は以前と同様で、既にフィルタリングされた訪問指標に新しいセグメントを適用すると、レポートパネルは図 8 のようになります
図 8：正しいユニーク訪問のコンバージョン指標を含むレポートパネル：アクティビティからのヒットが記録された訪問回数と、コンバージョン指標（この例では注文数）が 0 以外の訪問数。
最後の手順：上記の魔法をキャプチャするコンバージョン率を作成します
前の節で Visit と目標の指標に対して行った変更を踏まえ、レポートパネルのデフォルト A4T に対して行う必要のあ Auto-Target 最終変更は、適切にフィルタリングされた「訪問回数」指標に対する正しい比率（修正された目標指標のコンバージョン率）であるコンバージョン率を作成することです。
これを行うには、次の手順を使用して Calculated Metric を作成します。
- Analysis Workspace ツールバーの「Components > Create Metric」オプションを選択します。
- 指標の Title を指定します。 例えば、「アクティビティ XXX の訪問補正コンバージョン率」などです。
- Format = Percent および Decimal Places = 2 を選択します。
- アクティビティに関連する目標指標（例：Activity Conversions）を定義にドラッグし、前述のように、この目標指標の歯車アイコンを使用して、アトリビューションモデルを（パーティシペーション|訪問）に調整します。
- Definition セクションの右上から「Add > Container」を選択します。
- 2 つのコンテナ間の除算（÷）演算子を選択します。
- 以前に作成したセグメント（このチュートリアルの「特定の Auto-Target アクティビティを使用したヒット」という名前）を、この特定の Auto-Target アクティビティにドラッグします。
- Visits 指標をセグメントコンテナにドラッグします。
- Save をクリックします。
完全な計算指標の定義はここに表示されます。
図 7：訪問訂正済みおよびアトリビューション訂正済みのモデルコンバージョン率指標の定義。 （この指標は、目標指標とアクティビティに依存することに注意してください。 つまり、この指標の定義は、アクティビティをまたいで再利用することはできません）
概要：Auto-Target レポートの最終的なサンプル Analysis Workspace パネル
上記のすべての手順を 1 つのパネルにまとめたもので、次の図は、Auto-Target の A4T アクティビティに推奨されるレポートの全体像を示しています。 このレポートは、Target ML モデルで目標指標を最適化するために使用されるレポートと同じです。 このレポートには、このチュートリアルで説明したすべてのニュアンスと推奨事項が含まれています。 また、このレポートは、従来のレポート作成主導の Auto-Target アクティビティで使用され Target カウント方法にも最も近い結果を示しています。
クリックして画像を展開します。
図 10：このチュートリアルの前の節で説明した指標の定義に対するすべての調整を組み合わせた、Adobe Analytics Workspace の最終的な A4T Auto-Target レポート