Adobe Target의 Auto-Allocate 활동은 둘 이상의 경험에서 승자를 식별하고, 테스트가 계속 실행되고 학습되는 동안 변환을 늘리기 위해 더 많은 트래픽을 승자에게 자동으로 재할당합니다.
안내가 있는 3단계 워크플로우를 사용하여 A/B 활동을 만드는 중Targeting 페이지에서 Auto-Allocate to best experience 옵션을 선택합니다(2단계).
과제 section_85D5A03637204BACA75E19646162ACFF
표준 A/B 테스트에는 기본 비용이 있습니다. 각 경험의 성과를 측정하고 분석을 통해 가장 성과가 좋은 경험을 알아내는 데 트래픽을 사용해야 합니다. 일부 경험이 다른 경험에 비해 성과가 더 좋다는 것을 인지한 후에도 트래픽 분배가 고정적으로 유지됩니다. 또한 샘플 크기를 알아내는 것도 복잡하며, 활동의 전체 과정을 실행해야 승자에 대해 작업할 수 있습니다. 그리고, 확인된 승자가 진정한 승자가 아닐 가능성도 여전히 존재한다.
Auto-Allocate 활동을 통해 우승 경험을 결정하는 데 드는 이 비용과 오버헤드가 줄어듭니다. Auto-Allocate은(는) 모든 경험의 목표 지표 성과를 모니터링하고 그에 따라 성과가 좋은 경험에 더 많은 새로운 참여자를 보냅니다. 다른 경험을 탐색하도록 충분한 트래픽이 예약되어 있습니다. 활동이 계속 실행되는 동안에도 결과에 대한 테스트의 이점, 즉 학습과 동시에 최적화가 발생한다는 것을 확인할 수 있습니다.
Auto-Allocate은(는) 활동이 종료되어 승자가 결정될 때까지 기다릴 필요 없이 방문자를 점진적으로 우승 경험으로 이동합니다. 덜 성공적인 경험으로 보내졌을 활동 참여자가 잠재적으로 우승 경험으로 표시되므로 더 빠른 성과 향상(상승도)의 혜택을 얻을 수 있습니다.
Target의 일반 A/B 테스트에서는 도전자와 통제자의 쌍별 비교만 표시합니다. 예를 들어 활동에 A, B, C 및 D 경험이 있는 경우(여기서 A는 제어), 일반 Target A/B 테스트는 A 대 B, A 대 C 및 A 대 D를 비교합니다.
이러한 테스트에서는 Target을(를) 포함한 대부분의 제품이 Welch의 t-test을(를) 사용하여 p 값 기반 신뢰도를 생성합니다. 그런 다음 이 신뢰도 값을 사용하여 도전군이 통제군과 충분히 다른지 판별합니다. 그러나 Target은(는) "최상의" 환경을 찾는 데 필요한 암시적 비교(B 대 C, B 대 D, C 대 D)를 자동으로 수행하지 않습니다. 그 결과, 마케터는 결과를 수동으로 분석하여 "최상의" 경험을 결정해야 합니다.
Auto-Allocate은(는) 경험에 대한 모든 암시적 비교를 수행하고 "true" 승자를 생성합니다. 이 테스트에는 "통제" 경험이라는 개념이 없습니다.
Auto-Allocate은(는) 최상의 경험의 신뢰 구간이 다른 경험의 신뢰 구간과 겹치지 않을 때까지 새로운 방문자를 경험에 지능적으로 할당합니다. 일반적으로 이 프로세스는 긍정 오류(false positive)를 생성할 수 있지만 Auto-Allocate은(는) 반복된 평가를 보상하는 베른슈타인 부등식을 기반으로 하는 신뢰 구간을 사용합니다. 이 시점에서 진정한 승자가 있습니다. Auto-Allocate이(가) 중지되면, 페이지에 도착하는 방문자에게 실질적인 시간 종속성이 없는 경우 Auto-Allocate이(가) 실제 응답이 우승 경험의 실제 응답보다 1%(상대적) 적은 만큼의 경험을 반환할 확률이 95% 이상입니다.
Auto-Allocate 및 A/B Test 또는 Automated Personalization 활동을 사용해야 하는 경우 section_3F73B0818A634E4AAAA60A37B502BFF9
활동을 처음부터 최적화하고 우승 경험을 가능한 한 빨리 식별하려면 Auto-Allocate 을(를) 사용하십시오. 성과가 좋은 경험을 더 자주 제공함으로써 전반적인 활동 성과가 높아진다.
사이트를 최적화하기 전에 모든 경험의 성능을 특성화하려면 표준 A/B 테스트 를 사용하십시오. A/B 테스트는 모든 경험의 등급을 매기는 데 도움이 되지만 Auto-Allocate은(는) 상위 수행자를 찾지만 하위 수행자 간의 차별화를 보장하지는 않습니다.
개별 프로필 특성을 기반으로 예측을 작성하는 머신 러닝 모델과 같이 가장 복잡성이 높은 최적화 알고리즘을 원하는 경우 Automated Personalization을(를) 사용하십시오. Auto-Allocate은(는) 표준 A/B 테스트와 마찬가지로) 경험의 집계 동작을 살펴보며 방문자를 구분하지 않습니다.
Auto-Allocate의 주요 이점 section_0913BF06F73C4794862561388BBDDFF0
Multi-armed bandit: 최적화에 대한 multi-armed bandit 접근 방식은 탐색 학습과 해당 학습의 이용 간에 균형을 이룹니다.
알고리즘 작동 방식 section_ADB69A1C7352462D98849F2918D4FF7B
Auto-Allocate 뒤의 전체 논리에는 측정된 성능(예: 전환율)과 누적 데이터의 신뢰 구간이 모두 포함됩니다. 트래픽이 경험 간에 균등하게 분할되는 표준 A/B 테스트와 달리 Auto-Allocate은(는) 경험 간에 트래픽 할당을 변경합니다.
방문자의 80%는 아래에 설명된 지능적인 논리를 사용하여 할당됩니다.
방문자의 20%가 변화하는 방문자 행동에 적응하도록 모든 경험에 무작위로 할당됩니다.
multi-armed bandit 접근 방식은 잘 수행되는 경험을 이용하는 동안 일부 경험을 자유롭게 탐색할 수 있도록 합니다. 변화하는 조건에 반응하는 기능을 유지하는 동안 더 많은 신규 방문자가 성과가 더 좋은 경험에 배치됩니다. 이러한 모델은 모델이 최신 데이터에 반응하도록 한 시간에 한 번 이상 업데이트됩니다.
더 많은 방문자가 활동을 입력하면 일부 경험은 더 성공하기 시작하고 더 많은 트래픽이 성공적인 경험에 전송됩니다. 트래픽의 20%는 모든 경험을 탐색하기 위해 무작위로 계속 제공됩니다. 성과가 낮은 경험 중 하나가 더 높은 성과를 보이기 시작하면 해당 경험에 더 많은 트래픽이 할당됩니다. 또는 성과가 더 높은 활동의 성공이 줄어들면 해당 경험에 트래픽이 덜 할당됩니다. 예를 들어, 어떤 이벤트로 인해 방문자가 미디어 사이트에서 다른 정보를 검색하거나 소매 사이트의 주말 세일에서 다른 결과가 나오는 경우가 있을 수 있습니다.
다음 그림은 네 가지 경험(그림을 확장하려면 클릭)이 있는 테스트 동안 알고리즘이 어떻게 수행될 수 있는지를 나타냅니다.
그림에서는 분명한 승자가 결정되기 전까지 각 경험에 할당된 트래픽이 활동 라이프타임의 몇 개 라운드 동안 어떻게 진행되는지를 보여줍니다.
라운드
설명
{width="200" modal="regular"}
준비 라운드(0): 준비 라운드 동안 해당 활동에 있는 각 경험에 최소 1,000명의 방문자와 50개의 전환이 생길 때까지 각 경험은 동일한 트래픽 할당을 받습니다.
경험 A=25%
경험 B=25%
경험 C=25%
경험 D=25%
각 경험에 1,000명의 방문자와 50개의 전환이 생기면 Target에서 자동 트래픽 할당을 시작합니다. 모든 할당은 라운드에서 발생하며 각 라운드에 대해 두 개의 경험이 선택됩니다. D와(과) C, 두 개의 경험만 다음 라운드로 이동합니다. 앞쪽으로 이동하면 트래픽의 80%가 두 경험에 동일하게 할당됩니다. 다른 두 경험은 계속 참여하지만 새 방문자가 활동을 시작할 때 20% 무작위 트래픽 할당의 일부로만 제공됩니다. 모든 할당은 매시간마다 업데이트되며(위의 x축에 라운드별로 표시됨), 각 라운드 후에는 누적 데이터가 비교됩니다.
{width="200" modal="regular"}
1라운드: 이 라운드 동안 트래픽의 80%가 경험 C와 D에 할당됩니다(각각 40%). 트래픽의 20%는 경험 A, B, C 및 D에 무작위로 할당됩니다(각각 5%). 이 라운드 동안 경험 A는 잘 수행됩니다.
알고리즘에서는 경험 D가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 D가 다음 라운드로 이동하도록 선택됩니다.
알고리즘에서 경험 A는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 A도 순방향으로 이동하도록 선택됩니다.
경험 D와 A가 순방향으로 이동합니다.
{width="200" modal="regular"}
2라운드: 이 라운드 동안 트래픽의 80%가 경험 A와 D에 할당됩니다(각각 40%). 트래픽의 20%는 무작위로 할당됩니다. 이것은 A, B, C 및 D가 각각 트래픽의 5%를 받음을 의미합니다. 이 라운드 동안 경험 B는 잘 수행됩니다.
알고리즘에서는 경험 D가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 D가 다음 라운드로 이동하도록 선택됩니다.
알고리즘에서 경험 B는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 B도 순방향으로 이동하도록 선택됩니다.
경험 D와 B가 순방향으로 이동합니다.
{width="200" modal="regular"}
3라운드: 이 라운드 동안 트래픽의 80%가 경험 B와 D에 할당됩니다(각각 40%). 트래픽의 20%는 무작위로 할당됩니다. 이것은 A, B, C 및 D가 각각 트래픽의 5%를 받음을 의미합니다. 이 라운드에서 경험 D는 계속 잘 수행되고 경험 C가 잘 수행됩니다.
알고리즘에서는 경험 D가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 D가 다음 라운드로 이동하도록 선택됩니다.
알고리즘에서 경험 C는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 C도 순방향으로 이동하도록 선택됩니다.
경험 D와 C가 순방향으로 이동합니다.
{width="200" modal="regular"}
4라운드: 이 라운드 동안 트래픽의 80%가 경험 C와 D에 할당됩니다(각각 40%). 트래픽의 20%는 무작위로 할당됩니다. 이것은 A, B, C 및 D가 각각 트래픽의 5%를 받음을 의미합니다. 이 라운드 동안 경험 C는 잘 수행됩니다.
알고리즘에서는 경험 C가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 C가 다음 라운드로 이동하도록 선택됩니다.
알고리즘에서 경험 D는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 D도 순방향으로 이동하도록 선택됩니다.
경험 C와 D가 순방향으로 이동합니다.
{width="200" modal="regular"}
라운드 n: 활동이 진행되면서 성과가 좋은 경험이 나타나기 시작하고 우승 경험이 나올 때까지 프로세스가 계속됩니다. 전환율이 가장 높은 경험의 신뢰 구간이 다른 경험의 신뢰 구간과 겹치지 않으면 이 경험에 우승자 레이블이 지정됩니다. 배지가 우승 활동의 페이지 및 Activity 목록에 표시됩니다.
알고리즘에서는 경험 C를 분명한 승자로 선택합니다.
이 시점에서 알고리즘은 트래픽의 80%를 경험 C에 제공하지만, 트래픽의 20%는 계속해서 모든 경험(A, B, C 및 D)에 무작위로 제공됩니다. 통틀어 C는 트래픽의 85%를 받습니다. 승자의 신뢰 구간이 다시 겹치기 시작하는 있기 힘든 이벤트에서는 알고리즘이 위의 라운드 4 동작으로 되돌아갑니다.
중요: 프로세스에서 이전에 승자를 수동으로 선택한 경우에는 잘못된 경험을 선택하기 쉬웠을 것입니다. 따라서 알고리즘이 가장 성과가 좋은 경험을 결정할 때까지 기다리는 것이 좋습니다.
NOTE
활동에 경험이 두 개만 있는 경우, Target이(가) 75% 신뢰도로 우수성이 검증된 경험을 찾을 때까지 두 경험은 동일한 트래픽을 받습니다. 이 시점에서 트래픽의 2/3는 승자에게 할당되고 1/3은 패자에게 할당됩니다. 이후 경험이 95% 신뢰도에 도달하면 트래픽의 90%를 승자에게 할당하고, 10%를 패자에게 할당합니다. Target은(는) 마지막에 긍정 오류(false positive)를 피하기 위해(즉, 일부 탐색 유지) 항상 일부 트래픽을 "손실" 경험에 보냅니다.
Auto-Allocate 활동이 활성화되면 Target UI에서 다음 작업이 허용되지 않습니다.
Auto-Allocate 기능은 하나의 고급 지표 설정에서만 작동합니다. Increment Count and Keep User in Activity
Increment Count, Release User, Allow Reentry and Increment Count 및 Release User and Bar from Reentry 고급 지표 설정은 지원되지 않습니다.
빈번한 재방문자는 경험 전환율을 부풀릴 수 있습니다.
경험 A를 보는 방문자가 자주 재방문하고 여러 번 전환하는 경우 경험 A의 전환율(CR)이 인위적으로 증가합니다. 이 결과를 방문자가 전환하지만 자주 반환하지 않는 경험 B와 비교합니다. 그 결과 경험 A의 CR이 경험 B의 CR보다 좋아 보이므로 새 방문자는 B보다 A에 할당될 가능성이 높습니다. 참여자당 한 번씩 계산하기로 선택한다면 A의 CR과 B의 CR이 동일할 수 있다.
재방문자가 무작위로 분배되는 경우 전환율에 대한 효과가 균일해질 수 있습니다. 이 효과를 줄이려면, 목표 지표의 카운트 방법을 응모자마다 한 번만 카운트하도록 변경해 보십시오.
낮은 성과의 차이가 아니라 높은 성과의 차이를 구별한다.
Auto-Allocate은(는) 성과가 좋은 경험을 구분하고 우승자를 찾는 데 유용합니다. 성과가 낮은 경험들은 제대로 구별하지 못할 수 있습니다.
모든 경험 간에 통계적으로 유의미한 차별화를 만들려는 경우 수동 트래픽 할당 모드 사용을 고려할 수 있습니다.
시간 상호 관련(또는 컨텍스트에 따라 변하는) 전환율은 할당량을 왜곡할 수 있습니다.
모든 경험에 동일하게 영향을 주므로 표준 A/B 테스트 중에 무시할 수 있는 일부 요소는 Auto-Allocate 활동에서 무시할 수 없습니다. 알고리즘은 관찰된 전환율에 민감합니다.
다음은 경험 성과에 불균등하게 영향을 줄 수 있는 요소들의 예입니다.
상황에 맞는 다양한(시간, 위치, 성별 등) 관련성을 갖는 경험.
예:
"다행히도 오늘은 금요일이다"라는 소식으로 금요일에 더 많은 사람들이 이에 동의한다.
월요일부터 점프스타트=월요일의 전환율은 더 높다.
"동해안 겨울을 위한 장비 설치"는 동해안 또는 겨울이 고통받는 지역에서 더 높은 전환을 제공합니다.
상황에 맞는 관련성이 다양한 경험을 사용하면 A/B 테스트는 오랜 기간에 걸쳐 결과를 분석하므로 A/B 테스트보다 Auto-Allocate 테스트에서 결과를 왜곡할 수 있습니다.
메시지의 긴급성과 같은 이유로 변환에 다양한 지연이 생기는 경험.
예를 들어, "30% 세일 오늘 종료"는 방문자에게 오늘 전환하라는 신호를 보내지만, "최초 구매 50% 할인"은 동일한 절박감을 생성하지 않습니다.
자주 묻는 질문 section_0E72C1D72DE74F589F965D4B1763E5C3
Auto-Allocate 활동과 함께 작업할 때 다음 FAQ 및 답변을 참조하십시오.
Analytics for Target (A4T)에서 Auto-Allocate개의 활동을 지원합니까?
아니오. 새 방문자만 자동으로 할당됩니다. 재방문자는 A/B 테스트의 유효성을 보호하기 위해 원래 경험을 계속 볼 수 있습니다.
알고리즘에서 긍정 오류(false positive)는 어떻게 처리됩니까?
알고리즘에서는 승자 배지가 나타날 때까지 대기하는 경우 95% 신뢰도 또는 5% 긍정 오류(false positive) 비율을 보장합니다.
Auto-Allocate이(가) 언제 트래픽 할당을 시작합니까?
활동의 모든 경험에 최소 1,000명의 방문자와 50개의 전환이 생기면 알고리즘 작동이 시작됩니다.
알고리즘은 얼마나 적극적으로 활용됩니까?
트래픽의 80%는 Auto-Allocate을(를) 사용하여 제공되며 트래픽의 20%는 임의로 제공됩니다. 우승자가 식별되면 트래픽의 80%가 이동하는 반면, 모든 경험은 우승 경험을 포함하여 20%의 일부로 일부 트래픽을 계속 가져옵니다.
우승 경험을 제외한 경험도 표시됩니까?
예. multi-armed bandit은 트래픽의 20% 이상을 모든 경험에서 변화하는 패턴이나 전환율을 탐색하도록 예약합니다.
변환 지연이 긴 활동은 어떻게 됩니까?
최적화되는 모든 경험이 유사한 지연에 직면하는 한 동작은 전환 주기가 더 빠른 활동과 동일합니다. 하지만 트래픽 할당 프로세스가 시작되기 전에 전환 임계값 50에 도달하는 데 시간이 더 오래 걸립니다.
Auto-Allocate과(와) Automated Personalization의 차이점은 무엇입니까?
Automated Personalization은(는) 각 방문자의 프로필 특성을 사용하여 최상의 경험을 결정합니다. 이러한 작업에서 해당 사용자에 맞게 활동을 최적화할 뿐만 아니라 개인화합니다.
반면 Auto-Allocate은(는) 집계 우승자(각 방문자에게 가장 인기 있는 경험이지만 가장 효과적인 경험일 필요는 없음)를 생성하는 A/B 테스트입니다.
재방문자는 성공 지표에 대한 전환율을 부풀립니까?
현재, 논리는 방문자가 소속 경험의 전체 전환율을 일시적으로 부풀리기 때문에 빠르게 전환하거나 더 자주 방문하는 방문자를 선호합니다. 알고리즘은 자체적으로 자주 조정되므로 전환율의 증가는 각 스냅숏에서 증폭됩니다. 사이트에 수많은 재방문자가 발생하는 경우 사이트 전환은 해당 방문자가 속한 경험에 대한 전체 전환율을 부풀릴 수 있습니다. 재방문자는 무작위로 분산될 가능성이 크며, 이 경우 종합적인 효과(상승도 증대)는 균일해집니다. 이 효과를 줄이려면, 성공 지표의 카운트 방법을 응모자마다 한 번만 카운트하도록 변경해 보십시오.
활동에서 Auto-Allocate을(를) 사용하여 승자를 식별하는 데 걸리는 시간을 예상할 때 샘플 크기 계산기를 사용할 수 있습니까?
기존 Adobe Target 샘플 크기 계산기를 사용하여 테스트 실행 시간을 예상할 수 있습니다. (기존 A/B 테스트와 마찬가지로 두 개 이상의 오퍼 또는 두 개 이상의 전환 지표/가설을 테스트하는 경우 Bonferroni 보정을 적용합니다.) 이 계산기는 기존의 고정 기간 A/B 테스트를 위해 설계되었으며 예상 값만 제공합니다. Auto-Allocate에서 우승자를 선언하므로 Auto-Allocate 활동에 계산기를 사용하는 것은 선택 사항입니다. 테스트 결과를 보기 위해 고정된 시점을 선택할 필요가 없습니다. 제공된 값은 항상 통계적으로 유효합니다.
내부 Adobe 실험에서 다음을 발견했습니다.
정확히 두 개의 경험을 테스트하는 경우 Auto-Allocate은(는) 경험 간의 성능 차이가 클 때 고정 영역 테스트(즉, 샘플 크기 계산기에서 제안한 기간)보다 더 빨리 승자를 찾습니다. 그러나 경험 간의 성능 차이가 작은 경우 Auto-Allocate에서 승자를 식별하는 데 추가 시간이 필요할 수 있습니다. 이러한 경우, 고정 기간 테스트는 일반적으로 통계적으로 유의한 결과 없이 종료되었을 것이다.
두 개 이상의 경험을 테스트하는 경우 Auto-Allocate은(는) 단일 경험이 다른 모든 경험을 충분히 수행하지 못할 때 고정 대상 기간 테스트(즉, 표본 크기 계산기에서 제안한 기간)보다 더 빠르게 승자를 찾습니다. 두 개 이상의 경험이 다른 경험에 대해 모두 "우승"이지만 서로 거의 일치하는 경우 Auto-Allocate에서 우위를 확인하는 데 추가 시간이 필요할 수 있습니다. 이러한 경우, 고정 기간 테스트는 일반적으로 "우승" 경험이 성과가 낮은 경험보다 낫다고 결론을 내림으로써 끝났을 것이지만, 어느 것이 우수한지 식별하지 못했습니다.
우승자를 결정하는 프로세스를 빠르게 하기 위해 Auto-Allocate 활동에서 성과가 낮은 경험을 제거해야 합니까?
실제로는 성과가 낮은 경험을 제거할 이유가 없습니다. Auto-Allocate은(는) 성과가 좋은 경험을 더 자주 자동으로 제공하고 성과가 낮은 경험은 더 적게 제공합니다. 활동에서 성과가 낮은 경험을 남겨 두어도 우승자를 결정하는 속도에는 크게 영향을 주지 않습니다.
방문자의 20%가 모든 경험에 무작위로 할당됩니다. 성과가 낮은 경험에 제공된 트래픽의 양은 최소한입니다(20%를 경험 횟수로 나눔).
Auto-Allocate 활동 중간에 목표 지표를 변경할 수 있습니까? change-metric
Adobe은(는) 활동 중간에 목표 지표를 변경하지 않는 것이 좋습니다. Target UI를 사용하는 활동 중에 목표 지표를 변경할 수 있지만 항상 새 활동을 시작해야 합니다. Adobe은(는) 활동이 실행된 후 목표 지표를 변경할 경우 어떤 결과가 발생하는지 보장하지 않습니다.
이 권장 사항은 Target 또는 Analytics (A4T)을 보고 소스로 사용하는 Auto-Allocate, Auto-Target 및 Automated Personalization 활동에 적용됩니다.
Auto-Allocate 활동 중간에 보고 소스를 변경할 수 있습니까? change-reporting
Adobe은(는) 활동 중간에 보고 소스를 변경하지 않는 것이 좋습니다. Target UI를 사용하는 활동 중에 보고 소스를 변경(Target에서 A4T 또는 그 반대)할 수 있지만 항상 새 활동을 시작해야 합니다. Adobe은(는) 활동 실행 후 활동에서 보고 소스를 변경할 경우 발생하는 결과를 보장하지 않습니다.
이 권장 사항은 Target 또는 Analytics (A4T)을 보고 소스로 사용하는 Auto-Allocate, Auto-Target 및 Automated Personalization 활동에 적용됩니다.
Auto-Allocate 활동을 실행하는 동안 Reset Report Data 옵션을 사용할 수 있습니까?
Auto-Allocate 활동에 Reset Report Data 옵션을 사용하는 것은 권장되지 않습니다. 이 옵션을 사용하면 표시되는 보고 데이터는 제거되지만 Auto-Allocate 모델에서 모든 교육 기록이 제거되지는 않습니다. Auto-Allocate 활동에 Reset Report Data 옵션을 사용하는 대신 새 활동을 만들고 원래 활동을 비활성화하십시오. 이 지침은 Auto-Target 및 Automated Personalization 활동에도 적용됩니다.
Auto-Allocate은(는) 환경과 관련하여 모델을 어떻게 구축합니까?
Auto-Allocate은(는) 기본 환경에서만 기록된 트래픽 및 전환 동작을 기반으로 모델을 만듭니다. 기본적으로 Production이(가) 기본 환경이지만 Target (관리 > 환경)에서 기본 환경을 변경할 수 있습니다.
히트가 다른(기본값이 아닌) 환경에서 발생하는 경우 트래픽은 기본 환경에서 관찰된 전환 동작에 따라 분산됩니다. 해당 히트의 결과(전환 또는 비전환)는 보고 목적으로 기록되지만 Auto-Allocate 모델에서는 고려되지 않습니다.
다른 환경을 선택하면 보고서에 해당 환경에 대한 트래픽과 전환이 표시됩니다. 보고서에 대해 기본적으로 선택된 환경은 선택된 계정 전체 기본값입니다. 기본 환경은 활동별로 설정할 수 없습니다.
Auto-Allocate 활동이 시간 경과에 따른 트렌드 변경을 고려하기 위해 테스트 과정에서 전환 확인 기간을 조정할 수 있습니까?
예를 들어, (테스트가 시작된) 9월 방문자 데이터를 보는 대신 활동을 통해 트래픽을 할당하는 방법을 결정하는 12월 월을 고려할 수 있습니까?
아니요. Auto-Allocate은(는) 전체 활동의 성능을 고려합니다.
우승 경험이 방문자가 활동 자격 조건을 충족할 때 표시되는 것과 다른 경우 Auto-Allocate에서 재방문자에게 우승 경험을 표시합니까?
Auto-Allocate은(는) A/B Test개의 활동이 고정된 것과 동일한 이유로 고정 의사 결정을 사용합니다. 트래픽 할당은 새 방문자에게만 작동합니다.
