자동 할당 개요

An 자동 할당 의 활동 Adobe Target 둘 이상의 경험에서 승자를 식별하고, 테스트가 계속 실행되고 학습되는 동안 변환을 늘리기 위해 더 많은 트래픽을 승자에게 자동으로 재할당합니다.

While A/B 활동 만들기 안내가 있는 3단계 워크플로를 사용하여 최고 경험에 자동 할당 옵션 타겟팅 페이지(2단계).

과제 section_85D5A03637204BACA75E19646162ACFF

표준 A/B 테스트에는 기본 비용이 있습니다. 각 경험의 성과를 측정하고 분석을 통해 가장 성과가 좋은 경험을 알아내는 데 트래픽을 사용해야 합니다. 일부 경험이 다른 경험에 비해 성과가 더 좋다는 것을 인지한 후에도 트래픽 분배가 고정적으로 유지됩니다. 또한 샘플 크기를 알아내는 것도 복잡하며, 활동의 전체 과정을 실행해야 승자에 대해 작업할 수 있습니다. 그리고, 확인된 승자가 진정한 승자가 아닐 가능성도 여전히 존재한다.

해결 방법: 자동 할당 section_98388996F0584E15BF3A99C57EEB7629

An 자동 할당 활동을 통해 우승 경험을 결정하는 데 드는 비용과 오버헤드가 줄어듭니다. 자동 할당 기능에서는 모든 경험의 목표 지표 성과를 모니터링하고, 성과가 좋은 경험에는 비례하여 더 많은 새 참여자를 보냅니다. ​ 다른 경험을 탐색하도록 충분한 트래픽이 예약되어 있습니다. 활동이 계속 실행되는 동안에도 결과에 대한 테스트의 이점, 즉 학습과 동시에 최적화가 발생한다는 것을 확인할 수 있습니다.

자동 할당은 활동을 끝까지 수행하여 승자를 완전히 판별할 때까지 기다리게 하기보다는 방문자를 성과가 우승 경험으로 점차적으로 이동시킵니다. ​ 덜 성공적인 경험으로 보내졌을 활동 참여자가 잠재적으로 우승 경험으로 표시되므로 더 빠른 성과 향상(상승도)의 혜택을 얻을 수 있습니다.

의 일반 A/B 테스트 Target 통제력과 도전자의 쌍별 비교만 표시합니다. 예를 들어 활동에 경험 A, B, C 및 D가 있는 경우 여기서 A는 통제이고 일반입니다 Target A/B 테스트는 A 대 B, A 대 C, A 대 D를 비교합니다.

이러한 테스트에서는 다음을 포함한 대부분의 제품이 Target, 사용 웰치 티테스트 p 값 기반 신뢰도를 생성합니다. 그런 다음 이 신뢰도 값을 사용하여 도전군이 통제군과 충분히 다른지 판별합니다. 그러나 Target 에서는 "최상의" 경험을 찾는 데 필요한 암시적 비교(B 대 C, B 대 D, C 대 D)를 자동으로 수행하지 않습니다. 그 결과, 마케터는 결과를 수동으로 분석하여 "최상의" 경험을 결정해야 합니다.

자동 할당은 경험들 간의 모든 암시적 비교를 수행하고 "true"(실제) 승자를 생성합니다. ​ 이 테스트에는 "통제" 경험이라는 개념이 없습니다.

자동 할당 최상의 경험의 신뢰 구간이 다른 경험의 신뢰 구간과 겹치지 않을 때까지 새로운 방문자를 경험에 지능적으로 할당합니다. 일반적으로 이 프로세스는 긍정 오류(false positive)를 생성할 수 있지만 자동 할당 다음을 기반으로 신뢰 구간 사용 베른슈타인 부등식 반복된 평가를 보상합니다. 이 시점에서 진정한 승자가 있습니다. 날짜 자동 할당 중지합니다. 페이지에 도착하는 방문자에게 실질적인 시간 종속성이 없다면 최소한 95%의 확률로 자동 할당 은 실제 응답이 우승 경험의 실제 응답보다 1%(상대적) 적은 만큼의 경험을 반환합니다.

사용 시기 자동 할당 및 A/B 테스트 또는 Automated Personalization 활동 section_3F73B0818A634E4AAAA60A37B502BFF9

  • 활동을 처음부터 최적화하고 가장 성과가 좋은 경험을 가능한 한 빨리 식별하려면 자동 할당 ​을 사용하십시오. 성과가 좋은 경험을 더 자주 제공함으로써 전반적인 활동 성과가 높아진다.
  • 표준 사용 A/B 테스트 사이트를 최적화하기 전에 모든 경험의 성능을 특성화하려는 경우. A/B 테스트는 모든 경험의 등급을 매기는 데 도움이 되지만 자동 할당 상위 수행자를 찾지만 하위 수행자 간의 차별성을 보장하지는 않습니다.
  • 사용 Automated Personalization 개별 프로필 속성을 기반으로 예측을 구축하는 머신 러닝 모델과 같이 가장 복잡성이 높은 최적화 알고리즘을 원하는 경우. 자동 할당 은 경험의 집계 비헤이비어(표준 A/B 테스트와 유사)를 살펴보며 방문자를 구분하지 않습니다.

의 주요 이점 자동 할당 section_0913BF06F73C4794862561388BBDDFF0

  • A/B 테스트의 엄격도 유지
  • 수동 A/B 테스트보다 더 빠르게 통계적으로 유의한 우승자 찾기
  • 수동 A/B 테스트보다 더 높은 평균 캠페인 상승도 제공

용어 section_670F8785BA894745B43B6D4BFF953188

다음 용어는 논의 시 유용합니다 자동 할당:

Multi-armed bandit: 최적화에 대한 multi-armed bandit 접근 방식은 탐색 학습과 해당 학습의 이용 간에 균형을 이룹니다.

알고리즘 작동 방식 section_ADB69A1C7352462D98849F2918D4FF7B

뒤의 전반적인 논리 자동 할당 측정된 성능(예: 전환율)과 누적 데이터의 신뢰 구간을 모두 통합합니다. 트래픽이 경험 간에 균등하게 분할되는 표준 A/B 테스트와 달리 자동 할당 은 경험 간에 트래픽 할당을 변경합니다.

  • 방문자의 80%는 아래에 설명된 지능적인 논리를 사용하여 할당됩니다.
  • 방문자의 20%가 변화하는 방문자 행동에 적응하도록 모든 경험에 무작위로 할당됩니다.

multi-armed bandit 접근 방식은 잘 수행되는 경험을 이용하는 동안 일부 경험을 자유롭게 탐색할 수 있도록 합니다. 변화하는 조건에 반응하는 기능을 유지하는 동안 더 많은 신규 방문자가 성과가 더 좋은 경험에 배치됩니다. 이러한 모델은 모델이 최신 데이터에 반응하도록 한 시간에 한 번 이상 업데이트됩니다.

더 많은 방문자가 활동을 입력하면 일부 경험은 더 성공하기 시작하고 더 많은 트래픽이 성공적인 경험에 전송됩니다. 트래픽의 20%는 모든 경험을 탐색하기 위해 무작위로 계속 제공됩니다. 성과가 낮은 경험 중 하나가 더 높은 성과를 보이기 시작하면 해당 경험에 더 많은 트래픽이 할당됩니다. 또는 성과가 더 높은 활동의 성공이 줄어들면 해당 경험에 트래픽이 덜 할당됩니다. 예를 들어, 어떤 이벤트로 인해 방문자가 미디어 사이트에서 다른 정보를 검색하거나 소매 사이트의 주말 세일에서 다른 결과가 나오는 경우가 있을 수 있습니다.

다음 그림은 네 가지 경험(그림을 확장하려면 클릭)이 있는 테스트 동안 알고리즘이 어떻게 수행될 수 있는지를 나타냅니다.

w-600 modal-image
자동 할당 이미지

그림에서는 분명한 승자가 결정되기 전까지 각 경험에 할당된 트래픽이 활동 라이프타임의 몇 개 라운드 동안 어떻게 진행되는지를 보여줍니다.

라운드
설명
img-md
w-200 modal-image
준비 라운드

준비 라운드(0): 준비 라운드 동안 해당 활동에 있는 각 경험에 최소 1,000명의 방문자와 50개의 전환이 생길 때까지 각 경험은 동일한 트래픽 할당을 받습니다.

  • 경험 A=25%
  • 경험 B=25%
  • 경험 C=25%
  • 경험 D=25%

각 경험이 1,000명의 방문자와 50개의 전환을 얻으면, Target 자동화된 트래픽 할당을 시작합니다. 모든 할당은 라운드에서 발생하며 각 라운드에 대해 두 개의 경험이 선택됩니다.
D와 C, 이렇게 두 개의 경험만 다음 라운드로 이동합니다.
진행한다는 것은 트래픽의 80%가 두 경험에 동일하게 할당된다는 의미입니다. 다른 두 경험은 계속 참여하지만 새 방문자가 활동을 시작할 때 20% 무작위 트래픽 할당의 일부로만 제공됩니다.
모든 할당은 매시간마다 업데이트되며(위의 x축에 라운드별로 표시됨), 각 라운드 후에는 누적 데이터가 비교됩니다.

img-md
w-200 modal-image
1라운드

1라운드: 이 라운드 동안 트래픽의 80%가 경험 C와 D에 할당됩니다(각각 40%). 트래픽의 20%는 경험 A, B, C 및 D에 무작위로 할당됩니다(각각 5%). 이 라운드 동안 경험 A는 잘 수행됩니다.

  • 알고리즘에서는 경험 D가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 D가 다음 라운드로 이동하도록 선택됩니다.
  • 알고리즘에서 경험 A는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 A도 순방향으로 이동하도록 선택됩니다.

경험 D와 A가 순방향으로 이동합니다.

img-md
w-200 modal-image
2라운드

2라운드: 이 라운드 동안 트래픽의 80%가 경험 A와 D에 할당됩니다(각각 40%). 트래픽의 20%는 무작위로 할당됩니다. 이것은 A, B, C 및 D가 각각 트래픽의 5%를 받음을 의미합니다. 이 라운드 동안 경험 B는 잘 수행됩니다.

  • 알고리즘에서는 경험 D가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 D가 다음 라운드로 이동하도록 선택됩니다.
  • 알고리즘에서 경험 B는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 B도 순방향으로 이동하도록 선택됩니다.

경험 D와 B가 순방향으로 이동합니다.

img-md
w-200 modal-image
3라운드

3라운드: 이 라운드 동안 트래픽의 80%가 경험 B와 D에 할당됩니다(각각 40%). 트래픽의 20%는 무작위로 할당됩니다. 이것은 A, B, C 및 D가 각각 트래픽의 5%를 받음을 의미합니다. 이 라운드에서 경험 D는 계속 잘 수행되고 경험 C가 잘 수행됩니다.

  • 알고리즘에서는 경험 D가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 D가 다음 라운드로 이동하도록 선택됩니다.
  • 알고리즘에서 경험 C는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 C도 순방향으로 이동하도록 선택됩니다.

경험 D와 C가 순방향으로 이동합니다.

img-md
w-200 modal-image
4라운드

4라운드: 이 라운드 동안 트래픽의 80%가 경험 C와 D에 할당됩니다(각각 40%). 트래픽의 20%는 무작위로 할당됩니다. 이것은 A, B, C 및 D가 각각 트래픽의 5%를 받음을 의미합니다. 이 라운드 동안 경험 C는 잘 수행됩니다.

  • 알고리즘에서는 경험 C가 전환율이 가장 높아서(각 활동의 세로 눈금으로 표시됨) 경험 C가 다음 라운드로 이동하도록 선택됩니다.
  • 알고리즘에서 경험 D는 나머지 경험의 Bernstein 95% 신뢰 구간에 대한 상한이 가장 높으므로 경험 D도 순방향으로 이동하도록 선택됩니다.

경험 C와 D가 순방향으로 이동합니다.

img-md
w-200 modal-image
n라운드

라운드 n: 활동이 진행되면서 성과가 좋은 경험이 나타나기 시작하고 우승 경험이 나올 때까지 프로세스가 계속됩니다. 전환율이 가장 높은 경험의 신뢰 구간이 다른 경험의 신뢰 구간과 겹치지 않으면 이 경험에 우승자 레이블이 지정됩니다. A 우승 활동의 페이지에 배지가 표시됨 및 활동 목록을 표시합니다.

  • 알고리즘에서는 경험 C를 분명한 승자로 선택합니다.

이 시점에서 알고리즘은 트래픽의 80%를 경험 C에 제공하지만, 트래픽의 20%는 계속해서 모든 경험(A, B, C 및 D)에 무작위로 제공됩니다. 통틀어 C는 트래픽의 85%를 받습니다. 승자의 신뢰 구간이 다시 겹치기 시작하는 있기 힘든 이벤트에서는 알고리즘이 위의 라운드 4 동작으로 되돌아갑니다.

중요: 프로세스에서 이전에 승자를 수동으로 선택한 경우에는 잘못된 경험을 선택하기 쉬웠을 것입니다. 따라서 알고리즘이 가장 성과가 좋은 경험을 결정할 때까지 기다리는 것이 좋습니다.

NOTE
활동에 경험이 두 개만 있는 경우, 두 경험 모두 까지 동일한 트래픽을 받습니다 Target 는 75% 신뢰도로 우승 경험을 찾습니다. 이 시점에서 트래픽의 2/3는 승자에게 할당되고 1/3은 패자에게 할당됩니다. 이후 경험이 95% 신뢰도에 도달하면 트래픽의 90%를 승자에게 할당하고, 10%를 패자에게 할당합니다. Target 은 마지막에 긍정 오류(false positive)를 피하기 위해(즉, 일부 탐색을 유지하기 위해) 항상 일부 트래픽을 "손실" 경험에 보냅니다.

다음 이후 자동 할당 활동이 활성화되며 Tar에서 다음 작업이 수행됩니다.get UI가 허용되지 않음:

  • "트래픽 할당" 모드를 "수동"으로 전환
  • 목표 지표 유형 변경
  • 의 옵션 변경고급 설정" 패널

자동 할당 작동 방식 확인

자세한 내용은 자동 할당을 통해 수동 테스트보다 더 빠른 테스트 결과와 더 높은 매출을 얻을 수 있음.

주의 사항 section_5C83F89F85C14FD181930AA420435E1D

작업할 때 다음 정보를 고려하십시오 자동 할당:

다음 자동 할당 기능은 하나의 고급 지표 설정에서만 작동합니다. 증분 카운트 및 사용자를 활동에 유지

다음 고급 지표 설정은 지원되지 않습니다. 증분 카운트, 릴리스 사용자, 재입력 허용 및 증분 카운트, 및 재입력에서 사용자 및 막대 해제.

빈번한 재방문자는 경험 전환율을 부풀릴 수 있습니다.

경험 A를 보는 방문자가 자주 재방문하고 여러 번 전환하는 경우 경험 A의 전환율(CR)이 인위적으로 증가합니다. 이 결과를 방문자가 전환하지만 자주 반환하지 않는 경험 B와 비교합니다. 그 결과 경험 A의 CR이 경험 B의 CR보다 좋아 보이므로 새 방문자는 B보다 A에 할당될 가능성이 높습니다. 참여자당 한 번씩 계산하기로 선택한다면 A의 CR과 B의 CR이 동일할 수 있다.

재방문자가 무작위로 분배되는 경우 전환율에 대한 효과가 균일해질 수 있습니다. 이 효과를 줄이려면, 목표 지표의 카운트 방법을 응모자마다 한 번만 카운트하도록 변경해 보십시오.

성과가 낮은 경험이 아니라 성과가 높은 경험들 간을 구별합니다.

자동 할당은 성과가 좋은 경험들을 구별(및 승자 찾기)하는 데 좋습니다. ​ 성과가 낮은 경험들은 제대로 구별하지 못할 수 있습니다.

모든 경험 간에 통계적으로 유의미한 차별화를 만들려는 경우 수동 트래픽 할당 모드 사용을 고려할 수 있습니다.

시간 상호 관련(또는 컨텍스트에 따라 변하는) 전환율은 할당량을 왜곡할 수 있습니다.

모든 경험에 동일하게 영향을 주므로 표준 A/B 테스트 중에 무시할 수 있는 일부 요인은 자동 할당 활동. 알고리즘은 관찰된 전환율에 민감합니다.

다음은 경험 성과에 불균등하게 영향을 줄 수 있는 요소들의 예입니다.

  • 상황에 맞는 다양한(시간, 위치, 성별 등) 관련성을 갖는 경험.

    예:

    • "야, 금요일이다"는 금요일에 더 높은 변환을 생성합니다…
    • 월요일부터 점프스타트=월요일의 전환율은 더 높다.
    • "동해안 겨울을 위한 장비 설치"는 동해안 또는 겨울이 고통받는 지역에서 더 높은 전환을 제공합니다.

    상황에 맞는 관련성이 다양한 경험을 사용하면 의 결과를 왜곡할 수 있습니다. 자동 할당 A/B 테스트는 오랜 기간에 걸쳐 결과를 분석하므로 A/B 테스트에서보다 더 많이 테스트합니다.

  • 메시지의 긴급성과 같은 이유로 변환에 다양한 지연이 생기는 경험.

    예를 들어, "30% 세일 오늘 종료"는 방문자에게 오늘 전환하라는 신호를 보내지만, "최초 구매 50% 할인"은 동일한 절박감을 생성하지 않습니다.

자주 묻는 질문 section_0E72C1D72DE74F589F965D4B1763E5C3

작업 시 다음 FAQ 및 답변을 참조하십시오 자동 할당 활동:

다음과 같음 Analytics for Target (A4T) 지원 자동 할당 활동?

예. 자세한 내용은 자동 할당 및 자동 타겟 활동에 대한 A4T 지원을 참조하십시오.

재방문자는 성과가 좋은 경험에 자동으로 재할당됩니까?

아니오. 새 방문자만 자동으로 할당됩니다. 재방문자는 A/B 테스트의 유효성을 보호하기 위해 원래 경험을 계속 볼 수 있습니다.

알고리즘에서 긍정 오류(false positive)는 어떻게 처리됩니까?

알고리즘에서는 승자 배지가 나타날 때까지 대기하는 경우 95% 신뢰도 또는 5% 긍정 오류(false positive) 비율을 보장합니다.

다음과 같은 경우: 자동 할당 트래픽 할당을 시작하시겠습니까?

활동의 모든 경험에 최소 1,000명의 방문자와 50개의 전환이 생기면 알고리즘 작동이 시작됩니다.

알고리즘은 얼마나 적극적으로 활용됩니까?

트래픽의 80%가 다음을 사용하여 제공됩니다. 자동 할당 그리고 트래픽의 20%가 임의로 처리됩니다. 우승자가 식별되면 트래픽의 80%가 이동하는 반면, 모든 경험은 우승 경험을 포함하여 20%의 일부로 일부 트래픽을 계속 가져옵니다.

우승 경험을 제외한 경험도 표시됩니까?

예. multi-armed bandit은 트래픽의 20% 이상을 모든 경험에서 변화하는 패턴이나 전환율을 탐색하도록 예약합니다.

변환 지연이 긴 활동들은 어떻게 됩니까?

최적화되는 모든 경험이 유사한 지연에 직면하는 한 동작은 전환 주기가 더 빠른 활동과 동일합니다. 하지만 트래픽 할당 프로세스가 시작되기 전에 전환 임계값 50에 도달하는 데 시간이 더 오래 걸립니다.

방법 자동 할당 다음에서 다름: Automated Personalization?

자동화된 개인화에서는 각 방문자의 프로필 속성을 사용하여 최상의 경험을 결정합니다. ​ 이러한 작업에서 해당 사용자에 맞게 활동을 최적화할 뿐만 아니라 개인화합니다.

자동 할당반면에 은 집계 우승자(가장 인기 있는 경험이지만 각 방문자에게 반드시 가장 효과적인 경험은 아님)를 생성하는 A/B 테스트입니다.

재방문자는 성공 지표에 대한 전환율을 부풀립니까?

현재, 논리는 방문자가 소속 경험의 전체 전환율을 일시적으로 부풀리기 때문에 빠르게 전환하거나 더 자주 방문하는 방문자를 선호합니다. 알고리즘은 자체적으로 자주 조정되므로 전환율의 증가는 각 스냅숏에서 증폭됩니다. 사이트에 수많은 재방문자가 발생하는 경우 사이트 전환은 해당 방문자가 속한 경험에 대한 전체 전환율을 부풀릴 수 있습니다. 재방문자는 무작위로 분산될 가능성이 크며, 이 경우 종합적인 효과(상승도 증대)는 균일해집니다. 이 효과를 줄이려면, 성공 지표의 카운트 방법을 응모자마다 한 번만 카운트하도록 변경해 보십시오.

사용할 때 표본 크기 계산기를 사용할 수 있습니까 자동 할당 활동을 통해 승자를 식별하는 데 걸리는 시간을 예상하시겠습니까?

기존 을 사용할 수 있습니다 Adobe Target 샘플 크기 계산기 테스트 실행 시간을 예상하기 위해 (기존 A/B 테스트와 마찬가지로 두 개 이상의 오퍼 또는 두 개 이상의 전환 지표/가설을 테스트하는 경우 Bonferroni 보정을 적용합니다.) 이 계산기는 기존의 고정 기간 A/B 테스트를 위해 설계되었으며 예상 값만 제공합니다. 계산기를 사용하여 자동 할당 다음 이유로 인해 활동이 선택 사항입니다. 자동 할당 승자를 선언합니다. 테스트 결과를 보기 위해 고정된 시점을 선택할 필요가 없습니다. 제공된 값은 항상 통계적으로 유효합니다.

내부 Adobe 실험에서 발견된 사항은 다음과 같습니다.

  • 정확히 두 개의 경험을 테스트할 때 자동 할당 경험 간의 성능 차이가 클 때 고정 기간 테스트(즉, 샘플 크기 계산기에서 제안하는 시간대)보다 더 빠르게 승자를 찾습니다. 그러나 자동 할당 경험 간의 성능 차이가 작을 때 승자를 식별하는 데 추가 시간이 필요할 수 있습니다. 이러한 경우, 고정 기간 테스트는 일반적으로 통계적으로 유의한 결과 없이 종료되었을 것이다.
  • 두 개 이상의 경험을 테스트할 때 자동 할당 단일 경험이 다른 모든 경험을 강하게 수행하지 못할 때 고정 대상 기간 테스트 (즉, 샘플 크기 계산기에서 제안하는 시간대)보다 더 빠르게 승자를 찾습니다. 두 개 이상의 경험이 다른 경험에 대해 모두 "우승"이지만 서로 밀접하게 일치하는 경우 자동 할당 우열을 가리기 위해 추가 시간이 필요할 수 있습니다. 이러한 경우, 고정 기간 테스트는 일반적으로 "우승" 경험이 성과가 낮은 경험보다 낫다고 결론을 내림으로써 끝났을 것이지만, 어느 것이 우수한지 식별하지 못했습니다.

에서 성과가 낮은 경험을 제거해야 합니까? 자동 할당 우승자를 결정하는 프로세스를 빠르게 하기 위한 활동

실제로는 성과가 낮은 경험을 제거할 이유가 없습니다. 자동 할당 은 성과가 좋은 경험을 더 자주 자동으로 제공하고, 성과가 낮은 경험은 더 적게 제공합니다. 활동에서 성과가 낮은 경험을 남겨 두어도 우승자를 결정하는 속도에는 크게 영향을 주지 않습니다.

방문자의 20%가 모든 경험에 무작위로 할당됩니다. 성과가 낮은 경험에 제공된 트래픽의 양은 최소한입니다(20%를 경험 횟수로 나눔).

다음 작업 중간에 목표 지표를 변경할 수 있습니까? 자동 할당 활동? change-metric

Adobe 에서는 활동 중간에 목표 지표를 변경하지 않는 것이 좋습니다. Target UI를 사용하는 활동 중에 목표 지표를 변경할 수 있지만 항상 새 활동을 시작해야 합니다. Adobe 은 활동이 실행된 후 목표 지표를 변경할 경우 어떤 일이 발생하는지 보장하지 않습니다.

이 권장 사항은 조회하고 소스로 사용하는 자동 할당, 자동 타겟, 자동 개인화 Target 또는 Analytics (A4T) 활동에 적용됩니다.

자동 할당 활동 중간에 보고 소스를 변경할 수 있습니까? change-reporting

Adobe 에서는 활동 중간에 보고 소스를 변경하지 않는 것이 좋습니다. 보고 소스를 변경할 수는 있지만 Target 를 사용하는 활동 중에 A4T로 또는 그 반대로) Target UI, 항상 새 활동을 시작해야 합니다. Adobe 은 활동이 실행된 후 보고 소스를 변경할 경우 어떤 일이 발생하는지 보장하지 않습니다.

이 권장 사항은 조회하고 소스로 사용하는 자동 할당, 자동 타겟, 자동 개인화 Target 또는 Analytics (A4T) 활동에 적용됩니다.

다음을 사용할 수 있습니까? 보고서 데이터 재설정 을(를) 실행하는 동안 옵션 자동 할당 활동?

사용 보고서 데이터 재설정 옵션 자동 할당 활동이 제안되지 않습니다. 이 옵션을 사용하면 표시되는 보고 데이터는 제거되지만, 자동 할당 모델. 를 사용하지 않고 보고서 데이터 재설정 옵션 자동 할당 활동을 만든 후 새 활동을 만들고 원래 활동을 비활성화합니다. (이 지침은 에도 적용됩니다. 자동 타기팅 및 Automated Personalization 활동.)

은 어떻게 합니까? 자동 할당 환경과 관련하여 모델을 빌드하시겠습니까?

자동 할당 는 기본 환경에서만 기록된 트래픽 및 전환 동작을 기반으로 모델을 구축합니다. 기본적으로, 프로덕션 는 기본 환경이지만 기본 환경은 다음 위치에서 변경할 수 있습니다. Target (관리 > 환경).

히트가 다른(기본값이 아닌) 환경에서 발생하는 경우 트래픽은 기본 환경에서 관찰된 전환 동작에 따라 분산됩니다. 해당 히트의 결과(전환 또는 비전환)는 보고 목적으로 기록되지만 에는 고려되지 않습니다. 자동 할당 모델.

다른 환경을 선택하면 보고서에 해당 환경에 대한 트래픽과 전환이 표시됩니다. 보고서에 대해 기본적으로 선택된 환경은 선택된 계정 전체 기본값입니다. 기본 환경은 활동별로 설정할 수 없습니다.

할 수 있음 자동 할당 활동은 시간 경과에 따른 트렌드 변화를 고려하기 위해 테스트 과정에서 전환 확인 기간을 조정합니까?

예를 들어, (테스트가 시작된) 9월 방문자 데이터를 보는 대신 활동을 통해 트래픽을 할당하는 방법을 결정하는 12월 월을 고려할 수 있습니까?

아니요, 자동 할당 전체 활동의 성과를 고려합니다.

당첨 경험이 방문자가 활동 자격 조건을 충족할 때 표시되는 것과 다른 경우 자동 할당 은 재방문 사용자에게 우승 경험을 표시합니까?

자동 할당 은 다음과 같은 이유로 고정 의사 결정을 사용합니다. A/B 테스트 활동이 고정적입니다. 트래픽 할당은 새 방문자에게만 작동합니다.

교육 비디오 section_893E5B36DC4A415C9B1D287F51FCCB83

다음 비디오에는 이 문서에서 설명한 개념에 대한 자세한 정보가 포함되어 있습니다.

활동 워크플로우 - 타깃팅(2:14) 튜토리얼 배지

다음 비디오에는 트래픽 할당 설정에 대한 정보가 포함되어 있습니다.

  • 활동에 대상 지정
  • 트래픽을 늘이기 또는 줄이기
  • 트래픽 할당 방법 선택
  • 서로 다른 경험에 트래픽 할당

A/B 테스트 만들기(8:36) 튜토리얼 배지

다음 비디오에서는 Target 3단계 안내가 있는 워크플로우를 사용하여 A/B 테스트를 작성하는 방법을 보여줍니다. 자동 할당 는 4:45부터 설명합니다.

  • 에서 A/B 활동 만들기 Adobe Target
  • 수동 분할 또는 자동 트래픽 할당을 사용한 트래픽 할당
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654