[Premium]{class="badge positive" title="Consulte o que está incluído no Target Premium."}

Configurar relatórios do A4T em Analysis Workspace para Auto-Target atividades

A integração do Analytics for Target (A4T) para atividades do Auto-Target usa os algoritmos de aprendizado de máquina (ML) do conjunto Adobe Target para escolher a melhor experiência para cada visitante com base em seu perfil, comportamento e contexto, tudo isso ao usar uma métrica de meta do Adobe Analytics.

Embora os recursos de análise avançada estejam disponíveis no Adobe Analytics Analysis Workspace, algumas modificações no painel Analytics for Target padrão são necessárias para interpretar corretamente as atividades de Auto-Target, devido às diferenças entre as atividades de experimentação (manual A/B Test e Auto-Allocate) e as atividades de personalização (Auto-Target).

Este tutorial aborda as modificações recomendadas para analisar Auto-Target atividades no Analysis Workspace, que são baseadas nos seguintes conceitos principais:

Criar o A4T para o painel Auto-Target em Analysis Workspace

Para criar um A4T para o relatório Auto-Target, comece com o painel Analytics for Target em Analysis Workspace, como mostrado abaixo, ou comece com uma tabela de forma livre. Faça as seguintes seleções:

Use a dimensão Control vs.Targeted para comparar o modelo de ML de conjunto Target com seu controle

O painel A4T padrão foi projetado para atividades clássicas (manuais) A/B Test ou Auto-Allocate, nas quais o objetivo é comparar o desempenho de experiências individuais com a experiência de controle. No entanto, em Auto-Target atividades, a comparação de primeira ordem deve ser entre a estratégia de controle e a estratégia de destino. Em outras palavras, determinar o aumento do desempenho geral do modelo de ML de conjunto Auto-Target em relação à estratégia de controle.

Para fazer essa comparação, use a dimensão Control vs Targeted (Analytics for Target). Arraste e solte para substituir a dimensão Target Experiences no relatório A4T padrão.

Observe que essa substituição invalida os cálculos Lift and Confidence padrão no painel A4T. Para evitar confusão, é possível remover essas métricas do painel padrão, deixando o seguinte relatório:

Painel

Figura 2: O relatório de linha de base recomendado para Auto-Target atividades. Este relatório foi configurado para comparar o tráfego de destino (veiculado pelo modelo ML de conjunto) com o tráfego de controle.

Adicionar detalhamentos de métricas no nível de experiência

Para obter mais informações sobre o desempenho do modelo de ML de conjunto, você pode examinar detalhamentos de nível de experiência da dimensão Control vs Targeted. Em Analysis Workspace, arraste a dimensão Target Experiences para seu relatório e analise cada uma das dimensões de controle e de destino separadamente.

Painel

Figura 3: Analisando a dimensão de Destino por Experiências de Destino

Um exemplo do relatório resultante é mostrado aqui.

Painel

Figura 4: Um relatório Auto-Target padrão com detalhamentos no nível da experiência. Observe que sua métrica de meta pode ser diferente e que sua estratégia de controle pode ter uma única experiência.

Por que "Visits" é a métrica de normalização correta para Auto-Target atividades

Ao analisar uma atividade Auto-Target, sempre escolha Visits como métrica de normalização padrão. A personalização do Auto-Target seleciona uma experiência para um visitante uma vez por visita (formalmente, uma vez a cada sessão do Target), o que significa que a experiência mostrada para um visitante pode mudar em cada visita. Assim, se você usar Unique Visitors como a métrica de normalização, o fato de um único usuário acabar vendo várias experiências (em diferentes visitas) levaria a taxas de conversão confusas.

Um exemplo simples demonstra esse ponto: considere um cenário em que dois visitantes entram em uma campanha que tem apenas duas experiências. O primeiro visitante visita duas vezes. Eles são atribuídos à Experiência A na primeira visita, mas à Experiência B na segunda visita (devido ao estado do perfil mudar nessa segunda visita). Após a segunda visita, o visitante se converte fazendo um pedido. A conversão é atribuída à experiência mostrada mais recentemente (Experiência B). O segundo visitante também visita duas vezes e aparece na Experiência B ambas as vezes, mas nunca converte.

Vamos comparar relatórios de nível de visitante e de nível de visita:

Tabela 1: Exemplo comparando relatórios normalizados de visitantes e de visitas para um cenário em que as decisões são aderentes a uma visita (e não de visitantes, como no teste A/B regular). As métricas normalizadas pelo visitante são confusas neste cenário.

Como mostrado na tabela, há uma clara incongruência entre os números de nível de visitante. Apesar do fato de haver dois visitantes únicos totais, essa não é uma soma de visitantes únicos individuais para cada experiência. Embora a taxa de conversão no nível do visitante não seja necessariamente incorreta, quando se compara experiências individuais, as taxas de conversão no nível da visita provavelmente fazem muito mais sentido. Formalmente, a unidade de análise ("visitas") é a mesma que a unidade de aderência de decisão, o que significa que os detalhamentos de nível de experiência das métricas podem ser adicionados e comparados.

Filtrar por visitas reais à atividade

A metodologia de contagem padrão Adobe Analytics para visitas a uma atividade Target pode incluir visitas em que o usuário não interagiu com a atividade Target. Isso se deve à forma como as atribuições de atividade Target são mantidas no contexto de visitante Analytics. Como resultado, o número de visitas à atividade Target pode, às vezes, ser aumentado, resultando em uma queda nas taxas de conversão.

Se preferir relatar as visitas em que o usuário realmente interagiu com a atividade Auto-Target (seja por meio da entrada na atividade, de um evento de exibição ou de visita ou de uma conversão), é possível:

Para criar o segmento:

Figura 5: Use um segmento como o mostrado aqui para filtrar a métrica Visits no seu A4T para o relatório Auto-Target

Depois que o segmento for criado, use-o para filtrar a métrica Visits, de modo que a métrica Visits inclua apenas visitas em que o usuário interagiu com a atividade Target.

Para filtrar Visits usando este segmento:

O painel final é exibido da seguinte maneira:

Painel

Figura 6: Painel de relatórios com o segmento "Ocorrência com atividade específica de Direcionamento automático" aplicado à métrica Visits. Esse segmento garante que sejam incluídas no relatório somente as visitas em que um usuário realmente interagiu com a atividade Target em questão.

Verifique se a métrica de meta e a atribuição estão alinhadas com seu critério de otimização

A integração A4T permite que o modelo de ML Auto-Target seja treinado usando os mesmos dados de evento de conversão que Adobe Analytics usa para gerar relatórios de desempenho. No entanto, há certas suposições que devem ser empregadas na interpretação desses dados ao treinar os modelos de aprendizado de máquina, que diferem das suposições padrão feitas durante a fase de relatórios no Adobe Analytics.

Especificamente, os modelos de ML Adobe Target usam um modelo de atribuição com escopo de visita. Ou seja, os modelos de ML presumem que uma conversão deve ocorrer na mesma visita que uma exibição de conteúdo para a atividade para que a conversão seja "atribuída" à decisão tomada pelo modelo de ML. Isso é necessário para que o Target garanta o treinamento adequado de seus modelos; o Target não pode esperar até 30 dias por uma conversão (a janela de atribuição padrão para relatórios no Adobe Analytics) antes de incluí-lo nos dados de treinamento de seus modelos.

Assim, a diferença entre a atribuição usada pelos modelos Target (durante o treinamento) versus a atribuição padrão usada na consulta de dados (durante a geração do relatório) pode levar a discrepâncias. Pode até parecer que os modelos de ML estão tendo um desempenho ruim, quando, na verdade, o problema está na atribuição.

A definição exata da métrica e as configurações de atribuição dependem do critério de otimização especificado durante a criação da atividade.

Conversões definidas pelo Target, ou Analytics métricas com Maximizar valor de métrica por visita

Quando a métrica é uma conversão de Target ou uma métrica de Analytics com Maximizar valor de métrica por visita, a definição da métrica de meta permite que vários eventos de conversão ocorram na mesma visita.

Para exibir métricas de meta que tenham a mesma metodologia de atribuição usada pelos modelos de ML Target, siga estas etapas:

Essas etapas garantem que seu relatório atribua a métrica de meta à exibição da experiência, se o evento da métrica de meta ocorrer a qualquer momento ("participação") na mesma visita em que uma experiência foi exibida.

Analytics métricas com Taxas de conversão de visitas únicas

Definir a visita com segmento de métrica positivo

No cenário em que você selecionou Maximizar o Índice de conversão de visitas exclusivo como critério de otimização, a definição correta do índice de conversão é a fração de visitas em que o valor da métrica é positivo. Isso pode ser feito criando uma filtragem de segmento para visitas com um valor positivo da métrica e filtrando a métrica de visitas.

Figura 7: filtragem da definição de segmento para visitas com uma ordem positiva. Dependendo da métrica de otimização da sua atividade, você deve substituir pedidos por uma métrica apropriada

Aplicar esta às visitas na métrica filtrada por atividade

Esse segmento agora pode ser usado para filtrar para visitas com um número positivo de pedidos e onde houve uma ocorrência para a atividade Auto-Target. O procedimento de filtragem de uma métrica é semelhante ao anterior, e depois de aplicar o novo segmento à métrica de visita já filtrada, o painel de relatório deve ser semelhante à Figura 8

Figura 8: o painel de relatórios com a métrica de conversão de visita única correta: o número de visitas em que uma ocorrência da atividade foi registrada e em que a métrica de conversão (pedidos neste exemplo) era diferente de zero.

Etapa final: crie uma taxa de conversão que capture a mágica acima

Com as modificações no Visit e nas métricas de meta nas seções anteriores, a modificação final que você deve fazer no A4T padrão do painel de relatórios do Auto-Target é criar taxas de conversão que sejam a proporção correta: a da métrica de meta corrigida, para uma métrica de "Visitas" filtrada adequadamente.

Faça isso criando uma Calculated Metric usando as seguintes etapas:

A definição completa da métrica calculada é mostrada aqui.

Figura 7: definição da métrica de taxa de conversão do modelo corrigida por visita e por atribuição. (Observe que essa métrica depende da sua métrica de meta e atividade. Em outras palavras, essa definição de métrica não é reutilizável em atividades.)

Resumo: Painel de amostra final Analysis Workspace para relatórios Auto-Target

Combinando todas as etapas acima em um único painel, a figura abaixo mostra uma exibição completa do relatório recomendado para Auto-Target atividades do A4T. Este relatório é o mesmo usado pelos modelos de ML do Target para otimizar sua métrica de meta. O relatório incorpora todas as nuances e recomendações discutidas neste tutorial. Este relatório também é o mais próximo das metodologias de contagem usadas nas atividades Auto-Target tradicionais orientadas por relatórios Target.

Clique para expandir a imagem.

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

Figura 10: O relatório A4T Auto-Target final em Adobe Analytics Workspace, que combina todos os ajustes às definições de métrica descritos nas seções anteriores deste tutorial.