[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

Adobe Target の Auto-Target アクティビティでは、高度な機械学習を使用して、パフォーマンスが高くマーケターが定義した複数のエクスペリエンスから選択して、コンテンツをパーソナライズし、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のプロファイルを持つ以前の訪問者の行動に基づいて、各訪問者に最適なエクスペリエンスを提供します。

NOTE
  • 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

ある大手衣料品小売業者は最近、10 個の製品カテゴリベースのエクスペリエンス(およびランダム化されたコントロール)を含む Auto-Target アクティビティを使用して、各訪問者に適切なコンテンツを配信しました。 「Add to Cart」がプライマリ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 モデルを作成した後、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売上高を増やす方法については、読み続けてください。

概要 section_972257739A2648AFA7E7556B693079C9

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-Target for personalized experiences」オプションを選択します(手順 2)。

「パーソナライズされたエクスペリエンスの自動ターゲット」オプション

A/B アクティビティフローの Auto-Target オプションを使用すると、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、ワンクリックで機械学習を活用してパーソナライズできます。 Auto-Target は、従来の A/B テストや Auto Allocate と比較して、各訪問者に表示するエクスペリエンスを決定することで、最大限の最適化を実現するように設計されています。 単一の勝者を見つけることを目的とする A/B アクティビティとは異なり、Auto-Target は特定の訪問者に最適なエクスペリエンスを自動的に決定します。 最適なエクスペリエンスは、訪問者のプロファイルやその他のコンテキスト情報に基づいて、高度にパーソナライズされたエクスペリエンスを提供します。

Automated Personalization と同様に、Auto-Target は先進のデータサイエンスアンサンブル手法である 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。 訪問者の行動の変化に適応で Auto-Target るので、上昇率を提供するために永続的に実行できます。 この方法は、「常時稼動」モードと呼ばれることがあります。

特定の訪問者の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 では、各訪問で指定されたビジネス目標が最適化されます。 Auto Personalization と同様に、Auto-Target はデフォルトで、アクティビティのトラフィックの一部をコントロール母集団として予約して、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、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。

    環境に関係なく、リクエストは同じモデルで処理されますが、特定された総合的な勝者エクスペリエンスが実際の行動と一致するように、大多数のトラフィックをデフォルト環境から提供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 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。

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 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を使用すると、次のオプションから選択できます。

  • Evaluate Personalization Algorithm
  • Maximize Personalization Traffic
  • Custom Allocation

配分目標ドロップダウンリスト

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
パーソナライゼーションアルゴリズムを評価 (50/50):目標がアルゴリズムのテストの場合は、50:50 の比率でコントロールとターゲットアルゴリズムに訪問者を配分します。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%
  • 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。
パーソナライゼーショントラフィックを最大化 (90/10):「常時稼動」のアクティビティを作成することが目標の場合は、10%の訪問者をコントロールに配分して、アルゴリズムによる学習の長期的な継続に十分なデータを確保します。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%
  • パーソナライズされたエクスペリエンスを提供する訪問者数を最大化できます。
  • 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。
カスタム配分
配分の割合を手動で調節します。
  • 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 のパーセンテージを調整するには、「Allocation」列のアイコンをクリックします。 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。

自動ターゲットのトラフィックの配分を変更

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? section_BBC4871C87944DD7A8B925811A30C633

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? 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の対象になります(訪問者がコントロールグループに属している場合を除きます。その場合は、最初の訪問で訪問者に割り当てられたエクスペリエンスが、その後の訪問でもそのまま提供されます)。
  • 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。

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 section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

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、このテストベッドを通じて、データに精通した顧客に Adobe の機械学習プラットフォームを公開できるようになる予定です。その結果、顧客が独自のモデルを導入して Target モデルを拡張できるようになります。

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。

トレーニングビデオ: 自動ターゲットアクティビティについて

このビデオでは、Auto-Target A/B アクティビティの設定方法を説明します。

このトレーニングでは、以下の内容について学習します。

  • Auto-Target テストの定義
  • Auto-Target と Automated Personalization の比較とコントラスト
  • Auto-Target アクティビティの作成
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654