[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
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，依據訪客的設定檔、行為和內容來選擇每位訪客的最佳體驗，所有這一切都使用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 Test和Auto-Allocate）和個人化活動(Auto-Target)之間的差異，預設 Analytics for Target 面板需要一些修改才能正確解譯Auto-Target活動。
此教學課程會逐步引導您瞭解分析Analysis Workspace中Auto-Target個活動的建議修改，這些修改是以下列重要概念為基礎：
- Control vs Targeted 維度可用來區分Control個體驗與Auto-Target組合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中建立Auto-Target面板的A4T
若要為Auto-Target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：
-
Control Experience：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Auto-Target個活動，控制體驗其實是控制策略，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中建立活動時做出的）。 即使您已選擇選項(b)，您的Auto-Target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Auto-Target活動的A4T。
-
Normalizing Metric：選取Visits。
-
Success Metrics：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。
Auto-Target活動的
圖1： Auto-Target活動的Analytics for Target面板設定。
使用Control vs.Targeted維度來比較Target組合ML模型與您的控制項
預設A4T面板是針對傳統（手動） A/B Test或Auto-Allocate活動而設計，其目標是比較個別體驗與控制體驗的效能。 但在Auto-Target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。 換言之，決定Auto-Target整體ML模型相對於控制策略的整體效能提升度。
若要執行這項比較，請使用 Control vs Targeted (Analytics for Target) 維度。 拖放以取代預設A4T報表中的 Target Experiences 維度。
請注意，此取代會使A4T面板上的預設Lift and Confidence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：
Analysis Workspace
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。
新增量度的體驗層級劃分
若要深入瞭解整體ML模型的執行方式，您可以檢查 Control vs Targeted 維度的體驗層級劃分。 在Analysis Workspace中，將 Target Experiences 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。
Analysis Workspace
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。
Analysis Workspace
圖4：具有體驗層級劃分的標準Auto-Target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。
為什麼"Visits"是Auto-Target活動的正確標準化量度
分析Auto-Target活動時，請一律選擇Visits作為預設標準化量度。 Auto-Target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Unique Visitors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：
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Auto-Target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Visits量度。
若要建立區段：
- 選取Analysis Workspace工具列中的 Components > Create Segment 選項。
- 指定區段的 Title。 在下列範例中，區段名為"Hit with specific Auto-Target activity"。
- 將 Target Activities 維度拖曳至區段 Definition 區段。
- 使用 equals 運運算元。
- 搜尋您的特定Target活動。
- 按一下齒輪圖示，然後選取 Attribution model > Instance，如下圖所示。
- 按一下 Save。
Analysis Workspace
圖5：使用如這裡所示的區段來篩選Auto-Target報告 的A4T中的Visits量度
建立區段後，請使用該區段來篩選Visits量度，因此Visits量度僅包含使用者與Target活動互動的造訪。
若要使用此區段來篩選Visits：
- 從元件工具列拖曳新建立的區段，並將滑鼠游標暫留在 Visits 量度標籤的基底上，直到出現藍色 Filter by 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：
Analysis Workspace
圖6：套用到Visits量度且「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Auto-Target 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。
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。
目標定義的轉換，或具有 最大化的每次造訪量度值 的Analytics個量度
當量度是Target轉換，或具有 每次造訪量度值最大化 的Analytics量度時，目標量度定義允許在同一次造訪中發生多個轉換事件。
若要檢視具有Target ML模型所使用的相同歸因方法的目標量度，請執行下列步驟：
-
將游標停留在目標量度的齒輪圖示上：
-
從產生的功能表，捲動至 Data settings。
-
選取 Use non-default attribution model （如果尚未選取）。
-
按一下 Edit。
-
選取 Model： Participation 和 Lookback window： Visit。
-
按一下 Apply。
如果目標量度事件發生在有體驗顯示的同一次造訪中的 任何時間 （「參與率」），這些步驟可確保報表將目標量度歸因於體驗的顯示。
具有 不重複造訪轉換率 的Analytics量度
定義具有正面量度區段的造訪
在您選取 最大化不重複造訪轉換率 作為最佳化條件的案例中，轉換率的正確定義是度量值為正值的造訪次數比例。 若要這麼做，可建立區段篩選，找出量度值為正值的造訪，然後篩選造訪量度。
-
和之前一樣，在Analysis Workspace工具列中選取 Components > Create Segment 選項。
-
指定區段的 Title。
在下列範例中，區段名為"Visits with an order"。
-
將您用於最佳化目標的基本量度拖曳至區段。
在下列範例中，我們使用 訂單 量度，因此轉換率會測量已記錄訂單的造訪次數。
-
在區段定義容器的左上方，選取 Include 造訪。
-
使用 is greater than 運運算元，並將值設為0。
將值設為0表示此區段包含訂單量度為正數的造訪。
-
按一下 Save。
圖7：區段定義會篩選順序列出的造訪。 根據活動的最佳化量度，您必須以適當的量度取代訂單
將此套用至活動篩選量度中的造訪
此區段現在可用來篩選具有正數訂單的造訪，以及Auto-Target活動有點選的造訪。 篩選量度的程式與之前類似，而且在套用新區段至已篩選的造訪量度後，報表面板應該會如圖8所示
圖8：具有正確不重複造訪轉換量度的報表面板：記錄來自活動的點選，且轉換量度（此範例中的訂單）非零的造訪次數。
最後步驟：建立可擷取上述神奇的轉換率
修改前幾節中的Visit和目標量度後，您對Auto-Target報表面板的預設A4T應進行的最終修改，是建立正確比率的轉換率，也就是正確的目標量度與適當篩選的「造訪」量度的比率。
使用下列步驟建立Calculated Metric，以執行此操作：
- 選取Analysis Workspace工具列中的 Components > Create Metric 選項。
- 為您的量度指定 Title。 例如，「活動XXX的造訪修正轉換率」。
- 選取 Format =百分比和 Decimal Places = 2。
- 將活動的相關目標量度（例如Activity Conversions）拖曳至定義，然後使用此目標量度上的齒輪圖示，將歸因模型調整為（參與率|造訪），如先前所述。
- 從 Definition 區段的右上角選取 Add > Container。
- 選取兩個容器之間的除(÷)運運算元。
- 拖曳您先前針對此特定Auto-Target活動在本教學課程中建立的區段（名為「具有特定Auto-Target活動的點選」）。
- 將 Visits 量度拖曳至區段容器。
- 按一下 Save。
此處顯示完整的計算量度定義。
圖7：造訪校正和歸因校正的模型轉換率量度定義。 (請注意，此量度取決於您的目標量度和活動。 換句話說，此量度定義無法跨活動重複使用。)
摘要： Auto-Target報告的最後範例Analysis Workspace面板
將上述所有步驟合併成單一面板，下圖顯示Auto-Target個A4T活動的建議報告完整檢視。 此報表與Target ML模型用來最佳化目標量度的報表相同。 此報表包含本教學課程中討論的所有細微差別和建議。 此報表也最接近傳統Target報表導向Auto-Target活動中使用的計數方法。
按一下以展開影像。
在Analysis Workspace的Analysis Workspace](assets/Figure10.png “A4T報告中![最終的A4T報告”)
圖10： Adobe Analytics Workspace中的最終A4T Auto-Target報告，此報告結合本教學課程前幾節中說明的所有量度定義調整。