[Premium]{class="badge positive" title="Kijk wat er in Target Premium is opgenomen."}
Auto-Target overzicht
Auto-Target -activiteiten in Adobe Target maken gebruik van geavanceerd leren van machines om uit meerdere, krachtigere, door de markt gedefinieerde ervaringen te kiezen voor het aanpassen van inhoud en het omzetten van stations. Auto-Target biedt elke bezoeker de meest op maat gemaakte ervaring op basis van het individuele klantprofiel en het gedrag van eerdere bezoekers met vergelijkbare profielen.
-
Auto-Target is beschikbaar als onderdeel van de Target Premium -oplossing. Deze functie is niet beschikbaar in Target Standard zonder een Target Premium -licentie. Voor meer informatie over de geavanceerde eigenschappen verstrekt deze vergunning, zie Target Premium.
-
Analytics for Target (A4T) ondersteunt Auto-Target -activiteiten. Voor meer informatie, zie steun A4T voor auto-Wijs en auto-Doel activiteitentoe.
Real-world succesverhaal met Auto-Target success
Een grote detailhandelaar in kleding gebruikte onlangs een Auto-Target activiteit met tien op productcategorie-gebaseerde ervaringen (plus randomiseerde controle) om de juiste inhoud aan elke bezoeker te leveren. "Add to Cart" is gekozen als primaire optimalisatiemetrische waarde. De beoogde ervaringen liepen gemiddeld op met 29,09%. Nadat de Auto-Target -modellen waren gemaakt, werd de activiteit ingesteld op 90% persoonlijke ervaringen.
In slechts tien dagen werd meer dan $1.700.000 in lift bereikt.
Lees verder om te leren hoe u Auto-Target kunt gebruiken om de lift en de omzet voor uw organisatie te verhogen.
Overzicht section_972257739A2648AFA7E7556B693079C9
Terwijl creërend een activiteit A/Bgebruikend het driestappe geleide werkschema, kies de Auto-Target for personalized experiences optie op de Targeting pagina (stap 2).
Met de optie Auto-Target in de activiteitsstroom A/B kunt u automatisch leren aanpassen op basis van een aantal ervaringen die met behulp van een marketer zijn gedefinieerd. Auto-Target is ontworpen om maximale optimalisatie te bieden in vergelijking met traditionele A/B-tests of Auto Allocate door te bepalen welke ervaring voor elke bezoeker moet worden weergegeven. In tegenstelling tot een A/B-activiteit waarbij het doel is één winnaar te vinden, bepaalt Auto-Target automatisch de beste ervaring voor een bepaalde bezoeker. De beste ervaring is gebaseerd op het profiel van de bezoeker en andere contextafhankelijke informatie voor een zeer persoonlijke ervaring.
Vergelijkbaar met Automated Personalization, Auto-Target gebruikt a Willekeurig Bosalgoritme, een belangrijke methode van het de materiaalensemble van gegevenswetenschap, om de beste ervaring te bepalen om aan een bezoeker te tonen. Omdat Auto-Target zich kan aanpassen aan wijzigingen in het gedrag van de bezoeker, kan het permanent worden uitgevoerd om een lift te leveren. Deze methode wordt soms ook wel de "always-on"-modus genoemd.
In tegenstelling tot een activiteit A/B waarin de ervaringstoewijzing voor een bepaalde bezoeker kleverig is, optimaliseert Auto-Target het gespecificeerde bedrijfsdoel over elk bezoek. Net als in Auto Personalization, Auto-Target, door gebrek, reserveert een deel van het verkeer van de activiteit als controlegroep om lift te meten. Bezoekers in de controlegroep krijgen een willekeurige ervaring in de activiteit.
Overwegingen
Houd rekening met het volgende als u Auto-Target gebruikt:
-
U kunt niet van Auto-Target naar Automated Personalization gaan en omgekeerd.
-
U kunt niet schakelen van Manual verkeerstoewijzing (traditioneel A/B Test ) naar Auto-Target en de tegenovergestelde manier nadat een activiteit als concept is opgeslagen.
-
Één model wordt gebouwd om de prestaties van de gepersonaliseerde strategie tegenover willekeurig gediend verkeer tegenover het verzenden van al verkeer naar het algemeen het winnen ervaring te identificeren. In dit model worden alleen resultaten en omzettingen in de standaardomgeving bekeken.
Het verkeer van een tweede reeks modellen wordt gebouwd voor elke modelleringsgroep (AP) of ervaring (AT). Voor elk van deze modellen worden hits en conversies in alle omgevingen in overweging genomen.
De verzoeken worden gediend met het zelfde model, ongeacht milieu. De pluraliteit van het verkeer moet echter afkomstig zijn uit de standaardomgeving om ervoor te zorgen dat de geïdentificeerde overkoepelende ervaring consistent is met het gedrag in de praktijk.
-
Gebruik minimaal twee ervaringen.
Terminologie section_A309B7E0B258467789A5CACDC1D923F3
De volgende termen zijn handig wanneer u Auto-Target bespreekt:
Hoe Auto-Target werkt section_77240E2DEB7D4CD89F52BE0A85E20136
Meer informatie over de onderliggende gegevens en algoritmen Auto-Target en Automated Personalization vindt u op de onderstaande koppelingen:
Verkeerstoewijzing bepalen section_AB3656F71D2D4C67A55A24B38092958F
Afhankelijk van het doel van uw activiteit, zou u een verschillende verkeerstoewijzing tussen controle en gepersonaliseerde ervaringen kunnen kiezen. De beste praktijken moeten dit doel bepalen alvorens u uw activiteit Levend maakt.
In de vervolgkeuzelijst Custom Allocation kunt u uit de volgende opties kiezen:
- Evaluate Personalization Algorithm (50/50)
- Maximize Personalization Traffic (90/10)
- Custom Allocation
In de volgende tabel worden de drie opties beschreven:
- Maximaliseert nauwkeurigheid van lift tussen controle en gepersonaliseerd
- Relatief minder bezoekers hebben een persoonlijke ervaring
- Maximaliseert het aantal bezoekers dat een persoonlijke ervaring heeft
- Maximaliseert lift
- Minder nauwkeurigheid wat betreft wat de lift voor de activiteit is
- U bereikt mogelijk niet de gewenste resultaten. Als u twijfelt, volgt u de suggesties voor een van de voorgaande opties
Als u het percentage Control wilt aanpassen, klikt u op Experiences in het deelvenster Traffic Allocation en past u vervolgens de percentages naar wens aan. U kunt de controlegroep niet tot minder dan 10% verminderen.
U kunt een specifieke ervaring selecteren om als controlete gebruiken of u kunt de Willekeurige ervaringsoptie gebruiken.
Wanneer moet u Auto-Target over Automated Personalization kiezen? section_BBC4871C87944DD7A8B925811A30C633
Er zijn verschillende scenario's waarin u Auto-Target over Automated Personalization liever gebruikt:
- Als u de hele ervaring wilt definiëren in plaats van afzonderlijke aanbiedingen die automatisch worden gecombineerd om een ervaring te vormen.
- Als u de volledige set Visual Experience Composer (VEC)-functies wilt gebruiken die niet door Auto Personalization worden ondersteund: de aangepaste code-editor, meerdere ervaringssoorten en meer.
- Als u structurele wijzigingen in uw pagina wilt aanbrengen in verschillende ervaringen. Als u bijvoorbeeld de elementen op de startpagina opnieuw wilt rangschikken, is Auto-Target geschikter voor gebruik dan Automated Personalization .
Wat heeft Auto-Target gemeen met Automated Personalization ? section_2A601F482F9A44E38D4B694668711319
Het algoritme optimaliseert voor een gunstig resultaat voor elk bezoek.
- Het algoritme voorspelt de neiging van een bezoeker voor omzetting (of geschatte opbrengst van omzetting) om de beste ervaring te dienen.
- Een bezoeker komt in aanmerking voor een nieuwe ervaring aan het einde van een bestaande sessie (tenzij de bezoeker deel uitmaakt van de controlegroep, in welk geval de ervaring die de bezoeker tijdens het eerste bezoek heeft opgedaan dezelfde blijft voor volgende bezoeken).
- Binnen een sessie verandert de voorspelling niet om de visuele consistentie te behouden.
Het algoritme wordt aangepast aan wijzigingen in het gedrag van de bezoeker.
- De multi-armbandit zorgt ervoor dat het model altijd een klein fractie verkeer "uitgeeft"om door het leven van het activiteit leren te blijven leren en overexploitatie van eerder geleerde tendensen te verhinderen.
- De onderliggende modellen worden elke 24 uur opnieuw samengesteld met behulp van de meest recente gedragsgegevens van de bezoeker, zodat Target altijd misbruik maakt van het wijzigen van de voorkeuren van de bezoeker.
- Als het algoritme het winnen van ervaringen voor individuen niet kan bepalen, schakelt het automatisch aan het tonen van de algemene best-presterende ervaring terwijl nog steeds het zoeken naar gepersonaliseerde winnaars blijft. De best-presterende ervaring wordt gevonden gebruikend steekproef van Thompson.
Het algoritme optimaliseert voortdurend voor één enkel doel metrisch.
- Deze metrische waarde kan gebaseerd zijn op conversie of op inkomsten (meer bepaald Revenue per Visit ).
Target verzamelt automatisch informatie over bezoekers om de verpersoonlijkingsmodellen samen te stellen.
- Voor meer informatie over de parameters die in Auto-Target en Automated Personalization worden gebruikt, zie de Inzameling van Gegevens van Automated Personalization.
Target gebruikt automatisch alle Adobe Experience Cloud gedeelde soorten publiek om de aanpassingsmodellen te maken.
- U hoeft niets specifiek te doen om publiek aan het model toe te voegen. Voor informatie over het gebruiken van Experience Cloud Audiences met Target, zie Soorten publiek van de Experience Cloud.
Marketers kunnen offlinegegevens, proxyscores of andere aangepaste gegevens uploaden om personalisatiemodellen samen te stellen.
- Meer informatie over het uploaden van gegevens voor Auto-Target en Automated Personalization.
Hoe verschilt Auto-Target van Automated Personalization ? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB
Auto-Target vereist vaak minder verkeer dan Automated Personalization voor een gepersonaliseerd model om te bouwen.
Hoewel de hoeveelheid verkeer per ervaring wordt vereist voor Auto-Target of Auto Personalization modellen om het zelfde te bouwen, zijn er gewoonlijk meer ervaringen in een Automated Personalization activiteit dan een Auto-Target activiteit.
Als u bijvoorbeeld een Auto Personalization -activiteit had waarbij u twee aanbiedingen per locatie met twee locaties hebt gemaakt, zijn er vier (2 = 4) ervaringen in totaal opgenomen in de activiteit (zonder uitsluitingen). Met Auto-Target kunt u ervaring 1 zodanig instellen dat aanbieding 1 op locatie 1 wordt opgenomen en aanbieding 2 op locatie 2. Met ervaring 2 kunt u aanbieding 1 op locatie 1 opnemen en aanbieding 2 op locatie 2. Omdat u in Auto-Target meerdere wijzigingen binnen één ervaring kunt uitvoeren, kunt u het aantal ervaringen in uw activiteit verminderen.
Voor Auto-Target, kunnen de eenvoudige regels van duim worden gebruikt om verkeersvereisten te begrijpen:
- wanneer Conversion uw succes metrisch is: 1.000 bezoeken en minstens 50 omzettingen per dag per ervaring, en daarnaast moet de activiteit minstens 7.000 bezoeken en 350 omzettingen hebben.
- wanneer Revenue per Visit uw succes metrisch is: 1.000 bezoeken en minstens 50 omzettingen per dag per ervaring, en daarnaast moet de activiteit minstens 1.000 omzettingen per ervaring hebben. RPV vereist gewoonlijk meer gegevens om modellen samen te stellen vanwege de hogere gegevensvariantie die gewoonlijk bestaat in de opbrengsten van bezoeken in vergelijking met de omrekeningskoers.
Auto-Target heeft volledige instellingsfunctionaliteit.
- Omdat Auto-Target is ingesloten in de A/B-activiteitsworkflow, profiteert Auto-Target van de meer volwassen en volledige Visual Experience Composer (VEC). U kunt verbindingen QAmet Auto-Target ook gebruiken.
Auto-Target biedt een uitgebreid onlinetestframework.
- De bandit met meerdere armen maakt deel uit van een groter online testkader dat Adobe data-wetenschappers en onderzoekers in staat stelt de voordelen van hun voortdurende verbeteringen in de reële omstandigheden te begrijpen.
- In de toekomst kunnen we met deze testbank het platform voor machinaal leren van Adobe openen voor klanten met gegevensbewuste functies, zodat ze hun eigen modellen kunnen gebruiken om de Target -modellen te verfraaien.
Rapportage en Auto-Target section_42EE7F5E65E84F89A872FE9921917F76
Voor meer informatie, zie Meldend en auto-Doel.