[Premium]{class="badge positive" title="Target Premium에 포함된 내용을 확인합니다."}

Auto-Target 활동에 대해 Analysis Workspace에서 A4T 보고서 설정

Auto-Target 활동에 대한 Analytics for Target (A4T) 통합에서는 Adobe Analytics 목표 지표를 사용하는 동안 Adobe Target ML(Ensemble Machine Learning) 알고리즘을 사용하여 각 방문자의 프로필, 동작 및 컨텍스트를 기반으로 최상의 경험을 선택합니다.

Adobe Analytics Analysis Workspace에서 다양한 분석 기능을 사용할 수 있지만 실험 활동(수동 A/B Test 및 Auto-Allocate)과 개인화 활동(Auto-Target) 간의 차이로 인해 Auto-Target 활동을 올바르게 해석하려면 기본 Analytics for Target 패널을 몇 가지 수정해야 합니다.

이 자습서에서는 다음 주요 개념을 기반으로 하는 Analysis Workspace의 Auto-Target 활동을 분석하기 위한 권장 수정 사항을 안내합니다.

Analysis Workspace에서 Auto-Target 패널에 대한 A4T 만들기

Auto-Target 보고서에 대한 A4T를 만들려면 아래와 같이 Analysis Workspace의 Analytics for Target 패널로 시작하거나 자유 형식 테이블로 시작합니다. 그런 다음 다음을 선택합니다.

Control vs.Targeted 차원을 사용하여 Target 앙상블 ML 모델을 컨트롤과 비교합니다.

기본 A4T 패널은 클래식(수동) A/B Test 또는 Auto-Allocate 활동을 위해 디자인되었습니다. 이 경우 개별 경험의 성능을 제어 경험과 비교하는 것이 목표입니다. 그러나 Auto-Target 활동에서는 컨트롤 전략 ​과(와) 타깃팅된 전략 간의 첫 번째 순서 비교가 필요합니다. 즉, 제어 전략에 대한 Auto-Target 앙상블 ML 모델의 전체 성능 상승도를 결정합니다.

이 비교를 수행하려면 Control vs Targeted (Analytics for Target) 차원을 사용하십시오. 끌어서 놓아 기본 A4T 보고서의 Target Experiences 차원을 바꾸십시오.

이 대체 함수는 A4T 패널에서 기본 Lift and Confidence 계산을 무효화합니다. 혼동을 방지하기 위해 다음 보고서를 남겨두고 기본 패널에서 이러한 지표를 제거할 수 있습니다.

Analysis Workspace 의 Experiences by Activity Conversions 패널

그림 2: Auto-Target 활동에 대한 권장 기준 보고서. 이 보고서는 타깃팅된 트래픽(앙상블 ML 모델에서 제공됨)을 제어 트래픽과 비교하도록 구성되었습니다.

지표의 경험 수준 분류 추가

앙상블 ML 모델이 어떻게 작동하는지 자세히 알아보려면 Control vs Targeted 차원의 경험 수준 분류를 검사할 수 있습니다. Analysis Workspace에서 Target Experiences 차원을 보고서로 끌어온 다음 각 컨트롤 및 대상 차원을 별도로 분류합니다.

Analysis Workspace 의 Experiences by Activity Conversions 패널

그림 3: 대상 환경을 기준으로 대상 차원 분류

결과 보고서의 예가 여기에 나와 있습니다.

Analysis Workspace 의 Experiences by Activity Conversions 패널

그림 4: 경험 수준 분류가 있는 표준 Auto-Target 보고서. 목표 지표는 다를 수 있으며 제어 전략에는 단일 경험이 있을 수 있습니다.

Auto-Target 활동에 대해 "Visits"이(가) 올바른 표준화 지표인 이유

Auto-Target 활동을 분석할 때는 항상 Visits을(를) 기본 표준화 지표로 선택하십시오. Auto-Target 개인화는 방문당 한 번(공식적으로, Target 세션당 한 번) 방문자에 대한 경험을 선택합니다. 즉, 방문자에게 표시되는 경험이 모든 방문마다 변경될 수 있습니다. 따라서 표준화 지표로 Unique Visitors을(를) 사용하는 경우 한 명의 사용자에게 (서로 다른 방문에 걸쳐) 여러 경험이 표시될 수 있다는 사실은 전환율을 혼동하게 합니다.

간단한 예는 이 점을 보여 줍니다. 두 명의 방문자가 두 개의 경험만 있는 캠페인을 입력하는 시나리오를 생각해 보십시오. 첫 번째 방문자가 두 번 방문합니다. 이 경험은 첫 번째 방문에서는 경험 A에 할당되지만, 두 번째 방문에서는 프로필 상태가 변경되어 경험 B에 할당됩니다. 두 번째 방문 후에 방문자는 주문을 하여 전환됩니다. 전환은 가장 최근에 표시된 경험(경험 B)에 기인합니다. 두 번째 방문자도 두 번 방문하고, 두 번 모두 경험 B가 표시되지만, 전환되지는 않습니다.

방문자 수준 및 방문 수준 보고서를 비교해 보겠습니다.

표 1: 결정이 방문에 고정(일반 A/B 테스트와 마찬가지로 방문자가 아님)되는 시나리오에 대한 방문자 정규화 보고서와 방문 정규화 보고서를 비교하는 예제. 이 시나리오에서 방문자 표준화 지표가 혼동되고 있습니다.

표에서 보듯이 방문자 수준 숫자의 명백한 부조화가 있습니다. 총 두 명의 고유 방문자가 있음에도 불구하고 각 경험에 대한 개별 고유 방문자의 합이 아닙니다. 방문자 수준 전환율이 반드시 잘못된 것은 아니지만 개별 경험을 비교할 때 방문 수준 전환율이 훨씬 더 적절합니다. 형식적으로 분석 단위("방문 횟수")는 의사 결정 고착성의 단위와 동일하며, 이는 지표의 경험 수준 분류를 추가하고 비교할 수 있음을 의미합니다.

활동에 대한 실제 방문 필터링

Target 활동에 대한 방문에 대한 Adobe Analytics 기본 계산 방법론에는 사용자가 Target 활동과 상호 작용하지 않은 방문이 포함될 수 있습니다. 이는 Target 활동 할당이 Analytics 방문자 컨텍스트에서 지속되는 방식 때문입니다. 그 결과 Target 활동에 대한 방문 횟수가 부풀려져 전환율이 저하될 수 있습니다.

사용자가 Auto-Target 활동과 실제로 상호 작용한 방문에 대해 보고하려는 경우(활동 시작, 디스플레이 또는 방문 이벤트 또는 전환을 통해) 다음을 수행할 수 있습니다.

세그먼트를 만들려면:

Analysis Workspace 의 세그먼트

그림 5: 여기에 표시된 것과 같은 세그먼트를 사용하여 Auto-Target 보고서에 대한 A4T에서 Visits 지표를 필터링하십시오

세그먼트가 만들어지면 이 세그먼트를 사용하여 Visits 지표를 필터링합니다. Visits 지표에는 사용자가 Target 활동과 상호 작용한 방문만 포함됩니다.

이 세그먼트를 사용하여 Visits을(를) 필터링하려면:

최종 패널은 다음과 같이 표시됩니다.

Analysis Workspace 의 Experiences by Activity Conversions 패널

그림 6: Visits 지표에 "특정 자동 타겟 활동이 있는 히트" 세그먼트가 적용된 보고 패널. 이 세그먼트는 사용자가 해당 Target 활동과 실제로 상호 작용한 방문만 보고서에 포함되도록 합니다.

목표 지표 및 속성이 최적화 기준과 일치하는지 확인합니다

A4T 통합을 통해 Adobe Analytics이(가) 성능 보고서 생성 ​에 사용하는 것과 동일한 전환 이벤트 데이터를 사용하여 Auto-Target ML 모델을 학습 ​할 수 있습니다. 그러나 ML 모델을 교육할 때 이 데이터를 해석하는 데 사용해야 하는 특정 가정이 있으며, 이는 Adobe Analytics의 보고 단계 동안 수행되는 기본 가정과 다릅니다.

특히 Adobe Target ML 모델은 방문 범위 속성 모델을 사용합니다. 즉, ML 모델은 전환이 ML 모델의 결정에 "귀속"되도록 하기 위해 활동에 대한 콘텐츠 표시와 동일한 방문에서 전환이 발생해야 한다고 가정합니다. Target이(가) 모델의 적시 교육을 보장하기 위해 필요합니다. Target은(는) 해당 모델의 교육 데이터에 변환(Adobe Analytics의 보고서에 대한 기본 속성 창)을 포함하기 전에 최대 30일까지 기다릴 수 없습니다.

따라서 Target 모델에서 사용하는 속성과 데이터 쿼리에 사용되는 기본 속성(보고서 생성 중) 간의 차이로 인해 불일치가 발생할 수 있습니다. ML 모델이 실제로 속성에 문제가 있을 때 제대로 작동하지 않는 것처럼 보일 수도 있습니다.

정확한 지표 정의 및 속성 설정은 활동을 만드는 동안 지정한 최적화 기준에 따라 다릅니다.

타겟 정의 전환 또는 방문당 지표 값 최대화 ​를 사용하는 Analytics 지표

지표가 Target 전환이거나 방문당 지표 값 최대화 ​를 사용하는 Analytics 지표인 경우 목표 지표 정의를 사용하면 동일한 방문에서 여러 전환 이벤트가 발생할 수 있습니다.

Target ML 모델에서 사용하는 기여도 분석 방법이 동일한 목표 지표를 보려면 다음 단계를 수행합니다.

이 단계에서는 경험이 표시된 동일한 방문에서 목표 지표 이벤트가 항상("참여")일 경우 목표 지표를 경험 표시에 표시하도록 보고서가 지정합니다.

고유 방문 전환율 ​이 있는 Analytics 지표

긍정적인 지표 세그먼트로 방문 정의

최적화 기준으로 고유 방문 전환율 최대화 ​를 선택한 시나리오에서 올바른 전환율 정의는 지표 값이 양수인 방문 비율입니다. 이 작업은 지표가 양수 값을 갖는 방문으로 필터링하는 세그먼트를 만든 다음 방문 지표를 필터링하여 수행할 수 있습니다.

그림 7: 양수 순서가 있는 방문에 대한 세그먼트 정의 필터링입니다. 활동의 최적화 지표에 따라 주문을 적절한 지표로 바꾸어야 합니다.

활동 필터링된 지표의 방문 횟수에 적용

이제 이 세그먼트를 사용하여 Auto-Target 활동에 대한 히트가 있는 양의 주문 수가 있는 방문으로 필터링할 수 있습니다. 지표 필터링 절차는 이전과 유사하며, 이미 필터링된 방문 지표에 새 세그먼트를 적용한 후에는 보고서 패널이 그림 8과 같이 표시되어야 합니다

그림 8: 올바른 고유 방문 전환 지표가 있는 보고서 패널: 활동에서 히트가 기록된 방문 수와 전환 지표(이 예제의 주문)가 0이 아닌 방문 수입니다.

마지막 단계: 위의 마법을 캡처하는 전환율 만들기

이전 섹션에서 Visit 및 목표 지표를 수정하면 Auto-Target 보고 패널의 기본 A4T에 대해 마지막으로 수정해야 하는 내용은 올바르게 필터링된 "방문 수" 지표에 대한 수정된 목표 지표의 올바른 비율인 전환율을 만드는 것입니다.

다음 단계를 사용하여 Calculated Metric을(를) 만들어 이 작업을 수행합니다.

전체 계산된 지표 정의가 여기에 표시됩니다.

그림 7: 방문 수정 및 속성 수정 모델 전환율 지표 정의. (이 지표는 목표 지표 및 활동에 따라 다릅니다. 즉, 이 지표 정의는 활동 간에 다시 사용할 수 없습니다.)

요약: Auto-Target 보고서에 대한 최종 샘플 Analysis Workspace 패널

위의 모든 단계를 단일 패널로 결합하면 아래 그림에서 Auto-Target개의 A4T 활동에 대한 권장 보고서를 전체적으로 볼 수 있습니다. 이 보고서는 Target ML 모델에서 목표 지표를 최적화하는 데 사용한 보고서와 동일합니다. 이 보고서에는 이 자습서에서 설명한 모든 뉘앙스와 권장 사항이 통합되어 있습니다. 이 보고서는 기존의 Target 보고 기반 Auto-Target 활동에서 사용되는 계산 방법론과도 가장 가깝습니다.

이미지를 확장하려면 클릭하십시오.

{width="600" modal="regular"}

그림 10: 이 자습서의 이전 섹션에 설명된 지표 정의에 대한 모든 조정을 결합하는 Adobe Analytics Workspace의 최종 A4T Auto-Target 보고서입니다.