Auto-Target常见问题解答和疑难解答

• 确定Revenue per Visit (RPV)成功量度的业务值是否值得满足其他流量要求。 与转化相比，RPV 通常要求每个体验至少有 1,000 次转化才能完成工作。

• 开始活动之前，根据您的目标确定控制体验和个性化体验之间的流量分配。

• 确定您是否有足够的流量访问Auto-Target活动运行的页面，以使个性化模型在合理的时间内生成。

• 如果您正在测试个性化算法，则不应在活动开始时更改体验，也不应添加或删除用户档案属性。

• 考虑在您计划于Auto-Target活动中使用的选件和位置之间完成一个A/B活动，以确保位置和选件会对优化目标产生影响。 如果A/B活动未能显示显着差异，Auto-Target可能也无法生成提升。

  如果 A/B 测试在体验之间没有显示出具有统计意义的显著差异，则意味着：您考虑使用的选件可能并不具备足够的差异，您选择的位置不会影响成功量度，或者优化目标位于转化漏斗中较远的位置，不会受到所选选件的影响。

• 尽量不要在活动期间对体验进行重大更改。

最优的流量分配分摊取决于要实现的目标。

如果您的目标是使尽可能多的流量个性化，则可以在整个活动期内保持90%的目标分配和10%的控制。 如果您的目标是运行一项比较个性化算法与控制体验的实验，则50/50的分割比例最适合活动生命周期。

最佳实践是在整个活动期内保持流量分配分摊，这样访客就不会在针对性体验与对照体验之间切换。

Auto-Target活动需要四个因素才能产生提升：

• 选件必须足够不同，才能影响访客。
• 选件必须位于对优化目标有所影响的位置。
• 测试中必须有足够的流量和统计“功效”，才能检测到提升度。
• 个性化算法必须运行良好。

最好的做法是，首先使用简单、非个性化的 A/B 测试来确保组成活动体验的内容和位置对整体响应率真正地产生了影响。务必提前计算样本量，以确保有足够的样本以便看到合理的提升，并在一段固定的时间内运行 A/B 测试，且不要终止或对其进行任何更改。

如果 A/B 测试结果显示一个或多个体验具有统计意义上的显著提升，则个性化活动很可能会起作用。当然，即便体验的总体响应率没有差异，个性化也可能会起作用。通常，问题源于选件和位置对优化目标的影响不足以被检测出具有统计显着性的情况。

Auto-Target可用作“始终运行”且不断优化的个性化。 特别是对于一直使用的内容，无需停止Auto-Target活动。

如果要对Auto-Target活动中的内容进行重大更改，最佳实践是启动一个新活动，以便其他用户查看报告时不会将过去的结果与不同内容混淆或相关联。

在Auto-Target活动中构建模型的时间通常取决于所选活动位置的流量以及与活动成功量度关联的转化率。

在给定体验发生至少50次转化之前，Auto-Target不会尝试构建该体验的个性化模型。 此外，如果所构建的模型质量缺佳（通过使用称为AUC🔗的量度对留出的“测试”数据进行离线评估而确定），则不会使用该模型以个性化的方式提供流量。

关于Auto-Target的模型构建要记住的其他要点：

• 活动上线后，Auto-Target在尝试构建模型时最多考虑过去45天随机提供的数据。 例如，控制流量以及算法保留的一些额外的随机提供数据。
• 将Revenue per Visit作为成功量度时，这些活动通常需要更多数据才能构建模型，因为访问收入的数据偏差一般要比转化率的数据偏差高。
• 由于模型是根据体验构建的，因此将一种体验替换为另一种体验意味着必须为新体验收集足够的流量（至少50次转化），然后才能重建个性化模型。

在创建Automated Personalization (AP)或自动定位 (AT)活动时，您可以选择要用作控制的体验。

通过此功能，您可以根据活动中配置的流量分配百分比，将整个控制流量路由到特定体验。 然后，您可以根据该体验的控制流量评估个性化流量的性能报表。

有关更多信息，请参阅使用特定体验作为控制。

Adobe不建议您在活动中途更改目标指标。 虽然可在活动期间使用 Target UI 更改目标指标，但总是应开始新的活动。如果在活动运行后更改其中的目标指标，则Adobe不保证会发生什么情况。

此推荐适用于使用Target或Analytics (A4T)作为报表源的Auto-Allocate、Auto-Target和Automated Personalization活动。

建议不要对Auto-Target活动使用Reset Report Data选项。 虽然它删除可见的报表数据，但此选项并不从Auto-Target模型中删除所有训练记录。 不要对Auto-Target活动使用Reset Report Data选项，请创建新活动并停用原始活动。

本指导还适用于Auto-Allocate和Automated Personalization活动。

Target为每个体验构建一个模型，因此删除一个体验意味着Target少构建一个模型，并且不会影响其他体验的模型。

例如，假设您有一个包含八个体验的Auto-Target活动，而您不满意其中一个体验的表现。 您可以删除该体验，这不会影响剩余七个体验的模型。

更改几项活动设置可以减少构建模型所需的预计时间，包括Auto-Target活动中的体验数量、您网站的流量以及您选择的成功量度。

解决方案： ​查看您的活动设置，看看是否愿意进行任何更改以提高模型构建的速度。

• 如果将成功量度设置为RPV，是否可以更改为转化？ 转化活动需要用来构建模型的流量通常较少。如果将成功量度从 RPV 更改为转化，您并不会丢失活动数据。
• 您的成功量度在活动体验的销售漏斗中是否位于较远的位置？较低的活动转化率会增加构建模型所需的流量要求，因为需要达到最低转化次数。
• 是否有一些体验可从活动中删除？减少活动中的体验数量会减少构建模型的时间。
• 是否存在更高流量的页面可以提高此活动的成功率？活动位置的流量和转化越多，模型构建的速度就越快。

Auto-Target活动需要四个因素才能产生提升：

• 选件必须足够不同，才能影响访客。
• 选件必须位于对优化目标有所影响的位置。
• 测试中必须有足够的流量和统计“功效”，才能检测到提升度。
• 个性化算法必须运行良好。

解决方法： ​首先，确保您的活动对流量进行了个性化。如果没有针对所有体验都构建了模型，则您的Auto-Target活动仍会为大量访问随机提供体验，以尝试尽快构建所有模型。 如果未构建模型，Auto-Target未个性化流量。

接下来，使用简单的非个性化A/B测试，确保选件和活动位置对整体响应率真正发挥了作用。 务必提前计算样本量，以确保有足够的样本以便看到合理的提升，并在一段固定的时间内运行 A/B 测试，且不要终止或对其进行任何更改。如果A/B测试结果在一个或多个体验上显示出统计上的显着提升，则个性化活动可能会正常工作。 即使这些体验的总体响应率没有差异，Personalization也可以正常工作。 通常，问题源于选件和位置对优化目标的影响不足以被检测出具有统计显着性的情况。

这是正常情况。

在Auto-Target活动中，转化量度（无论是优化目标还是后期目标）发生转化后，用户将会从体验中释放，并且活动会重新开始。

例如，一个活动拥有一个转化量度 (C1) 和一个其他量度 (A1)。A1依赖于C1。 当访客首次进入活动，并且转化 A1 和 C1 的标准并未实现转化，那么由于成功量度的依赖关系，量度 A1 不会进行转化。如果访客先转换C1，然后再转换A1，则仍不会转换A1，因为转换C1时，访客将会释放。