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

Configurar relatórios do A4T no Analysis Workspace para Auto-Target atividades

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

Embora os recursos avançados de análise estejam disponíveis no Adobe Analytics Analysis Workspace, algumas modificações no padrão Analytics for Target para interpretar corretamente as Auto-Target atividades, devido a diferenças entre as atividades de experimentação (atividades Teste A/B e Alocação automática) e atividades de personalização (Direcionamento automático).

Este tutorial aborda as modificações recomendadas para análise Direcionamento automático atividades no Analysis Workspace, que se baseiam nos seguintes conceitos principais:

Criar o A4T para Direcionamento automático painel no Analysis Workspace

Para criar um A4T para Direcionamento automático relatório, comece com a variável Analytics for Target painel no Analysis Workspace, conforme mostrado abaixo, ou comece com uma tabela de forma livre. Faça as seguintes seleções:

Use o Controle versus Direcionado dimensão para comparar a Target modelo ML conjunto para o seu controle

O painel A4T padrão foi criado para o clássico (manual) Teste A/B ou Alocação automática atividades em que o objetivo é comparar o desempenho de experiências individuais com a experiência de controle. Entrada Direcionamento automático atividades de controlo, mas a primeira comparação de ordem deve ser entre o estratégia e o direcionado estratégia. Por outras palavras, determinar o aumento do desempenho global do Direcionamento automático reunir o modelo de ML sobre a estratégia de controle.

Para fazer essa comparação, use o Controle versus Direcionado (Analytics for Target) dimensão. Arraste e solte para substituir o Experiências do Target no relatório A4T padrão.

Observe que essa substituição invalida o padrão Aumento e confiança cálculos no painel A4T. Para evitar confusão, é possível remover essas métricas do painel padrão, deixando o seguinte relatório:

Figura 2: O relatório de linha de base recomendado para Auto-Target atividades. Este relatório foi configurado para comparar o tráfego direcionado (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 aprendizado de máquina do conjunto, você pode examinar detalhamentos de nível de experiência do Controle versus Direcionado dimensão. Entrada Analysis Workspace, arraste o Experiências do Target em seu relatório e, em seguida, analise cada uma das dimensões de controle e direcionada separadamente.

Figura 3: Detalhamento da dimensão de destino por experiências de destino

Um exemplo do relatório resultante é mostrado aqui.

Figura 4: Um padrão Direcionamento automático relatório 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 "Visitas" é a métrica de normalização correta para Direcionamento automático atividades

Ao analisar uma Direcionamento automático atividade, sempre escolha Visitas como a métrica de normalização padrão. Direcionamento automático a personalização seleciona uma experiência para um visitante uma vez por visita (formalmente, uma vez por Target ), o que significa que a experiência mostrada para um visitante pode mudar em cada visita. Assim, se você usar Visitantes únicos como a métrica de normalização, o fato de que um único usuário pode 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 em 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 variável Adobe Analytics metodologia de contagem padrão para visitas a um Target atividade pode incluir visitas em que o usuário não interagiu com o Target atividade. Isso se deve ao modo como Target as atribuições de atividades são mantidas no Analytics contexto do visitante. Como resultado, o número de visitas à Target às vezes, a atividade pode ser inflada, resultando em uma redução das taxas de conversão.

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

Para criar o segmento:

Figura 5: Use um segmento como o mostrado aqui para filtrar o Visitas métrica no seu A4T para Direcionamento automático relatório

Depois que o segmento tiver sido criado, use-o para filtrar Visitas , para que a Visitas inclui somente visitas em que o usuário interagiu com a variável Target atividade.

Para filtrar Visitas usando este segmento:

O painel final é exibido da seguinte maneira:

Figura 6: Painel de relatórios com o segmento "Ocorrência com atividade específica de direcionamento automático" aplicado ao Visitas métrica. Esse segmento garante que somente visitas em que um usuário realmente interagiu com o Target atividade em questão estão incluídas no relatório.

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

A integração A4T permite que o Direcionamento automático Modelo de ML a ser treinado usar os mesmos dados de evento de conversão que Adobe Analytics usa para gerar relatórios de desempenho. No entanto, há certos pressupostos que devem ser utilizados na interpretação destes dados ao treinar os modelos de ML, que diferem dos pressupostos por defeito assumidos durante a fase de relato no Adobe Analytics.

Especificamente, o Adobe Target Os modelos de ML 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 Target garantir a formação atempada dos seus modelos; Target O não pode aguardar até 30 dias para 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 utilizada Target Os modelos do (durante o treinamento) versus a atribuição padrão usada na consulta de dados (durante a geração do relatório) podem 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 Target conversão ou um Analytics métricas com Maximizar valor de métrica por visita, a definição da métrica de meta permite que vários eventos de conversão ocorram na mesma visita.

Para visualizar métricas de meta que têm a mesma metodologia de atribuição usada pelo Target Modelos ML, siga estas etapas:

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

Analytics métricas com Taxas de conversão de visitas únicas

Definir a visita com segmento de métrica positivo

No cenário selecionado Maximizar o índice de conversão de visitas únicas como critério de otimização, a definição correta da taxa 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: A definição de segmento é filtrada para visitas com uma ordem positiva. Dependendo da métrica de otimização da sua atividade, você deve substituir pedidos por uma métrica apropriada

Aplicar isso às visitas na métrica filtrada pela atividade

Esse segmento agora pode ser usado para filtrar para visitas com um número positivo de pedidos e onde houve uma ocorrência para Auto-Target atividade. 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 Visita e métricas de meta nas seções anteriores, a modificação final que você deve fazer no seu A4T padrão para Auto-Target O painel de relatórios cria taxas de conversão que são a proporção correta — a da métrica de meta corrigida — para uma métrica "Visitas" filtrada adequadamente.

Faça isso criando uma Métrica calculada usando as seguintes etapas:

A definição completa da métrica calculada é mostrada aqui.

Figura 7: A 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: amostra final Analysis Workspace painel para Direcionamento automático relatórios

Combinando todas as etapas acima em um único painel, a figura abaixo mostra uma exibição completa do relatório recomendado para Direcionamento automático Atividades do A4T. Este relatório é o mesmo que o utilizado pelo Target Modelos de ML para otimizar sua métrica de meta. O relatório incorpora todas as nuances e recomendações discutidas neste tutorial. O presente relatório está também mais próximo das metodologias de contagem Targetorientado por relatórios Direcionamento automático atividades.

Clique para expandir a imagem.

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

Figura 10: A versão final do A4T Direcionamento automático relatório em Adobe Analytics Workspace, que combina todos os ajustes às definições de métrica descritos nas seções anteriores deste tutorial.