Auto-Allocate の概要

Adobe Target の Auto-Allocate アクティビティは、複数のエクスペリエンスの中から勝者を特定し、より多くのトラフィックをその勝者に自動的に再配分してコンバージョンを増やし、その間もテストによる学習を継続します。

A/B アクティビティの作成3 ステップのガイド付きワークフローの使用中に、Targeting ページで「Auto-Allocate to best experience」オプションを選択します（手順 2）。

課題 section_85D5A03637204BACA75E19646162ACFF

標準的な A/B テストには、固有のコストがあります。各エクスペリエンスのパフォーマンスを測定するためにトラフィックを費やす必要があり、分析を通じて勝者エクスペリエンスを見つけ出す必要があります。トラフィックの配分は、一部のエクスペリエンスが他よりもパフォーマンスに優れているとわかった後でも、固定されたままです。また、サンプルサイズの計算が複雑で、アクティビティは、勝者に対して働きかけられるようになる前に全コースを実行する必要があります。そして、識別された勝者が真の勝者でない可能性がまだあります。

解決策：Auto-Allocate section_98388996F0584E15BF3A99C57EEB7629

Auto-Allocate アクティビティは、勝者エクスペリエンスを決定するためのコストとオーバーヘッドを削減します。 Auto-Allocate は、すべてのエクスペリエンスの目標指標のパフォーマンスを監視し、パフォーマンスの高いエクスペリエンスに対して、より多くの新しいエントリを比例して送信します。 他のエクスペリエンスを調査するのに十分なトラフィックが予約されます。学習と平行してアクティビティの最適化を実行中であっても、結果に対するテストのメリットを確認できます。

Auto-Allocate では、アクティビティが終了して勝者を決定するまで待つのを要求するのではなく、徐々に勝者エクスペリエンスに向かって訪問者を移動させます。 成功していないエクスペリエンスに送られたアクティビティ参加者は勝者エクスペリエンスの可能性を示しているので、より迅速に上昇するメリットが得られます。

Target での通常の A/B テストでは、挑戦者とコントロールのペアごとの比較のみが示されます。 例えば、アクティビティにエクスペリエンス（A、B、C および D）がある場合、A がコントロールですが、通常の Target の A/B テストでは、A と B、A と C、A と D を比較します。

このようなテストでは、Target を含むほとんどの製品が Welch の t 検定を使用して、p 値ベースの信頼性を生成します。 その後、この信頼値を使用して、対抗が対照と十分に異なるかどうかを特定します。Target だし、「最良」のエクスペリエンスを見つけるために必要な暗黙の比較（B と C、B と D、C と D）は自動的には実行されません。 その結果、マーケティング担当者は、「最良の」エクスペリエンスを判断するために結果を手動で分析する必要があります。

Auto-Allocate は、エクスペリエンス間ですべての暗黙の比較を実行し、「真」の勝者を生み出します。 このテストには「対照」エクスペリエンスという概念がありません。

Auto-Allocate は、最適なエクスペリエンスの信頼区間が他のエクスペリエンスの信頼区間と重複しなくなるまで、新しい訪問者をエクスペリエンスにインテリジェントに割り当てます。 通常、このプロセスは偽陽性を生み出す可能性が Auto-Allocate りますが、繰り返し評価を補償する Bernstein Inequality に基づく信頼区間を使用します。 この時点で、真の勝者があります。 Auto-Allocate が停止した場合、ページに到達した訪問者に実質的な時間依存がなければ、Auto-Allocate が勝者エクスペリエンスの真の応答よりも 1% （相対的）劣らない真の応答を持つエクスペリエンスを返す可能性は 95% 以上になります。

Auto-Allocate アクティビティと A/B Test アクティビティまたは Automated Personalization アクティビティのどちらを使用すべきか section_3F73B0818A634E4AAAA60A37B502BFF9

Auto-Allocate の主なメリット section_0913BF06F73C4794862561388BBDDFF0

用語 section_670F8785BA894745B43B6D4BFF953188

Auto-Allocate について説明する際には、次の用語が役立ちます。

マルチアームバンディット： 最適化に対する マルチアームバンディットアプローチにより、探索的学習とその学習の活用のバランスを取ることができます。

アルゴリズムの仕組み section_ADB69A1C7352462D98849F2918D4FF7B

Auto-Allocate の背後にある全体的なロジックには、測定されたパフォーマンス（コンバージョン率など）と累積データの信頼区間の両方が組み込まれています。 トラフィックがエクスペリエンス間で均等に分割される標準の A/B テストとは異なり、Auto-Allocate はエクスペリエンス間のトラフィック配分を変更します。

マルチアームバンディットアプローチでは、パフォーマンスの良いエクスペリエンスを活用している間も、一部のエクスペリエンスを自由に調査できるようにしておきます。変化する状況に対応する能力を維持しながら、より多くの新規訪問者がパフォーマンスのより優れたエクスペリエンスに配置されます。最新のデータを反映するために、これらのモデルは少なくとも 1 時間に 1 回更新されます。

より多くの訪問者がアクティビティに入るにしたがって、一部のエクスペリエンスの成功率が向上し始め、より多くのトラフィックが成功エクスペリエンスに送られます。すべてのエクスペリエンスを調査するために、トラフィックの 20％が、引き続きランダムに配分されます。パフォーマンスの低いエクスペリエンスの 1 つのパフォーマンスが向上し始めると、そのエクスペリエンスに配分されるトラフィックが増えます。一方、パフォーマンスの高いアクティビティの成功率が低下すると、そのエクスペリエンスに配分されるトラフィックは少なくなります。例えば、あるイベントが原因で訪問者がサイト上で異なる情報を期待している場合と小売サイトで週末セールを期待している場合で、異なる結果が提供されます。

次の図は、4 つのエクスペリエンスを使用したテスト中に、アルゴリズムがどのように実行されるかを表しています（クリックして図を展開）。

{width="600" modal="regular"}

この図は、明確な勝者が決定されるまで、複数ラウンドのアクティビティの有効期間にわたって各エクスペリエンスに配分されるトラフィックがどのように変化するかを示しています。

ラウンド数

説明

{width="200" modal="regular"}

ウォームアップラウンド（0）: ウォームアップラウンドでは、アクティビティの各エクスペリエンスが最低1,000人の訪問者と50個のコンバージョンを持つまで、各エクスペリエンスのトラフィック配分が均等になります。

• エクスペリエンス A=25 ％
• エクスペリエンス B=25 ％
• エクスペリエンス C=25 ％
• エクスペリエンス D=25 ％

各エクスペリエンスに 1,000 人の訪問者と 50 件のコンバージョンが届くと、Target は自動トラフィック配分を開始します。 数ラウンドですべての配分が発生し、各ラウンドごとに 2 つのエクスペリエンスが選出されます。
次のラウンドに進むエクスペリエンスは 2 つだけです。D と C
進む進み方は、2 つのエクスペリエンスがトラフィックの 80% を均等に割り当てられるということを意味します。 他の 2 つのエクスペリエンスは引き続き参加しますが、新しい訪問者がアクティビティにエントリすると、20% のランダムトラフィック配分の一部としてのみ提供されます。
すべての配分は 1 時間ごとに更新されます（上記の x 軸のラウンド数で示されています）。各ラウンドの後、累積データが比較されます。

{width="200" modal="regular"}

ラウンド1: このラウンドでは、トラフィックの80%がエクスペリエンスCおよびD（それぞれ40%のエクスペリエンス）に配分されます。トラフィックの 20％がエクスペリエンス A、B、C および D にランダムに配分されます（5％ずつ）。このラウンドでは、エクスペリエンス A のパフォーマンスが優れています。

• コンバージョン率が最も高い（各アクティビティの垂直方向のスケールで示される）ので、アルゴリズムはエクスペリエンス D を選択して、次のラウンドに進みます。
• アルゴリズムにより、残りのエクスペリエンスでベルンシュタインの 95％信頼区間の上限が最も高いという理由で、エクスペリエンス A も選出され、次に進みます。

エクスペリエンス D と A が次に進みます。

{width="200" modal="regular"}

ラウンド2: このラウンドでは、トラフィックの80%がエクスペリエンスAおよびD（それぞれ40%のエクスペリエンス）に配分されます。トラフィックの 20％がランダムに配分されます。つまり、エクスペリエンス A、B、C および D のそれぞれがトラフィックの 5％を獲得します。このラウンドでは、エクスペリエンス B のパフォーマンスが優れています。

• コンバージョン率が最も高い（各アクティビティの垂直方向のスケールで示される）ので、アルゴリズムはエクスペリエンス D を選択して、次のラウンドに進みます。
• アルゴリズムにより、残りのエクスペリエンスでベルンシュタインの 95％信頼区間の上限が最も高いという理由で、エクスペリエンス B も選出され、次に進みます。

エクスペリエンス D と B が次に進みます。

{width="200" modal="regular"}

ラウンド3: このラウンドでは、トラフィックの80%がエクスペリエンスBとD（それぞれ40%のエクスペリエンス）に配分されます。トラフィックの 20％がランダムに配分されます。つまり、エクスペリエンス A、B、C および D のそれぞれがトラフィックの 5％を獲得します。このラウンドでは、エクスペリエンス D が引き続きパフォーマンスが優れ、エクスペリエンス C もパフォーマンスが優れています。

• コンバージョン率が最も高い（各アクティビティの垂直方向のスケールで示される）ので、アルゴリズムはエクスペリエンス D を選択して、次のラウンドに進みます。
• アルゴリズムにより、残りのエクスペリエンスでベルンシュタインの 95％信頼区間の上限が最も高いという理由で、エクスペリエンス C も選出され、次に進みます。

エクスペリエンス D と C が次に進みます。

{width="200" modal="regular"}

ラウンド4: このラウンドでは、トラフィックの80%がエクスペリエンスCおよびD（それぞれ40%のエクスペリエンス）に配分されます。トラフィックの 20％がランダムに配分されます。つまり、エクスペリエンス A、B、C および D のそれぞれがトラフィックの 5％を獲得します。このラウンドでは、エクスペリエンス C のパフォーマンスが優れています。

• コンバージョン率が最も高い（各アクティビティの垂直方向のスケールで示される）ので、アルゴリズムではエクスペリエンス C を選択して、次のラウンドに進みます。
• アルゴリズムにより、残りのエクスペリエンスでベルンシュタインの 95％信頼区間の上限が最も高いという理由で、エクスペリエンス D も選出され、次に進みます。

エクスペリエンス C と D が次に進みます。

{width="200" modal="regular"}

Round n：アクティビティが進行すると、パフォーマンスの高いエクスペリエンスが現れ始め、勝者エクスペリエンスが得られるまでプロセスが続きます。 コンバージョン率が最も高いエクスペリエンスの信頼区間が他のエクスペリエンスの信頼区間と重複しない場合、勝者とラベル付けされます。 バッジは、勝者アクティビティのページとActivity ータリストに表示されます。

• アルゴリズムにより、エクスペリエンス C が明確な勝者として選定されます。

この時点で、アルゴリズムにより、トラフィックの 80％がエクスペリエンス C に配分され、トラフィックの 20％が、引き続きすべてのエクスペリエンス（A、B、C および D）にランダムに配分されます。後継で、C はトラフィックの 85％を獲得します。万一、勝者の信頼区間が再び重複し始めた場合、アルゴリズムにより、前述のラウンド 4 の動作に戻されます。

重要：プロセスの前半で手動で勝者を選択した場合、間違ったエクスペリエンスを選択するのは簡単でした。 このため、アルゴリズムが勝者エクスペリエンスを決定するまで待つことをお勧めします。

Auto-Allocate アクティビティがアクティブ化された後、Target UI から次の操作を行うことはできません。

自動配分の仕組みを参照する

詳しくは、 自動配分を使用すると、手動テストよりも迅速にテスト結果を入手し、売上高を増やすことができますを参照してください。

注意事項 section_5C83F89F85C14FD181930AA420435E1D

Auto-Allocate を使用する際は次の点に注意してください。

Auto-Allocate 機能は、次の 1 つの詳細指標設定でのみ機能します：Increment Count and Keep User in Activity

次の詳細指標設定はサポートされていません：Increment Count、Release User、Allow Reentry and Increment Count、Release User and Bar from Reentry。

再訪問者が頻繁に来ると、エクスペリエンスのコンバージョン率が高まる可能性があります。

エクスペリエンス A を表示した訪問者が頻繁に再訪し、複数回のコンバージョンをおこなうと、エクスペリエンス A のコンバージョン率（CR）は、人為的に増加します。この結果をエクスペリエンス B と比較します。この場合、訪問者はコンバージョンしますが、頻繁に戻りません。 その結果、エクスペリエンス A の CR はエクスペリエンス B の CR よりも優れているように見えるので、新規訪問者は B よりも A に割り当てられる可能性が高くなります。参加者ごとに 1 回カウントすることを選択した場合、A の CR と B の CR は同一になる可能性があります。

再訪問者がランダムに配分されると、そのコンバージョン率への影響は、より安定する傾向があります。この効果を軽減させるには、目標指標のカウント方法を参加者あたり 1 回のみに変更することを検討します。

パフォーマンスが高い場合は、パフォーマンスが低い場合は区別せず、パフォーマンスが高い場合は区別します。

Auto-Allocate は、パフォーマンスの高いエクスペリエンスを区別する（および勝者を見つける）のに適しています。 パフォーマンスの低いエクスペリエンスの間での十分な区別がないこともあり得ます。

すべてのエクスペリエンス間で統計的に有意な差異を生み出したい場合、手動トラフィック配分モードの使用を検討できます。

時間に相関した（または文脈に応じて変化した）コンバージョン率により、割り当て量がゆがむ場合があります。

標準的な A/B テストの実施中に、すべてのエクスペリエンスに等しく影響するので無視できる要因の中には、Auto-Allocate アクティビティでは無視できないものがあります。 このアルゴリズムは、観測されたコンバージョン率に反応します。

次に、エクスペリエンスのパフォーマンスに不平等に影響する可能性のある要因の例を示します。

よくある質問 section_0E72C1D72DE74F589F965D4B1763E5C3

Auto-Allocate のアクティビティを扱う際には、次の FAQ と回答を参照してください。

Analytics for Target （A4T）は Auto-Allocate アクティビティをサポートしていますか？

はい。詳しくは、A4T での自動配分および自動ターゲットアクティビティのサポートを参照してください。

再訪問者は、パフォーマンスの高いエクスペリエンスに自動的に再割り当てされますか？

いいえ。新規訪問者のみが自動的に配分されます。再訪問者は、A/B テストの有効性を保護するために、元のエクスペリエンスを引き続き表示します。

アルゴリズムでは偽陽性はどのように扱われますか？

勝者バッジが表示されるまで待った場合、アルゴリズムは 95 ％の信頼性または 5 ％の偽陽性率を保証します。

トラフィックの割り当て Auto-Allocate 開始されるのはいつですか。

アクティビティのすべてのエクスペリエンスに 1,000 人以上の訪問者と 50 回以上のコンバージョンがあれば、アルゴリズムが機能し始めます。

アルゴリズムはどの程度積極的に活用しますか？

トラフィックの 80% は Auto-Allocate を使用して提供され、トラフィックの 20% はランダムに提供されます。 勝者が識別されると、トラフィックの 80% がその勝者に送られますが、勝者エクスペリエンスを含む 20% の一部として、すべてのエクスペリエンスには引き続きいくつかのトラフィックが含まれます。

エクスペリエンスの損失は表示されますか？

はい。マルチアームバンディットでは、すべてのエクスペリエンスにわたる変更のパターンまたはコンバージョン率を調査するために、トラフィックの少なくとも 20 ％が予約されます。

コンバージョンの遅延が長いアクティビティはどうなりますか？

最適化されたすべてのエクスペリエンスで同様の遅延が発生する限り、動作はアクティビティと同じで、コンバージョンサイクルが速くなります。 ただし、トラフィック割り当てプロセスが開始されるまでは、50 コンバージョンのしきい値に到達するのに時間がかかります。

Auto-Allocate と Automated Personalization の違い

Automated Personalization は、各訪問者のプロファイル属性を使用して最適なエクスペリエンスを決定します。 その際に、そのユーザーのアクティビティを最適化するだけでなく、パーソナライズします。

一方、Auto-Allocate は A/B テストで、総合的な勝者（最も人気のあるエクスペリエンスですが、各訪問者にとって必ずしも最も効果的なエクスペリエンスではありません）を生成します。

再訪問者は成功指標でコンバージョン率を水増ししますか？

現在、ロジックでは、コンバージョンが迅速な訪問者や訪問の頻度が高い訪問者を優先しています。これは、訪問者が属するエクスペリエンスの全体的なコンバージョン率を一時的に高めるからです。 アルゴリズム自体は頻繁に調整されるので、コンバージョン率の増加は、各スナップショットで増幅されます。サイトに多数の再訪問者が発生すると、そのコンバージョンによって、サイトが属するエクスペリエンスの全体的なコンバージョン率が上昇する可能性があります。 再訪問者がランダムに配分される可能性は高く、この場合、集計の効果（増加した上昇率）は安定します。この効果を軽減させるには、成功指標のカウント方法を参加者あたり 1 回のみに変更することを検討します。

Auto-Allocate を使用して、アクティビティが推奨結果を特定するまでにかかる時間を見積もる際に、サンプルサイズ計算ツールを使用することはできますか？

既存の Adobe Target サンプルサイズ計算ツールを使用して、テストの実行時間を見積もることができます。 （従来の A/B テストと同様に、2 つ以上のオファーをテストする場合や、複数のコンバージョン指標/仮説をテストする場合は、ボンフェローニ補正を適用します。） この計算ツールは、従来の固定水平線 A/B テスト用に設計されており、推定値のみを提供します。 Auto-Allocate が勝者を宣言するので、Auto-Allocate アクティビティに電卓を使用することはオプションです。 テスト結果を見るために特定の時点を選択する必要はありません。 指定された値は、常に統計的に有効です。

内部 Adobe 実験で、次の項目が見つかりました。

勝者を決定するプロセスを速めるために、パフォーマンスの低いエクスペリエンスを Auto-Allocate アクティビティから削除する必要はありますか？

パフォーマンスの低いエクスペリエンスを削除する理由は実際にはありません。 Auto-Allocate は、パフォーマンスの高いエクスペリエンスにより多くの頻度で自動的にサービスを提供し、パフォーマンスの低いエクスペリエンスにより少ない頻度でサービスを提供します。 パフォーマンスの低いエクスペリエンスをアクティビティに残しても、勝者を決定するスピードには大きな影響はありません。

訪問者の 20% は、すべてのエクスペリエンスにランダムに配分されます。パフォーマンスの低いエクスペリエンスに提供されるトラフィックの量は最小限です（20% をエクスペリエンスの数で割る）。

Auto-Allocate アクティビティの途中で目標指標を変更することはできますか。 change-metric

Adobe クティビティの途中で目標指標を変更することはお勧めしません。 Target UI を使用したアクティビティ中に目標指標を変更することは可能ですが、常に新しいアクティビティを開始する必要があります。実行後にアクティビティの目標指標を変更した場合の動作は Adobe で保証されません。

このレコメンデーションは、レポートソースとして Target または Analytics （A4T）を使用する Auto-Allocate、Auto-Target および Automated Personalization アクティビティに適用されます。

Auto-Allocate アクティビティの途中で、レポートソースを変更できますか？ change-reporting

Adobe クティビティの途中でレポートソースを変更することはお勧めしません。 Target UI を使用したアクティビティ中にレポートソースを（Target から A4T またはその逆に）変更することは可能ですが、常に新しいアクティビティを開始する必要があります。 Adobe では、実行後にアクティビティのレポートソースを変更した場合の動作は保証されません。

このレコメンデーションは、レポートソースとして Target または Analytics （A4T）を使用する Auto-Allocate、Auto-Target および Automated Personalization アクティビティに適用されます。

Auto-Allocate アクティビティの実行中に「Reset Report Data」オプションを使用できますか？

Auto-Allocate のアクティビティに「Reset Report Data」オプションを使用することは推奨されません。 目に見えるレポートデータは削除されますが、このオプションでは、Auto-Allocate モデルからすべてのトレーニングレコードが削除されるわけではありません。 Auto-Allocate のアクティビティに Reset Report Data オプションを使用する代わりに、新しいアクティビティを作成し、元のアクティビティを非アクティブにしてください。 （このガイダンスは、Auto-Target および Automated Personalization のアクティビティにも適用されます）。

環境に関 Auto-Allocate るモデルを作成するにはどうすればよいですか？

Auto-Allocate は、デフォルトの環境でのみ記録されたトラフィックとコンバージョン動作に基づいてモデルを構築します。 デフォルトでは Production がデフォルトの環境ですが、デフォルトの環境は Target （ 管理/環境）で変更できます。

別の（デフォルト以外の）環境でヒットが発生した場合、デフォルト環境で観測された変換動作に従ってトラフィックが配信されます。 そのヒットの結果（コンバージョンまたは非コンバージョン）は、レポート目的で記録されますが、Auto-Allocate モデルでは考慮されません。

別の環境を選択すると、その環境のトラフィックとコンバージョンがレポートに表示されます。 レポート用に選択されたデフォルトの環境は、アカウント全体でデフォルトで選択されています。 デフォルトの環境は、アクティビティごとに設定することはできません。

Auto-Allocate アクティビティでは、テストの過程でルックバックウィンドウを調整して、経時的なトレンドの変化を考慮することはできますか？

例えば、アクティビティでは、9 月の訪問者データ（テスト開始時）を考慮するのではなく、トラフィックの配分方法を決定する 12 月を考慮できますか？

いいえ、アクティビティ全体のパフォーマンス Auto-Allocate 考慮されます。

訪問者 Auto-Allocate アクティビティの資格を得る際に閲覧したものとは異なる勝者エクスペリエンスを再訪問者に表示しますか？

Auto-Allocate では、アクティビティがスティッキーと同じ理由でスティッキー決定 A/B Test 使用します。 トラフィック配分は、新規訪問者に対してのみ機能します。

トレーニングビデオ section_893E5B36DC4A415C9B1D287F51FCCB83

以下のビデオは、この記事で説明した概念についてさらに詳しく説明しています。

アクティビティワークフロー – ターゲティング（2:14）

このビデオには、トラフィック配分の設定に関する情報が含まれています。

A/B テストの作成（8:36）

このビデオでは、Target で 3 ステップのガイドによるワークフローを使用して A/B テストを作成する方法を説明します。Auto-Allocate の説明は 4:45 から始まります。