[Premium]{class="badge positive" title="檢視Target Premium包含的內容。"}

在Analysis Workspace中為Auto-Target個活動設定A4T報告

最後更新： 2026年9月30日

建立對象：

中繼
使用者

IMPORTANT

針對自動鎖定目標活動，您必須檢查Analytics Workspace中的報告，並手動建立A4T面板。

Auto-Target活動的Analytics for Target (A4T)整合使用Adobe Target整體機器學習(ML)演演算法，根據訪客的設定檔、行為和內容為每位訪客選擇最佳體驗，同時使用Adobe Analytics目標量度。

雖然Adobe Analytics Analysis Workspace中提供了豐富的分析功能，但由於實驗活動（手動A/B測試和自動分配）和個人化活動（自動鎖定目標）之間的差異，仍需要對預設 Analytics for Target 面板進行一些修改，才能正確解譯Auto-Target活動。

此教學課程會逐步解說分析Analysis Workspace中自動鎖定目標活動的建議修改，這些修改是以下列重要概念為基礎：

控制項與目標維度可用來區分控制項體驗與自動鎖定目標整體ML演演算法所提供的體驗。
檢視體驗層級的效能劃分時，瀏覽應作為標準化量度使用。此外，Adobe Analytics的預設計數方法可能包含使用者實際上未看到活動內容的造訪，但此預設行為可以使用適當範圍的區段來修改（詳細資訊如下）。
Adobe Target ML模型在其訓練階段會使用造訪回顧範圍歸因（在指定的歸因模型上也稱為「造訪回顧期間」），且在劃分目標量度時應使用相同的（非預設）歸因模型。

在Analysis Workspace中為自動鎖定目標面板建立A4T

若要為自動鎖定目標報告建立A4T，請從Analysis Workspace中的 Analytics for Target 面板開始（如下所示），或以自由表格開始。然後進行下列選取：

控制體驗：您可以選擇任何體驗；不過，您稍後會覆寫此選項。請注意，對於自動鎖定目標活動，控制體驗實際上是一種控制策略，其目的為a)在所有體驗中隨機提供，或b)提供單一體驗（此選項是在Adobe Target中的活動建立時做出的）。即使您已選擇選項(b)，您的自動鎖定目標活動仍會指定特定體驗作為控制。您仍然應該遵循本教學課程中概述的方法，分析自動鎖定目標活動的A4T。
標準化量度：選取造訪。
成功量度：雖然您可以選取要報告的任何量度，但您通常應該檢視在Target中活動建立期間為最佳化所選取之相同量度的報告。

圖1：自動鎖定目標活動的Analytics for Target面板設定。

TIP

若要為自動鎖定目標活動設定您的Analytics for Target面板，請選擇任何控制體驗，選擇造訪作為標準化量度，並選擇在Target活動建立期間選擇用於最佳化的相同目標量度。

使用控制項與將Target整體ML模型與您的控制項做比較的目標維度

預設A4T面板是針對傳統（手動） A/B測試或自動分配活動所設計，其目標是比較個別體驗與控制體驗的效能。但是，在自動鎖定目標活動中，第一順序比較應該是在控制策略與目標的策略之間。換句話說，決定自動鎖定目標整體ML模型相對於控制策略的整體效能提升度。

若要執行此比較，請使用 控制與目標（目標分析） 維度。拖放以取代預設A4T報表中的 目標體驗 維度。

請注意，此取代會使A4T面板上的預設提升度和信賴度計算失效。為避免混淆，您可以從預設面板中移除這些量度，並留下下列報表：

在Analysis Workspace 中依活動轉換顯示的體驗面板

圖2： Auto-Target活動的建議基準線報告。此報告已設定為比較目標流量（由整體ML模型提供）與您的控制流量。

NOTE

目前，自動鎖定目標的A4T報告的控制與目標維度無法使用提升度和可信度數字。在新增支援之前，可藉由下載信賴度計算器來手動計算提升度和信賴度。

新增量度的體驗層級劃分

若要進一步瞭解insight如何執行整體ML模型，您可以檢查 控制與目標 維度的體驗層級劃分。在Analysis Workspace中，將 目標體驗 維度拖曳至您的報表，然後分別劃分每個控制項和目標維度。

在Analysis Workspace 中依活動轉換顯示的體驗面板

圖3：依目標體驗劃分目標維度

產生的報表範例顯示於此處。

在Analysis Workspace 中依活動轉換顯示的體驗面板

圖4：具有體驗層級劃分的標準自動鎖定目標報告。請注意，您的目標量度可能不同，而您的控制策略可能有單一體驗。

TIP

在Analysis Workspace中，按一下齒輪圖示以隱藏轉換率欄中的百分比，以協助將焦點保持在體驗轉換率上。轉換率隨後將格式化為小數，但會據此將其解譯為百分比。

為什麼「造訪」是自動鎖定目標活動的正確標準化量度

分析自動鎖定目標活動時，請一律選擇造訪作為預設的標準化量度。自動鎖定目標個人化會在每次造訪時為訪客選取一次體驗（正式地說，每個Target工作階段選取一次），這表示向訪客顯示的體驗可在每次造訪時變更。因此，如果您使用獨特訪客作為標準化量度，單一使用者最終可能會看到多個體驗（跨不同造訪）的事實會導致轉換率混亂。

一個簡單的範例將示範這一點：假設有兩個訪客進入一個只有兩個體驗的行銷活動。第一個訪客造訪兩次。他們會在第一次造訪時指派給體驗A，但在第二次造訪時指派給體驗B （因為其設定檔狀態在第二次造訪時變更）。在第二次造訪後，訪客會下訂單進行轉換。此轉換可歸因於最近顯示的體驗（體驗B）。第二個訪客也會造訪兩次，且兩次都會顯示體驗B，但絕不會轉換。

讓我們比較訪客層級和造訪層級報表：

體驗

獨特訪客

瀏覽次數

轉換

訪客標準化轉換率

造訪標準化轉換率

50%

33.3%

總計

50%

25%

表1：比較訪客標準化和造訪標準化的報表範例，適用於決策對造訪有粘性的案例（而非訪客，如同一般A/B測試）。此情境中的訪客標準化量度令人困惑。

如表格所示，訪客層級數字明顯不一致。雖然不重複訪客總數有兩位，但這不是每個體驗的個別不重複訪客的總和。雖然訪客層級的轉換率未必錯誤，但在比較個別體驗時，造訪層級的轉換率可能更有意義。在形式上，分析單位（「造訪」）與決定粘著度單位相同，這表示可新增並比較量度的體驗層級劃分。

篩選活動的實際造訪

Target活動造訪的Adobe Analytics預設計數方法可能包含使用者未與Target活動互動的造訪。這是因為Target活動指派持續存在於Analytics訪客內容中的方式。因此，Target活動的造訪次數有時會膨脹，導致轉換率降低。

如果您偏好報告使用者實際與自動鎖定目標活動互動的造訪（透過進入活動、顯示或造訪事件，或轉換），您可以：

建立特定區段，包含來自相關Target活動的點選，然後
使用此區段篩選造訪量度。

若要建立區段：

選取Analysis Workspace工具列中的 元件>建立區段 選項。
為您的區段指定標題。在下列範例中，區段名為"Hit with specific Auto-Target activity"。
將 目標活動 維度拖曳至區段定義區段。
使用等於運運算元。
搜尋您的特定Target活動。
按一下齒輪圖示，然後選取「歸因模型>執行個體」，如下圖所示。
按一下「儲存」。

Analysis Workspace 中的區段

圖5：使用如這裡所示的區段，針對自動鎖定目標報告篩選A4T中的造訪量度

建立區段後，請使用該區段來篩選造訪量度，因此造訪量度只會包含使用者與Target活動互動的造訪。

若要使用此區段來篩選造訪：

從元件工具列拖曳新建立的區段，並將滑鼠游標停留在造訪量度標籤的基底上，直到出現藍色 篩選依據 提示為止。
發行區段。篩選器會套用至該量度。

最終面板顯示如下：

在Analysis Workspace 中依活動轉換顯示的體驗面板

圖6：套用到造訪量度的「具有特定自動鎖定目標活動的點選」區段的報告面板。此區段可確保報表中只包含使用者實際與相關Target活動互動的造訪。

確保目標量度和歸因符合最佳化標準

A4T整合允許自動鎖定目標 ML模型使用與Adobe Analytics用於 產生效能報表 的相同轉換事件資料培訓。不過，在訓練ML模型時，必須使用某些假設來解譯此資料，這些假設與Adobe Analytics中報告階段期間所做的預設假設不同。

具體來說，Adobe Target ML模型會使用造訪範圍的歸因模型。也就是說，ML模型假設轉換必須發生在活動內容的顯示同一次造訪中，才能將轉換「歸因」於ML模型所做的決定。這是Target保證及時訓練其模型的必要專案；Target無法等待最多30天的時間進行轉換（Adobe Analytics中報表的預設歸因期間），才能將其納入其模型的訓練資料。

因此，Target模型所使用的歸因（培訓期間）與查詢資料所使用的預設歸因（報告產生期間）之間的差異可能會導致差異。 ML模型甚至可能表現不佳，而實際上問題出在歸因上。

TIP

如果ML模型針對某一量度進行最佳化，而該量度的歸因不同於您在報表中檢視的量度，則模型可能無法如預期般執行。若要避免此問題，請確保報表上的目標量度使用Target ML模型使用的相同量度定義和歸因。

確切的量度定義和歸因設定取決於您在活動建立期間指定的最佳化准則。