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:

术语定义
多臂老虎机多臂老虎机优化方法可在探索式学习和对该学习的利用之间进行平衡。
随机森林随机林是一种领先的机器学习方法。在数据科学中,它是一种集成分类方法,或回归方法,通过构建基于访客和访问属性的多个决策树来工作。 在Target内,随机林用于确定哪个体验对于每个特定访客具有最高的转化可能性(或每次访问的最高收入)。
汤普森采样汤普森采样的目标是确定哪个体验是最佳的整体(非个性化)体验,同时最大限度地降低找到该体验的“成本”。 汤普森抽样总是挑选入选者,即使两个体验之间没有统计上的差异。

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

“分配目标”下拉列表

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
  • 最大限度地提高控制体验和个性化体验之间提升度的准确性
  • 具有个性化体验的访客相对较少
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
  • 最大限度地增加具有个性化体验的访客数量
  • 最大化提升度
  • 对于该活动具有的提升度,准确度较低
自定义分配根据需要手动拆分百分比。
  • 您可能无法获得所需的结果。如果您不确定,请按照上述任一选项的建议进行操作

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。

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。

Auto-Target与Automated Personalization有何不同?