Auto-Target に関する FAQ とトラブルシューティング

• Revenue per Visit （RPV）成功指標のビジネス価値が、追加のトラフィック要件に見合っているかどうかを判断します。 RPV はコンバージョンと違い、アクティビティが機能するためにはエクスペリエンスごとに 1,000 回以上のコンバージョンが必要になるのが一般的です。

• アクティビティを開始する前に、目標を考慮してコントロールエクスペリエンスとパーソナライズされたエクスペリエンスの配分を決めます。

• パーソナライゼーションモデルを適切な時間で構築するために、Auto-Target アクティビティが実行されるページへの十分なトラフィックがあるかどうかを判断します。

• パーソナライゼーションアルゴリズムをテストする際は、アクティビティがライブ状態の間はエクスペリエンスを変更したり、プロファイル属性を追加または削除したりしないでください。

• Auto-Target アクティビティで使用することを計画しているオファーや場所を対象とした A/B アクティビティを実施し、それらのオファーや場所が最適化目標の達成に効果的かどうかを確認することを検討します。 A/B アクティビティで有意な差異が示されなかった場合は、上昇率 Auto-Target 生成できない可能性も高くなります。

  A/B テストでエクスペリエンス間に統計的に有意な差が示されなかった場合は、対象のオファーが他と大差ない、選択した場所は成功指標に影響しない、あるいはコンバージョンファネル内の最適化目標が遠すぎて、選択したオファーの効果が及ばないといった可能性が高くなります。

• アクティビティ中は、エクスペリエンスに大きな変更を加えないようにしてください。

最適なトラフィック配分の分割は、達成したい内容に応じて異なります。

できるだけ多くのトラフィックをパーソナライズすることを目標としている場合は、アクティビティの全期間において、90％のターゲット配分と 10％のコントロールを維持できます。パーソナライズされたアルゴリズムの効果とコントロールを比較する実験が目標の場合は、アクティビティの全期間を通じて 50/50 の配分が最適です。

ベストプラクティスは、訪問者がターゲットエクスペリエンスとコントロールエクスペリエンスを切り替えないように、アクティビティの全期間中、トラフィック配分の割合を維持することです。

Auto-Target アクティビティで上昇率を生み出すには、次の 4 つの要因が必要です。

• 訪問者に影響が生じるように、オファーに十分な差異を持たせる必要があります。
• 最適化目標に対する影響度が高い場所にオファーを配置する必要があります。
• 上昇率を検出するため、テストに十分なトラフィックと統計的「検出力」が必要です。
• パーソナライゼーションアルゴリズムが適切に機能する必要があります。

まず、パーソナライゼーションをおこなわない簡単な A/B テストを実施して、アクティビティのエクスペリエンスを構成するコンテンツと場所が、全体的な反応率に一定以上の効果をもたらすかどうかを確認することをお勧めします。事前にサンプルサイズを算出して、信頼できる上昇率を導き出せるだけのトラフィックがあるかを確認し、一定期間 A/B テストを実施します。その間、テストを中断せず、変更も加えません。

A/B テストの結果から、統計的に有意な上昇率を示したエクスペリエンスが見つかったら、パーソナライズされたアクティビティが高い効果を発揮する公算が高いと考えられます。もちろん、エクスペリエンスの全体的な反応率に差異がなかった場合でも、パーソナライゼーションが効果を発揮する可能性があります。通常、この問題は、オファーや場所が統計的有意差を持って検出されるほど最適化目標に大きな影響を与えていないことが原因で発生します。

Auto-Target は、常に最適化を行う「常時稼動」のパーソナライゼーションとして使用できます。 特に、エバーグリーンコンテンツの場合、Auto-Target アクティビティを停止する必要はありません。

Auto-Target アクティビティのコンテンツに大幅な変更を加える場合、ベストプラクティスは、新しいアクティビティを開始することで、他のユーザーが異なるコンテンツで過去の結果を混同したり関連付けたりしないようにすることです。

Auto-Target アクティビティでのモデルの作成に要する時間は、通常、選択したアクティビティの場所へのトラフィックと、アクティビティの成功指標に関するコンバージョン率に依存します。

Auto-Target は、特定のエクスペリエンスのコンバージョンが 50 以上になるまで、そのエクスペリエンスに対してパーソナライズされたモデルを作成しようとしません。 さらに、構築されたモデルの品質が不十分な場合（AUC として知られる指標を使用した、ホールドアウト「テスト」データのオフライン評価によって判定される場合）、そのモデルはパーソナライズされた方法でトラフィックを処理するために使用されません。

Auto-Target のモデル構築について、次の点に留意してください。

• アクティビティが実稼働した後、モデルを作成しよう Auto-Target する際に、最大 45 日間のランダムなデータが考慮されます。 例えば、トラフィックの制御に加えて、アルゴリズムが保持する追加のランダムに提供されるデータを制御します。
• 成功指標が Revenue per Visit の場合、これらのアクティビティでは通常、より多くのデータが必要になります。これは通常、コンバージョン率と比較して訪問と売上高にデータの平方偏差が大きいためです。
• モデルはエクスペリエンスごとに構築されるので、あるエクスペリエンスを別のエクスペリエンスに置き換えるには、パーソナライズされたモデルを再構築する前に、新しいエクスペリエンスに十分なトラフィック（少なくとも 50 のコンバージョン）を収集する必要があります。

Automated Personalization（AP）または自動ターゲット（AT）アクティビティを作成する際に、コントロールとして使用するエクスペリエンスを選択できます。

この機能を使用すると、アクティビティで設定されたトラフィック配分率に基づいて、コントロールトラフィック全体を特定のエクスペリエンスにルーティングできます。その後、そのエクスペリエンスへのコントロールトラフィックに対するパーソナライズされたトラフィックのパフォーマンスレポートを評価できます。

詳しくは、特定のエクスペリエンスのコントロールとしての使用を参照してください。

アドビでは、アクティビティの途中で目標指標を変更することは推奨されません。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では、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-Target 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-Target 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-Target 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-Allocate と Automated Personalization のアクティビティにも適用されます。

Target はエクスペリエンスごとに 1 つのモデルを作成するので、1 つのエクスペリエンスを削除す Target と、によって 1 つ少ないモデルが作成され、他のエクスペリエンスのモデルには影響しません。

例えば、8 つのエクスペリエンスを持つ Auto-Target アクティビティがあり、1 つのエクスペリエンスのパフォーマンスが好ましくないとします。 そのエクスペリエンスを削除しても、残り 7 つのエクスペリエンスのモデルには影響しません。

アクティビティの設定を変更することで、Auto-Target ータアクティビティのエクスペリエンスの数、サイトへのトラフィック、選択した成功指標など、モデルの構築に要する予想時間を短縮できます。

解決策： アクティビティの設定を確認し、モデルの構築速度を向上させるために行う変更があるかどうかを確認します。

• 成功指標が RPV に設定されている場合、コンバージョンに変更できますか？ コンバージョンアクティビティは、モデルの構築に要するトラフィックが比較的少なくて済みます。RPV からコンバージョンに成功指標を変更しても、アクティビティのデータは失われません。
• セールスファネル上での成功指標とアクティビティのエクスペリエンスの位置が離れていないか確認します。アクティビティのコンバージョン率が低いと、必要なコンバージョンの数が最小限に抑えられるので、モデルの構築に必要なトラフィック要件が増えます。
• アクティビティから不要なエクスペリエンスを削除します。アクティビティ内のエクスペリエンスの数を減らすと、モデルの構築にかかる時間が短縮されます。
• 対象のアクティビティの成果が高まる、よりトラフィックの多いページはありませんか。アクティビティの場所のトラフィックやコンバージョンが多いほど、モデルの作成が速くなります。

Auto-Target アクティビティで上昇率を生み出すには、次の 4 つの要因が必要です。

• 訪問者に影響が生じるように、オファーに十分な差異を持たせる必要があります。
• 最適化目標に対する影響度が高い場所にオファーを配置する必要があります。
• 上昇率を検出するため、テストに十分なトラフィックと統計的「検出力」が必要です。
• パーソナライゼーションアルゴリズムが適切に機能する必要があります。

解決策： ​まず、アクティビティでトラフィックに対するパーソナライゼーションがおこなわれているか確認します。すべてのエクスペリエンスにモデルが構築されていない場合、Auto-Target アクティビティは、可能な限り迅速にすべてのモデルを構築しようとすると、訪問のかなりの部分をランダムに提供します。 モデルが構築されていない場合、Auto-Target はトラフィックをパーソナライズしていません。

次に、パーソナライズされていないシンプルな A/B テストを使用して、オファーとアクティビティの場所が、全体的な応答率に真に影響を与えることを確認します。 事前にサンプルサイズを算出して、信頼できる上昇率を導き出せるだけのトラフィックがあるかを確認し、一定期間 A/B テストを実施します。その間、テストを中断せず、変更も加えません。A/B テストの結果で、1 つ以上のエクスペリエンスの統計的に有意な上昇が示された場合、パーソナライズされたアクティビティが機能する可能性が高くなります。 Personalizationは、エクスペリエンスの全体的な応答率に違いがない場合でも機能します。 通常、この問題は、オファーや場所が統計的有意差を持って検出されるほど最適化目標に大きな影響を与えていないことが原因で発生します。

これは想定通りの動作です。

Auto-Target アクティビティでは、コンバージョン指標（最適化目標、目標達成後）が変換されると、ユーザーがエクスペリエンスからリリースされ、アクティビティが再度開始されます。

例えば、コンバージョン指標（C1）および追加の指標（A1）を持つアクティビティがあります。A1 は C1 に依存します。 訪問者が初めてアクティビティに入り、A1 および C1 をコンバートするための基準がコンバートされない場合、成功指標の依存関係が原因で指標 A1 はコンバートされません。訪問者が C1 を変換してから A1 を変換した場合、C1 が変換されると訪問者は解放されるので、A1 は変換されません。