Automated Personalization に関する FAQ

コントロールとして使用するエクスペリエンスを選択する際に、 Automated Personalization (AP) または 自動ターゲット (AT) アクティビティ

この機能を使用すると、アクティビティで設定されたトラフィック配分率に基づいて、コントロールトラフィック全体を特定のエクスペリエンスにルーティングできます。その後、そのエクスペリエンスへのコントロールトラフィックに対するパーソナライズされたトラフィックのパフォーマンスレポートを評価できます。

詳しくは、特定のエクスペリエンスのコントロールとしての使用を参照してください。

• 低トラフィックのページをパーソナライズする場合や、パーソナライズするエクスペリエンスに構造的な変更を加える場合は、 自動ターゲット ～の代わりの活動 Automated Personalization. 詳しくは、 自動ターゲット.

• 完了を検討し、 A/B テスト で使用する予定のオファーと場所の間のアクティビティ Automated Personalization アクティビティを使用して、場所とオファーが最適化目標に影響を与えることを確認します。 次の場合、 A/B テスト アクティビティは、大きな違いを示すのに失敗します。 Automated Personalization 上昇率の生成に失敗する可能性もあります。

  • A/B…N テストでエクスペリエンス間の統計的に有意な違いが見つからない場合は、次の 1 つ以上の状況が原因となる可能性があります。

    • オファー同士が十分に異なるとは限りません。
    • 選択した場所は、成功指標には影響しません。
    • コンバージョンファネルの最適化目標が大きすぎて、選択したオファーの影響を受けません。

• 必ず トラフィック見積もり したがって、パーソナライゼーションモデルが Automated Personalization アクティビティ。

• アクティビティを開始する前に、目標に基づいて、コントロールとターゲットの配分を決定します。

  アクティビティの目標と選択したコントロールのタイプに基づいて考慮すべき 3 つのシナリオがあります。

  • ランダムエクスペリエンスをコントロールおよびアクティビティの目標として使用すると、パーソナライゼーションアルゴリズムの効果をテストできます：パーソナライゼーションアルゴリズムの評価が目標の場合は、上昇率をより正確に把握したいと考えます。 また、単に A/B テスト （ランダムに提供されるコントロール）。 その状況では、ランダムに提供されるエクスペリエンスのコントロールに 50％の配分を使用することをお勧めします。
  • コントロールおよびアクティビティの目標としての「ランダムエクスペリエンス」は、パーソナライズされたトラフィックを最大化することです：アルゴリズムに慣れていて、最大量のトラフィックをパーソナライズしたい場合は、10%～30%の配分を使用して、制御することをお勧めします。 ここでのトレードオフは、上昇率情報に表示される精度です。 トラフィックの流れが少ないので、制御トラフィックの信頼区間が大きくなります。
  • いずれかの目標タイプを含む、コントロールとしての特定のエクスペリエンス：特定のマーケター主導のエクスペリエンスをパーソナライゼーションモデルと比較する必要がある場合、コントロールへの 10％～30％の配分をお勧めします。1 つのエクスペリエンスのみをコントロールとして選択した場合、そのトラフィックはアクティビティのすべてのオファーやエクスペリエンスに分散されません。

• ターゲットルールは、モデルによる最適化の妨げになる場合があるので、できるだけ慎重に使用します。

• レポートグループによって、 Automated Personalization アクティビティ。 次の特定の条件でのみレポートグループを使用する：

  • 次の条件を満たす場合にのみ、レポートグループを使用します。

    • アクティビティの実行中に、新しいオファーを置き換えたり、追加したりする予定です。
    • レポートグループ内のオファーは、同じ訪問者に対してアピールします。
    • そのレポートグループのオファーの全体的な応答率は約同じです。

  • レポートグループのオファー間でのパーソナライゼーションはありません。パーソナライゼーションモデルでは、すべてのオファーが同じように扱われます。

  • アクティビティ内のすべてのオファーを、1 つのレポートグループに入れるのは避けてください。これにより、すべてのオファーが、アクティビティのすべての訪問者に対してランダムに均等に提供されます。

Target には 30,000 エクスペリエンスのハードリミットがありますが、最高の効果を発揮するのは、作成されたエクスペリエンスが 10,000 未満の場合です。

この制限は、アクティビティで 重複を許可しない オプション。

アクティビティやその他の要素に影響する文字制限およびその他の制限（オファーサイズ、オーディエンス、プロファイル、値、パラメーターなど）について詳しくは、 Targetを参照してください。 制限.

には 4 つの要因が必要です。 Automated Personalization 上昇率を生成するアクティビティ：

• 訪問者に影響を与えるには、各場所のオファーが十分に異なっている必要があります。
• 場所は、最適化目標に影響を与える場所にする必要があります。
• 上昇率を検出するために、アクティビティに十分なトラフィックと統計的検出力が必要です。
• パーソナライゼーションアルゴリズムが適切に機能する必要があります。

最初に、アクティビティエクスペリエンスを構成するコンテンツと場所が、パーソナライズされていないシンプルなを使用して、全体的な応答率を真に変えることが最善の方法です A/B テスト アクティビティ。 事前にサンプルサイズを算出して、信頼できる上昇率を導き出せるだけのトラフィックがあるかを確認し、一定期間 A/B テストを実施します。その間、テストを中断せず、変更も加えません。A/B テストの結果で、1 つ以上のエクスペリエンスの統計的に有意な上昇が示された場合は、パーソナライズされたアクティビティが成功している可能性が高くなります。 パーソナライゼーションは、エクスペリエンスの全体的な応答率に違いがない場合でも機能する可能性があります。 通常、この問題は、統計的有意性を持つ検出が最適化目標に対して十分な影響を与えないオファーや場所が原因です。

詳しくは、「Automated Personalizationのトラブルシューティング」を参照してください。

Automated Personalizationでは、各モデルで構築された最新のランダムフォレストモデルに基づいて、成功指標の推定値が最も優れているエクスペリエンスを訪問者に提供します。この推定値は、訪問者の特定の情報と訪問のコンテキストに基づいて算出されます。

例えば、 Automated Personalization アクティビティには 2 つの場所があり、それぞれ 2 つのオファーがあります。 1 つ目の場所では、特定の訪問者に対するオファー A の推定コンバージョン率が 3％、オファー B の推定コンバージョン率が 1％です。2 つ目の場所では、同一の訪問者に対するオファー C の推定コンバージョン率が 2％、オファー D の推定コンバージョン率が 5％です。したがって Automated Personalization この訪問者に、オファー A とオファー D を使用してエクスペリエンスを提供します。

アクティビティの設定を確認し、モデルの構築速度を向上させるために加える変更があるかどうかを確認します。

• セールスファネル上での成功指標とアクティビティのエクスペリエンスの位置が離れていないか確認します。最低限必要なコンバージョン数があるので、アクティビティのコンバージョン率が低いとモデルの構築に必要なトラフィック量が増えます。
• 成功指標が RPV に設定されている場合、コンバージョンに変更できますか？コンバージョンアクティビティは、モデルの構築に要するトラフィックが比較的少なくて済みます。
• アクティビティからドロップできるエクスペリエンスはありますか？ アクティビティのエクスペリエンスの数を減らすと、モデルの構築に要する時間が短くなります。
• このアクティビティの成功率が高いトラフィックのページはありますか？ アクティビティの場所でのトラフィックやコンバージョンが多いほど、モデルの構築が迅速になります。

Adobe では、アクティビティの途中で目標指標を変更することはお勧めしません。 Target UI を使用したアクティビティ中に目標指標を変更することは可能ですが、常に新しいアクティビティを開始する必要があります。Adobe 実行後にアクティビティの目標指標を変更した場合の動作は保証しないでください。

このレコメンデーションは、自動配分、自動ターゲット、Automated Personalization の各アクティビティで、レポートソースとしてTargetまたはAnalytics（A4T）を使用します。

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、各モデリンググループ (Automated Personalization) または experience (自動ターゲット) をクリックします。 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。

したがって、リクエストは、環境に関係なく、同じモデルで提供されます。 ただし、識別された全体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、複数のトラフィックはデフォルト環境から送られる必要があります。