[Premium]{class="badge positive" title="檢視Target Premium包含的內容。"}
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。
-
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 success
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 section_972257739A2648AFA7E7556B693079C9
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，請求都以相同的模式提供，但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 section_A309B7E0B258467789A5CACDC1D923F3
討論Auto-Target時，下列字詞相當實用：
Auto-Target的運作方式 section_77240E2DEB7D4CD89F52BE0A85E20136
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：
決定流量分配 section_AB3656F71D2D4C67A55A24B38092958F
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
- Maximize Personalization Traffic
- Custom Allocation
- 使控制與個人化之間的提升度達到最高準確性
- 擁有個人化體驗的訪客相對較少
- 將具有個人化體驗的訪客人數最大化
- 將提升度最大化
- 活動的提升度較不準確
- 您可能未達到理想的結果。如果不確定，請採用前述任一選項的建議。
若要調整Control百分比，請按一下Allocation欄中的圖示。 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？ section_BBC4871C87944DD7A8B925811A30C633
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？ section_2A601F482F9A44E38D4B694668711319
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取得新體驗的資格（除非訪客是在控制組中，在這種情況下，訪客在首次造訪時指派的體驗在後續造訪中會維持不變）。
- 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。
行銷人員可以上傳離線資料、傾向分數或其他自訂資料，以建立個人化模型。
Auto-Target與Automated Personalization有何不同？ section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB
Auto-Target建立個人化模型所需的流量通常少於Automated Personalization。
雖然Auto-Target或Auto Personalization模型建置所需的每個體驗 流量 相同，但Automated Personalization活動中的體驗通常比Auto-Target活動中的體驗更多。
例如，如果您的Auto Personalization活動中有兩個位置，且已為各個位置建立兩個選件，則活動中總共會包含四個(2 = 4)體驗（沒有排除專案）。 使用Auto-Target，您可以將體驗1設為包含位置1的選件1和位置2的選件2，將體驗2設為包含位置1的選件1和位置2的選件2。 因為Auto-Target可讓您選擇在一個體驗中進行多次變更，所以您可以減少活動中的體驗總數。
對於Auto-Target，可以使用簡易的經驗法則來瞭解流量需求：
- 當Conversion是您的成功量度時： 1,000次造訪，每個體驗每天至少有50次轉換，此外，活動必須至少有7,000次造訪和350次轉換。
- 當Revenue per Visit是您的成功量度時： 1,000次造訪，每個體驗每天至少有50次轉換，此外，每個體驗必須有至少1,000次轉換。 RPV 通常需要更多資料才能建置模型，原因是造訪收入相較於轉換率一般會存在較高的資料變數。
Auto-Target具有完整的設定功能。
- 因為Auto-Target內嵌於A/B活動工作流程中，Auto-Target可享用更成熟且完整的Visual Experience Composer (VEC)。 您也可以將QA連結與Auto-Target搭配使用。
Auto-Target提供廣泛的線上測試架構。
- 多臂吃角子是大型線上測試架構的一部分，可讓Adobe位資料科學家和研究人員瞭解其在真實世界狀況中持續改善的好處。
- 未來，此測試平台將允許我們向資料精通的客戶開啟Adobe機器學習平台，以便他們能夠引進自己的模型來擴充Target模型。
報告與Auto-Target section_42EE7F5E65E84F89A872FE9921917F76
如需詳細資訊，請參閱報告和自動鎖定目標。
訓練影片: 瞭解自動鎖定目標活動
此影片說明如何設定Auto-Target A/B活動。
完成此訓練之後，您應該能夠:
- 定義Auto-Target測試
- 比較Auto-Target與Automated Personalization
- 建立Auto-Target活動