Premium
Target Premium に含まれる機能を確認してください。

自動ターゲットの概要

自動ターゲット アクティビティ Adobe Target 高度な機械学習を利用して、マーケティング担当者が定義したパフォーマンスの高い複数のエクスペリエンスから選択し、コンテンツをパーソナライズしてコンバージョンを促進します。 自動ターゲットは、個々の顧客プロファイルや同様のプロファイルを持つ過去の訪問者の行動に基づいて、各訪問者に合わせた最適なエクスペリエンスを提供します。

NOTE
  • 自動ターゲット は、この Target Premium ソリューションの一部として使用できます。この機能は、Target Premium ライセンスのない Target Standard では使用できません。このライセンスで提供される高度な機能について詳しくは、Target Premium を参照してください。

  • Analytics for Target(A4T)では、自動ターゲットアクティビティをサポートしています。詳しくは、A4T での自動配分および自動ターゲットアクティビティのサポートを参照してください。

自動ターゲットを使用した実際のユーザー事例 success

ある大手衣料品店は最近、製品カテゴリベースの 10 とおりのエクスペリエンス(およびランダムコントロール)を備えた自動ターゲットアクティビティを使用して、各訪問者に適切なコンテンツを配信しました。「買い物かごに追加」が主要な最適化指標として選択されました。ターゲットエクスペリエンスの平均上昇率は 29.09%でした。自動ターゲットモデルを構築した後、アクティビティを、90%パーソナライズされたエクスペリエンスに設定しました。

わずか 10 日で、1,700,000 ドル以上の上昇率を達成しました。

さらに読み進めれば、自動ターゲットを使用して組織の上昇率と売上高を向上させる方法を習得できます。

概要 section_972257739A2648AFA7E7556B693079C9

While A/B アクティビティの作成 3 ステップのガイドによるワークフローを使用して、 パーソナライズされたエクスペリエンスの自動ターゲット オプションを ターゲット設定 ページ(手順 2)の説明です。

「パーソナライズされたエクスペリエンスの自動ターゲット」オプション

A/B アクティビティフロー内で自動ターゲットオプションを使用すると、機械学習を活用して、マーケターが定義した一連のエクスペリエンスを基にクリック 1 回でパーソナライズできます。自動ターゲットは、表示するエクスペリエンスを訪問者ごとに決定することで、従来の A/B テストや自動配分と比較して、最大限の最適化を実現するように設計されています。目的が 1 つの勝者を見つけることである A/B アクティビティとは異なり、 自動ターゲット は、特定の訪問者に最適なエクスペリエンスを自動的に決定します。 最高のエクスペリエンスは、訪問者のプロファイルやその他のコンテキスト情報に基づいて、高度にパーソナライズされたエクスペリエンスを提供します。

Automated Personalization と同様に、自動ターゲットでは、有力なデータサイエンスアンサンブル手法であるランダムフォレストアルゴリズムを使用して、訪問者に表示する最適なエクスペリエンスを決定します。理由: 自動ターゲット は、訪問者の行動の変化に対応できるので、恒久的に実行して上昇率を高めることができます。 このメソッドは、「常時稼動」モードとも呼ばれます。

特定の訪問者のエクスペリエンス配分が定着であるA/Bアクティビティとは異なり、 自動ターゲット は、各訪問で指定したビジネス目標を最適化します。Auto Personalization と同様に 自動ターゲット でも、上昇率を計測するために、デフォルトではアクティビティのトラフィックの一部がコントロールグループに配分されます。コントロールグループの訪問者には、アクティビティのランダムエクスペリエンスが配信されます。

注意点

自動ターゲットを使用する際に留意すべき重要な注意事項は、次のとおりです。

  • 次のアクティビティを切り替えることはできません: 自動ターゲット から Automated Personalization(逆)。

  • 次から切り替えることはできません: 手動 トラフィック配分 ( 従来の A/B テスト) から 自動ターゲットを含め、アクティビティをドラフトとして保存した後の逆の方法です。

  • パーソナライズされた戦略とランダムに提供されるトラフィックに対して、すべてのトラフィックを勝者エクスペリエンス全体に送信する比較で、パーソナライズされた戦略のパフォーマンスを識別するモデルが 1 つ構築されています。 このモデルでは、ヒットとコンバージョンはデフォルト環境でのみ考慮されます。

    2 番目のモデルセットからのトラフィックは、モデリンググループ(AP)またはエクスペリエンス(AT)ごとに作成されます。これらのモデルごとに、すべての環境にわたるヒットおよびコンバージョンが考慮されます。

    環境に関係なく、リクエストは同じモデルで処理されますが、特定された総合的な勝者エクスペリエンスが実際の行動と一致するように、大多数のトラフィックをデフォルト環境から提供する必要があります。

  • 2 つ以上のエクスペリエンスを使用します。

用語 section_A309B7E0B258467789A5CACDC1D923F3

自動ターゲットを説明する際には、次の用語が役立ちます。

用語
定義
マルチアームバンディット
マルチアームバンディット最適化アプローチでは、調査学習とその学習の活用のバランスを取ります。
ランダムフォレスト
ランダムフォレストは、有力な機械学習アプローチです。データサイエンス分野では、訪問者と訪問の属性に基づいて多数の決定ツリーを作成することで機能するアンサンブル分類または回帰手法を指します。Target 内部では、ランダムフォレストを使用して、コンバージョンの可能性が最も高い(または訪問あたりの売上高が最も高い)と予想されるエクスペリエンスを特定の訪問者ごとに決定します。
トンプソンサンプリング
トンプソンサンプリングの目的は、全体的に最良の(パーソナライズされていない)エクスペリエンスを最小限の「コスト」で特定することです。トンプソンサンプリングでは、2 つのエクスペリエンスに統計的な差異がない場合でも、必ず勝者が選定されます。

自動ターゲットの仕組み section_77240E2DEB7D4CD89F52BE0A85E20136

以下のリンクにある、自動ターゲットとAutomated Personalizationのデータおよびアルゴリズムについての詳細をご覧ください。

用語
詳細
ランダムフォレストアルゴリズム
Targetの主なパーソナライゼーションアルゴリズムで、 自動ターゲット および Automated Personalization はランダムフォレストです。 ランダムフォレストなどのアンサンブル手法では、複数の学習アルゴリズムを使用して、どの構成学習アルゴリズムを使用した場合よりも優れた予測パフォーマンスを実現します。 Automated Personalization アクティビティと自動ターゲットアクティビティのランダムフォレストアルゴリズムは、トレーニング時に多数の決定ツリーを作成することで機能する分類または回帰手法です。
データをアップロード中 Targetのパーソナライゼーションアルゴリズム
自動ターゲットモデルと Automated Personalization モデルのデータを入力するには、いくつかの方法があります。
のデータ収集 Targetのパーソナライゼーションアルゴリズム
Targetのパーソナライゼーションアルゴリズムは、様々なデータを自動的に収集します。

トラフィック配分の決定 section_AB3656F71D2D4C67A55A24B38092958F

アクティビティの目標に合わせて、様々な方法でコントロールとパーソナライズされたエクスペリエンスにトラフィックを配分できます。アクティビティをライブにする前に、アクティビティの目標を決めておくことをお勧めします。

カスタム配分ドロップダウンリストで、以下のオプションを選択できます。

  • パーソナライゼーションアルゴリズムを評価
  • パーソナライゼーショントラフィックを最大化
  • カスタム配分

配分目標ドロップダウンリスト

アクティビティの目標
推奨のトラフィック配分
メリットとデメリット
パーソナライゼーションアルゴリズムを評価 (50/50):目標がアルゴリズムのテストの場合は、50:50 の比率でコントロールとターゲットアルゴリズムに訪問者を配分します。この配分により、上昇率を最も正確に推定できます。「ランダムエクスペリエンス」をコントロールとして使用する場合にお勧めします。
配分はコントロールエクスペリエンスに 50%、パーソナライズされたエクスペリエンスに 50%
  • コントロールと比較した場合のパーソナライゼーションの上昇率の精度を最大化できます。
  • エクスペリエンスがパーソナライズされる訪問者は比較的少数です。
パーソナライゼーショントラフィックを最大化 (90/10):「常時稼動」のアクティビティを作成することが目標の場合は、10%の訪問者をコントロールに配分して、アルゴリズムによる学習の長期的な継続に十分なデータを確保します。ここでのトレードオフは、トラフィックの大部分をパーソナライズする代わりに、正確な上昇率の精度が低下するということです。 これは、目標にかかわらず、特定のエクスペリエンスをコントロールとして使用する場合のお勧めのトラフィック分割です。
最適な配分はコントロールエクスペリエンスに 10%から 30%、パーソナライズされたエクスペリエンスに 70%から 90%
  • パーソナライズされたエクスペリエンスを提供する訪問者数を最大化できます。
  • 上昇率を最大化できます。
  • アクティビティの上昇率の精度が落ちます。
カスタム配分
配分の割合を手動で調節します。
  • 想定どおりの結果が得られない場合もあります。目安がわからない場合は、上述のいずれかのオプションを使用することをお勧めします。

コントロールの割合を調整するには、配分列のアイコンをクリックします。コントロールグループの割合を 10%未満にすることはできません。

自動ターゲットのトラフィックの配分を変更

特定のエクスペリエンスを選択してコントロールとして使用したり、ランダムエクスペリエンスオプションを使用したりできます。

Automated Personalization よりも自動ターゲットを選択した方がよいのは、どのような場合ですか? section_BBC4871C87944DD7A8B925811A30C633

Automated Personalization よりも自動ターゲットを使用した方がよいシナリオがいくつかあります。

  • 自動的に組み合わされてエクスペリエンスを形成する個々のオファーではなく、エクスペリエンス全体を定義する場合。
  • Automated Personalization ではサポートされていない Visual Experience Composer(VEC)のフル機能(カスタムコードエディター、複数のエクスペリエンスオーディエンスなど)を使用したい場合。
  • 様々なエクスペリエンスでページに構造的な変更を加えたい場合。例えば、ホームページの要素を並べ替える場合は、自動ターゲットの方が Automated Personalization よりも適しています。

自動ターゲットと Automated Personalization の共通点 section_2A601F482F9A44E38D4B694668711319

訪問ごとに好ましい結果を得るためにアルゴリズムが最適化されます。

  • アルゴリズムが訪問者のコンバージョン傾向(またはコンバージョンによる推定売上高)を予測して、最適なエクスペリエンスを提供します。
  • 訪問者は、既存のセッションの終了時に新しいエクスペリエンスの対象になります(訪問者がコントロールグループに属している場合を除きます。その場合は、最初の訪問で訪問者に割り当てられたエクスペリエンスが、その後の訪問でもそのまま提供されます)。
  • セッション内では、ビジュアルの一貫性を保つために、予測は変わりません。

訪問者の行動の変化にアルゴリズムが対応します。

  • マルチアームバンディットでは、モデルは常にトラフィックのごく一部を「消費」して、アクティビティ学習の全期間を通じて学習を継続し、それまでに学習したトレンドの乱用を防止します。
  • 基盤となるモデルは、最新の訪問者行動データを使用して 24 時間ごとに再構築され、変化する訪問者の好みを Target が常に利用できるようになっています。
  • 個人の勝者エクスペリエンスをアルゴリズムで特定できなかった場合は、パフォーマンスが全体として最も高いエクスペリエンスを表示する方式に自動的に切り替わりますが、パーソナライズされた勝者の特定は続行されます。最もパフォーマンスが高いエクスペリエンスは、トンプソンサンプリングによって割り出されます。

単一の目標指標に合わせて、アルゴリズムが絶えず最適化されます。

  • この指標は、コンバージョンベースの場合も、売上高ベース(より具体的には、訪問あたりの売上高)の場合もあります。

Target では、訪問者に関する情報を自動的に収集して、パーソナライゼーションモデルを構築します。

Target では、Adobe Experience Cloud のすべての共有オーディエンスを自動的に使用して、パーソナライゼーションモデルを構築します。

  • オーディエンスをモデルに追加するために、特別な作業を行う必要はありません。Experience Cloud Audiences で Target を使用する方法については、Experience Cloud オーディエンスを参照してください。

マーケターは、オフラインデータや傾向スコアなどのカスタムデータをアップロードして、パーソナライゼーションモデルを構築することができます。

自動ターゲットと Automated Personalization の相違点 section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

多くの場合、パーソナライズされたモデルの構築に必要なトラフィックは、自動ターゲットの方が Automated Personalization よりも少なくなります。

モデルの構築に必要な​ エクスペリエンスごと ​のトラフィック量は、自動ターゲットでも Automated Personalization でも同じですが、エクスペリエンスの数は、通常、自動ターゲットアクティビティよりも Automated Personalization アクティビティの方が多くなります。

例えば、2 つの場所で場所ごとに 2 つのオファーを作成した Automated Personalization アクティビティがあるとすると、このアクティビティには合計 4 つ(2 x 2 = 4)のエクスペリエンスが含まれます(除外なし)。自動ターゲット を使用して、エクスペリエンス1を場所1にオファー1および場所2にオファー2を含め、エクスペリエンス2を場所1にオファー1および場所2にオファー2を含めた設定をします。自動ターゲットで は、1つのエクスペリエンス内で複数の変更をおこなうことができるので、アクティビティ内のエクスペリエンスの合計数を減らすことができます。

自動ターゲット の場合、シンプルなサムのルールを使用してトラフィック要件を把握できます。

  • コンバージョンが成功指標の場合: ​エクスペリエンスごとに 1 日あたり訪問 1,000 回、コンバージョン 50 回以上。さらに、アクティビティで訪問 7,000 回以上、コンバージョン 350 回以上が必要。
  • 訪問あたりの売上高が成功指標の場合: ​エクスペリエンスごとに 1 日あたり訪問 1,000 回、コンバージョン 50 回以上。さらに、アクティビティでエクスペリエンスごとにコンバージョン 1,000 回以上が必要。訪問あたりの売上高の方が、通常、モデルの構築に多くのデータが必要になります。これは、コンバージョン率と比べて、訪問あたりの売上高の方が一般にデータ分散が大きいことが原因です。

自動ターゲットには、本格的なセットアップ機能があります。

  • 自動ターゲットは A/B アクティビティワークフローに埋め込まれているので、自動ターゲットは、より成熟した本格的な Visual Experience Composer(VEC)のメリットを享受できます。また、自動ターゲットで QA リンクを使用することもできます。

自動ターゲットは、広範なオンラインテストフレームワークを提供します。

  • マルチアームバンディットは、Adobe のデータサイエンティストや研究者が現実の状況における継続的な改善のメリットを把握できるようにする、より大規模なオンラインテストフレームワークの一部となっています。
  • 将来的には、このテストベッドを通じて、データに精通した顧客に Adobe の機械学習プラットフォームを公開できるようになる予定です。その結果、顧客が独自のモデルを導入して Target モデルを拡張できるようになります。

レポートと自動ターゲット section_42EE7F5E65E84F89A872FE9921917F76

詳しくは、レポートと自動ターゲットを参照してください。

トレーニングビデオ: 自動ターゲットアクティビティについて

このビデオでは 、自動ターゲット A/Bアクティビティを設定する方法について説明します。

このトレーニングでは、以下の内容について学習します。

  • 自動ターゲット テストの定義
  • 自動ターゲットと Automated Personalization の比較
  • 自動ターゲットアクティビティの作成
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654