Auto-Target總覽
Adobe Target中的Auto-Target個活動使用進階機器學習來從多個高效能、行銷人員定義的體驗中加以選取，以個人化內容並促進轉換。 Auto-Target會根據個別客戶設定檔與具有類似設定檔之先前訪客的行為，提供每位訪客量身打造的最佳體驗。
NOTE-
Auto-Target是Target Premium解決方案的一部分。 若無 Target Standard 授權，Target Premium 不提供此功能。如需此授權提供之進階功能的詳細資訊，請參閱 Target Premium。
-
Analytics for Target (A4T)支援Auto-Target個活動。 如需詳細資訊，請參閱自動分配和自動鎖定目標活動的A4T支援。
使用自動鎖定目標的真實成功案例
一家主要服裝零售商最近使用具有十個產品類別型體驗（加上隨機控制項）的Auto-Target活動為每位訪客提供正確內容。 "Add to Cart"已選為主要最佳化量度。 目標體驗的平均提升度為29.09%。 建立Auto-Target模型後，活動已設為90%個人化體驗。
在短短十天內，就實現了超過$1,700,000的提升度。
請繼續閱讀，瞭解如何使用Auto-Target來提高組織的提升度和收入。
總覽
使用三步驟引導式工作流程建立A/B活動時，請在 Targeting 頁面上選擇 Auto-Target for personalized experiences 選項（步驟2）。
A/B活動流程中的Auto-Target選項可讓您只要按一下即可駕馭機器學習，以根據市場行銷人員定義的一組體驗進行個人化。 相較於傳統的A/B測試或Auto Allocate，Auto-Target旨在決定要顯示給每個訪客的體驗，讓最佳化發揮到極致。 不同於A/B活動的目標是找出單一獲勝者，Auto-Target會自動為特定訪客決定最佳體驗。 最佳體驗是根據訪客的設定檔和其他內容相關資訊，以提供高度個人化的體驗。
類似於Automated Personalization，Auto-Target使用隨機森林演演算法 （一種主流的資料科學整體方法）來決定要顯示給訪客的最佳體驗。 因為Auto-Target可以適應訪客行為的變化，所以它可以持續執行以提供提升度。 此方法有時稱為「隨時待命」模式。
不同於A/B活動對特定訪客採用固定的體驗配置，Auto-Target會隨著每次造訪來最佳化指定的業務目標。 如同在Auto Personalization中，Auto-Target預設會保留一部分活動流量作為控制組以測量提升度。 在活動中會提供隨機體驗給控制組中的訪客。
考量事項
使用Auto-Target時，請謹記以下重要考量：
-
您無法將特定活動從Auto-Target切換至Automated Personalization，反之亦然。
-
您無法從Manual流量分配（傳統A/B Test）切換至Auto-Target，反之亦然，因為活動已儲存為草稿。
-
我們建立了一個模型，用來識別個人化策略相對於隨機提供流量的效能，以及將所有流量傳送至整體成功體驗的效能。 此模型僅考量預設環境中的點選和轉換。
系統會為每個模型群組(AP)或體驗(AT)建立第二組模型的流量。 對於這些模型中的每一個，都會考量所有環境的點選和轉換。
無論環境為何，請求都是以相同的模式提供。 不過，多個流量應來自預設環境，以確保識別的整體成功體驗與真實世界行為一致。
-
使用最少兩個體驗。
術語
討論Auto-Target時，下列字詞相當實用：
| 術語 | 定義 |
|---|---|
| 多臂吃角子老虎機 | 最佳化的多臂吃角子老虎機方法可平衡探索學習和該學習的利用。 |
| 隨機森林 | 隨機森林是先進的機器學習方法。在資料科學方面，這是一種整體分類或回歸方法，會根據訪客和造訪屬性建構許多決策樹。 在Target內，隨機森林用於決定每個特定訪客的預期轉換可能性最高（或每次造訪收入最高）的體驗。 |
| Thompson取樣 | Thompson取樣的目標是決定哪些體驗是最佳的整體（非個人化），同時儘量減少尋找該體驗的「成本」。 Thompson取樣一律會挑選獲勝者，即使兩個體驗之間沒有統計差異。 |
Auto-Target的運作方式
請前往下列連結，以進一步瞭解Auto-Target和Automated Personalization的資料與演演算法：
| 術語 | 詳細資料 |
|---|---|
| 隨機森林演算法 | Target在Auto-Target和Automated Personalization中使用的主要個人化演演算法是隨機森林。 整體方法（例如隨機森林）會使用多種學習演演算法，以獲得比從任何組成學習演演算法都更好的預測效能。 Automated Personalization和Auto-Target活動中的隨機森林演演算法是一種分類或回歸方法，可在訓練時建構許多決策樹來運作。 |
| 正在上傳 Target的Personalization演演算法的資料 | 有幾種方式可以輸入Auto-Target和Automated Personalization模型的資料。 |
| Target的Personalization演演算法的資料收集 | Target的個人化演演算法會自動收集各種資料。 |
決定流量分配
視活動的目標而定，您可能在控制體驗與個人化體驗之間選擇不同的流量分配。最佳作法是在活動上線之前就決定此目標。
Custom Allocation下拉式清單可讓您從下列選項中選擇：
- Evaluate Personalization Algorithm (50/50)
- Maximize Personalization Traffic (90/10)
- Custom Allocation
下表說明三個選項：
| 活動目標 | 建議的流量分配 | 取捨 |
|---|---|---|
| Evaluate Personalization Algorithm (50/50)：如果您的目標是要測試演演算法，請在控制與鎖定的演演算法之間使用訪客的50/50百分比分割。 此分割可提供提升度更準確的預估。建議搭配使用「隨機體驗」作為控制。 | 50% 控制/ 50% 個人化體驗分割 |
|
| Maximize Personalization Traffic (90/10)：如果您的目標是要建立「一律開啟」的活動，請將10%的訪客放入控制，以確保有足夠的資料供演演算法隨著時間繼續學習。 這裡的取捨是以更大比例的流量交換個人化，因此在確切的提升度方面較不精確。 無論您的目標為何，這是使用特定體驗作為控制時的建議流量分割。 | 最佳作法是採用 10% - 30% 控制/ 70% - 90% 個人化體驗分割 |
|
| 自訂分配 | 視需要手動分割百分比。 |
|
若要調整Control百分比，請按一下Traffic Allocation窗格中的Experiences，然後視需要調整百分比。 您無法將控制組降到 10% 以下。
您可以選取特定體驗以用來作為控制，或者也可以使用隨機體驗選項。
何時應選擇Auto-Target而非Automated Personalization？
在幾種情況下，您可能會偏好使用Auto-Target而非Automated Personalization：
- 如果您想要定義整個體驗，而非自動合併以形成體驗的個別選件。
- 如果您想使用Auto Personalization不支援的完整Visual Experience Composer (VEC)功能集：自訂程式碼編輯器、多個體驗對象等等。
- 如果您想對不同體驗中的頁面進行結構性變更。例如，如果您想重新排列首頁上的元素，Auto-Target比Automated Personalization更適合使用。
Auto-Target與Automated Personalization有何共同點？
演演算法會針對每次造訪的有利結果最佳化。
- 演演算法會預測訪客的轉換傾向（或轉換的估計收入），以提供最佳體驗。
- 訪客符合在現有工作階段結束後使用新體驗的資格（除非訪客是在控制組中，在這種情況下，訪客在第一次造訪時指派的體驗在後續造訪中維持不變）。
- 在工作階段中，預測不會變更，以維持視覺一致性。
演演算法會因應訪客行為的變化而改變。
- 多臂吃角子老虎機可確保模型一律「花費」少量流量，在整個活動學習期間持續學習，並防止過度利用先前學習的趨勢。
- 基礎模型每24小時會使用最新的訪客行為資料重建一次，以確保Target一律會利用訪客偏好設定的不斷變化進行探索。
- 如果演算法無法為個人決定勝出體驗，則會自動切換為顯示整體表現最佳的體驗，同時仍繼續尋找個人化獲勝者。採用 Thompson 取樣可找出表現最佳的體驗。
演演算法會持續針對單一目標量度最佳化。
- 此量度可以是轉換型或收入型（更具體地說Revenue per Visit）。
Target會自動收集關於訪客的資訊以建置個人化模型。
- 如需Auto-Target和Automated Personalization中所使用引數的詳細資訊，請參閱Automated Personalization資料彙集。
Target會自動使用所有Adobe Experience Cloud個共用對象來建置個人化模型。
- 您不需要做任何特定的動作將對象新增至模型。如需將 Experience Cloud Audiences 用於 Target 的相關資訊，請參閱 Experience Cloud 客群。