Target aktivitetstyper
Hämta ett interaktivt PDF som beskriver de olika aktivitetstyperna i Adobe Target.
Vad gör den? section_4ECAACC68723402EB3649033190E1BBC
Manuell A/B Test
Jämför två eller flera upplevelser för att se vilken upplevelse som förbättrar konverteringarna bäst under en förspecificerad testperiod.
Mer information finns i A/B-test.
Auto-Allocate
Identifierar en vinnare bland två eller fler upplevelser och dirigerar sedan om trafiken till den vinnande upplevelsen, vilket ökar konverteringsgraden när testet körs och lär sig.
Mer information finns i Automatisk allokering.
Auto-Target
Använder avancerad maskininlärning för att personalisera innehåll och driva konverteringar genom att identifiera flera högpresterande, marknadsföringsdefinierade upplevelser och sedan leverera den mest skräddarsydda upplevelsen till besökare baserat på deras individuella kundprofiler och tidigare beteenden hos liknande besökare.
Mer information finns i Automatiskt mål för personaliserade upplevelser.
Automated Personalization (AP)
Använder avancerad maskininlärning för att personalisera innehåll och driva konverteringar genom att kombinera specifika erbjudanden eller meddelanden och sedan matcha olika erbjudandevariationer för besökarna utifrån deras individuella kundprofiler.
Mer information finns i Automated Personalization.
Multivariate Test (MVT)
Jämför kombinationer av erbjudanden mellan element på en sida för att se vilken kombination av erbjudanden som fungerar bäst för en viss målgrupp. Identifierar även vilket element på sidan som bäst förbättrar konverteringarna under en fördefinierad testperiod.
Mer information finns i Multivariata test.
Experience Targeting (XT)
Levererar innehåll till en viss målgrupp baserat på en uppsättning marknadsföringsdefinierade regler och kriterier.
Mer information finns i Experience Targeting.
Varför använder du den här typen av aktivitet? section_46A70DD7CE3448749E635DDF5EAFC131
Vilken typ av marknadsförare ska använda för aktiviteten? section_A843D663D3E543FFB1A594266B560395
Är känd i statistik.
Har tid att vänta tills testperiodens slut för att analysera resultaten.
Har en kort tidsram.
Måste identifiera den bästa upplevelsen och leverera snabbt.
Vill kunna"söka" i resultaten när testet körs.
Har flera valbara upplevelser.
vill matcha upplevelser med specifika besökare vid rätt tidpunkt baserat på deras dynamiska och föränderliga profiler.
Har ett eller flera erbjudanden.
vill skapa kombinationer av erbjudanden som ger optimala personaliserade upplevelser för specifika besökare i olika unika profiler och beteenden.
Är känd i statistik.
Har ett eller flera erbjudanden.
Vill analysera konverteringstrender som relaterar till interaktioner för sidelement.
Statistisk information section_22CF2D07DB054505AB5EC702B99A5BB0
Fördelar och överväganden section_56C46ABEF7B945DDA0C1E6D714377123
Om du i en A/B Test tittar på testresultaten innan provstorleken har nåtts riskerar du att förlita dig på felaktiga resultat (du kan inte "tjuvkika" tidigare!).
Till skillnad från Auto-Allocate förblir trafikdistributionen fast i ett A/B-test även när du känner igen att vissa upplevelser är bättre än andra.
Mer information om de effektivaste strategierna för A/B Test-aktiviteter finns i Hur länge ska du köra ett A/B-test och Tio vanliga A/B-testfel och hur du undviker dem.
Auto-Allocate identifierar vinnaren men skiljer sig inte åt mellan förlorarna. Om du måste veta hur varje upplevelse fungerar är A/B-testning att föredra.
Funktionen Auto-Allocate fungerar bara med en avancerad måttinställning, som är Öka antal och Behåll användare i aktivitet. Om du inte vill räkna antalet upprepade konverteringar bör du använda A/B-testning i stället.
När ni kombinerar flera olika erbjudanden sker en explosion i kombination, vilket leder till ett behov av en betydande mängd trafik. Algoritmen Automated Personalization representerar många faktorer och kräver därför flest trafik.
Automated Personalization kan inte använda rapporter i Analytics för Target (A4T).
En Multivariate Test är tidskrävande, och på grund av de många variabler som spelas upp är det inte nödvändigtvis en vinnande upplevelse med tillförsikt.
Det är ofta en utmaning att nå den mängd trafik som krävs för att slutföra testet. Eftersom alla Multivariate Test-experiment är helt faktoriella kan för många element på en gång snabbt lägga till upp till många möjliga kombinationer som måste testas.
Även en webbplats med ganska hög trafik kan ha problem med att slutföra ett test med mer än 25 kombinationer på en rimlig tid.
Med Experience Targeting kan du snabbt agera utifrån insikter som härleds från aktivitetsresultaten.
Om du till exempel har kört ett A/B-test där utmanaren inte utförde kontrollen, men resultatet visar att ett visst segment av besökare konverterades fyra gånger mer med utmanaren än de gjorde med kontrollen, kan du använda Experience Targeting för att dirigera utmanarupplevelsen till just det segmentet.