Show Menu
主題×

自動鎖定目標

自動鎖定目標使用進階機器學習來從多個高效能之市場行銷人員定義的體驗中加以選取,以便個人化內容並促進轉換。自動鎖定目標會根據訪客的個別客戶設定檔與具有類似設定檔之先前訪客的行為,提供每位訪客量身打造的最佳體驗。
自動鎖定目標是 Target Premium 解決方案內建的功能。若無 Target Standard 授權,Target Premium 不提供此功能。如需此授權提供之進階功能的詳細資訊,請參閱 Target Premium
使用三步驟引導式工作流程建立 A/B 活動 時,您可以選擇使用「針對個人化體驗自動鎖定目標」選項來分配流量:

概述

A/B 活動流量內的「自動鎖定目標」選項可讓您只要按一下即可駕馭機器學習,以根據市場行銷人員定義的一組體驗進行個人化。相較於傳統的 A/B 測試或自動分配,「自動鎖定目標」旨在決定要顯示給每個訪客的體驗,讓最佳化發揮到極致。不同於 A/B 活動的目標是找出單一獲勝者,自動鎖定目標會自動為特定訪客決定最佳體驗 (根據其設定檔及其他情境資訊),以實現高度個人化的體驗。
類似於自動個人化,自動鎖定目標也採用隨機森林演算法 (頂尖的資料科學整體方法),以判斷要顯示給訪客的最佳體驗。因為自動鎖定目標可以適應訪客行為的變化,所以可不斷地執行以帶來提升度。這有時稱為「隨時待命」模式。
不同於 A/B 活動對特定訪客採用固定的體驗分配,自動鎖定目標會隨著每次造訪來最佳化指定的業務目標。如同在自動個人化中,依預設,自動鎖定目標也會保留一部分活動流量作為控制組以測量提升度。在活動中會提供隨機體驗給控制組中的訪客。
使用自動鎖定目標時請謹記一些重要事項:
  • 您無法將特定活動從自動鎖定目標切換到自動個人化,反之亦然。
  • 在活動上線之後,您無法從手動流量分配 (傳統 A/B 測試) 切換到自動鎖定目標,反之亦然。
  • 使用主機和環境時 (主機群組),只會針對「生產」環境建立模型。所有環境皆會貢獻資料來為「生產」行銷活動建立模型。
  • 您必須使用至少兩個體驗。

術語

討論自動鎖定目標時,下列詞語相當實用:
術語
定義
多臂吃角子老虎機
最佳化的多臂吃角子老虎機方法可平衡探索學習和該學習的利用。
隨機森林
隨機森林是先進的機器學習方法。以資料科學的行話來說,這是一種系綜法分類法 (或迴歸方法),作法是根據訪客和造訪屬性來建構大量決策樹。在 Target 內,隨機森林可用來針對每個特定訪客,決定何種體驗預期轉換的可能性最高 (或每次造訪帶來的收入最高)。如需關於 Target 中隨機森林的資訊,請參閱 隨機森林演算法
Thompson 取樣
Thompson 取樣的目標是要判斷哪個體驗是整體最佳 (非個人化),同時將找到該體驗的「成本」降至最低。即便兩個體驗之間沒有統計上的差異,Thompson 取樣仍一律會挑選獲勝者。如需詳細資訊,請參閱 Thompson 取樣

自動鎖定目標如何運作

請前往下列連結,以進一步瞭解自動鎖定目標和自動個人化所根據的資料和演算法:
術語
詳細資料
Target 在自動鎖定目標和自動個人化中採用的主要個人化演算法是「隨機森林」。隨機森林之類的整體方法會使用多個學習演算法,相較於任何建構式學習演算法可獲得更好的預測性效能。自動個人化系統中的隨機森林演算法為一種分類或迴歸方法,其運作方式是在訓練時建構許多決策。
有幾種方式可輸入資料供自動鎖定目標和自動個人化模型使用。
Target 的個人化演算法會自動收集各種資料。

決定流量分配

視活動的目標而定,您可能在控制體驗與個人化體驗之間選擇不同的流量分配。最佳作法是在活動上線之前就決定此目標。
「自訂分配」下拉式清單可讓您從下列選項中選擇:
  • 評估個人化演算法
  • 將個人化流量最大化
  • 自訂分配
活動目標
建議的流量分配
取捨
評估個人化演算法 (50/50) : 如果您的目標是要測試演算法,請在控制與鎖定的演算法之間使用訪客的 50/50 百分比分割。此分割可提供提升度更準確的預估。建議「隨機體驗」搭配使用以作為控制。
50% 控制/ 50% 個人化體驗分割
  • 使控制與個人化之間的提升度達到最高準確性
  • 相對較少的訪客將有個人化體驗
最大化個人化流量 (90/10) : 如果您的目標是要建立「一律開啟」的活動,請將 10% 的訪客放入控制,以確保有足夠的資料供演算法隨著時間繼續學習。請注意,這裡的取捨是以更大比例的流量交換個人化,因此在確切的提升度方面較不精確。無論您的目標為何,這是使用特定體驗作為控制時的建議流量分割。
最佳作法是採用 10% - 30% 控制/ 70% - 90% 個人化體驗分割
  • 將具有個人化體驗的訪客人數最大化
  • 將提升度最大化
  • 活動的提升度較不準確
自訂分配
視需要手動分割百分比。
  • 您可能未達到理想的結果。如果不確定,請採用前述任一選項的建議。
若要調整控制百分比,請按一下分配欄中的圖示。您無法將控制組降到 10% 以下。
您可以 選取特定體驗以用來作為控制 ,或者也可以使用隨機體驗選項。

何時應選擇自動鎖定目標而放棄自動個人化?

在幾種情況下,您可能偏好使用自動鎖定目標,而不選擇自動個人化:
  • 如果您想定義整個體驗,而非將會自動合併而形成體驗的個別選件。
  • 如果您想利用自動個人化不支援的整套可視化體驗撰寫器 (VEC) 功能: 自訂程式碼編輯器、多個體驗對象及其他。
  • 如果您想對不同體驗中的頁面進行結構性變更。例如,如果您想重新安排首面上的元素順序,則使用自動鎖定目標會比自動個人化更適合。

自動鎖定目標與自動個人化有何共同點?

演算法會針對每次造訪的有利結果而最佳化。
  • 演算法會預測訪客的轉換傾向 (或預估來自轉換的收入),以提供最佳體驗。
  • 現有工作階段結束時,訪客即有資格獲得新的體驗 (除非訪客在控制組,在此情況下,最初造訪時指派給訪客的體驗在後續造訪時仍然相同)。
  • 在工作階段內,預測不變,以維持視覺一致性。
演算法會適應訪客行為的變化。
  • 多臂吃角子老虎機可確保模型一律會「消費」一小部分的流量以繼續在整個活動學習期間中學習,並且防止過度利用先前學習的趨勢。
  • 每 24 小時會根據最新的訪客行為資料來重建基礎模型,以確保 Target 永遠採用不斷改變的訪客偏好設定。
  • 如果演算法無法為個人決定勝出體驗,則會自動切換為顯示整體表現最佳的體驗,同時仍繼續尋找個人化獲勝者。採用 Thompson 取樣 可找出表現最佳的體驗。
演算法會持續針對單一目標量度而最佳化。
  • 此量度可以是以轉換為基礎,或以收入為基礎 (具體而言,即「每次造訪帶來的收入」)。
演算法不支援使用Analytics作為資料來源或報表端點。
Target 會自動收集關於訪客的資訊以建置個人化模型。
Target 會自動使用所有 Experience Cloud 的共用對象來建置個人化模型。
  • 您不需要做任何特定的動作將對象新增至模型。如需關於使用 Experience Cloud 對象搭配 Target 的資訊,請參閱  Experience Cloud 受眾
市場行銷人員可以上傳離線資料、傾向分數或其他自訂資料,以建立個人化模型。

自動鎖定目標與自動個人化有何不同?

建立個人化模型時,自動鎖定目標所需的流量通常比自動個人化還少。
雖然建立自動鎖定目標或自動個人化模型所需的​ 個別體驗 ​流量相同,但自動個人化活動中的體驗通常比自動鎖定目標活動更多。例如,如果您的自動個人化活動中有兩個位置,且已為各個位置建立兩個選件,則活動中總共會包含四個 (2 = 4) 體驗 (沒有排除項目)。使用自動鎖定目標時,您可以將體驗 1 設為包含位置 1 的選件 1 和位置 2 的選件 2,將體驗 2 設為包含位置 1 的選件 1 和位置 2 的選件 2。由於自動鎖定目標允許一個體驗內有多項變更,因此您可以減少活動中的體驗總數。
針對自動鎖定目標,可以使用簡易的經驗法則來瞭解流量需求:
  • 當轉換是成功量度時: ​每個體驗每日有 1,000 次造訪和至少 50 次轉換,此外,活動至少必須有 7,000 次造訪和 350 次轉換。
  • 當每次造訪帶來的收入為您的成功量度時: ​每個體驗每天 1,000 次造訪和至少 50 次轉換,此外,活動必須每個體驗至少 1,000 次轉換。RPV 通常需要更多資料才能建置模型,原因是造訪收入相較於轉換率一般會存在較高的資料變數。
自動鎖定目標具有完整的設定功能。
  • 因為自動鎖定目標內嵌於 A/B 活動工作流程中,所以自動鎖定目標可享用更成熟且完整的可視化體驗撰寫器 (VEC)。您也可以搭配 QA 連結 與自動鎖定目標一起使用。
自動鎖定目標提供廣闊的線上測試架構。
  • 多臂吃角子老虎機屬於更大線上測試架構的一部分,可讓我們的資料科學家和研究人員瞭解在實際情況中持續改進的好處。
  • 在未來,此測試可讓我們將機器學習平台開放給精通資料的客戶,讓他們引進自己的模型來擴大 Target 的模型。

報表和自動鎖定目標

如需詳細資訊,請參閱 報表 一節中的 自動鎖定目標摘要報表

自動鎖定目標常見問題集

設定自動鎖定目標活動有何最佳作法?
  • 決定「每次造訪帶來的收入 (RPV)」成功量度的商業價值是否有額外流量需求的價值。與轉換相比,RPV 通常需要每個體驗至少有 1,000 次轉換,如此活動才會運作。
  • 開始展開活動之前,請根據目標決定控制與個人化體驗之間的分配。
  • 判斷將執行自動鎖定目標活動的頁面是否有足夠流量,而能夠在合理的時間內建立個人化模型。
    • 如果您在測試個人化演算法,請勿於活動上線期間變更體驗,或新增/移除設定檔屬性。
  • 請考慮針對您打算於自動鎖定目標活動中使用的不同選件和位置進行 A/B 活動,以確定位置和選項件對最佳化目標具影響力。如果 A/B 活動未展現明顯的差異,則自動鎖定目標很可能也無法帶來提升度。
    • 如果 A/B 測試顯示體驗之間沒有統計顯著差異,可能是您考慮的選件彼此的差異不夠、您選取的位置不會影響成功量度,或最佳化目標在轉換漏斗中太遠,以致於不受您選擇的選件所影響。
  • 請勿於活動期間對體驗做出重大變更。
如果報表日期範圍改變,指出該體驗已建立模型的勾號是否會隨之更新?
否,代表模型產生的勾號只顯示目前為止建立的模型。無法返回查看模型何時完成。
如果訪客沒有看到自動鎖定目標活動就轉換,該轉換會計入我的活動中嗎?
不會,只有合格並檢視自動鎖定目標活動的訪客才會計入報表中。
我的自動鎖定目標活動似乎沒有帶來任何提升度。怎麼回事?
自動鎖定目標活動帶來提升度需要四個要素:
  • 選件需要夠不同才能影響訪客。
  • 選件需要位於對最佳化目標而言具有差異化的位置。
  • 測試中必須具有充分的流量和統計「檢定力」才能偵測提升度。
  • 個人化演算法必須正常運作。
動作的最佳措施是先使用簡易、非個人化的 A/B 測試來確定組成活動體驗的內容和位置對整體回應率確實產生影響。務必提早計算樣本大小,以確保有足夠檢定力可看見合理的提升度,並在固定期間執行 A/B 測試而不停止它或進行任何變更。
如果 A/B 測試的結果指出一或多個體驗有統計顯著的提升度,即表示個人化活動可能會運作。當然,即便在體驗的整體回應率沒有產生影響時,個人化也能運作。一般來說,問題源自選件/位置對要使用統計精確度偵測的最佳化目標沒有夠大的影響。
何時應該停止自動鎖定目標活動?
自動鎖定目標可用作「隨時待命」且將持續最佳化的個人化。尤其對於歷久不衰的內容,不需要停止自動鎖定目標活動。
如果您想對自動鎖定目標活動中的內容進行重大改變,最佳作法是啟動新的活動,使其他檢閱報表的使用者不會將過去的結果與不同內容混淆或聯繫起來。
建立模型要等待多久?
在自動鎖定目標活動中建立模型所需的時間,通常取決於流向您所選活動位置的流量,以及活動成功量度。
針對自動鎖定目標,可以使用簡易的經驗法則來瞭解流量需求:
  • 當轉換是成功量度時: ​每個體驗每日有 1,000 次造訪和至少 50 次轉換,此外,活動至少必須有 7,000 次造訪和 350 次轉換。
  • 當每次造訪帶來的收入為您的成功量度時: ​每個體驗每天 1,000 次造訪和至少 50 次轉換,此外,活動必須每個體驗至少 1,000 次轉換。RPV 通常需要更多資料才能建置模型,原因是造訪收入相較於轉換率一般會存在較高的資料變數。
我的活動中已建立一個模型。對該體驗的造訪會個人化嗎?
不,您的活動內必須建置至少兩個模型,如此個人化才能開始。
何時可以開始查看自動鎖定目標活動的結果?
當您至少有兩個體驗已建立模型 (綠色勾號),針對已建立模型的體驗,您就可以開始查看自動鎖定目標測試的結果。
是否可以指定要用來作為控制的特定體驗?
建立 Automated Personalization (AP) 或 自動鎖定目標 (AT) 活動時,您可以選取要用來作為控制的體驗。
此功能可讓您根據活動中設定的流量配置百分比,將整個控制流量傳送至特定體驗。接著,您可以根據該體驗之控制流量,評估個人化流量的效能報表。
如需詳細資訊,請參閱 使用特定體驗作為控制

自動鎖定目標疑難排解

有時活動不會如預期般進行。以下是使用自動鎖定目標可能面臨的一些挑戰,以及一些建議的解決方案。
自動鎖定目標活動花費太長的時間建立模型。
有幾項活動設定變更可以縮短建立模型的預期時間,包括自動鎖定目標活動中的體驗數量、流向網站的流量,以及您選取的成功量度。
解決方案: 請檢閱您的活動設定並查看是否有您想要進行的任何變更,以改善建置模型的速度。
  • 如果您的成功量度是設為 RPV,您可以變更為轉換嗎? 轉換活動傾向需要較少流量來建置模型。如果將成功量度從 RPV 變更為轉換,您不會失去活動資料。
  • 您的成功量度是否遠低於您的活動體驗的銷售漏斗? 較低的活動轉換率將增加建置模型所需的流量,因為需要最低的轉換數量。
  • 是否有您可以從活動中捨棄的一些體驗? 減少活動中的體驗數量可縮短建立模型所需的時間。
  • 是否有更高流量的頁面可讓此活動更成功? 若活動位置中有愈多流量和轉換,則建置模型的速度愈快。
我的自動鎖定目標活動未帶來任何提升度。
AP 活動產生提升度需要四個係數:
  • 選件需要夠不同才能影響訪客。
  • 選件需要位於對最佳化目標而言具有差異化的位置。
  • 測試中必須具有充分的流量和統計「檢定力」才能偵測提升度。
  • 個人化演算法必須正常運作。
解決方案: ​首先,請確定活動已將流量個人化。如果沒有為所有體驗建立模型,自動鎖定目標活動仍會隨機處理很大一部分的造訪,以試著盡快建立所有模型。如果沒有建立模型,自動鎖定目標就不會將流量個人化。
接下來,請使用簡單且非個人化的 A/B 測試,以確保選件和活動位置確實對整體回應率造成改變。務必提早計算樣本大小,以確保有足夠檢定力可看見合理的提升度,並在固定期間執行 A/B 測試而不停止它或進行任何變更。如果 A/B 測試結果對一或多個體驗顯示統計顯著的提升度,則個人化活動可能將正常運作。當然,即便在體驗的整體回應率沒有產生影響時,個人化也能運作。一般來說,問題源自選件/位置對要使用統計精確度偵測的最佳化目標沒有夠大的影響。
相依於轉換量度的任何量度永遠不會轉換。
這是預期中的情形。
在自動鎖定目標活動中,轉換量度 (無論是最佳化目標或事後目標) 一旦轉換,即會從體驗中釋放使用者,而活動也會重新開始。
例如,有一個活動具有轉換量度 (C1) 和另一個量度 (A1)。A1 相依於 C1。當訪客第一次進入活動,而轉換 A1 和 C1 的條件未轉換,由於成功量度相依性,此時不會轉換量度 A1。如果訪客轉換 C1 然後轉換 A1,此時仍不會轉換 A1,因為 C1 一旦進行轉換即會釋出訪客。

訓練影片: 瞭解自動鎖定目標活動 概

本影片說明如何設定自動鎖定目標 A/B 活動。
完成此訓練之後,您應該能夠:
  • 定義自動鎖定目標測試
  • 比較和對照自動鎖定目標與自動個人化
  • 建立自動鎖定目標活動