Premium
Target Premium에 포함된 내용을 확인하십시오.

자동 타겟 개요

자동 타기팅 의 활동 Adobe Target 컨텐츠를 개인화하고 전환을 유도하기 위해 고급 기계 학습을 사용하여 성과가 좋은 마케터가 정의한 여러 경험 중에서 선택합니다. 자동 타기팅 은 개별 고객 프로필 및 유사한 프로필을 가진 이전 방문자의 행동을 기반으로 각 방문자에게 가장 적합한 경험을 제공합니다.

NOTE
  • 자동 타겟은 Target Premium 솔루션의 일부로 사용할 수 있습니다. 이 기능은 Target Premium 라이센스가 없는 Target Standard에서는 사용할 수 없습니다. 이 라이센스에서 제공하는 고급 기능에 대한 자세한 내용은 Target Premium을 참조하십시오.

  • Analytics for Target (A4T) 지원 자동 타기팅 활동. 자세한 내용은 자동 할당 및 자동 타겟 활동에 대한 A4T 지원을 참조하십시오.

자동 타겟을 사용한 실제 성공 사례 success

한 대형 의류 소매업체가 최근 자동 타기팅 활동은 10개의 제품 카테고리 기반 경험(무작위 제어 포함)을 통해 각 방문자에게 올바른 콘텐츠를 제공합니다. "장바구니에 추가이(가) 기본 최적화 지표로 선택되었습니다. 타겟팅된 경험의 상승도는 평균 29.09%였습니다. 빌드 후 자동 타기팅 모델, 활동은 90% 개인화된 경험으로 설정되었습니다.

불과 열흘 만에 170만 달러 이상의 리프트 달성이 이뤄졌다.

사용 방법을 배우려면 계속 읽어 보십시오. 자동 타기팅 조직의 상승도 및 매출을 늘리십시오.

개요 section_972257739A2648AFA7E7556B693079C9

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

개인화된 경험에 대한 자동 타겟

A/B 활동 흐름 내의 자동 타겟 선택 사항을 사용하면 한 번의 클릭으로 마케터가 정의한 일련의 경험들을 기반으로 개인화하는 기계 학습을 활용할 수 있습니다. 자동 타기팅 는 기존의 A/B 테스트나 자동 할당, 각 방문자에 대해 표시할 경험을 결정합니다. 목표가 단일 승자를 찾는 것인 A/B 활동과 달리, 자동 타기팅 은 주어진 방문자에 대해 최상의 경험을 자동으로 결정합니다. 최상의 경험은 고도로 개인화된 경험을 제공하기 위해 방문자의 프로필 및 기타 컨텍스트 정보를 기반으로 합니다.

과 비슷하게 Automated Personalization, 자동 타기팅 를 사용합니다. Random Forest 알고리즘를 사용하여 방문자에게 표시할 최고의 경험을 결정할 수 있습니다. 이유 자동 타기팅 방문자의 행동 변화에 적응할 수 있으며 상승도를 제공하도록 지속적으로 실행할 수 있습니다. 이 방법을 "항시적" 모드라고도 합니다.

지정된 방문자에 대한 경험 할당이 고정된 A/B 활동과 달리, 자동 타겟은 각 방문을 통해 지정된 비즈니스 목표를 최적화합니다. 자동화된 개인화에서와 같이, 자동 타겟은 기본적으로 활동의 트래픽 일부를 상승도를 측정하기 위한 통제군으로 예약합니다. 통제군에 있는 방문자는 활동에서 임의 경험을 제공받습니다.

고려 사항

을 사용할 때 몇 가지 중요한 고려 사항이 있습니다 자동 타기팅:

  • 특정 활동을에서 전환할 수 없습니다. 자동 타기팅 끝 Automated Personalization, 그리고 그 반대입니다.

  • 에서 전환할 수 없습니다. 수동 트래픽 할당(기존) A/B 테스트) 받는 사람 자동 타기팅, 활동 후의 반대는 초안으로 저장됩니다.

  • 한 가지 모델이 만들어져 무작위로 제공되는 트래픽과 전체 우승 경험에 모든 트래픽을 보내는 개인화 전략의 성능을 식별합니다. 이 모델은 기본 환경에서만 히트 및 전환을 고려합니다.

    두 번째 모델 세트의 트래픽은 각 모델링 그룹 (AP) 또는 경험 (AT)에 대해 빌드됩니다. 이러한 각 모델에 대해 모든 환경의 히트 및 전환이 고려됩니다.

    요청은 환경에 관계없이 동일한 모델에서 제공되지만, 복수의 트래픽은 식별된 전체 우승 경험이 실제 동작과 일관되도록 기본 환경에서 가져와야 합니다.

  • 최소 2개의 경험을 사용합니다.

용어 section_A309B7E0B258467789A5CACDC1D923F3

다음 용어는 자동 타겟에 대해 논의할 때 유용합니다.

용어
정의
Multi-armed bandit
최적화에 대한 multi-armed bandit 접근 방식은 탐색 학습과 해당 학습의 이용 간에 균형을 이룹니다.
Random Forest
Random Forest는 선도적인 기계 학습 접근 방식입니다. 데이터 과학 스피크에서 방문자와 방문 속성을 기반으로 많은 의사 결정 트리를 구성하여 작동하는 앙상블 분류, 즉 회귀 방법이다. 다음 범위 내 Target, 랜덤 포레스트는 각 특정 방문자에 대해 전환 가능성이 가장 높을 것으로 예상되는 경험(또는 방문당 가장 높은 매출)을 결정하는 데 사용됩니다.
Thompson 샘플링
Thompson 샘플링의 목표는 해당 경험을 찾는 "비용"을 최소화하면서 전체적(개인화되지 않음)으로 가장 좋은 경험을 결정하는 것입니다. Thompson 샘플링에서는 두 경험 간의 통계적 차이가 없는 경우에도 항상 승자를 선택합니다.

자동 타겟 작동 방식 section_77240E2DEB7D4CD89F52BE0A85E20136

아래 링크에서 자동 타겟 및 자동화된 개인화의 기본이 되는 데이터 및 알고리즘에 대해 자세히 알아보십시오.

용어
세부 사항
Random Forest 알고리즘
Target에 사용된 의 기본 개인화 알고리즘 자동 타기팅 및 Automated Personalization 은 Random Forest입니다. Random Forest와 같은 앙상블 방법은 구성 학습 알고리즘 중 어느 것으로부터도 얻을 수 있는 것보다 더 나은 예측 성능을 얻기 위해 다중 학습 알고리즘을 사용한다. 의 Random Forest 알고리즘 Automated Personalization 및 자동 타기팅 활동은 분류법, 즉 회귀법으로, 훈련 시간에 다수의 의사결정 나무를 구성하여 작동한다.
데이터 업로드 Target의 개인화 알고리즘
자동 타겟 및 자동화된 개인화 모델을 위한 데이터 입력 방법에는 여러 가지가 있습니다.
다음에 대한 데이터 수집 Target의 개인화 알고리즘
Target의 개인화 알고리즘은 자동으로 다양한 데이터를 수집합니다.

트래픽 할당 결정 section_AB3656F71D2D4C67A55A24B38092958F

활동의 목표에 따라 제어와 통제 경험과 개인화된 경험 간에 서로 다른 트래픽 할당을 선택할 수 있습니다. 활동을 라이브 상태로 만들기 전에 이 목표를 결정하는 것이 좋습니다.

사용자 지정 할당 드롭다운 목록에서 다음 선택 사항 중에 선택할 수 있습니다.

  • 개인화 알고리즘 평가
  • 개인화 트래픽 극대화
  • 사용자 지정 할당

할당 목표 드롭다운 목록

활동 목표
제안된 트래픽 할당
트레이드오프
개인화 알고리즘 평가(50/50): 목표가 알고리즘을 테스트하는 것이면 제어 및 타깃팅된 알고리즘 간에 50/50%로 분할된 방문자를 사용합니다. 이 분할은 가장 정확한 상승도 추정치를 제공합니다. 임의 경험을 제어로 사용하는 것이 좋습니다.
50% 통제/50% 개인화 경험 분할
  • 통제 경험과 개인화된 경험 간 상승도의 정확성을 극대화합니다.
  • 개인화된 경험을 가진 방문자가 상대적으로 적습니다
개인화 트래픽 최대화(90/10): 목표가 "상시 설정" 활동을 만드는 것이면 10%의 방문자를 제어 알고리즘에 추가하여 충분한 데이터를 보장함으로써 시간에 따른 학습이 계속 진행될 수 있게 합니다. 여기서 장점은 더 많은 트래픽 비율을 개인화하는 대신 정확한 상승도를 파악하는 데는 정밀도가 떨어진다는 점입니다. 목표에 관계없이, 특정 경험을 제어로 사용할 때 권장되는 트래픽 분할입니다.
10%~30% 통제/70%~90% 개인화된 경험 분할을 사용하는 것이 좋습니다.
  • 개인화된 경험이 있는 방문자의 수를 극대화합니다.
  • 상승도를 극대화합니다.
  • 활동에 대한 상승도 크기와 관련하여 정확도가 낮습니다.
사용자 지정 할당
백분율을 원하는 대로 수동으로 분할하십시오.
  • 원하는 결과를 얻지 못할 수 있습니다. 잘 모르는 경우에는 앞의 선택 사항들 중 하나에 대한 제안을 따르십시오.

를 조정하려면 제어 백분율, 할당 열. 통제군은 10% 미만으로 줄일 수 없습니다.

자동 타겟 트래픽 할당 변경

특정 경험을 선택하여 컨트롤로 사용하거나 임의의 선택 사항을 사용할 수 있습니다.

언제 자동화된 개인화보다 자동 타겟을 선택해야 합니까? section_BBC4871C87944DD7A8B925811A30C633

다음과 같은 몇 가지 시나리오를 사용할 수 있습니다 자동 타기팅 초과 Automated Personalization:

  • 경험을 형성하기 위해 자동으로 결합되는 개별 오퍼가 아닌 전체 경험을 정의하려는 경우.
  • 의 전체 세트를 사용하려면 시각적 경험 작성기 (VEC) 기능이에 의해 지원되지 않음 자동 개인화: 사용자 지정 코드 편집기, 여러 경험 대상 등.
  • 다양한 경험에서 내 페이지의 구조를 변경하려는 경우. 예를 들어 홈 페이지에서 요소를 다시 정렬하려면 자동 타기팅 다음보다 사용하기가 더 적절함: Automated Personalization.

역할 자동 타기팅 은 과 공통점이 있습니다. Automated Personalization? section_2A601F482F9A44E38D4B694668711319

알고리즘이 각 방문에 대해 유용한 결과를 내놓도록 최적화됩니다.

  • 알고리즘은 최고의 경험을 제공하기 위해 방문자의 전환 성향(또는 전환으로 인한 예상 매출)을 예측합니다.
  • 기존 세션이 종료되면 방문자에게 새 경험을 부여할 수 있습니다(방문자가 컨트롤 그룹에 속해 있지 않은 경우 첫 번째 방문에 할당된 경험은 후속 방문에 대해 동일하게 유지됨).
  • 세션 내에서는 시각적 일관성을 유지하기 위해 예측이 변경되지 않습니다.

알고리즘이 방문자의 행동 변화에 적응합니다.

  • Multi-arm bandit을 사용하면 모델이 항상 작은 부분 트래픽을 "지출"하여 활동 학습 기간 동안 계속 학습하고 이전에 학습한 트렌드의 과도한 사용을 방지할 수 있습니다.
  • 기본 모델은 최신 방문자 행동 데이터를 사용하여 24시간마다 재구축되어 Target 는 항상 방문자 환경 설정 변경을 활용합니다.
  • 알고리즘이 개인에 대해 가장 성과가 좋은 경험을 결정할 수 없는 경우 개인화된 승자를 계속 찾으면서도 전체적으로 성과가 가장 좋은 경험을 표시하도록 자동으로 전환합니다. 성과가 가장 좋은 경험은 Thompson 샘플링을 사용하여 발견됩니다.

알고리즘이 지속적으로 하나의 목표 지표에 대해 최적화됩니다.

  • 이 지표는 전환 기반 또는 매출 기반(좀 더 구체적으로 설명하면 다음과 같습니다. 방문당 매출).

Target 은 방문자에 대한 정보를 자동으로 수집하여 개인화 모델을 구축합니다.

Target 자동으로 모두 사용 Adobe Experience Cloud 개인화 모델을 만들 대상을 공유했습니다.

  • 모델에 대상을 추가하기 위해 특정한 작업을 수행할 필요가 없습니다. Target에서 Experience Cloud Audiences 사용에 대한 자세한 내용은 Experience Cloud 대상을 참조하십시오.

마케터는 오프라인 데이터, 성향 점수 또는 기타 사용자 지정 데이터를 업로드하여 개인화 모델을 만들 수 있습니다.

자동 타겟은 자동화된 개인화와 어떻게 다릅니까? section_BA4D83BE40F14A96BE7CBC7C7CF2A8FB

자동 타겟은 개인화된 모델을 만드는 데 자동화된 개인화보다 적은 트래픽을 필요로 합니다.

자동 타겟이나 자동화된 개인화 모델을 만드는 데 필요한 경험당 트래픽의 양은 동일하지만 자동화된 개인화 활동에는 일반적으로 자동 타겟 활동보다 더 많은 경험이 있습니다.

예를 들어 자동 개인화 두 개의 위치에 위치당 두 개의 오퍼를 만든 활동에는 활동에 총 4개(2 = 4)의 경험이 포함됩니다(제외 없음). 자동 타겟을 사용하여 경험 1을 위치 1에서 오퍼 1을 포함하고, 위치 2에서 오퍼 2를 포함하도록 설정하고, 경험 2를 위치 1에서 오퍼 1을 포함하고, 위치 2에서 오퍼 2를 포함하도록 설정할 수 있을 것입니다. 자동 타겟을 사용하면 한 경험 내에 여러 가지 변경이 생기도록 선택할 수 있으므로 활동에 있는 총경험 수를 줄일 수 있습니다.

자동 타겟의 경우 간단한 경험 법칙을 사용하여 트래픽 요구 사항을 이해할 수 있습니다.

  • 전환이 성공 지표일 경우: ​경험당 하루에 1,000개의 방문과 최소 50개의 전환이 있어야 하고, 또한 활동에는 적어도 7000개의 방문과 350개의 전환이 있어야 합니다.
  • ​ 방문당 매출액이 성공 지표일 경우: ​경험당 하루에 1,000개의 방문과 최소 50개의 전환이 있어야 하고, 또한 활동에는 경험당 적어도 1000개의 전환이 있어야 합니다. RPV를 사용할 때에는 전환율을 사용할 때와 비교하여 방문 매출에 일반적으로 존재하는 더 높은 데이터 분산으로 인해 모델을 만드는 데 더 많은 데이터가 필요합니다.

자동 타겟에는 완전한 설정 기능이 있습니다.

  • 이유 자동 타기팅 은(는) A/B 활동 워크플로우에 포함되어 있습니다. 자동 타기팅 보다 성숙되고 완전한 혜택 시각적 경험 작성기 (VEC). 다음을 사용할 수도 있습니다. QA 링크 포함 자동 타기팅.

자동 타겟에서는 광범위한 온라인 테스트 프레임워크를 제공합니다.

  • Multi-arm bandit은 다음과 같은 대규모 온라인 테스트 프레임워크의 일부입니다. Adobe 데이터 과학자 및 연구자는 실제 환경에서 지속적으로 개선되는 것의 이점을 이해합니다.
  • 앞으로 이 테스트베드는 개방을 허용할 것입니다 Adobe 머신 러닝 플랫폼을 데이터 중심 클라이언트로 전환하여 자체 모델을 가져와 Target 모델.

보고 및 자동 타겟 section_42EE7F5E65E84F89A872FE9921917F76

자세한 내용은 보고 및 자동 타겟.

교육 비디오: 자동 타겟 활동 이해

다음 비디오에서는 자동 타겟 A/B 활동을 설정하는 방법을 설명합니다.

이 교육을 완료하면 다음 작업을 수행할 수 있습니다.

  • 자동 타겟 테스트 정의
  • 자동 타겟을 자동화된 개인화와 비교 및 대조
  • 자동 타겟 활동 만들기
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654