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

Konfigurera A4T-rapporter i Analysis Workspace för Auto-Target-aktiviteter

Integrationen Analytics for Target (A4T) för Auto-Target-aktiviteter använder HTML-algoritmerna (Adobe Target ensemble Machine Learning) för att välja den bästa upplevelsen för varje besökare utifrån deras profil, beteende och kontext, allt med ett Adobe Analytics målmått.

Även om det finns omfattande analysfunktioner i Adobe Analytics Analysis Workspace krävs några ändringar i standardpanelen Analytics for Target för att Auto-Target-aktiviteter ska kunna tolkas korrekt, på grund av skillnader mellan experimentaktiviteter (manuell A/B Test och Auto-Allocate) och personaliseringsaktiviteter (Auto-Target).

I den här självstudiekursen går vi igenom de rekommenderade ändringarna för att analysera Auto-Target-aktiviteter i Analysis Workspace, som baseras på följande nyckelbegrepp:

Skapa A4T för panelen Auto-Target i Analysis Workspace

Om du vill skapa en A4T för Auto-Target-rapport börjar du med Analytics for Target-panelen i Analysis Workspace, som visas nedan, eller börjar med en friformstabell. Gör sedan följande val:

Använd dimensionen Control vs.Targeted för att jämföra den Target ensemble ML-modellen med din kontroll

A4T-standardpanelen är utformad för klassiska (manuella) A/B Test- eller Auto-Allocate-aktiviteter där målet är att jämföra prestanda för enskilda upplevelser med kontrollupplevelsen. I Auto-Target-aktiviteter bör dock den första orderjämförelsen vara mellan kontrollen strategy och målstrategin strategy. Med andra ord, fastställa lyften för den övergripande prestandan för den enemble ML-modellen Auto-Target över kontrollstrategin.

Använd dimensionen Control vs Targeted (Analytics for Target) om du vill utföra jämförelsen. Dra och släpp för att ersätta dimensionen Target Experiences i A4T-standardrapporten.

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

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

Lägg till analysstatistik på erfarenhetsnivå

Om du vill få mer information om hur den ensemble ML-modellen fungerar kan du undersöka uppdelningar på erfarenhetsnivå för dimensionen Control vs Targeted. I Analysis Workspace drar du dimensionen Target Experiences till rapporten och delar sedan upp var och en av kontrolldimensionerna och de riktade dimensionerna separat.

Bild 3: Bryta ned den riktade dimensionen efter målupplevelser

Här visas ett exempel på den resulterande rapporten.

Bild 4: En Auto-Target-standardrapport med brytningar på erfarenhetsnivå. Observera att målmåttet kan vara annorlunda och att din kontrollstrategi kanske har en enda upplevelse.

Varför Visits är rätt normaliseringsmått för Auto-Target-aktiviteter

När du analyserar en Auto-Target-aktivitet ska du alltid välja 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 en besökare kan ändras vid varje enskilt besök. Om du använder Unique Visitors som normaliseringsmått kan 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 hur besökarnormaliserade rapporter och besöknormaliserade rapporter jämförs för ett scenario där beslut är snäva mot ett besök (och inte besökare, som med vanlig A/B-testning). De normaliserade värdena för besökare 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

Standardberäkningsmetoden Adobe Analytics för besök i en Target-aktivitet kan innehålla besök där användaren inte interagerade med Target-aktiviteten. Detta beror på hur Target aktivitetstilldelningar behålls i Analytics-besökarkontexten. Som en följd av detta kan antalet besök i aktiviteten Target ibland vara inflaterade, vilket resulterar i en minskning av konverteringsgraden.

Om du föredrar att rapportera besök där användaren faktiskt interagerade med aktiviteten Auto-Target (antingen genom att gå in i aktiviteten, visa eller besöka aktiviteten, eller genom en konvertering) kan du:

Så här skapar du segmentet:

Figur 5: Använd ett segment som det som visas här för att filtrera måttet Visits i A4T-rapporten för Auto-Target

När segmentet har skapats använder du det för att filtrera måttet Visits, så måttet Visits innehåller endast besök där användaren interagerade med aktiviteten Target.

Om du vill filtrera Visits med det här segmentet:

Den sista panelen visas enligt följande:

Figur 6: Rapporteringspanelen med segmentet"Träff med specifik aktivitet för automatisk målning" tillämpat på måttet Visits. Det här segmentet ser till att endast besök där en användare faktiskt interagerade med aktiviteten Target inkluderas i rapporten.

Se till att målvärdena och attribueringen är anpassade efter optimeringskriteriet

A4T-integreringen tillåter att Auto-Target ML-modellen tränas med samma konverteringshändelsedata som Adobe Analytics använder för att generera prestandarapporter. Det finns dock vissa antaganden som måste användas för att tolka dessa data vid utbildning av ML-modellerna, som skiljer sig från de standardantaganden som gjordes under rapporteringsfasen i Adobe Analytics.

Närmare bestämt använder Adobe Target ML-modellerna en besöksomfångsmodell för attribuering. 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 att Target ska kunna garantera att dess modeller tränas i rätt tid. Target kan inte vänta upp till 30 dagar på en konvertering (standardattribueringsfönstret för rapporter i Adobe Analytics) innan det inkluderas i utbildningsdata för dess modeller.

Skillnaden mellan attribueringen som används av modellerna Target (under utbildning) och standardattribueringen som används i frågedata (under rapportgenerering) kan således leda till avvikelser. Det kan till och med verka som om ML-modellerna fungerar dåligt, när frågan i själva verket är attribuering.

Den exakta måttdefinitionen och attribueringsinställningarna beror på det optimeringskriterium du angav när aktiviteten skapades.

Måldefinierade konverteringar, eller Analytics mått med Maximera måttvärde per besök

När måttet är en Target-konvertering, eller ett Analytics-mått med Maximera måttvärde per besök, tillåter målmåttsdefinitionen att flera konverteringshändelser inträffar vid samma besök.

Följ de här stegen för att visa målmått som har samma attribueringsmetod som används av Target ML-modellerna:

Med de här stegen ser du till att målmåttet i din rapport tilldelas till visningen av upplevelsen, om målmåtthändelsen inträffar någon gång ("deltagande") vid samma besök som en upplevelse visades.

Analytics mått med unika konverteringsgrader för besök

Definiera besöket med positivt mätsegment

I det scenario där du valde Maximera konverteringsgraden för unikt besök som optimeringskriterium, 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.

Figur 7: Segmentdefinitionsfiltreringen till besök med en positiv ordning. Beroende på aktivitetens optimeringsmått måste du ersätta order med ett lämpligt mått

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 aktiviteten Auto-Target. 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

Figur 8: Rapportpanelen med rätt konverteringsmått för unika besök: antalet besök där en träff från aktiviteten spelades in och där konverteringsmåttet (ordningarna i det här exemplet) inte var noll.

Slutligt steg: Skapa en konverteringsgrad som fångar magin ovan

Med ändringarna av Visit- och målmåtten i de föregående avsnitten är den sista ändringen du bör göra i standardvärdet för A4T för rapportpanelen Auto-Target att skapa konverteringsgrader som har rätt förhållande - 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: Slutlig exempelpanel Analysis Workspace för Auto-Target-rapporter

Om du kombinerar alla steg ovan till en enda panel visas i bilden nedan en fullständig vy över den rekommenderade rapporten för Auto-Target A4T-aktiviteter. Den här rapporten är densamma som den som används av Target ML-modellerna för att optimera målmåttet. Rapporten innehåller alla nyanser och rekommendationer som diskuteras i den här självstudiekursen. Den här rapporten är också närmast de beräkningsmetoder som används i traditionella Target-rapportdrivna Auto-Target-aktiviteter.

Klicka för att expandera bilden.

Figur 10: Den sista A4T Auto-Target -rapporten i Adobe Analytics Workspace som kombinerar alla justeringar av måttdefinitioner som beskrivs i de föregående avsnitten i den här självstudien.