注意事项
使用Auto-Target时要记住以下重要注意事项:
-
您不能将特定活动从Auto-Target切换到Automated Personalization,反之亦然。
-
您无法从Manual流量分配(传统A/B Test)切换到Auto-Target,而在将活动另存为草稿后,情况正好相反。
-
我们构建了一个模型,用来识别个性化策略相对于随机提供流量的表现,以及如何将所有流量发送到整个入选体验。 此模型仅考虑默认环境中的点击和转化。
为每个建模组(AP)或体验(AT)构建来自第二组模型的流量。 对于这些模型中的每一个,都会考虑所有环境中的点击量和转化量。
无论环境如何,使用相同的模型为请求提供服务。 但是,多个流量应来自默认环境,以确保标识的整体入选体验与真实世界行为一致。
-
至少使用两个体验。
术语
讨论Auto-Target时,以下术语很有用:
Auto-Target的工作方式
通过以下链接,了解与Auto-Target和Automated Personalization相关的数据和算法的更多信息:
术语 | 详细信息 |
---|---|
随机林算法 | Target在Auto-Target和Automated Personalization中使用的主要个性化算法是随机林。 集成方法(如随机森林)使用多种学习算法以获得比任何组成学习算法都更好的预测性能。 Automated Personalization和Auto-Target活动中的随机林算法是一种分类或回归方法,它通过在训练时构建大量决策树来运行。 |
正在上传 Target的Personalization算法的数据 | 有几种方法可输入Auto-Target和Automated Personalization模型的数据。 |
为 Target的Personalization算法收集数据 | Target的个性化算法自动收集各种数据。 |
确定流量分配
根据您的活动目标,您可以选择向控制体验和个性化体验分配不同的流量。最佳实践是在活动开始之前确定此目标。
Custom Allocation下拉列表允许您从以下选项中进行选择:
- Evaluate Personalization Algorithm (50/50)
- Maximize Personalization Traffic (90/10)
- Custom Allocation
下表说明了三个选项:
活动目标 | 建议的流量分配 | 权衡 |
---|---|---|
Evaluate Personalization Algorithm (50/50):如果您的目标是测试算法,则可以在控制和目标算法之间按50/50的百分比拆分访客。 这种拆分可让您对提升进行最精确的评估。建议将“随机体验”用作控制。 | 按 50% 控制体验/ 50% 个性化体验进行拆分 |
|
Maximize Personalization Traffic (90/10):如果您的目标是创建“一直开启”的活动,则可以在控制中放入10%的访客,以确保算法有足够的数据来不断学习。 这里做出的权衡是,为了对更大比例的流量进行个性化,提升度的准确性将会降低。 无论您的目标如何,在使用特定体验作为控制时,都建议按此比例拆分流量。 | 最佳实践是使用 10% - 30% 控制体验 / 70% - 90% 个性化体验的拆分方式 |
|
自定义分配 | 根据需要手动拆分百分比。 |
|
要调整Control百分比,请单击Traffic Allocation窗格中的Experiences,然后根据需要调整百分比。 您不能将控制组降至 10% 以下。
您可以选择特定体验作为控制,也可以使用“随机体验”选项。
何时应选择Auto-Target而不是Automated Personalization?
在以下几种情况中,您可能会偏向使用Auto-Target,而不是Automated Personalization:
- 如果您想定义整个体验,而不是单个选件(会自动组合形成体验)。
- 如果要使用Auto Personalization不支持的整套Visual Experience Composer (VEC)功能:自定义代码编辑器、多个体验受众等。
- 如果您想在不同的体验中对页面进行结构性更改。例如,如果您想重新排列主页上的元素,Auto-Target比Automated Personalization更适合使用。
Auto-Target与Automated Personalization有什么共同点?
算法会针对每次访问的有利结果进行优化。
- 该算法预测访客的转化倾向(或估计的转化收入)以提供最佳体验。
- 访客有资格在现有会话结束后获得新体验(除非访客位于控制组中,在这种情况下,首次访问时分配的访客体验在后续访问中保持不变)。
- 在会话内,预测不会更改,以保持视觉一致性。
算法可适应访客行为的变化。
- 多臂老虎机确保模型始终“花费”一小部分流量以在活动学习的整个生命周期中继续学习,并防止过度利用之前学习到的趋势。
- 使用最新的访客行为数据每24小时重建一次基础模型,以确保Target始终利用不断变化的访客偏好设置。
- 如果该算法无法为个人用户确定入选体验,则会自动切换为显示总体性能最佳的体验,同时仍继续查找个性化入选者。使用汤普森采样查找性能最佳的体验。
算法会不断针对单个目标量度进行优化。
- 此量度可以基于转化,也可以基于收入(更具体地说,Revenue per Visit)。
Target自动收集关于访客的信息以构建个性化模型。
- 有关Auto-Target和Automated Personalization中使用的参数的详细信息,请参阅Automated Personalization数据收集。
Target自动使用所有Adobe Experience Cloud共享受众来构建个性化模型。
- 您无需执行任何特定操作来将受众添加到模型中。有关将 Experience Cloud Audiences 与 Target 配合使用的信息,请参阅 Experience Cloud 受众。
营销人员可以上传离线数据、倾向得分或其他自定义数据来构建个性化模型。
- 了解有关上传Auto-Target和Automated Personalization数据的更多信息。