Show Menu
主题×

自动定位

自动定位可使用先进的机器学习技术从营销人员定义的多个高性能体验中进行选择,以便个性化内容并促进转化。自动定位根据每位访客的个人客户配置文件和具有相似配置文件的先前访客的行为,向每位访客提供量身定制的体验。
自动定位作为 Target Premium 解决方案的一部分提供。如果没有 Target Premium 许可证,则此功能在 Target Standard 中不可用。有关此许可证提供的各项高级功能的更多信息,请参阅 Target Premium
在使用三步引导式工作流创建 A/B 活动 时,您可以选择使用“自动定位以提供个性化体验”选项来分配流量:

概述

通过 A/B 活动流程中的自动定位选项,您可以利用机器学习功能,只需一次单击即可根据营销人员定义的一组体验进行个性化。与传统 A/B 测试或自动分配相比,自动定位旨在通过确定为每个访客显示哪个体验来实现最大程度的优化。与目标是找到一个入选者的 A/B 活动不同,自动定位会自动确定适用于给定访客的最佳体验(根据其个人资料和其他相关信息),从而交付高度个性化的体验。
与自动个性化类似,自动定位使用随机林算法(一种领先的数据科学组合方法)来确定要向访客显示的最佳体验。由于自动定位可根据访客行为的变化而自行调整,因此它可以一直运行以实现提升。这有时被称为“始终运行”模式。
与 A/B 活动不同,自动定位会优化每次访问的指定业务目标,而 A/B 活动为给定访客分配的体验是具有粘性的。与自动个性化一样,默认情况下,自动定位会将部分活动流量作为控制组保留以便测量提升度。在活动中,控制组的访客会得到随机体验。
使用自动定位时要记住以下重要注意事项:
  • 您无法将特定活动从自动定位切换到自动个性化,反之亦然。
  • 活动开始后,您无法从“手动”流量分配(传统 A/B 测试)切换到自动定位,反之亦然。
  • 使用主机和环境(主机组)时,仅为“生产”环境构建模型。所有环境都会提供数据以便为“生产”营销活动构建模型。
  • 您必须至少使用两个体验。

术语

讨论自动定位时,以下术语很有用:
术语
定义
多臂老虎机
多臂老虎机优化方法可在探索式学习和对该学习的利用之间进行平衡。
随机森林
随机林是一种领先的机器学习方法。从数据科学领域来讲,它是一种基于访客和访问属性构建大量决策树的组合分类或回归方法。在 Target 中,随机林用来确定对于每个特定访客而言,哪个体验的转化可能性最高(或每次访问带来的收入最高)。有关 Target 中随机林的更多信息,请参阅 随机林算法
汤普森采样
汤普森采样的目的是确定整体来看哪个体验最好(非个性化),同时最大限度地减少找到该体验的“成本”。即便两种体检之间没有统计意义上的差异,汤普森采样算法还是会选出一个入选者。有关更多信息,请参阅 汤普森采样

自动定位的工作方式

请通过以下链接,了解与自动定位和自动个性化的数据和算法相关的更多信息:
术语
详细信息
Target 在自动定位和自动个性化中使用的主要个性化算法是随机林。相较于从任何组成学习算法获得的性能而言,诸如随机林之类的组合方法可使用多种学习算法获得更好的预测性能。自动个性化系统中的随机林算法是一种分类或回归方法,它通过在训练时构建大量决策树来运作。
有几种方法可以为自动定位和自动个性化模型输入数据。
Target 的个性化算法会自动收集各种数据。

确定流量分配

根据您的活动目标,您可以选择向控制体验和个性化体验分配不同的流量。最佳实践是在活动开始之前确定此目标。
“自定义分配”下拉列表可让您从以下选项中进行选择:
  • 评估个性化算法
  • 最大化个性化流量
  • 自定义分配
活动目标
建议的流量分配
权衡
评估个性化算法 (50/50) :如果您的目标是测试算法,则可以在控制和目标算法之间按 50/50 的百分比拆分访客。这种拆分可让您对提升进行最精确的评估。建议将“随机体验”用作控制。
按 50% 控制体验/ 50% 个性化体验进行拆分
  • 最大限度地提高控制体验和个性化体验之间提升度的准确性
  • 将获得个性化体验的访客相对较少
最大化个性化流量 (90/10) :如果您的目标是创建“一直开启”的活动,则可以在控制中放入 10% 的访客,以确保算法有足够的数据来不断学习。请注意,这里做出的权衡是,为了对更大一部分的流量进行个性化,提升度的准确性将会降低。无论您的目标如何,在使用特定体验作为控制时,都建议按此比例拆分流量。
最佳实践是使用 10% - 30% 控制体验 / 70% - 90% 个性化体验的拆分方式
  • 最大化拥有个性化体验的访客数量
  • 最大化提升度
  • 对于该活动具有的提升度,准确度较低
自定义分配
根据需要手动拆分百分比。
  • 您可能无法获得所需的结果。如果您不确定,请按照上述任一选项的建议进行操作
要调整控制百分比,请单击“分配”列中的图标。您不能将控制组降至 10% 以下。
您可以 选择特定体验作为控制 ,也可以使用“随机体验”选项。

何时应选择自动定位而不是自动个性化?

在以下几种情况中,您可能会偏向使用自动定位而不是自动个性化:
  • 如果您想定义整个体验,而不是单个选件(各选件会自动结合形成一个体验)。
  • 如果您想利用自动个性化不支持的整套可视化体验编辑器 (VEC) 功能:自定义代码编辑器、多体验受众等等。
  • 如果您想在不同的体验中对页面进行结构性更改。例如,如果您想重新排列主页上元素的顺序,那么自动定位比自动个性化更合适。

自动定位与自动个性化有什么共同之处?

算法会对每次访问进行优化以获得有利的结果。
  • 其算法会预测访客的转化倾向(或预估转化带来的收入),以便提供最佳体验。
  • 访客能够在现有会话结束后获得新的体验(除非访客在控制组中;在这种情况下,访客在后续的历次访问时分配到的体验将与他们在首次访问时分配到的体验相同)。
  • 在一个会话中,为保持可视化的一致性,预测不会发生更改。
算法会根据访客行为的变化自行调整。
  • 多臂老虎机可确保模型经常“消耗”一小部分流量,以便在整个活动学习的生命周期内不断学习,同时防止过度利用先前已学习过的趋势。
  • 每 24 小时会使用最新的访客行为数据重建基础模型,以确保 Target 始终都能利用不断变化的访客偏好。
  • 如果该算法无法为个人用户确定入选体验,则会自动切换为显示总体性能最佳的体验,同时仍继续查找个性化入选者。使用 汤普森采样 查找性能最佳的体验。
算法会针对单个目标量度不断进行优化。
  • 此量度可以是基于转化的,也可以是基于收入的(更具体地说,即“每次访问带来的收入”)。
该算法不支持使用Analytics作为数据源或报表端点。
Target 会自动收集关于访客的信息来构建个性化模型。
Target 会自动使用所有 Experience Cloud 共享受众来构建个性化模型。
  • 您无需执行任何特定操作来将受众添加到模型中。有关在 Target 中使用 Experience Cloud 受众的信息,请参阅  Experience Cloud 受众
营销人员可以上传离线数据、倾向得分或其他自定义数据来构建个性化模型。

自动定位与自动个性化有什么不同之处?

与自动个性化相比,自动定位通常需要较少的流量即可构建个性化模型。
尽管构建自动定位或自动个性化模型所需的​ 每个体验 ​的流量数量相同,但自动个性化活动中的体验通常多于自动定位活动中的体验。例如,如果您有一个自动个性化活动,其中包含两个位置,且您已为每个位置创建两个选件,则该活动中将共包含四个(2 = 4)体验(不含排除项)。在使用自动定位时,您可以将体验 1 设置为在位置 1 中包含选件 1,在位置 2 中包含选件 2,将体验 2 设置为在位置 1 中包含选件 1,在位置 2 中包含选件 2。由于自动定位允许您选择在一个体验中进行多次更改,因此您可以减少活动中的体验总数。
对于自动定位,可以使用简单的经验规则来了解流量要求:
  • 当“转化”是您的成功量度时: ​每个体验每天有 1,000 次访问和至少 50 次转化,此外,该活动至少需要 7,000 次访问和 350 次转化。
  • 当“每次访问带来的收入”(RPV) 是您的成功量度时: ​每个体验每天有 1,000 次访问和至少 50 次转化,此外,该活动的每个体验必须至少有 1,000 次转化。RPV 通常需要更多的数据才能构建模型,这是因为与转化率相比,访问收入通常存在着较大的数据差异。
自动定位具有全面的设置功能。
  • 由于自动定位嵌入在 A/B 活动工作流中,因此自动定位可以从更成熟且功能齐全的可视化体验编辑器 (VEC) 中受益。您还可以在自动定位中利用 QA 链接
自动定位提供广泛的在线测试框架。
  • 多臂老虎机是较大的在线测试框架的一部分,它允许我们的数据科学家和研究人员了解在实际环境中进行持续改进带来的好处。
  • 将来,此测试平台将允许我们向那些精通数据处理的客户开放我们的机器学习平台,以便他们可以引入自己的模型来增强 Target 的模型。

报表和自动定位

有关更多信息,请参阅 报表 部分中的 自动定位摘要报表

自动定位常见问题解答

设置自动定位活动的最佳实践是什么?
  • 确定“每次访问带来的收入”(RPV) 成功量度的商业价值是否与其额外的流量需求相匹配。与转化相比,RPV 通常要求每个体验至少有 1,000 次转化才能完成工作。
  • 开始活动之前,根据您的目标确定控制体验和个性化体验之间的流量分配。
  • 确定您是否有足够的流量访问自动定位活动将运行的页面,以使个性化模型在合理的时间内生成。
    • 如果您正在测试个性化算法,则不应在活动开始时更改体验或添加/删除配置文件属性。
  • 考虑在您计划于自动定位活动中使用的选件和位置之间完成一个 A/B 活动,以确保位置和选件会对优化目标产生影响。如果 A/B 活动未能显示显著差异,则自动定位可能也无法生成提升。
    • 如果 A/B 测试在体验之间没有显示出具有统计意义的显著差异,则意味着:您考虑使用的选件可能并不具备足够的差异,您选择的位置不会影响成功量度,或者优化目标位于转化漏斗中较远的位置,不会受到所选选件的影响。
  • 尽量不要在活动运行的过程中对体验做出重大更改。
如果报表日期范围发生更改,则用于指示已为该体验构建模型的复选标记是否会更新?
不会,适用于模型生成的复选标记仅显示截至当前构建的模型。无法回看模型的完成时间。
如果访客未查看自动定位活动但进行了转化,则此转化是否会计入到我的活动中?
不会,只有符合条件并查看了自动定位活动的访客才会被计入报表中。
我的自动定位活动似乎没有产生任何提升。这是怎么回事?
自动定位活动需要四个因素才能产生提升:
  • 这些选件需要有足够的差异才能对访客产生影响。
  • 这些选件需要放置到对优化目标有影响的地方。
  • 测试中必须拥有足够的流量和统计“功效”来检测提升。
  • 个性化算法必须运行良好。
最好的做法是,首先使用简单、非个性化的 A/B 测试来确保组成活动体验的内容和位置对整体响应率真正地产生了影响。务必提前计算样本量,以确保有足够的样本以便看到合理的提升,并在一段固定的时间内运行 A/B 测试,且不要终止或对其进行任何更改。
如果 A/B 测试结果显示一个或多个体验具有统计意义上的显著提升,则个性化活动很可能会起作用。当然,即便体验的总体响应率没有差异,个性化也可能会起作用。通常来说,出现这个问题是因为,对优化目标没有较大影响的选件/位置被检测出具有统计学意义。
我应何时停止自动定位活动?
自动定位可以作为“始终运行”的个性化使用,不断进行优化。特别是对于一直使用的内容,无需停止自动定位活动。
如果您希望对自动定位活动中的内容进行重大更改,最佳实践是开始一个新活动,以便其他用户查看报表时不会将过去的结果与不同内容混淆或相关联。
我需要等待多久才能构建模型?
在自动定位活动中构建模型的时间通常取决于您选定活动位置的流量和活动成功量度。
对于自动定位,可以使用简单的经验规则来了解流量要求:
  • 当“转化”是您的成功量度时: ​每个体验每天有 1,000 次访问和至少 50 次转化,此外,该活动至少需要 7,000 次访问和 350 次转化。
  • 当“每次访问带来的收入”(RPV) 是您的成功量度时: ​每个体验每天有 1,000 次访问和至少 50 次转化,此外,该活动的每个体验必须至少有 1,000 次转化。RPV 通常需要更多的数据才能构建模型,这是因为与转化率相比,访问收入通常存在着较大的数据差异。
我的活动中已构建一个模型。对该体验的访问是否为个性化的?
不是,必须在活动中至少构建 2 个模型才能开始个性化。
我何时可以开始查看自动定位活动的结果?
对于已构建模型的体验,您需要至少拥有两个已构建模型(绿色复选标记)的体验,才可以开始查看自动定位测试的结果。
我可以指定特定体验作为控制吗?
在创建 自动个性化 (AP) 或 自动定位 (AT) 活动时,您可以选择要用作控制的体验。
通过此功能,您可以根据活动中配置的流量分配百分比,将整个控制流量路由到特定体验。然后,您可以根据该体验的控制流量评估个性化流量的性能报表。
有关更多信息,请参阅 使用特定体验作为控制

自动定位故障诊断

有时候,活动没有按预期进行。以下是使用自动定位时可能会遇到的一些潜在困难,以及一些建议的解决方法。
在我的自动定位活动中,需要很长时间才能构建模型。
更改几项活动设置可以减少构建模型所需的预计时间,包括您的自动定位活动中的体验数量、您网站的流量以及您选择的成功量度。
解决方法: ​查看活动设置,看看您是否愿意做出一些更改以提高构建模型的速度。
  • 如果成功量度是设为 RPV,那么您是否可以改用转化作为成功量度?转化活动需要用来构建模型的流量通常较少。如果将成功量度从 RPV 更改为转化,您并不会丢失活动数据。
  • 您的成功量度在活动体验的销售漏斗中是否位于较远的位置?由于要求的转化次数最少,因此较低的活动转化率将会增加构建模型所需的流量要求。
  • 是否有一些体验可从活动中删除?减少活动中的体验数量会减少构建模型所需的时间。
  • 是否存在更高流量的页面可以提高此活动的成功率?活动位置中的流量和转化越多,构建模型的速度就会越快。
我的自动定位活动不产生任何提升。
AP 活动产生提升需要四个因素:
  • 这些选件需要有足够的差异才能对访客产生影响。
  • 这些选件需要放置到对优化目标有影响的地方。
  • 测试中必须拥有足够的流量和统计“功效”来检测提升。
  • 个性化算法必须运行良好。
解决方法: ​首先,确保您的活动对流量进行了个性化。如果没有针对所有体验都构建了模型,那么您的自动定位活动仍会为大量访问随机提供体验,以尽可能快地构建所有模型。如果未构建模型,则自动定位不会对流量进行个性化。
接下来,使用简单、非个性化的 A/B 测试,确保选件和活动位置确实会对整体响应率产生影响。务必提前计算样本量,以确保有足够的样本以便看到合理的提升,并在一段固定的时间内运行 A/B 测试,且不要终止或对其进行任何更改。如果 A/B 测试显示一个或多个体验具有统计意义的提升,则个性化活动有可能会奏效。当然,即便体验的总体响应率没有差异,个性化也可能会起作用。通常来说,出现这个问题是因为,对优化目标没有较大影响的选件/位置被检测出具有统计学意义。
依赖于转化量度的所有量度从不转化。
这是符合预期的。
在自动定位活动中,转化量度(无论是优化目标还是后期目标)发生转化后,用户将会从体验中释放,并且活动会重新开始。
例如,一个活动拥有一个转化量度 (C1) 和一个其他量度 (A1)。A1 依赖于 C1。当访客首次进入活动,并且转化 A1 和 C1 的标准并未实现转化,那么由于成功量度的依赖关系,量度 A1 不会进行转化。如果访客先转化了 C1,然后转化了 A1,则 A1 仍不会实现转化,因为一旦 C1 完成转化,该访客便会被释放。

培训视频:了解自动定位活动

本视频介绍了如何设置自动定位 A/B 活动。
完成此培训后,您应该能够:
  • 定义自动定位测试
  • 将自动定位与自动个性化进行比较和对比
  • 创建自动定位活动