Visão geral
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
Os termos a seguir são úteis quando falamos de Auto-Target:
Termo | Definição |
---|---|
Bandit multicampo | Uma abordagem multi-armed bandit à otimização equilibra o aprendizado exploratório e o aproveitamento desse aprendizado. |
Floresta Aleatória | Random Forest é uma abordagem de aprendizado de máquina líder. Em linguagem da ciência de dados, é um método de classificação de conjunto, ou regressão, que funciona construindo muitas árvores de decisão com base nos atributos do visitante e da visita. Dentro de Target, o Random Forest é usado para determinar qual experiência deve ter a maior probabilidade de conversão (ou a maior receita por visita) para cada visitante específico. |
Amostragem de Thompson | O objetivo do Thompson Sampling é determinar qual experiência é a melhor em geral (não personalizada), minimizando o "custo" de encontrar essa experiência. A Amostragem de Thompson sempre escolhe um vencedor, mesmo se não houver diferença estatística entre duas experiências. |
Como o Auto-Target funciona
Saiba mais sobre os dados e algoritmos subjacentes ao Auto-Target e ao Automated Personalization nos links abaixo:
Termo | Detalhes |
---|---|
Algoritmo Random Forest | O principal algoritmo de personalização de Target usado em Auto-Target e Automated Personalization é o Random Forest. Métodos de conjunto, como Random Forest, usam vários algoritmos de aprendizagem para obter um melhor desempenho preditivo do que poderia ser obtido a partir de qualquer um dos algoritmos de aprendizagem constituintes. O algoritmo Random Forest nas atividades Automated Personalization e Auto-Target é um método de classificação ou regressão, que opera através da construção de uma variedade de árvores de decisão no momento do treinamento. |
Carregando Dados para os Algoritmos Personalization de Target | Há várias maneiras de inserir dados para modelos Auto-Target e Automated Personalization. |
Coleta de dados para os algoritmos Personalization de Target | Os algoritmos de personalização do Target coletam automaticamente vários dados. |
Determinação da alocação de tráfego
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:
Objetivo da atividade | Sugestão de alocação de tráfego | Compensações |
---|---|---|
Evaluate Personalization Algorithm (50/50): se o objetivo for testar o algoritmo, use uma divisão de visitantes de 50/50% entre o controle e o algoritmo de destino. Esta divisão fornece a estimativa mais precisa do aumento. Recomenda-se usar com "experiências aleatórias" como controle. | Divisão de 50% controle / 50% experiência personalizada |
|
Maximize Personalization Traffic (90/10): se o objetivo for criar uma atividade "sempre ativa", coloque 10% dos visitantes no controle, a fim de garantir que haja dados suficientes para que os algoritmos continuem aprendendo ao longo do tempo. A desvantagem aqui é que, em troca da personalização de uma proporção maior de seu tráfego, você tem menos precisão em saber qual é o aumento exato. Independentemente da meta, esta é a divisão de tráfego recomendada ao usar uma experiência específica como controle. | A prática recomendada é usar uma divisão de 10% a 30% Controle / 70% - 90% Experiência personalizada |
|
Alocação personalizada | Divida manualmente a porcentagem conforme desejado. |
|
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?
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?
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?
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.