[Premium]{class="badge positive" title="Zie wat er in Target Premium is opgenomen."}

A4T-rapporten instellen in Analysis Workspace voor Auto-Target -activiteiten

De Analytics for Target (A4T) integratie voor Auto-Target -activiteiten gebruikt de Adobe Target ensemble machine learning (ML)-algoritmen om de beste ervaring voor elke bezoeker te kiezen op basis van hun profiel, gedrag en context, en dit alles terwijl een Adobe Analytics target-metrische waarde wordt gebruikt.

Hoewel uitgebreide analysemogelijkheden beschikbaar zijn in Adobe Analytics Analysis Workspace , zijn enkele wijzigingen in het standaard Analytics for Target -deelvenster vereist om Auto-Target -activiteiten correct te interpreteren, vanwege verschillen tussen experimentatieactiviteiten (handmatig A/B Test en Auto-Allocate) en personalisatieactiviteiten (Auto-Target).

In deze zelfstudie worden de aanbevolen wijzigingen voor het analyseren van Auto-Target -activiteiten in Analysis Workspace besproken. Deze zijn gebaseerd op de volgende sleutelconcepten:

Het deelvenster A4T voor Auto-Target maken in Analysis Workspace

Als u een A4T-rapport voor Auto-Target wilt maken, begint u met het Analytics for Target -deelvenster in Analysis Workspace , zoals hieronder wordt weergegeven, of begint u met een vrije-vormtabel. Maak vervolgens de volgende selecties:

Gebruik de dimensie Control vs.Targeted om het Target ensemble ML model te vergelijken met uw besturingselement

Het standaard A4T-deelvenster is ontworpen voor klassieke (handmatige) A/B Test - of Auto-Allocate -activiteiten waarbij het doel is de prestaties van afzonderlijke ervaringen te vergelijken met die van de besturingservaring. In Auto-Target activiteiten, echter, zou de eerste ordevergelijking tussen de controle strategie en de gerichte strategie moeten zijn. Met andere woorden, het bepalen van de lift van de algemene prestaties van het Auto-Target ensemble ML model over de controlestrategie.

Voor deze vergelijking gebruikt u de Control vs Targeted (Analytics for Target) -dimensie. Sleep en zet neer om de Target Experiences dimensie in het standaardA4T rapport te vervangen.

Deze vervanging maakt de standaard Lift and Confidence -berekeningen in het deelvenster A4T ongeldig. Om verwarring te voorkomen, kunt u deze metriek uit het standaardpaneel verwijderen, verlatend het volgende rapport:

Figuur 2: Het geadviseerde basislijnrapport voor Auto-Target activiteiten. Dit rapport is gevormd om gericht verkeer (gediend door het ensemble model van ML) tegen uw controleverkeer te vergelijken.

Onderverdelingen op ervaringsniveau toevoegen voor metriek

Om meer inzicht te krijgen in hoe het ensemble ML model presteert, kunt u ervaring-vlakke onderverdelingen van de Control vs Targeted dimensie onderzoeken. Sleep in Analysis Workspace de Target Experiences -dimensie naar uw rapport en onderbreek elk van de besturingselementen en de doeldimensies afzonderlijk.

Figuur 3: Het onderbreken van de gerichte afmeting door de Ervaringen van het Doel

Hier wordt een voorbeeld van het resulterende rapport weergegeven.

Figuur 4: Een standaard Auto-Target rapport met ervaring-vlakke onderverdelingen. Merk op dat uw doel metrisch verschillend zou kunnen zijn, en uw controlestrategie één enkele ervaring zou kunnen hebben.

Waarom "Visits" de juiste normalisatiemethode is voor Auto-Target -activiteiten

Wanneer u een Auto-Target -activiteit analyseert, kiest u altijd Visits als de standaardmethode voor normalisatie. Met Auto-Target personalisatie wordt een ervaring geselecteerd voor een bezoeker eenmaal per bezoek (formeel, eenmaal per Target -sessie). Dit betekent dat de ervaring die wordt getoond aan een bezoeker tijdens elk bezoek kan veranderen. Als u Unique Visitors dus gebruikt als de normalisatiemethode, zou het feit dat één gebruiker meerdere ervaringen kan zien (tijdens verschillende bezoeken), leiden tot verwarrende conversietarieven.

Een eenvoudig voorbeeld illustreert dit punt: denk aan een scenario waarin twee bezoekers een campagne starten die slechts twee ervaringen heeft. De eerste bezoeker bezoekt tweemaal. Zij worden toegewezen aan Experience A tijdens het eerste bezoek, maar beleven B tijdens het tweede bezoek (vanwege hun profielstatus die veranderde bij dat tweede bezoek). Na het tweede bezoek converteert de bezoeker een bestelling. De conversie wordt toegeschreven aan de ervaring die het laatst is opgedaan (Experience B). De tweede bezoeker bezoekt ook twee keer, en wordt Ervaring B getoond beide keer, maar nooit omzet.

Laten we de bezoekers vergelijken met de bezoekers:

Lijst 1: Voorbeeld die bezoeker-genormaliseerde en bezoek-genormaliseerde rapporten voor een scenario vergelijkt waarin de besluiten aan een bezoek (en niet bezoeker, zoals met regelmatige tests A/B) kleven. Bezoeker-genormaliseerde metriek zijn verwarrend in dit scenario.

Zoals uit de tabel blijkt, is er een duidelijke incongruentie van bezoekersaantallen. Ondanks het feit dat er in totaal twee unieke bezoekers zijn, is dit geen som van afzonderlijke unieke bezoekers voor elke ervaring. Hoewel de conversiekoers op bezoekersniveau niet noodzakelijkerwijs verkeerd is, hebben conversietarieven op bezoekniveau bij vergelijking van individuele ervaringen waarschijnlijk veel meer zin. Formeel is de eenheid van analyse ("bezoeken") dezelfde als de eenheid van beslissingswaanzin, wat betekent dat uitsplitsingen van meetgegevens op ervaringsniveau kunnen worden toegevoegd en vergeleken.

Filter voor feitelijke bezoeken aan de activiteit

De standaardmethode voor het tellen van Adobe Analytics voor bezoeken aan een Target -activiteit kan bezoeken bevatten waarin de gebruiker niet heeft gereageerd op de Target -activiteit. Dit is te wijten aan de manier waarop Target -activiteitstoewijzingen worden voortgezet in de Analytics -bezoekerscontext. Als gevolg hiervan kan het aantal bezoeken aan de Target -activiteit soms worden opgevoerd, wat resulteert in een verlaging van de omrekeningskoersen.

Als u liever melding wilt maken van bezoeken waarop de gebruiker daadwerkelijk heeft gereageerd op de Auto-Target -activiteit (door toegang tot de activiteit, een weergave- of bezoekgebeurtenis of een conversie), kunt u het volgende doen:

om het segment tot stand te brengen:

Figuur 5: Gebruik een segment zoals hier getoond om Visits metrisch in uw A4T voor Auto-Target rapport te filtreren

Nadat het segment is gemaakt, kunt u het gebruiken om de Visits -meting te filteren. De Visits -meting omvat dus alleen bezoeken waar de gebruiker interactie heeft gehad met de Target -activiteit.

om Visits te filtreren gebruikend dit segment:

Het uiteindelijke venster ziet er als volgt uit:

Figuur 6: Meldend paneel met het "Actief van de Activiteit van het Actief van het Staal met specifiek Auto-Doel"segment dat op Visits wordt toegepast. Dit segment zorgt ervoor dat alleen bezoeken waarin een gebruiker daadwerkelijk met de Target activiteit in kwestie communiceerde, in het rapport worden opgenomen.

Zorg ervoor dat de maatstaf van het doel en de kenmerk zijn uitgelijnd op het optimalisatiecriterium

De integratie A4T staat het Auto-Target model van XML toe om worden getraind gebruikend de zelfde gegevens van de omzettingsgebeurtenis die Adobe Analytics gebruikt aan prestatiesrapporten produceren. Er zijn echter bepaalde veronderstellingen die moeten worden gebruikt bij de interpretatie van deze gegevens bij de training van de ML-modellen, die verschillen van de standaardveronderstellingen die tijdens de rapportagefase in Adobe Analytics zijn gemaakt.

In het bijzonder gebruiken de Adobe Target ML-modellen een 'visit-scoped'-attributiemodel. In de ML-modellen wordt er dus van uitgegaan dat een conversie moet plaatsvinden tijdens hetzelfde bezoek als een weergave van inhoud voor de activiteit, zodat de conversie "toegeschreven" kan worden aan de beslissing van het ML-model. Target kan niet tot 30 dagen wachten op een conversie (het standaardtoewijzingsvenster voor rapporten in Adobe Analytics ) voordat deze in de trainingsgegevens voor zijn modellen wordt opgenomen. Dit is vereist voor Target .

Het verschil tussen de attributie die wordt gebruikt door de Target -modellen (tijdens training) en de standaardtoewijzing die wordt gebruikt in het opvragen van gegevens (tijdens het genereren van rapporten) kan dus tot discrepanties leiden. Het kan zelfs lijken dat de modellen van ML slecht presteren, terwijl de kwestie eigenlijk bij attributie ligt.

De nauwkeurige metrische definitie, en attributie montages hangen van het optimalisatiecriteriumaf u tijdens activiteitenverwezenlijking specificeerde.

Het doel bepaalde omzettingen, of Analytics metriek met maximaliseert Metrische Waarde per Bezoek

Wanneer metrisch a Target omzetting is, of een Analytics metriek met Maximaliseer Metrische Waarde per Bezoek, staat de doel metrische definitie voor veelvoudige omzettingsgebeurtenissen toe om in het zelfde bezoek voor te komen.

Voer de volgende stappen uit om doelmetriek weer te geven die dezelfde toewijzingsmethode hebben die wordt gebruikt door de Target ML-modellen:

Deze stappen zorgen ervoor dat uw rapport het doel metrisch aan de vertoning van de ervaring kenmerkt, als de doel metrische gebeurtenis om het even welke tijd ("participatie") in het zelfde bezoek dat een ervaring werd getoond gebeurde.

Analytics metriek met de Unieke Tarieven van de Omzetting van het Bezoek

bepaal het bezoek met positief metrisch segment

In het scenario waar u selecteerde maximaliseer het Unieke Tarief van de Omzetting van het Bezoek als optimalisatiecriterium, is de correcte definitie van het omzettingstarief de fractie van bezoeken waarin de metrische waarde positief is. Dit kan worden bereikt door een segment te creëren dat neer aan bezoeken met een positieve waarde van metrisch filtreert, en dan de bezoeken metrisch filtreert.

Figuur 7: Het filtreren van de segmentdefinitie aan bezoeken met een positieve orde. Afhankelijk van metrische optimalisering van uw activiteit, moet u orden met aangewezen metrisch vervangen

pas dit op de bezoeken in metrisch gefiltreerde activiteit toe

Dit segment kan nu worden gebruikt om te filteren op bezoeken met een positief aantal bestellingen en waar een hit is opgetreden voor de Auto-Target -activiteit. De procedure om metrisch te filtreren is gelijkaardig aan vóór, en na het toepassen van het nieuwe segment op reeds gefilterde bezoek metrisch, zou het rapportpaneel als Figuur 8 moeten kijken

Figuur 8: Het rapportpaneel met correcte uniek-bezoek metrische conversie: het aantal bezoeken waar een slag van de activiteit werd geregistreerd, en waar metrische omzetting (orden in dit voorbeeld) niet-nul was.

Eindstap: een conversiesnelheid maken waarmee de bovenstaande magie wordt vastgelegd

Met de wijzigingen in de Visit en doelmetriek in de voorafgaande secties, zou de definitieve wijziging u aan uw gebrek A4T voor Auto-Target het melden paneel moeten maken omzettingen tot stand brengen die de correcte verhouding-dat van het gecorrigeerde doel metrisch, aan correct gefiltreerde metrisch "Bezoeken"zijn.

Doe dit door een Calculated Metric te maken met behulp van de volgende stappen:

De volledige berekende metrische definitie wordt hier getoond.

Figuur 7: De bezoek-gecorrigeerde en attributie-gecorrigeerde metrische definitie van de modelomzettingssnelheid. (Merk op dit metrisch is afhankelijk van uw doel metrisch en activiteit. Met andere woorden, is deze metrische definitie niet herbruikbaar over activiteiten.)

Samenvatting: deelvenster Laatste voorbeeld Analysis Workspace voor Auto-Target -rapporten

Als u alle bovenstaande stappen in één venster verenigt, wordt in de onderstaande afbeelding een volledige weergave getoond van het aanbevolen rapport voor Auto-Target A4T-activiteiten. Dit rapport is het zelfde als dat gebruikt door de Target modellen van ML om uw doel metrisch te optimaliseren. Het verslag bevat alle nuances en aanbevelingen die in deze zelfstudie worden besproken. Dit rapport ligt ook het dichtst bij de telmethoden die worden gebruikt in traditionele Target -reporting gedreven Auto-Target -activiteiten.

Klik om de afbeelding uit te vouwen.

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

Figuur 10: Het definitieve A4T Auto-Target rapport in Adobe Analytics Workspace, dat alle aanpassingen aan metrische definities combineert die in de vorige secties van dit leerprogramma worden beschreven.