[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 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 Adobe Analytics.

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

Este tutorial aborda as modificações recomendadas para analisar atividades de Direcionamento automático em Analysis Workspace, que são baseadas nos seguintes conceitos principais:

Criar o A4T para o painel Direcionamento automático em Analysis Workspace

Para criar um A4T para o relatório de Direcionamento automático, 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:

Usar o Controle vs.Dimensão ​ do Target para comparar o modelo de ML de conjunto Target com seu controle

O painel A4T padrão foi projetado para atividades clássicas (manuais) Teste A/B ou Alocação automática. A meta é comparar o desempenho de experiências individuais com a experiência de controle. No entanto, nas atividades de Direcionamento automático, 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 Direcionamento automático sobre a estratégia de controle.

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

Observe que essa substituição invalida os cálculos padrão de Aumento e Confiança 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 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 no nível de experiência da dimensão Controle vs. Direcionado. Em Analysis Workspace, arraste a dimensão Experiências do Target para o relatório e separe cada uma das dimensões de controle e de destino separadamente.

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

Um exemplo do relatório resultante é mostrado aqui.

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

Ao analisar uma atividade de Direcionamento automático, sempre escolha Visitas como métrica de normalização padrão. A personalização do Direcionamento automático seleciona uma experiência para um visitante uma vez por visita (formalmente, uma vez a cada sessão 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 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 você preferir relatar as visitas em que o usuário realmente interagiu com a atividade Direcionamento automático (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 Visitas no seu A4T para o relatório Direcionamento automático

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

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 à métrica Visitas. 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 do Direcionamento automático seja treinado usando os mesmos dados de evento de conversão que o 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 na Visita 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, ou seja, a da métrica de meta corrigida, para uma métrica de “Visitas” filtrada adequadamente.

Faça isso criando uma Métrica calculada usando estas 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 de Direcionamento automático

Combinando todas as etapas acima em um único painel, a figura abaixo mostra uma exibição completa do relatório recomendado para atividades do A4T Direcionamento automático. 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 tradicionais de Direcionamento automático orientadas por Target.

Clique para expandir a imagem.

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

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