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.
NOTE-
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
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
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.