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

Auto-Target - översikt

Auto-Target aktiviteter i Adobe Target använder avancerad maskininlärning för att välja bland flera högpresterande, marknadsföringsdefinierade upplevelser för att personalisera innehåll och driva konverteringar. Auto-Target levererar den mest anpassade upplevelsen till varje besökare baserat på den enskilda kundprofilen och beteendet hos tidigare besökare med liknande profiler.

NOTE

Goda erfarenheter i verkligheten med Auto-Target success

En stor klädhandlare använde nyligen en Auto-Target-aktivitet med tio produktkategoribaserade upplevelser (plus slumpmässig kontroll) för att leverera rätt innehåll till varje besökare. Add to Cart har valts som primärt optimeringsmått. De riktade upplevelserna hade en genomsnittlig ökning på 29,09 %. När du har skapat Auto-Target-modellerna ställdes aktiviteten in på 90 % personaliserade upplevelser.

På bara tio dagar uppnåddes mer än 1 700 000 dollar i lyft.

Läs mer om hur du använder Auto-Target för att öka lyft och intäkter för din organisation.

Ökning section_972257739A2648AFA7E7556B693079C9

När du skapar en A/B-aktivitet med det guidade arbetsflödet i tre steg, väljer du alternativet Auto-Target for personalized experiences på sidan Targeting (steg 2).

Automatiskt mål för personaliserade upplevelser

Alternativet Auto-Target i A/B-aktivitetsflödet gör att du kan anpassa maskininlärningen utifrån en uppsättning marknadsföringsdefinierade upplevelser med ett klick. Auto-Target är utformat för att leverera maximal optimering, jämfört med traditionell A/B-testning eller Auto Allocate, genom att avgöra vilken upplevelse som ska visas för varje besökare. Till skillnad från en A/B-aktivitet där målet är att hitta en enskild vinnare, avgör Auto-Target automatiskt den bästa upplevelsen för en viss besökare. Den bästa upplevelsen bygger på besökarens profil och annan sammanhangsbaserad information för att leverera en mycket personaliserad upplevelse.

På liknande sätt som för Automated Personalization använder Auto-Target en slumpmässig skogsalgoritm, en metod som är unik för datavetenskapen, för att fastställa den bästa upplevelsen för en besökare. Eftersom Auto-Target kan anpassa sig till förändringar i besökares beteende kan det köras permanent för att ge lyft. Den här metoden kallas ibland för"alltid på"-läge.

Till skillnad från en A/B-aktivitet där upplevelseallokeringen för en viss besökare är fast, optimerar Auto-Target det angivna affärsmålet för varje besök. Som i Auto Personalization reserverar Auto-Target som standard en del av aktivitetens trafik som en kontrollgrupp för att mäta lyft. Besökarna i kontrollgruppen får en slumpmässig erfarenhet av aktiviteten.

Överväganden

Det finns några viktiga saker att tänka på när du använder Auto-Target:

  • Du kan inte växla en specifik aktivitet från Auto-Target till Automated Personalization, och tvärtom.

  • Du kan inte växla från Manual trafikallokering (traditionell A/B Test) till Auto-Target, och tvärtom efter att en aktivitet har sparats som utkast.

  • En modell är byggd för att identifiera den personaliserade strategins prestanda jämfört med slumpvis betjänad trafik jämfört med att skicka all trafik till den övergripande vinnande upplevelsen. Den här modellen hanterar endast träffar och konverteringar i standardmiljön.

    Trafik från en andra uppsättning modeller byggs för varje modellgrupp (AP) eller upplevelse (AT). För var och en av dessa modeller beaktas träffar och konverteringar i alla miljöer.

    Förfrågningar hanteras med samma modell, oavsett miljö, men trafikens mångfald bör komma från standardmiljön för att säkerställa att den identifierade övergripande vinnande upplevelsen överensstämmer med verkliga beteenden.

  • Använd minst två upplevelser.

Terminologi section_A309B7E0B258467789A5CACDC1D923F3

Följande termer är användbara när du diskuterar Auto-Target:

Villkor
Definition
Flerarmad bandit
En flerarmad bandit-strategi för optimering balanserar undersökande inlärning och utnyttjande av det inlärningen.
Slumpmässig skog
Random Forest är en ledande maskininlärningsstrategi. I datavetenskapen är det en unik klassificering, eller regressionsmetod, som fungerar genom att skapa många beslutsträd baserade på besöks- och besöksattribut. Inom Target används Slumpmässig skog för att avgöra vilken erfarenhet som förväntas ha störst sannolikhet för konvertering (eller högsta intäkt per besök) för varje enskild besökare.
Thompson Sampling
Målet för Thompson Sampling är att fastställa vilken upplevelse som är bäst totalt sett (icke-personaliserad), samtidigt som man minimerar"kostnaden" för att hitta den upplevelsen. Thompson-urvalet väljer alltid en vinnare, även om det inte finns någon statistisk skillnad mellan två upplevelser.

Så här fungerar Auto-Target section_77240E2DEB7D4CD89F52BE0A85E20136

Läs mer om underliggande data och algoritmer för Auto-Target och Automated Personalization via länkarna nedan:

Villkor
Information
Slumpmässig skogsalgoritm
Den huvudpersonaliseringsalgoritm som används av Target i både Auto-Target och Automated Personalization är Slumpmässig skog. Ensemble-metoder, till exempel Slumpskog, använder flera olika inlärningsalgoritmer för att få bättre prediktiva prestanda än vad som kan uppnås med någon av de ingående inlärningsalgoritmerna. Algoritmen Slumpmässig skog i aktiviteterna Automated Personalization och Auto-Target är en klassificering, eller regressionsmetod, som används genom att skapa en mängd beslutsträd under utbildningstiden.
Överför data för Targets Personalization-algoritmer
Det finns flera sätt att mata in data för Auto-Target och Automated Personalization modeller.
Datainsamling för Personalization-algoritmer för Target
Personaliseringsalgoritmerna för Target samlar automatiskt in olika data.

Bestämma trafikallokering section_AB3656F71D2D4C67A55A24B38092958F

Beroende på vad din aktivitet har för mål kan du välja en annan trafikfördelning mellan kontroll och personaliserade upplevelser. Det bästa sättet är att fastställa det här målet innan du gör din aktivitet offentlig.

I listrutan Custom Allocation kan du välja mellan följande alternativ:

  • Evaluate Personalization Algorithm
  • Maximize Personalization Traffic
  • Custom Allocation

Listruta för allokeringsmål

Aktivitetsmål
Föreslagen trafikallokering
Överlåtelser
Utvärdera Personalization-algoritm (50/50): Om ditt mål är att testa algoritmen använder du en 50/50-procentig delning av besökare mellan kontrollen och målalgoritmen. Denna delning ger den mest korrekta uppskattningen av hissen. Föreslagna för användning med"slumpmässiga upplevelser" som er kontroll.
50 % kontroll/50 % personlig upplevelsedelning
  • Maximerar lyften mellan kontroll och personalisering
  • relativt färre besökare har en personaliserad upplevelse
Maximera Personalization-trafik (90/10): Om målet är att skapa en"alltid på"-aktivitet ska 10 % av besökarna kontrolleras för att se till att det finns tillräckligt med data för att algoritmerna ska kunna fortsätta lära sig över tid. Hantverket här är att i utbyte mot att personalisera en större andel av trafiken har ni mindre precision i det exakta lyftet. Oavsett vilket mål du har är detta den rekommenderade trafikdelningen när du använder en specifik upplevelse som kontroll.
Det bästa sättet är att använda en 10-30 % kontroll/70-90 % personaliserad upplevelsedelning
  • Maximerar antalet besökare som har en personaliserad upplevelse
  • Maximerar lyft
  • Mindre noggrannhet vad hissen är för aktiviteten
Anpassad allokering
Dela procentandelen manuellt efter behov.
  • Du kanske inte uppnår det önskade resultatet. Om du är osäker kan du följa förslagen för något av de föregående alternativen

Om du vill justera procentandelen Control klickar du på ikonerna i kolumnen Allocation. Du kan inte minska kontrollgruppen till mindre än 10 %.

Ändra automatiskt måltrafikallokering

Du kan välja en specifik upplevelse som ska användas som kontroll eller använda alternativet Slumpmässig upplevelse.

När ska du välja Auto-Target över Automated Personalization? section_BBC4871C87944DD7A8B925811A30C633

Det finns flera scenarier där du kanske föredrar att använda Auto-Target framför Automated Personalization:

  • Om ni vill definiera hela upplevelsen i stället för enskilda erbjudanden som automatiskt kombineras för att skapa en upplevelse.
  • Om du vill använda alla Visual Experience Composer (VEC)-funktioner som inte stöds av Auto Personalization: den anpassade kodredigeraren, flera upplevelsemålgrupper med mera.
  • Om du vill göra strukturella ändringar på sidan i olika upplevelser. Om du till exempel vill ordna om element på din hemsida är Auto-Target mer lämpligt att använda än Automated Personalization.

Vad har Auto-Target gemensamt med Automated Personalization? section_2A601F482F9A44E38D4B694668711319

Algoritmen optimerar för ett positivt resultat vid varje besök.

  • Algoritmen förutser besökarens benägenhet för konvertering (eller beräknade intäkter från konvertering) för att ge bästa möjliga upplevelse.
  • En besökare är berättigad till en ny upplevelse vid slutet av en befintlig session (såvida inte besökaren är i kontrollgruppen, i vilket fall den upplevelse som besökaren tilldelas vid det första besöket förblir densamma för efterföljande besök).
  • Under en session ändras inte förutsägbarheten, vilket ger en bättre visuell enhetlighet.

Algoritmen anpassas till förändringar i besökarens beteende.

  • Multiarm bandit säkerställer att modellen alltid "spenderar" en liten fraktionstrafik som kan fortsätta att lära sig under aktivitetens livstid och för att förhindra överutnyttjande av tidigare inlärda trender.
  • De underliggande modellerna återskapas var 24:e timme med hjälp av de senaste besökarbeteendedata för att säkerställa att Target alltid utnyttjar förändrade besökarinställningar.
  • Om algoritmen inte kan avgöra vilka vinnande upplevelser individen har, växlar den automatiskt till att visa den övergripande prestandaoptimerade upplevelsen samtidigt som den fortsätter att leta efter personaliserade vinnare. Den bästa upplevelsen hittas med Thompson-sampling.

Algoritmen optimerar kontinuerligt för ett enda målmått.

  • Det här måttet kan vara konverteringsbaserat eller intäktsbaserat (mer specifikt Revenue per Visit).

Target samlar automatiskt in information om besökare för att skapa personaliseringsmodeller.

Target använder automatiskt alla Adobe Experience Cloud delade målgrupper för att skapa personaliseringsmodeller.

  • Du behöver inte göra något specifikt för att lägga till målgrupper i modellen. Mer information om hur du använder Experience Cloud Audiences med Target finns i Experience Cloud-målgrupper.

Marknadsförarna kan överföra offlinedata, benägenhetspoäng eller andra anpassade data för att skapa personaliseringsmodeller.

Hur skiljer sig Auto-Target från Automated Personalization? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

Auto-Target kräver ofta mindre trafik än Automated Personalization för en anpassad modell att bygga.

Även om mängden trafik per upplevelse som krävs för att Auto-Target eller Auto Personalization modeller ska kunna skapas är densamma, finns det vanligtvis fler upplevelser i en Automated Personalization-aktivitet än i en Auto-Target-aktivitet.

Om du till exempel har en Auto Personalization-aktivitet där du har skapat två erbjudanden per plats med två platser, så finns det fyra (2 = 4) totala upplevelser i aktiviteten (utan undantag). Med Auto-Target kan du ange upplevelse 1 som inkluderar erbjudande 1 på plats 1 och erbjudande 2 på plats 2, och upplevelse 2 som inkluderar erbjudande 1 på plats 1 och erbjudande 2 på plats 2. Eftersom Auto-Target tillåter att du kan välja att ha flera ändringar i en upplevelse, kan du minska antalet totala upplevelser i din aktivitet.

För Auto-Target kan enkla tumregler användas för att förstå trafikkrav:

  • När Conversion är ditt framgångsmått: 1 000 besök och minst 50 konverteringar per dag och upplevelse, och aktiviteten måste dessutom ha minst 7 000 besök och 350 konverteringar.
  • När Revenue per Visit är ditt framgångsmått: 1 000 besök och minst 50 konverteringar per dag och upplevelse, och aktiviteten måste dessutom ha minst 1 000 konverteringar per upplevelse. RPV kräver vanligtvis mer data för att bygga modeller på grund av den högre datavariationen som vanligtvis finns i besöksintäkterna jämfört med konverteringsgraden.

Auto-Target har fullfjädrade installationsfunktioner.

  • Eftersom Auto-Target är inbäddad i A/B-aktivitetsarbetsflödet drar Auto-Target nytta av den mer mogna och fullfjädrade Visual Experience Composer (VEC). Du kan också använda QA-länkar med Auto-Target.

Auto-Target tillhandahåller ett omfattande ramverk för onlinetestning.

  • Flerarmsbanken ingår i ett större ramverk för onlinetestning som gör att Adobe datavetare och forskare kan förstå fördelarna med sina kontinuerliga förbättringar i verkliga förhållanden.
  • I framtiden kommer denna testbädd att tillåta oss att öppna Adobe maskininlärningsplattform för datagunda klienter så att de kan ta in sina egna modeller för att förstärka Target-modellerna.

Rapportering och Auto-Target section_42EE7F5E65E84F89A872FE9921917F76

Mer information finns i Rapportering och Automatiskt mål.

Utbildningsvideo: Förstå aktiviteter med automål

I den här videon förklaras hur du konfigurerar en Auto-Target A/B-aktivitet.

När du är klar med kursen bör du kunna:

  • Definiera Auto-Target-testning
  • Jämför och kontrastera Auto-Target med Automated Personalization
  • Skapa Auto-Target aktiviteter
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654