[Premium]{class="badge positive" title="Target Premium に含まれる機能を確認してください。"}

Auto-Target件のアクティビティに対してAnalysis WorkspaceでA4T レポートを設定します

Auto-TargetのアクティビティのAnalytics for Target （A4T）統合では、Adobe Targetのアンサンブルマシンラーニング（ML）アルゴリズムを使用して、プロファイル、行動、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、さらにAdobe Analyticsの目標指標を使用します。

豊富な分析機能はAdobe Analytics Analysis Workspaceで利用できますが、実験アクティビティ （手動A/B テスト ​と自動割り当て）とパーソナライゼーションアクティビティ （自動ターゲット ​）の違いにより、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が必要です。

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の自動ターゲット ​ アクティビティを分析するために推奨される変更について説明します。

Analysis Workspaceで自動ターゲット ​ パネルのA4Tを作成する

自動ターゲット ​ レポート用のA4Tを作成するには、以下に示すように、Analysis Workspaceの​ターゲット用Analytics 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。

​ コントロールと比較を使用するターゲット ​ ディメンション：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、クラシック （手動） A/B テスト ​または自動配分 アクティビティ用に設計されており、目的は個々のエクスペリエンスのパフォーマンスとコントロールエクスペリエンスを比較することです。 ただし、自動ターゲット ​ アクティビティでは、最初の順序の比較は、コントロール 戦略​とターゲット 戦略​の間で行う必要があります。 つまり、自動ターゲット ​ アンサンブル ML モデルの全体的なパフォーマンスの上昇率を制御戦略に対して決定します。

この比較を実行するには、コントロール vs ターゲット （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​ターゲットエクスペリエンス ディメンションを置き換えます。

この置き換えにより、A4T パネルのデフォルトの上昇率と信頼性の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 の​ アクティビティ コンバージョン別エクスペリエンス ​ パネル

図2: Auto-Target アクティビティの推奨ベースラインレポート。 このレポートは、対象トラフィック （アンサンブル ML モデルによって提供される）と制御トラフィックを比較するように設定されています。

エクスペリエンスレベルで指標の内訳を追加する

アンサンブルマシンラーニングモデルのパフォーマンスについてさらにinsightを深めるために、コントロールとターゲット ディメンションのエクスペリエンスレベルの内訳を調べることができます。 Analysis Workspaceで、ターゲットエクスペリエンス ディメンションをレポートにドラッグし、コントロールとターゲットディメンションをそれぞれ個別に分割します。

Analysis Workspace の​ アクティビティ コンバージョン別エクスペリエンス ​ パネル

図3: ターゲットエクスペリエンス別の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 の​ アクティビティ コンバージョン別エクスペリエンス ​ パネル

図4：エクスペリエンスレベルの内訳を含む標準の自動ターゲット ​ レポート。 目標指標が異なる場合があり、制御戦略が単一のエクスペリエンスを持つ場合があることに注意してください。

「訪問」が自動ターゲット ​ アクティビティの正規化指標として正しい理由

自動ターゲット ​ アクティビティを分析する場合は、デフォルトの正規化指標として常に訪問を選択してください。 自動ターゲット ​ パーソナライゼーションでは、訪問ごとに1回（正式にはTarget セッションごとに1回）訪問者のエクスペリエンスが選択されます。つまり、訪問者に表示されるエクスペリエンスは、訪問ごとに1回ずつ変更できます。 したがって、​ ユニーク訪問者を正規化指標として使用すると、1人のユーザーが（異なる訪問で）複数のエクスペリエンスを表示する可能性があるという事実は、コンバージョン率を混乱させる可能性があります。

単純な例では、次の点を示しています。2人の訪問者が2つのエクスペリエンスしかないキャンペーンに参加するシナリオを考えてみましょう。 最初の訪問者は2回訪問します。 初回訪問時にはエクスペリエンス Aに割り当てられますが、2回目の訪問時にはエクスペリエンス Bに割り当てられます（2回目の訪問時にプロファイルの状態が変化するため）。 2回目の訪問後、訪問者は注文してコンバージョンしました。 コンバージョンは、直近に表示されたエクスペリエンス（エクスペリエンス B）に起因します。 2人目の訪問者も2回訪問し、その両方でエクスペリエンス Bが表示されますが、コンバージョンには至りません。

訪問者レベルと訪問レベルのレポートを比較してみましょう。

表1：意思決定が訪問に固執するシナリオ（通常のA/B テストと同様に、訪問者ではなく）について、訪問者正規化レポートと訪問正規化レポートを比較する例。 訪問者正規化された指標は、このシナリオでは混乱します。

表に示すように、訪問者レベルの数値には明確な不整合があります。 合計ユニーク訪問者が2人いるにもかかわらず、これは各体験に対する個々のユニーク訪問者の合計ではありません。 訪問レベルのコンバージョン率は必ずしも間違っているわけではありませんが、個々の体験を比較すれば、訪問レベルのコンバージョン率はもっと理にかなっています。 正式には、分析の単位（「訪問」）は決定粘着性の単位と同じであり、つまり、指標のエクスペリエンスレベルの内訳を追加して比較することができます。

アクティビティへの実際の訪問のフィルター

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 アクティビティとインタラクションしなかった訪問が含まれる場合があります。 これは、Target アクティビティの割り当てがAnalytics訪問者コンテキストに保持される方法が原因です。 その結果、Target アクティビティへの訪問数が増えることがあり、コンバージョン率が低下する可能性があります。

ユーザーが実際に自動ターゲット ​ アクティビティを操作した訪問についてレポートを作成する場合（アクティビティへのエントリ、表示イベントまたは訪問イベント、またはコンバージョンを通じて）、次のことができます。

セグメントを作成するには：

Analysis Workspace の セグメント

図5：ここに示すようなセグメントを使用して、自動ターゲット ​ レポート​のA4Tの訪問 メトリックをフィルタリングします

セグメントを作成したら、それを使用して訪問回数指標をフィルタリングします。そのため、訪問回数指標には、ユーザーがTarget アクティビティとインタラクションした訪問回数のみが含まれます。

このセグメントを使用して訪問をフィルタリングするには：

最後のパネルは次のように表示されます。

Analysis Workspace の​ アクティビティ コンバージョン別エクスペリエンス ​ パネル

図6: 訪問指標に「特定の自動ターゲットアクティビティでヒット」セグメントが適用されたレポートパネル。 このセグメントは、ユーザーが問題のTarget アクティビティを実際に操作した訪問のみがレポートに含まれるようにします。

目標指標とアトリビューションが最適化基準に合致し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を生成するため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、自動ターゲット ​ ML モデルを トレーニング することができます。 ただし、マシンラーニング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しなければならない特定の仮定があります。これは、Adobe Analyticsのレポート段階で行われたデフォルトの仮定とは異なります。

具体的には、Adobe Target ML モデルは、訪問範囲のアトリビューションモデルを使用します。 すなわち、マシンラーニングモデルは、コンバージョンがマシンラーニングモデルによって行われた決定に「起因する」ために、アクティビティのコンテンツの表示と同じ訪問でコンバージョンが行われなければならないと仮定します。 これは、Targetが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です。Targetは、モデルのトレーニングデータに追加する前に、コンバージョンを最大30日間待つことはできません（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）。

したがって、Target モデルで使用されるアトリビューション （トレーニング中）と、データのクエリに使用されるデフォルトのアトリビューション （レポート生成中）の違いは、不一致につながる可能性があります。 実際にはアトリビューションに問題がある場合、マシンラーニングモデルのパフォーマンスが低いように見えることもあります。

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中に指定した最適化基準によって異なります。

ターゲットが定義したコンバージョン、またはAnalytics個の指標（1訪問あたりの指標値の最大化​件）

指標がTargetのコンバージョンである場合、または​ 訪問あたりの指標値を最大化 ​するAnalyticsの指標である場合、目標指標の定義により、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 モデルで使用されてい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。

これらの手順により、目標メトリック イベントが​いつでも （「参加」）発生した場合、レポートが目標メトリックをエクスペリエンスの表示に確実に関連付けるようにします。このイベントは、エクスペリエンスが表示された同じ訪問で発生します。

ユニーク訪問コンバージョン率​のAnalytics指標

肯定的な指標セグメントで訪問を定義

最適化基準として「ユニーク訪問コンバージョン率を最大化」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、指標の値が正の訪問の割合です。 これは、指標の正の値を持つ訪問に絞り込むセグメントを作成し、訪問指標をフィルタリングすることで実現できます。

図7：正の順序で訪問するセグメント定義のフィルタリング。 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指標​の訪問回数に適用します

このセグメントを使用して、正の数の注文を持つ訪問と、Auto-Target アクティビティのヒットがあった場所をフィルタリングできるようになりました。 指標をフィルタリングする手順は以前と似ており、新しいセグメントを既にフィルタリングされた訪問指標に適用した後、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回数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（この例の注文）が0以外の場所です。

最後のステップ：上記の魔法を捉えたコンバージョン率を作成します

前述のセクションの訪問および目標指標の変更により、Auto-Target レポートパネルのデフォルト A4Tに対して行う必要がある最後の変更は、適切にフィルタリングされた「訪問」指標に対する正しい比率（修正された目標指標の比率）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計算指標を作成します。

計算指標の完全な定義を次に示します。

図7：訪問修正およびアトリビューション修正モデル コンバージョン率メトリックの定義。 （この指標は、目標指標とアクティビティによって異なります。 つまり、この指標の定義は、アクティビティ間で再利用できません。）

概要：自動ターゲット ​ レポートの最終サンプル Analysis Workspace パネル

上記のすべての手順を1つのパネルに組み合わせると、次の図は、自動ターゲット ​ A4T アクティビティの推奨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ものと同じです。 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。 このレポートは、従来のTarget – レポート駆動型自動ターゲット ​ アクティビティで使用されるカウント方法にも最も近いものです。

クリックして画像を展開。

Analysis Workspaceの {width="600" modal="regular"}

図10：このチュートリアルの前のセクション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A4T 自動ターゲット ​の最終報告書。