Auto-Target概述
Adobe Target中的Auto-Target活动使用高级机器学习从多个高性能、营销人员定义的体验中进行选择，以便个性化内容并促进转化。 Auto-Target根据每位访客的个人客户配置文件和具有相似配置文件的先前访客的行为，为每位访客提供量身定制的体验。
NOTE-
Auto-Target作为Target Premium解决方案的一部分提供。 如果没有 Target Premium 许可证，则此功能在 Target Standard 中不可用。有关此许可证提供的各项高级功能的更多信息，请参阅 Target Premium。
-
Analytics for Target (A4T)支持Auto-Target活动。 有关详细信息，请参阅自动分配和自动定位活动支持A4T。
使用自动定位的真实成功案例
一家主要服装零售商最近使用具有十个基于产品类别的体验（加上随机控制）的Auto-Target活动为每位访客提供正确的内容。 已选择“Add to Cart”作为主要优化指标。 目标体验的平均提升度为29.09%。 构建Auto-Target模型后，活动设置为90%个性化体验。
在短短10天内，就实现了超过170万美元的提升。
继续阅读以了解如何使用Auto-Target提高组织的提升度和收入。
概述
使用三步引导式工作流创建A/B活动时，请在 Targeting 页面上选择 Auto-Target for personalized experiences 选项（步骤2）。
通过A/B活动流程中的Auto-Target选项，您可以利用机器学习功能，只需一次单击即可根据营销人员定义的一组体验进行个性化。 与传统A/B测试或Auto Allocate相比，Auto-Target旨在通过确定为每个访客显示哪个体验来实现最大程度的优化。 与目标是找到一个入选者的A/B活动不同，Auto-Target会自动确定适用于给定访客的最佳体验。 最佳体验基于访客的个人资料和其他上下文信息，以提供高度个性化的体验。
与Automated Personalization类似，Auto-Target使用随机林算法（一种领先的数据科学组合方法）来确定要向访客显示的最佳体验。 由于Auto-Target可以适应访客行为的变化，因此它可以一直运行以实现提升。 此方法有时称为“始终运行”模式。
与A/B活动不同，A/B活动为给定访客分配的体验是具有粘性的，Auto-Target会优化每次访问的指定业务目标。 与Auto Personalization一样，Auto-Target默认情况下将部分活动流量保留为控制组以测量提升。 在活动中，控制组的访客会得到随机体验。
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。