[Premium]{class="badge positive" title="Consulte o que está incluído no Target Premium."}
Visão geral de Auto-Target
Auto-Target atividades no Adobe Target usam aprendizagem de máquina avançada para selecionar várias experiências de alto desempenho definidas pelo profissional de marketing para personalizar o conteúdo e gerar conversões. Auto-Target oferece a experiência mais personalizada para cada visitante com base no perfil individual do cliente e no comportamento de visitantes anteriores com perfis similares.
-
Auto-Target está disponível como parte da solução Target Premium. Este recurso não está disponível no Target Standard sem uma licença do Target Premium. Para obter mais informações sobre os recursos avançados fornecidos por esta licença, consulte Target Premium.
-
Analytics for Target (A4T) dá suporte a Auto-Target atividades. Para obter mais informações, consulte Suporte ao A4T para atividades de Alocação automática e Direcionamento automático.
História de sucesso real usando o direcionamento automático success
Um grande varejista de roupas usou recentemente uma atividade Auto-Target com dez experiências baseadas em categorias de produto (além de controle aleatório) para fornecer o conteúdo correto a cada visitante. "Add to Cart" foi escolhido como a métrica de otimização primária. As experiências direcionadas tiveram um aumento médio de 29,09%. Após a criação dos modelos Auto-Target, a atividade foi definida como 90% de experiências personalizadas.
Em apenas dez dias, mais de US$ 1.700.000 em aumento foram obtidos.
Continue lendo para saber como usar o Auto-Target para aumentar o aumento e a receita para sua organização.
Visão geral section_972257739A2648AFA7E7556B693079C9
Ao criar uma atividade A/B usando o fluxo de trabalho guiado de três etapas, escolha a opção Auto-Target for personalized experiences na página Targeting (etapa 2).
A opção Auto-Target no fluxo de atividade A/B permite aproveitar a aprendizagem de máquina para personalizar com base em um conjunto de experiências definidas pelo profissional de marketing em um clique. O Auto-Target foi projetado para fornecer otimização máxima, em comparação ao teste A/B tradicional ou Auto Allocate, determinando qual experiência exibir para cada visitante. Ao contrário de uma atividade A/B na qual o objetivo é encontrar um único vencedor, Auto-Target determina automaticamente a melhor experiência para um determinado visitante. A melhor experiência é baseada no perfil do visitante e outras informações contextuais para fornecer uma experiência altamente personalizada.
De modo semelhante a Automated Personalization, Auto-Target usa um algoritmo Random Forest, um dos principais métodos de conjunto de ciência de dados, para determinar a melhor experiência para mostrar a um visitante. Como o Auto-Target pode se adaptar às mudanças no comportamento do visitante, ele pode ser executado perpetuamente para fornecer um aumento. Às vezes, esse método é chamado de modo "sempre ativo".
Ao contrário de uma atividade A/B na qual a alocação de experiência para um determinado visitante é fixa, o Auto-Target otimiza a meta de negócios especificada em cada visita. Como em Auto Personalization, Auto-Target, por padrão, reserva parte do tráfego da atividade como um grupo de controle para medir o aumento. Os visitantes do grupo de controle recebem uma experiência aleatória na atividade.
Considerações
Algumas considerações importantes devem ser levadas em conta ao usar o Auto-Target:
-
Você não pode alternar uma atividade específica de Auto-Target para Automated Personalization, e o oposto.
-
Você não pode alternar de Manual alocação de tráfego (tradicional A/B Test) para Auto-Target, e o oposto, depois que uma atividade é salva como rascunho.
-
Um modelo é criado para identificar o desempenho da estratégia personalizada em relação ao tráfego disponibilizado aleatoriamente em relação ao envio de todo o tráfego para a experiência vencedora geral. Esse modelo considera somente ocorrências e conversões no ambiente padrão.
O tráfego de um segundo conjunto de modelos é criado para cada grupo de modelagem (AP) ou experiência (AT). Para cada um desses modelos, são consideradas ocorrências e conversões em todos os ambientes.
As solicitações são atendidas com o mesmo modelo, independentemente do ambiente. No entanto, a pluralidade do tráfego deve vir do ambiente padrão para garantir que a experiência vencedora geral identificada seja consistente com o comportamento real.
-
Use no mínimo duas experiências.
Terminologia section_A309B7E0B258467789A5CACDC1D923F3
Os termos a seguir são úteis quando falamos de Auto-Target:
Como o Auto-Target funciona section_77240E2DEB7D4CD89F52BE0A85E20136
Saiba mais sobre os dados e algoritmos subjacentes ao Auto-Target e ao Automated Personalization nos links abaixo:
Determinação da alocação de tráfego section_AB3656F71D2D4C67A55A24B38092958F
Dependendo do objetivo da sua atividade, você pode escolher uma alocação de tráfego diferente entre controle e experiências personalizadas. A prática recomendada é determinar esse objetivo antes de tornar sua atividade ativa.
A lista suspensa Custom Allocation permite escolher entre as seguintes opções:
- Evaluate Personalization Algorithm (50/50)
- Maximize Personalization Traffic (90/10)
- Custom Allocation
A tabela a seguir explica as três opções:
- Maximiza a precisão do aumento entre controle e personalizado
- Relativamente menos visitantes têm uma experiência personalizada
- Maximiza o número de visitantes que têm uma experiência personalizada
- Maximiza o aumento
- Menos precisão quanto ao que é o aumento para a atividade
- Você pode não conseguir os resultados desejados. Se você não tiver certeza, siga as sugestões para qualquer uma das opções anteriores
Para ajustar a porcentagem de Control, clique em Experiences no painel Traffic Allocation e ajuste as porcentagens conforme desejado. Você não pode diminuir o grupo de controle para menos de 10%.
Você pode selecionar uma experiência específica para usar como controle ou usar a opção de experiência Aleatória.
Quando você deve escolher Auto-Target em vez de Automated Personalization? section_BBC4871C87944DD7A8B925811A30C633
Há vários cenários nos quais você pode preferir usar o Auto-Target sobre o Automated Personalization:
- Se você quiser definir toda a experiência, em vez de ofertas individuais que são combinadas automaticamente para formar uma experiência.
- Se você quiser usar o conjunto completo de recursos do Visual Experience Composer (VEC) não suportados pelo Auto Personalization: o editor de código personalizado, vários públicos-alvo de experiência e muito mais.
- Se você quiser fazer mudanças estruturais na sua página em diferentes experiências. Por exemplo, se você deseja reorganizar elementos na sua página inicial, Auto-Target é mais apropriado para uso do que Automated Personalization.
O que Auto-Target tem em comum com Automated Personalization? section_2A601F482F9A44E38D4B694668711319
O algoritmo otimiza para um resultado favorável para cada visita.
- O algoritmo prevê a propensão de um visitante para conversão (ou receita estimada da conversão) para fornecer a melhor experiência.
- Um visitante é elegível para uma nova experiência no final de uma sessão existente (a menos que o visitante esteja no grupo de controle, nesse caso, a experiência atribuída ao visitante na primeira visita permanece a mesma para visitas subsequentes).
- Em uma sessão, a previsão não muda, para manter a consistência visual.
O algoritmo se adapta a alterações no comportamento do visitante.
- O multi-arm bandit garante que o modelo está sempre "gastando" uma pequena fração de tráfego para continuar a aprender ao longo da vida da atividade de aprendizagem e para evitar a exploração excessiva de tendências anteriormente aprendidas.
- Os modelos subjacentes são recriados a cada 24 horas usando os dados de comportamento de visitante mais recentes para garantir que Target esteja sempre explorando as preferências de visitante em alteração.
- Se o algoritmo não puder determinar as experiências vencedoras para os indivíduos, ele alternará automaticamente para mostrar a experiência geral de melhor desempenho enquanto continua a procurar por vencedores personalizados. A experiência de melhor desempenho é encontrada usando a Amostragem de Thompson.
O algoritmo otimiza continuamente para uma única meta de métrica.
- Essa métrica pode ser baseada em conversão ou em receita (mais especificamente Revenue per Visit).
O Target coleta automaticamente informações sobre os visitantes para criar os modelos de personalização.
- Para obter mais informações sobre os parâmetros usados em Auto-Target e Automated Personalization, consulte Coleção de Dados da Automated Personalization.
Target usa automaticamente todos os Adobe Experience Cloud públicos-alvo compartilhados para criar os modelos de personalização.
- Você não precisa fazer nada específico para adicionar públicos-alvo ao modelo. Para obter informações sobre como usar o Experience Cloud Audiences com Target, consulte Públicos-alvo da Experience Cloud.
Os profissionais de marketing podem fazer upload de dados offline, pontuações de propensão ou outros dados personalizados para criar modelos de personalização.
- Saiba mais sobre o carregamento de dados para Auto-Target e Automated Personalization.
Qual a diferença entre Auto-Target e Automated Personalization? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB
O Auto-Target exige frequentemente menos tráfego do que o Automated Personalization para que um modelo personalizado seja compilado.
Embora a quantidade de tráfego por experiência necessária para os modelos Auto-Target ou Auto Personalization sejam a mesma, geralmente há mais experiências em uma atividade Automated Personalization do que uma atividade Auto-Target.
Por exemplo, se você tivesse uma atividade Auto Personalization em que criou duas ofertas por local com dois locais, haveria quatro (2 = 4) experiências totais incluídas na atividade (sem exclusões). Usando o Auto-Target, você pode definir a experiência 1 para incluir a oferta 1 no local 1 e a oferta 2 no local 2 e a experiência 2 para incluir a oferta 1 no local 1 e a oferta 2 no local 2. Como Auto-Target permite que você tenha várias alterações em uma experiência, é possível reduzir o número total de experiências em sua atividade.
Para Auto-Target, as regras básicas podem ser usadas para entender os requisitos de tráfego:
- Quando Conversion for sua métrica de sucesso: 1.000 visitas e pelo menos 50 conversões por dia por experiência, e além disso a atividade deve ter pelo menos 7.000 visitas e 350 conversões.
- Quando Revenue per Visit for sua métrica de sucesso: 1.000 visitas e pelo menos 50 conversões por dia por experiência, e além disso a atividade deve ter pelo menos 1.000 conversões por experiência. O RPV geralmente requer mais dados para criar modelos devido à maior variação de dados que normalmente existe na receita de visitas em comparação com a taxa de conversão.
Auto-Target possui uma funcionalidade de configuração completa.
- Como Auto-Target está inserido no fluxo de trabalho de atividade A/B, Auto-Target se beneficia do Visual Experience Composer (VEC) mais maduro e completo. Você também pode usar links de controle de qualidade com Auto-Target.
Auto-Target fornece uma extensa estrutura de testes online.
- O multi-arm bandit faz parte de uma estrutura maior de testes online, permitindo que cientistas de dados e pesquisadores do Adobe entendam os benefícios de suas melhorias contínuas nas condições do mundo real.
- Futuramente, este teste permitirá a abertura da plataforma de aprendizado de máquina Adobe para clientes com conhecimento de dados, para que eles possam trazer seus próprios modelos para aumentar os modelos Target.
Relatórios e Auto-Target section_42EE7F5E65E84F89A872FE9921917F76
Para obter mais informações, consulte Relatórios e Direcionamento automático.