自動配分の概要

Adobe Target の自動配分アクティビティは、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することでコンバージョンを促進します。その間もテストによる学習は続けられます。

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 アクティビティを作成するときに、ターゲット​ページ（手順 2）で「最良のエクスペリエンスに自動配分」オプションを選択します。

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。 特定した勝者が真の勝者でない可能性もあります。

解決策：自動配分 section_98388996F0584E15BF3A99C57EEB7629

自動配分アクティビティは、このコストおよび勝者エクスペリエンスの判別のオーバーヘッドを削減します。自動配分では、すべてのエクスペリエンスの目標指標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、パフォーマンスの高さに応じて多くの新規参加者を送ります。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確保されます。 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。

自動配分は、アクティビティが終了して勝者が決まるまで待たずに、訪問者を徐々に勝者エクスペリエンスに近づけます。成功していないエクスペリエンスに送られるはずのアクティビティ参加者に、勝者の可能性を持つエクスペリエンスが示されるので、より迅速にメリットが得られます。

Target の通常の A/B テストでは、対抗エクスペリエンスとコントロールエクスペリエンスの一対比較しかできません。 例えば、アクティビティにエクスペリエンス A、B、C、D があり、A がコントロールである場合、通常の Target の A/B テストでは、A 対 B、A 対 C、A 対 D を比較します。

このようなテストの場合、Target を含む多くの製品では、Welch の t 検定を使用して p 値ベースの信頼値を生成します。その後、この信頼値を使用して、対抗エクスペリエンスがコントロールエクスペリエンスと十分に異なるかどうかを特定します。 ただし、Target は「最良の」エクスペリエンスを見つけるのに必要な暗黙の比較（B 対 C、B 対 D、C 対 D）を自動的に実行することはありません。 その結果、マーケターは、「最良の」エクスペリエンスを判断する結果を手動で分析する必要があります。

自動配分は、エクスペリエンス全体に対してすべての暗黙の比較を実行し、「真」の勝者を見つけます。このテストには「コントロール」エクスペリエンスという概念がありません。

自動配分は、最良の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、新しい訪問者を各エクスペリエンスにインテリジェントに配分します。通常、このプロセスは偽陽性を生み出す可能性がありますが、自動配分では繰り返し評価を補正する Bernstein Inequality に基づく信頼区間を使用します。これによって、真の勝者が判明します。ページに到着した訪問者に時間依存性がほとんどないという条件で自動配分が停止した場合、自動配分が返すエクスペリエンスの真の応答が、勝者エクスペリエンスの真の応答よりも相対的に 1％程度までしか悪くない確率は少なくとも 95％あります。

A/B テストや Automated Personalization アクティビティに対して自動配分をいつ使用するか section_3F73B0818A634E4AAAA60A37B502BFF9

自動配分の主なメリット section_0913BF06F73C4794862561388BBDDFF0

用語 section_670F8785BA894745B43B6D4BFF953188

自動配分の重要な用語を次に示します。

マルチアームバンディット：マルチアームバンディットは、調査学習とその学習の活用のバランスを最適化するためのアプローチです。

アルゴリズムの仕組み section_ADB69A1C7352462D98849F2918D4FF7B

自動配分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的な A/B テストとは異なり、自動配分ではエクスペリエンス間でトラフィックの配分が変化します。

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。

次の図に、4 つのエクスペリエンスでのテスト中にアルゴリズムがどのように実行されるかを示します（クリックして図を展開します）。

{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。

四捨五入

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で訪問者が 1,000 人、コンバージョンが 50 回に達すると、Target はトラフィックの自動配分を開始します。 ラウンドですべての配分が発生し、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 D と C の 2 つのみです。
次のラウンドに進むとは、この 2 つのエクスペリエンスにトラフィックの 80％が均等に配分されることを意味します。 残り 2 つのエクスペリエンスも引き続きラウンドに加えられますが、新しい訪問者がアクティビティに入ってきても、トラフィックの 20％が部分的にランダムに配分されるのみです。
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。

• アルゴリズムにより、（各アクティビティの垂直スケールが示しているように）コンバージョン率が最も高いという理由で、エクスペリエンス D が選出され、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。

• アルゴリズムにより、（各アクティビティの垂直スケールが示しているように）コンバージョン率が最も高いという理由で、エクスペリエンス D が選出され、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。

• アルゴリズムにより、（各アクティビティの垂直スケールが示しているように）コンバージョン率が最も高いという理由で、エクスペリエンス D が選出され、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。

• アルゴリズムにより、（各アクティビティの垂直スケールが示しているように）コンバージョン率が最も高いという理由で、エクスペリエンス C が選出され、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"}

ラウンド n：アクティビティが進むにつれて、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現れるまでプロセスが継続されます。 最も高いコンバージョン率の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、そのエクスペリエンスが勝者となります。 バッジが、勝者となったアクティビティのページとアクティビティ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：プロセスの早い段階で手動によって勝者を選択すると、誤ったエクスペリエンスを選択してしまいやすくなります。 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。

自動配分アクティビティを有効にすると、次の操作が Tar[!DNL]get UI から行えなくなります。

自動割り当ての仕組み

詳しくは、自動割り当てを使用すると、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

自動配分を使用する際は次の点を考慮してください。

自動配分機能は、詳細指標設定の 1 つ（「カウントを増分、アクティビティでユーザーを保持」）でのみ利用できる。

「カウントを増分、ユーザーをリリース、再入場を許可」および「カウントを増分、ユーザーをリリース、再入場を許可しない」の詳細指標設定はサポートされていません。

頻繁な再訪問者は、エクスペリエンスのコンバージョン率を水増しさせ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行うと、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、訪問者がコンバージョンしてもあまり再訪しないエクスペリエンス B と比較します。 結果として、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、新しい訪問者は B よりも A に配分されるようになります。参加者あたり 1 回のみカウントすることを選択すると、A の CR と B の CRは同じ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。

パフォーマンスの低いものからではなく、パフォーマンスの高いものから区別します。

自動配分は、パフォーマンスの高いエクスペリエンスの間で区別する（そして勝者を見つける）のが得意です。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場合もあります。

すべてのエクスペリエンス間で統計的に有意な区別をする場合は、手動のトラフィック配分モードの使用を検討してください。

時間相関のある（または文脈が変化する）コンバージョン率は、配分量をゆがめる可能性があります。

すべてのエクスペリエンスに等しく影響するので、標準的な A/B テストの間無視できる要因は、自動配分アクティビティでは無視できません。そのアルゴリズムは、観測されたコンバージョン率に敏感です。

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

自動配分アクティビティを扱う際は、次の FAQ と回答を参考にしてください。

Analytics for Target（A4T）は、自動配分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 での自動割り当て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、自動的にパフォーマンスの高いエクスペリエンスに再配分されますか？

いいえ。 新規訪問者のみが自動的に配分されます。 再訪問者には引き続き元のエクスペリエンスが表示され、A/B テストの有効性を保護します。

アルゴリズムでは、偽陽性をどのように扱いますか？

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。

自動配分でトラフィックの割り当てが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、どれくらい積極的に活用されますか？

トラフィックの 80％は自動配分を使用して配分され、トラフィックの 20％はランダムに配分されます。勝者が特定されると、トラフィックの 80％が勝者に配分され、20％の一部が勝者エクスペリエンスを含むすべてのエクスペリエンスに引き続き配分されます。

失敗エクスペリエンスは表示されますか？

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。

長時間のコンバージョンの遅延がある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じ遅延が発生している場合、動作は、より高速なコンバージョンサイクルのアクティビティと同じです。 ただし、トラフィックの配分処理を開始する前に、50 のコンバージョンしきい値に達するまでに時間がかかります。

自動配分と Automated Personalization の違いは何ですか？

Automated Personalization は、各訪問者のプロファイル属性を使用して、最良のエクスペリエンスを判定します。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、自動配分は、集計の勝者を提示する A/B テストです（最も一般的なエクスペリエンスですが、必ずしも各訪問者にとって最も効果的なエクスペリエンスとは限りません）。

再訪問者により、成功指標のコンバージョン率が水増しされますか？

現在このロジックでは、コンバージョンが迅速に行われる、または訪問の頻度がより多い訪問者を優先します。これは、そのような訪問者が属するエクスペリエンスでは、全体的なコンバージョン率が一時的に増えるためです。 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。 サイトに多くの再訪問者が来ると、その人たちのコンバージョンによって、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増え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。

自動配分を使用する際、アクティビティで勝者の特定にかかる時間を見積もるために、サンプルサイズ計算ツールを使用できますか？

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予測できます。 （従来の A/B テストと同様に、3 つ以上のオファー、または複数のコンバージョン指標や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、従来の固定範囲 A/B テスト用に設計されており、算出結果はあくまで推定値です。自動配分が勝者を宣言するため、自動配分アクティビティでこの計算ツールを使用するかどうかは任意です。テスト結果を確認するのに、特定の時点を選択する必要はありません。 提示された値は、統計的に常に有効です。

Adobe の社内実験では、次のことがわかりました。

勝者を決定するプロセスを速めるために、自動配分アクティビティからパフォーマンスの低いエクスペリエンスを削除する必要がありますか？

パフォーマンスの低いエクスペリエンスを削除する必要はありません。自動配分では、パフォーマンスの高いエクスペリエンスをより高い頻度で自動的に配信し、パフォーマンスの低いエクスペリエンスをより低い頻度で配信します。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、勝者を決定する速度にそれほど影響しません。

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（20％をエクスペリエンス数で割った値）です。

自動配分アクティビティの途中で目標値を変更することは可能ですか？ change-metric

Adobe では、ア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。 Adobe は、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を保証しません。

このレコメンデーションは、自動配分、自動ターゲット、Automated Personalization の各アクティビティで、レポートソースとして Target または Analytics（A4T）を使用します。

自動配分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 では、ア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 を使用してアクティビティ中にレポートソースを変更（Target から A4T へ、またはその逆）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 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しません。

このレコメンデーションは、自動配分、自動ターゲット、Automated Personalization の各アクティビティで、レポートソースとして Target または Analytics（A4T）を使用します。

自動配分アクティビティの実行中に「レポートデータをリセット」オプションを使用できますか？

自動配分アクティビティに「レポートデータをリセット」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、自動配分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。自動配分アクティビティに「レポートデータをリセット」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、自動ターゲットと Automated Personalization のアクティビティにも当てはまります。）

自動配分は環境に関してどのようにモデルを構築しますか？

自動配分は、デフォルト環境でのみ記録されたトラフィックとコンバージョンの行動に基づいてモデルを構築します。デフォルトでは、本番は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）で変更することが可能です。

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コンバージョン動作に従ってトラフィックが分散されます。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、自動配分モデル内では考慮されません。

別の環境を選択すると、レポートにその環境のトラフィックとコンバージョンが表示されます。 レポートに対してデフォルトで選択される環境は、アカウント全体で選択されるデフォルトの環境です。 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。

自動配分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、トラフィックの配分方法を決定する際に、9月の訪問者データ（テスト開始時）ではなく、12月を考慮することはできますか？

いいえ、自動配分ではアクティビティ全体のパフォーマンスが考慮されます。

自動配分では、訪問者が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？

自動配分では、A/B テストアクティビティがスティッキーであるのと同じ理由で、スティッキー決定が使用されます。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。自動配分の説明は 4:45 から始まります。