[Premium]{class="badge positive" title="Zie wat er in Target Premium is opgenomen."}
Auto-Target overzicht
Auto-Target activiteiten in Adobe Target gebruik de geavanceerde machine-educatie om uit veelvoudige hoog-presterende, telleregerichte ervaringen te selecteren om inhoud en aandrijvingsomzettingen te personaliseren. Auto-Target biedt iedere bezoeker de meest toegesneden 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 Target Premium licentie. Voor meer informatie over de geavanceerde functies die deze licentie biedt, raadpleegt u Doelpremie.
-
Analytics for Target (A4T)-ondersteuning Auto-Target activiteiten. Zie voor meer informatie A4T-ondersteuning voor activiteiten voor automatisch toewijzen en automatisch richten.
Real-world succesverhaal met Auto-Target success
Onlangs gebruikte een grote kledinghandelaar een Auto-Target activiteit met tien op productcategorieën gebaseerde ervaringen (plus gerandomiseerde controle) om de juiste inhoud aan elke bezoeker te leveren. "Add to Cart" is gekozen als de primaire optimalisatiemethode. De beoogde ervaringen liepen gemiddeld op met 29,09%. Na het maken van de Auto-Target de activiteit werd op 90 % persoonlijke ervaringen ingesteld .
In slechts tien dagen werd meer dan $1.700.000 in lift bereikt.
Lees verder voor meer informatie over het gebruik Auto-Target om de lift en de inkomsten voor uw organisatie te verhogen.
Overzicht section_972257739A2648AFA7E7556B693079C9
while A/B-activiteit maken Kies de Auto-Target for personalized experiences de optie Targeting pagina (stap 2).
De Auto-Target kunt u in de activiteitsstroom van A/B machine-leren gebruiken om zich te personaliseren gebaseerd op een reeks van tellers-bepaalde ervaringen in één klik. Auto-Target is ontworpen voor maximale optimalisatie 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 enkele winnaar te vinden, Auto-Target bepaalt 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.
Op dezelfde manier als Automated Personalization, Auto-Target gebruikt een Random Forest-algoritme, een toonaangevende methode voor het samenvoegen van gegevens in de wetenschap, om de beste ervaring te bepalen die aan een bezoeker kan worden getoond. Omdat Auto-Target Deze functie kan worden aangepast aan wijzigingen in het gedrag van de bezoeker en kan permanent worden uitgevoerd om een lift te leveren. Deze methode wordt soms ook wel de "always-on"-modus genoemd.
In tegenstelling tot een A/B-activiteit waarbij de ervaringstoewijzing voor een bepaalde bezoeker kleverig is, Auto-Target optimaliseert het gespecificeerde bedrijfsdoel over elk bezoek. Zoals 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
Er zijn enkele belangrijke overwegingen waarmee u rekening moet houden wanneer u Auto-Target:
-
U kunt niet van een bepaalde activiteit veranderen Auto-Target tot Automated Personalizationen omgekeerd.
-
U kunt niet schakelen tussen Manual verkeersverdeling (traditioneel) A/B Test) naar Auto-Targeten omgekeerd 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, maar de pluraliteit van verkeer zou van het standaardmilieu moeten komen om ervoor te zorgen dat de geïdentificeerde algemene het winnen ervaring met echt gedrag verenigbaar is.
-
Gebruik minimaal twee ervaringen.
Terminologie section_A309B7E0B258467789A5CACDC1D923F3
De volgende termen zijn handig wanneer u discussieert over Auto-Target:
Hoe Auto-Target Werken section_77240E2DEB7D4CD89F52BE0A85E20136
Meer informatie over de onderliggende gegevens en algoritmen Auto-Target en Automated Personalization op de onderstaande link :
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.
De Custom Allocation In de vervolgkeuzelijst kunt u de volgende opties kiezen:
- Evaluate Personalization Algorithm
- Maximize Personalization Traffic
- Custom Allocation
- Maximaliseert nauwkeurigheid van lift tussen controle en gepersonaliseerd
- Relatief minder bezoekers hebben een persoonlijke ervaring
- Maximaliseert het aantal bezoekers met een persoonlijke ervaring
- 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 dialoogvenster Control percentage, klik de pictogrammen in Allocation kolom. U kunt de controlegroep niet tot minder dan 10% verminderen.
U kunt een specifieke ervaring selecteren die u als besturingselement wilt gebruiken of u kunt de optie Willekeurige ervaring gebruiken.
Wanneer kiest u Auto-Target over Automated Personalization? section_BBC4871C87944DD7A8B925811A30C633
Er zijn verschillende scenario's waarin u wellicht liever zult gebruiken Auto-Target over Automated Personalization:
- 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 van Visual Experience Composer (VEC)-functies die niet worden ondersteund door Auto Personalization: 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 uw startpagina opnieuw wilt rangschikken, Auto-Target is geschikter dan Automated Personalization.
Wat doet Auto-Target gemeen hebben 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 om de 24 uur opnieuw samengesteld met behulp van de meest recente gedragsgegevens van de bezoeker om ervoor te zorgen dat Target gebruikt altijd het wijzigen van voorkeuren voor bezoekers.
- 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 Thompson sampling.
Het algoritme optimaliseert voortdurend voor één enkel doel metrisch.
- Deze metrische waarde kan op conversie of op inkomsten gebaseerd zijn (meer bepaald Revenue per Visit).
Target verzamelt automatisch informatie over bezoekers om de verpersoonlijkingsmodellen te bouwen.
- Voor meer informatie over de parameters die worden gebruikt in Auto-Target en Automated Personalization, zie Automated Personalization-gegevensverzameling.
Target gebruikt automatisch alle Adobe Experience Cloud een gedeeld publiek om de personalisatiemodellen op te bouwen.
- U hoeft niets specifiek te doen om publiek aan het model toe te voegen. Voor informatie over het gebruik Experience Cloud Audiences with Target, zie Soorten publiek Experience Cloud.
Marketers kunnen offlinegegevens, proxyscores of andere aangepaste gegevens uploaden om personalisatiemodellen samen te stellen.
- Meer informatie over gegevens uploaden voor Auto-Target en Automated Personalization.
Hoe werkt Auto-Target verschillen van Automated Personalization? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB
Auto-Target vaak minder verkeer vereist dan Automated Personalization voor een gepersonaliseerd model om te bouwen.
Hoewel de hoeveelheid verkeer per ervaring vereist voor Auto-Target of Auto Personalization modellen om te bouwen zijn het zelfde, zijn er gewoonlijk meer ervaringen in Automated Personalization activiteit dan een Auto-Target activiteit.
Als u bijvoorbeeld een Auto Personalization De activiteit waarin u twee aanbiedingen per plaats met twee plaatsen hebt gecreeerd, zou er vier (2 = 4) totale ervaringen inbegrepen in de activiteit (zonder uitsluitingen) zijn. Gebruiken Auto-Target, kunt u ervaring 1 instellen om aanbieding 1 op locatie 1 en aanbieding 2 op locatie 2 op te nemen, en ervaring 2 om aanbieding 1 op locatie 1 en aanbieding 2 op locatie 2 op te nemen. Omdat Auto-Target kunt u ervoor kiezen om meerdere wijzigingen binnen één ervaring door te voeren, zodat u het aantal ervaringen in uw activiteit kunt verminderen.
Voor Auto-TargetEenvoudige duimregels kunnen worden gebruikt om de verkeersvereisten te begrijpen:
- Wanneer Conversion is uw succesmetrische waarde: 1.000 bezoeken en ten minste 50 conversies per dag per ervaring, en daarnaast moeten de activiteiten ten minste 7.000 bezoeken en 350 conversies hebben.
- Wanneer Revenue per Visit is uw succesmetrische waarde: 1.000 bezoeken en ten minste 50 conversies per dag per ervaring, en daarnaast moet de activiteit ten minste 1.000 conversies 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 ingebed in de A/B activiteitsworkflow, Auto-Target de voordelen van de meer volwassen en volwaardige Visual Experience Composer (VEC). U kunt ook QA-koppelingen with Auto-Target.
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 om inzicht te krijgen in de voordelen van hun voortdurende verbeteringen in de reële omstandigheden.
- In de toekomst zullen we met deze testbank kunnen openen Adobe computerleerplatform voor gegevensbewuste klanten zodat ze hun eigen modellen kunnen introduceren om het Target modellen.
Rapportage en Auto-Target section_42EE7F5E65E84F89A872FE9921917F76
Zie voor meer informatie Rapportage en automatisch doel.
Trainingsvideo: Inzicht in activiteiten voor automatisch doel
In deze video wordt uitgelegd hoe u een Auto-Target A/B-activiteit.
Nadat u deze training hebt voltooid, kunt u het volgende doen:
- Definiëren Auto-Target testen
- Vergelijken en contrast Auto-Target tot Automated Personalization
- Maken Auto-Target activiteiten