[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 の概要
Auto-TargetのAdobe Targetのアクティビティでは、高度な機械学習を使用して、複数のパフォーマンスの高いマーケター定義エクスペリエンスから選択し、コンテンツをパーソナライズしてコンバージョンを促進します。 Auto-Targetは、個々の顧客プロファイルと、類似したプロファイルを持つ以前の訪問者の行動に基づいて、各訪問者に最もカスタマイズされたエクスペリエンスを提供します。
-
Auto-TargetはTarget Premium ソリューションの一部として利用できます。 この機能は、Target Premium ライセンスのない Target Standard では使用できません。このライセンスで提供される高度な機能について詳しくは、Target Premium を参照してください。
-
Analytics for Target （A4T）はAuto-Target アクティビティをサポートしています。 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。
自動ターゲットを使用した実際のユーザー事例 success
大手アパレル企業のretailerは、最近Auto-Target アクティビティを利用して、10種類の商品カテゴリーベースのエクスペリエンス（さらにランダム化されたコントロール）を提供し、各訪問者に適切なコンテンツを提供しています。 "Add to Cart"が主な最適化指標として選択されました。 ターゲットエクスペリエンスの平均上昇率は 29.09％でした。Auto-Target モデルの構築後、アクティビティは90%のパーソナライズされたエクスペリエンスに設定されました。
わずか 10 日で、1,700,000 ドル以上の上昇率を達成しました。
Auto-Targetを使用して組織の上昇率と収益を増加させる方法については、引き続きご覧ください。
概要 section_972257739A2648AFA7E7556B693079C9
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は、Targeting ページ（ステップ 2）で Auto-Target for personalized experiences オプションを選択します。
A/B アクティビティフロー内のAuto-Target オプションを使用すると、マシンラーニングを活用して、マーケターが定義した一連のエクスペリエンスに基づいて、ワンクリックでパーソナライズできます。 Auto-Targetは、訪問者ごとに表示するエクスペリエンスを決定することにより、従来のA/B テストまたはAuto Allocateと比較して、最大限の最適化を実現するように設計されています。 目的が単一の勝者を見つけることであるA/B アクティビティとは異なり、Auto-Targetは、特定の訪問者に対する最適なエクスペリエンスを自動的に決定します。 優れた体験は、訪問者のプロファイルやその他のコンテクスト情報にもとづいて構築され、詳細にパーソナライズされた体験を提供します。
Automated Personalizationと同様に、Auto-Targetは ランダムフォレスト アルゴリズム を使用して、訪問者に表示する最適なエクスペリエンスを決定します。 Auto-Targetは訪問者の行動の変化に適応できるため、永続的に実行して上昇率を提供できます。 この方法は、「常時オン」モードと呼ばれることもあります。
特定の訪問者に対するエクスペリエンスの割り当てが固定されるA/B アクティビティとは異なり、Auto-Targetは各訪問に対して指定されたビジネス目標を最適化します。 Auto Personalizationと同様、Auto-Targetは、デフォルトでは、アクティビティのトラフィックの一部をコントロールグループとして予約し、上昇率を測定します。 コントロールグループの訪問者には、アクティビティのランダムエクスペリエンスが配信されます。
注意点
Auto-Targetを使用する際は、いくつかの重要な考慮事項に注意する必要があります。
-
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。その逆の方法です。
-
アクティビティがドラフトとして保存された後、トラフィックの割り当て（従来のManual）をA/B TestにAuto-Targetから切り替えることはできません。
-
ひとつのモデルは、パーソナライズされた戦略のパフォーマンスを特定するように構築されており、ランダムにトラフィックを提供するか、全体的な勝者エクスペリエンスにすべてのトラフィックを送信するかを決定します。 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動作と一致するように、複数のトラフィックを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 section_A309B7E0B258467789A5CACDC1D923F3
Auto-Target について説明するときに役立つ用語を次に示します。
Auto-Targetの仕組み section_77240E2DEB7D4CD89F52BE0A85E20136
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。
トラフィック配分の決定 section_AB3656F71D2D4C67A55A24B38092958F
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では、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。
- コントロールと比較した場合のパーソナライゼーションの上昇率の精度を最大化できます。
- エクスペリエンスがパーソナライズされる訪問者は比較的少数です。
- パーソナライズされた体験を提供した訪問者の数を最大化したい
- 上昇率を最大化できます。
- アクティビティの上昇率の精度が落ちます。
- 想定どおりの結果が得られない場合もあります。目安がわからない場合は、上述のいずれかのオプションを使用することをお勧めします。
Controlの割合を調整するには、Experiences ペインのTraffic Allocation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。
Auto-TargetよりもAutomated Personalizationを選択するタイミング section_BBC4871C87944DD7A8B925811A30C633
Auto-TargetよりもAutomated Personalizationを使用するシナリオがいくつかあります。
- エクスペリエンスを形成するために自動的に組み合わされ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。
- Visual Experience ComposerでサポートされていないAuto Personalization （VEC）機能の完全なセットを使用する場合：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。
- 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、ホームページ上の要素を並べ替えたい場合、Auto-TargetはAutomated Personalizationよりも適切です。
Auto-TargetとAutomated Personalizationの共通点は何ですか？ section_2A601F482F9A44E38D4B694668711319
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を利用できます（訪問者がコントロールグループに属していない場合、最初の訪問で割り当てられたエクスペリエンスは、その後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）です。
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。
Auto-TargetとAutomated Personalizationの違いとは？ section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB
Auto-Targetでは、パーソナライズされたモデルを構築するためにAutomated Personalizationよりも少ないトラフィックが必要になることがよくあります。
または モデルを構築するために必要なエクスペリエンスごとのトラフィック Auto-Target数Auto Personalizationは同じですが、通常、Automated Personalization アクティビティには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、2つの場所を持つ場所ごとに2つのオファーを作成したAuto Personalization アクティビティがある場合、アクティビティに含まれる合計エクスペリエンスは4つ（2 = 4）になります（除外なし）。 Auto-Targetを使用すると、エクスペリエンス 1を設定して場所1にオファー1を含め、場所2にオファー2を含め、エクスペリエンス 2を場所1にオファー1を含め、場所2にオファー2を含めることができます。 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エクスペリエンスの合計数を減らすことができます。
Auto-Targetでは、経験則を使用してトラフィック要件を理解できます。
- 成功指標がConversionの場合： 1,000回の訪問と1日あたりのコンバージョン数が50件以上で、さらにアクティビティには7,000回以上の訪問と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： 1 エクスペリエンスあたりの1日あたりの訪問数が1,000回、コンバージョン数が50以上で、さらにアクティビティには1 エクスペリエンスあたりのコンバージョン数が1,000回以上である必要があります。 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には完全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組み込まれているため、Auto-Targetはより成熟した本格的なVisual Experience Composer （VEC）から恩恵を受けます。 QA リンク をAuto-Targetと共に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、Adobe マシンラーニングプラットフォームをデータに精通した顧客に対してオープンし、顧客が独自のモデルを取り込んでTarget モデルを拡張できるようにします。
レポートとAuto-Target section_42EE7F5E65E84F89A872FE9921917F76
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。