[Premium]{class="badge positive" title="Se vad som ingår i Target Premium."}

Ställ in A4T-rapporter i Analysis Workspace for Auto-Target verksamhet

The Analytics for Target (A4T)-integrering för Auto-Target aktiviteter använder Adobe Target HTML-algoritmer (Enble Machine Learning) för att välja den bästa upplevelsen för varje besökare utifrån deras profil, beteende och sammanhang, allt med hjälp av en Adobe Analytics målmått.

Även om det finns omfattande analysfunktioner i Adobe Analytics Analysis Workspace, några ändringar av standardinställningen Analytics for Target panel krävs för korrekt tolkning Auto-Target aktiviteter, på grund av skillnader mellan experimentella aktiviteter (manuella A/B Test och Auto-Allocate) och personalisering (Auto-Target).

I den här självstudiekursen går vi igenom de rekommenderade ändringarna för analys Auto-Target verksamhet i Analysis Workspace, som bygger på följande nyckelbegrepp:

Skapa A4T för Auto-Target panel i Analysis Workspace

Skapa en A4T för Auto-Target rapport, antingen börja med Analytics for Target panel i Analysis Workspace, som visas nedan, eller börjar med en frihandstabell. Gör sedan följande val:

Använd Control vs.Targeted dimension för att jämföra Target enemble ML model to your control

Standardpanelen för A4T är utformad för klassisk (manuell) A/B Test eller Auto-Allocate aktiviteter där målet är att jämföra de enskilda upplevelsernas resultat med kontrollupplevelsen. I Auto-Target verksamheten, men den första orderjämförelsen bör vara mellan kontrollen strategi och målgruppen strategi. Med andra ord, fastställa lyften för den totala prestandan hos Auto-Target ensemble ML-modell över kontrollstrategin.

Använd kommandot Control vs Targeted (Analytics for Target) dimension. Dra och släpp för att ersätta Target Experiences -dimension i standardrapporten för A4T.

Observera att den här ersättningen gör standardinställningen ogiltig Lift and Confidence beräkningar på A4T-panelen. För att undvika förvirring kan du ta bort dessa mått från standardpanelen och lämna följande rapport:

Bild 2: Rekommenderad baslinjerapport för Auto-Target verksamhet. Den här rapporten har konfigurerats för att jämföra riktad trafik (hanteras av den ensemble ML-modellen) med din kontrolltrafik.

Lägg till analysstatistik på erfarenhetsnivå

För att få ytterligare insikter om hur den ensemble ML-modellen fungerar kan du undersöka uppdelningar på erfarenhetsnivå i Control vs Targeted dimension. I Analysis Workspace, dra Target Experiences i rapporten och sedan separat bryt ned alla kontroller och måldimensioner.

Bild 3: Dela upp den riktade dimensionen efter Target Experiences

Här visas ett exempel på den resulterande rapporten.

Bild 4: En standard Auto-Target rapportera med uppdelningar på erfarenhetsnivå. Observera att målmåtten kan vara olika, och att din kontrollstrategi kan ha en enda upplevelse.

Varför "Visits" är rätt normaliseringsmått för Auto-Target verksamhet

När en Auto-Target aktivitet, välj alltid Visits som standardmått för normalisering. Auto-Target personalisering väljer en upplevelse för en besökare en gång per besök (formellt, en gång per Target -session), vilket innebär att den upplevelse som visas för besökaren kan ändras vid varje enskilt besök. Om du använder Unique Visitors som normaliseringsmått skulle det faktum att en enskild användare kan få flera upplevelser (mellan olika besök) leda till förvirrande konverteringsgrader.

Ett enkelt exempel visar detta: tänk på ett scenario där två besökare anger en kampanj som bara har två upplevelser. Den första besökaren besöker två gånger. De tilldelas till Experience A vid det första besöket, men Experience B vid det andra besöket (eftersom deras profilstatus ändras vid det andra besöket). Efter det andra besöket konverterar besökaren genom att göra en beställning. Konverteringen tillskrivs den senast visade upplevelsen (upplevelse B). Den andra besökaren besöker också två gånger och visas Experience B båda gånger, men konverterar aldrig.

Låt oss jämföra rapporter på besökarnivå och besöksnivå:

Tabell 1: Exempel på jämförelse av besökarnormaliserade rapporter och besöknormaliserade rapporter för ett scenario där beslut är snäva mot ett besök (och inte besökare, som med vanlig A/B-testning). Besökarnormaliserade värden är förvirrande i det här scenariot.

Som framgår av tabellen finns det en tydlig inkonsekvens i besökarnivånummer. Trots att det finns två unika besökare totalt är detta inte en summa unika besökare för varje upplevelse. Även om konverteringsgraden på besökarnivå inte nödvändigtvis är fel, så är konverteringsgraden på besöksnivå mer begriplig när man jämför enskilda upplevelser. Formeligen är analysenheten ("besök") densamma som enheten för att fatta beslut, vilket innebär att man kan lägga till och jämföra analysdata på erfarenhetsnivå.

Filter för faktiska besök i aktiviteten

The Adobe Analytics standardräkningsmetod för besök på en Target aktiviteten kan omfatta besök där användaren inte interagerade med Target aktivitet. Det här beror på vägen Target aktivitetstilldelningar sparas i Analytics besökskontext. Som en följd av detta har antalet besök på Target Ibland kan aktiviteten vara inflammatorisk, vilket leder till en sänkning av konverteringsgraden.

Om du föredrar att rapportera besök där användaren faktiskt interagerade med Auto-Target aktivitet (antingen genom att delta i aktiviteten, en displayhändelse, ett besök eller en konvertering) kan du:

Så här skapar du segmentet:

Bild 5: Använd ett segment som det som visas här för att filtrera Visits mätvärden i A4T för Auto-Target rapport

När segmentet har skapats använder du det för att filtrera Visits så att Visits mätvärdet inkluderar endast besök där användaren interagerade med Target aktivitet.

Filtrera Visits med detta segment:

Den sista panelen visas enligt följande:

Bild 6: Rapporteringspanelen med segmentet"Träff med specifik aktivitet" tillämpat på Visits mätvärden. Detta segment säkerställer att endast de besök där en användare faktiskt interagerade med Target rapporten innehåller de berörda verksamheterna.

Se till att målvärdena och attribueringen är anpassade efter optimeringskriteriet

A4T-integreringen tillåter Auto-Target ML-modell som ska utbildad använda samma konverteringshändelsedata som Adobe Analytics använder till generera resultatrapporter. Det finns dock vissa antaganden som måste användas för att tolka dessa data när man utbilda ML-modellerna, som skiljer sig från de standardantaganden som gjorts under rapporteringsfasen i Adobe Analytics.

I synnerhet Adobe Target ML-modeller använder en besöksomfångsmodell. Det innebär att ML-modellerna förutsätter att en konvertering måste ske vid samma besök som en visning av innehåll för aktiviteten för att konverteringen ska kunna"tillskrivas" det beslut som fattas av ML-modellen. Detta krävs för Target säkerställa att dess modeller får lämplig utbildning, Target kan inte vänta i upp till 30 dagar på en konvertering (standardattribueringsfönstret för rapporter i Adobe Analytics) innan den ingår i kursdata för sina modeller.

Skillnaden mellan den attribuering som används av Target modeller (under utbildning) jämfört med standardattribuering som används för att fråga efter data (under rapportgenerering) kan leda till avvikelser. Det kan till och med verka som om ML-modellerna fungerar dåligt, när frågan i själva verket är attribuering.

Exakt måttdefinition och attribueringsinställningar beror på optimeringskriterium du angav när aktiviteten skapades.

Måldefinierade konverteringar, eller Analytics med Maximera måttvärde per besök

När måttet är en Target konvertering, eller Analytics med Maximera måttvärde per besök kan målmåttsdefinitionen göra att flera konverteringshändelser inträffar vid samma besök.

Så här visar du målmått som har samma attribueringsmetod som används av Target ML-modeller, följ dessa steg:

Med dessa steg ser du till att målmåttet i din rapport tilldelas till visningen av upplevelsen, om målmåtthändelsen inträffar när ("deltagande") i samma besök som en upplevelse visades.

Analytics med Unika konverteringshastigheter för besök

Definiera besöket med ett positivt mätsegment

I scenariot där du valde Maximera konverteringsgraden för unika besök som optimeringskriterier är den korrekta definitionen av konverteringsgraden den andel besök där mätvärdet är positivt. Detta kan uppnås genom att skapa en segmentfiltrering ned till besök med ett positivt värde för mätvärdet och sedan filtrera besöksmätningen.

Bild 7: Segmentdefinitionsfiltrering till besök med en positiv ordning. Beroende på aktivitetens optimeringsmått måste du ersätta order med ett lämpligt mätvärde

Använd detta för besök i aktivitetsfiltrerade mätvärden

Det här segmentet kan nu användas för att filtrera besök med ett positivt antal order och där det var en träff för Auto-Target aktivitet. Bearbetningen av ett mätvärde liknar den tidigare, och efter att det nya segmentet har tillämpats på det redan filtrerade besöksmätverket bör rapportpanelen se ut som i bild 8

Bild 8: Rapportpanelen med rätt konverteringsmått för unika besök: antalet besök där en träff från aktiviteten registrerades och där konverteringsmåttet (order i det här exemplet) inte var noll.

Slutligt steg: Skapa en konverteringsgrad som fångar magin ovan

Med ändringarna i Visit och målmåtten i föregående avsnitt, den sista ändringen du bör göra i standardvärdet för A4T för Auto-Target ska man skapa konverteringsgrader som har rätt proportion - det korrigerade målmåttet - till ett lämpligt filtrerat besöksmått.

Gör detta genom att skapa en Calculated Metric med följande steg:

Den fullständiga definitionen för beräknade mätvärden visas här.

Figur 7: Definitionen av besökskorrigerad och attribueringskorrigerad modellkonverteringsgrad. (Observera att det här måttet är beroende av ditt målmått och din aktivitet. Den här måttdefinitionen kan alltså inte återanvändas i olika aktiviteter.)

Sammanfattning: Slutligt exempel Analysis Workspace panel för Auto-Target rapporter

Om du kombinerar alla steg ovan till en enda panel visar bilden nedan en fullständig vy av den rekommenderade rapporten för Auto-Target A4T-aktiviteter. Den här rapporten är densamma som den som används av Target ML-modeller för att optimera målmåtten. Rapporten innehåller alla nyanser och rekommendationer som diskuteras i den här självstudiekursen. Denna rapport ligger också närmast de beräkningsmetoder som använts i traditionell Target-rapportstyrd Auto-Target verksamhet.

Klicka för att expandera bilden.

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

Bild 10: Den sista A4T-bilden Auto-Target rapportera i Adobe Analytics Workspace, som kombinerar alla justeringar av metriska definitioner som beskrivs i de föregående avsnitten i den här självstudien.