注意点
Auto-Target を使用する際は、次の点に注意してください。
-
特定のアクティビティを Auto-Target から Automated Personalization に切り替えることはできません。逆も同様です。
-
アクティビティ Manual ドラフトとして保存した後で、トラフィックの割り当て(従来の A/B Test)から Auto-Target に切り替えることはできません。逆も同様です。
-
1 つのモデルは、パーソナライズされた戦略とランダムに提供されたトラフィックのパフォーマンスを識別し、すべてのトラフィックを勝者エクスペリエンス全体に送信するように構築されています。 このモデルでは、ヒットとコンバージョンはデフォルト環境でのみ考慮されます。
2 番目のモデルセットからのトラフィックは、モデリンググループ(AP)またはエクスペリエンス(AT)ごとに作成されます。これらのモデルごとに、すべての環境にわたるヒットおよびコンバージョンが考慮されます。
リクエストは、環境に関係なく、同じモデルで提供されます。 ただし、識別された全体的な勝者エクスペリエンスが実際の行動と一致していることを確認するために、複数のトラフィックはデフォルト環境から取得する必要があります。
-
2 つ以上のエクスペリエンスを使用します。
用語
Auto-Target について説明する際には、次の用語が役立ちます。
用語 | 定義 |
---|---|
マルチアームバンディット | マルチアームバンディット最適化アプローチでは、調査学習とその学習の活用のバランスを取ります。 |
ランダムフォレスト | ランダムフォレストは、有力な機械学習アプローチです。データサイエンス分野では、訪問者と訪問の属性に基づいて多数の決定ツリーを作成することで機能するアンサンブル分類または回帰手法を指します。Target 内部では、ランダムフォレストを使用して、コンバージョンの可能性が最も高い(または訪問あたりの売上高が最も高い)と予想されるエクスペリエンスを特定の訪問者ごとに決定します。 |
トンプソンサンプリング | トンプソンサンプリングの目的は、全体的に最良の(パーソナライズされていない)エクスペリエンスを最小限の「コスト」で特定することです。トンプソンサンプリングでは、2 つのエクスペリエンスに統計的な差異がない場合でも、必ず勝者が選定されます。 |
Auto-Target の仕組み
Auto-Target と Automated Personalization の基礎となるデータとアルゴリズムについて詳しくは、以下のリンクを参照してください。
用語 | 詳細 |
---|---|
ランダムフォレストアルゴリズム | Auto-Target と Automated Personalization の両方で使用される Target の主なパーソナライゼーションアルゴリズムは、ランダムフォレストです。 ランダムフォレストなどのアンサンブル手法では、複数の学習アルゴリズムを使用して、構成学習アルゴリズムのいずれかから得られるよりも優れた予測パフォーマンスを得ます。 Automated Personalization および Auto-Target アクティビティのランダムフォレストアルゴリズムは、トレーニング時に多数のデシジョンツリーを構築することで機能する分類または回帰方法です。 |
のPersonalization アルゴリズム Target データのアップロード | Auto-Target モデルと Automated Personalization モデルのデータを入力する方法はいくつかあります。 |
のPersonalization アルゴリズム Target データ収集 | Target のパーソナライゼーションアルゴリズムは、さまざまなデータを自動的に収集します。 |
トラフィック配分の決定
アクティビティの目標に合わせて、様々な方法でコントロールとパーソナライズされたエクスペリエンスにトラフィックを配分できます。アクティビティをライブにする前に、アクティビティの目標を決めておくことをお勧めします。
「Custom Allocation」ドロップダウンリストを使用すると、次のオプションから選択できます。
- Evaluate Personalization Algorithm (50/50)
- Maximize Personalization Traffic (90/10)
- Custom Allocation
次の表では、3 つのオプションについて説明します。
アクティビティの目標 | 推奨のトラフィック配分 | メリットとデメリット |
---|---|---|
Evaluate Personalization Algorithm (50/50):アルゴリズムのテストが目標の場合は、コントロールとターゲットアルゴリズムの間で訪問者を 50/50% 分割して使用します。 この配分により、上昇率を最も正確に推定できます。「ランダムエクスペリエンス」をコントロールとして使用する場合にお勧めします。 | 配分はコントロールエクスペリエンスに 50%、パーソナライズされたエクスペリエンスに 50% |
|
Maximize Personalization Traffic (90/10): 「常時稼動」アクティビティを作成することが目標の場合は、訪問者の 10% をコントロールに配置して、アルゴリズムが時間の経過と共に学習を継続するのに十分なデータがあることを確認します。 ここでのトレードオフは、トラフィックの大部分をパーソナライズする代わりに、正確な上昇率が何であるかについての精度が低くなることです。 これは、目標にかかわらず、特定のエクスペリエンスをコントロールとして使用する場合のお勧めのトラフィック分割です。 | 最適な配分はコントロールエクスペリエンスに 10%から 30%、パーソナライズされたエクスペリエンスに 70%から 90% |
|
カスタム配分 | 配分の割合を手動で調節します。 |
|
Control の割合を調整するには、Traffic Allocation のウィンドウ領域の Experiences をクリックし、必要に応じて割合を調整します。 コントロールグループの割合を 10%未満にすることはできません。
特定のエクスペリエンスを選択してコントロールとして使用したり、ランダムエクスペリエンスオプションを使用したりできます。
あなたはいつ Auto-Target を Automated Personalization より選ぶべきですか?
Automated Personalization よりも Auto-Target を使用する場合は、いくつかのシナリオがあります。
- 自動的に組み合わされてエクスペリエンスを形成する個々のオファーではなく、エクスペリエンス全体を定義する場合。
- Auto Personalization でサポートされていない Visual Experience Composer (VEC)機能の完全なセット(カスタムコードエディター、複数のエクスペリエンスオーディエンスなど)を使用する場合。
- 様々なエクスペリエンスでページに構造的な変更を加えたい場合。例えば、ホームページの要素の順序を変更する場合、Automated Personalization よりも Auto-Target を使用する方が適切です。
Auto-Target と Automated Personalization の共通点は何ですか?
訪問ごとに好ましい結果を得るためにアルゴリズムが最適化されます。
- アルゴリズムが訪問者のコンバージョン傾向(またはコンバージョンによる推定売上高)を予測して、最適なエクスペリエンスを提供します。
- 訪問者は、既存のセッションの終了時に新しいエクスペリエンスに対して適格となります(訪問者がコントロール母集団に属している場合を除き、この場合、最初の訪問に割り当てられたエクスペリエンスは後続の訪問でも同じままです)。
- セッション内では、ビジュアルの一貫性を保つために、予測は変わりません。
訪問者の行動の変化にアルゴリズムが対応します。
- マルチアームバンディットでは、モデルは常にトラフィックのごく一部を「消費」して、アクティビティ学習の全期間を通じて学習を継続し、それまでに学習したトレンドの乱用を防止します。
- 基盤となるモデルは、最新の訪問者行動データを使用して 24 時間ごとに再構築され、変化する訪問者の好みを Target が常に利用できるようになっています。
- 個人の勝者エクスペリエンスをアルゴリズムで特定できなかった場合は、パフォーマンスが全体として最も高いエクスペリエンスを表示する方式に自動的に切り替わりますが、パーソナライズされた勝者の特定は続行されます。最もパフォーマンスが高いエクスペリエンスは、トンプソンサンプリングによって割り出されます。
単一の目標指標に合わせて、アルゴリズムが絶えず最適化されます。
- この指標は、コンバージョンベースまたは収益ベース(より具体的には Revenue per Visit)の場合があります。
Target では、訪問者に関する情報を自動的に収集して、パーソナライゼーションモデルを構築します。
- Auto-Target および Automated Personalization で使用されるパラメーターについて詳しくは、Automated Personalization Data Collection を参照してください。
Target では、Adobe Experience Cloud のすべての共有オーディエンスを自動的に使用して、パーソナライゼーションモデルを構築します。
- オーディエンスをモデルに追加するために、特別な作業を行う必要はありません。Experience Cloud Audiences と Target を併用する方法について詳しくは、「Experience Cloud オーディエンス」を参照してください。
マーケターは、オフラインデータや傾向スコアなどのカスタムデータをアップロードして、パーソナライゼーションモデルを構築することができます。
- 詳しくは、Auto-Target および Automated Personalization 用のデータのアップロードを参照してください。
Auto-Target と Automated Personalization の違い
通常、パーソナライズされたモデルの作成に必要なトラフィックの量は、Automated Personalization よりも Auto-Target のほうが少なくなります。
Auto-Target または Auto Personalization のモデルが構築するために必要なトラフィックの量 エクスペリエンスあたり は同じですが、通常、Automated Personalization アクティビティの方が Auto-Target アクティビティよりも多くのエクスペリエンスがあります。
例えば、Auto Personalization アクティビティで、場所ごとに 2 つのオファーを 2 つの場所で作成した場合、アクティビティには合計 4 つのエクスペリエンス(2 = 4)が含まれます(除外なし)。 Auto-Target を使用すると、オファー 1 を場所 1 に、オファー 2 を場所 2 に含めるようにエクスペリエンス 1 を設定し、オファー 1 を場所 1 に、オファー 2 を場所 2 に含めるようにエクスペリエンス 2 を設定できます。 Auto-Target では 1 つのエクスペリエンス内で複数の変更を選択できるので、アクティビティ内の合計エクスペリエンス数を減らすことができます。
Auto-Target しくは、トラフィック要件を理解するための簡単な経験則を使用できます。
- 成功指標が Conversion の場合:エクスペリエンスあたり 1,000 回の訪問と 1 日あたりの少なくとも 50 コンバージョン。さらに、アクティビティには少なくとも 7,000 回の訪問と 350 回のコンバージョンが必要です。
- 成功指標が Revenue per Visit の場合:エクスペリエンスあたり 1,000 回の訪問と 1 日あたり少なくとも 50 回のコンバージョン。さらに、アクティビティにはエクスペリエンスあたり少なくとも 1,000 回のコンバージョンが必要です。 訪問あたりの売上高の方が、通常、モデルの構築に多くのデータが必要になります。これは、コンバージョン率と比べて、訪問あたりの売上高の方が一般にデータ分散が大きいことが原因です。
Auto-Target には本格的なセットアップ機能があります。
- Auto-Target は A/B アクティビティワークフローに埋め込まれ Auto-Target ので、より成熟した本格的な Visual Experience Composer (VEC)のメリットが得られます。 Auto-Target で QA リンクを使用することもできます。
Auto-Target は、広範なオンラインテストフレームワークを提供します。
- マルチアームバンディットは、Adobe のデータサイエンティストや研究者が現実の状況における継続的な改善のメリットを把握できるようにする、より大規模なオンラインテストフレームワークの一部となっています。
- 将来的には、このテストベッドにより、データに詳しいクライアントに Adobe の機械学習プラットフォームを開くことができ、Target しいモデルを強化するために独自のモデルを取り込むことができます。
レポートと Auto-Target
詳しくは、レポートと自動ターゲットを参照してください。