МНОГОЦЕЛЕВЫЕ АВТО: ВИЖУ ЦЕЛЬ
Это исследование ‒ одно из самых необычных и важных. Не многие из нас могут позволить себе автомобиль только для одной цели, например, исключительно для работы или для выездов на рыбалку. Большинство выбирает машину, которая будет универсальным помощником в решении любых повседневных задач. В этом исследовании мы предлагаем нашим читателям не только определить лучший многоцелевой автомобиль, но и дополнить предложенные нами параметры оценки. Расскажите о том, какими качествами должен обладать оптимальный для вас автомобиль.
Полвека назад главным качеством автомобиля в нашей стране считалась надежность. Машин выпускалось недостаточно, ждать своей очереди на покупку можно было годами. Заполучив вожделенный автомобиль, нужно было его сохранить. Самым важным считался кузов.
Мотор можно было перебрать, подвеску «перетряхнуть», но переваривать гнилой кузов… С тех пор многое изменилось. Машины в целом стали намного качественнее, что бы ни говорили об их «одноразовости» и непригодности к ремонту.
Надежность по-прежнему важна, но иметь просто надежный автомобиль нас уже не устраивает. Транспортное средство должно быть удобным помощником в достижении самых разных целей.
Автопроизводители прекрасно знают об этом и постоянно работают над созданием универсальных машин с необычным набором качеств. Модельные ряды у крупных марок состоят уже не из 5‒6 моделей, как это было раньше, ‒ теперь это десятки разных типов кузова. На рынок выходят внедорожные седаны, купеобразные универсалы, спортивные внедорожники, пикапы бизнес-класса и другие гибриды автомобилей разных классов. Каждая марка ищет свой путь, чтобы предложить покупателям модели с оптимальным набором качеств и способностей. А каждому покупателю предстоит определить свои требования, чтобы выбрать лучший многоцелевой автомобиль.
ВЫБИРАЕМ НУЖНОЕ
Мы предлагаем вам оценить продаваемые на российском рынке модели по предложенным характеристикам и дополнить этот список теми качествами, которыми должен обладать ваш автомобиль мечты.
Оцените, насколько для вас важны возможности конфигурации авто: выбор двигателей и трансмиссий, комплектаций и дополнительного оборудования. В числе предложенных параметров ‒ функциональность и вместительность салона. По объему пространства у каждого свои пожелания, но любому владельцу важно, чтобы в салоне была удобная эргономика и нужный набор оборудования, достаточно мест для хранения мелочей и возможность легко увеличить размер багажника.
При выборе автомобиля стоит обратить внимание на качество отделочных материалов. Они должны не только радовать глаз при покупке, но и не обветшать за несколько лет использования.
Перед покупкой машины нужно четко представлять себе и стоимость владения: расход топлива, цену запчастей, техобслуживания и страховых полисов, стоимость машины при перепродаже на вторичном рынке. И, конечно, нужно составить представление о ходовых качествах автомобиля: разгонной и тормозной динамике, управляемости, плавности хода, возможностях на бездорожье.
Во время короткого тест-драйва вокруг автосалона оценить все это практически невозможно. Здесь полезно будет почитать отчеты в тех СМИ, которым вы доверяете.
Вместе с вами в рамках проекта «Рейтинги «АВТО ГОДА» мы выясним, какие автомобили российского рынка наилучшим образом отвечают понятию многоцелевых и какими качествами они должны обладать. Ваше мнение поможет автолюбителям выбрать оптимальный автомобиль, а производителям ‒ создавать новые модели. Участвуйте в опросе и претендуйте на призы!
Темп Авто официальный дилер Hyundai в Ростове-на-Дону
Новости Hyundai
17 Февраля 2022
На YouTube-канале Hyundai Russia прошла российская презентация новой MPV-линейки Hyundai STARIA, открывающей следующую эру мобильности Минивэн STARIA.
..
Новости Hyundai
16 Февраля 2022Владельцы автомобилей брендов, входящих в состав Hyundai Motor Group, сообщили о наименьшем количестве проблем и претензий по сравнению с владельцами…
Новости Hyundai
16 Февраля 2022
Начиная с 16 февраля 2022 года покупатели всех новых автомобилей Hyundai, кроме седана Solaris, получат доступ к инновационным цифровым сервисам Blue…
Новости Hyundai
16 Февраля 2022
..
Новости Hyundai
15 Февраля 2022
15 февраля 2022 года. На официальном YouTube-канале Hyundai Russia 17 февраля 2022 года в 15:00 по московскому времени состоится онлайн-презентация н…
Новости Hyundai
14 Февраля 2022
Новая лимитированная серия Hyundai Solaris Sportline предназначена для всех поклонников спортивного дизайна Популярный седан Hyundai Solaris получил …
Новости Hyundai
07 Февраля 2022
Платформа открытых инноваций 2022 ZER01NE Accelerator приглашает стартапы к сотрудничеству с Hyundai и Kia по разработке технологий будущего Стартапы.
..
Новости Hyundai
В январе 2022 года в России было реализовано 11 356 автомобилей Hyundai
Новости Hyundai
01 Февраля 2022
Модифицированный концептуальный прототип Tucson Beast – герой нового фильма Sony Pictures под названием «Анчартед: На картах не значится», который вый…
Новости Hyundai
27 Января 2022
Тест-редакторы издания Auto Bild признали две модели Hyundai «Лучшими импортными автомобилями года»
Новости Hyundai
26 Января 2022
Цель соглашения между Hyundai Motor Group и JTC – изучение и разработка интеллектуальных транспортно-логистических моделей для таких индустриальных и .
..
Новости Hyundai
26 Января 2022
В 2021 году объем продаж Hyundai увеличился на 3,9% – до 3 890 726 единиц
Новости Hyundai
25 Января 2022
Hyundai Mobility совместно со студией Everink Tattoo представляют линейку временных татуировок
Новости Hyundai
25 Января 2022
Hyundai Motor Group завоевала высшие награды впервые прошедшей премии «Best Cars of the Year» 2021/2022
Новости Hyundai
24 Января 2022
Hyundai Motor удостоилась премии «Best Cars for the Money 2022» («Лучшие автомобили за свои деньги»), вручаемой престижным американским издани.
..
Новости Hyundai
24 Января 2022
Отборочный этап Мировой лиги Hyundai N e-Festival пройдет с 24 января по 14 февраля 2022 года на игровой VR-платформе iRacing
Новости Hyundai
Партнерство позволит создать крупнейшую модель химических реакций в аккумуляторных батареях, работающую на квантовом компьютере и имитирующую структур…
Новости Hyundai
17 Января 2022
Hyundai и Московская государственная консерватория проведут концерт «Морозко» с народными инструментами в рамках проекта «Большая музыка для маленьких.
..
Новости Hyundai
17 Января 2022
20 января 2022 года в 20:00 по московскому времени на официальном YouTube-канале Hyundai Russia состоится эфир, посвященный обзору виртуального простр…
Новости Hyundai
14 Января 2022
Продажи марки Hyundai в период с января по декабрь 2021 года составили 167 331 автомобиль
Что такое автоматическое нацеливание?
Действия Auto-Target в Adobe Target используют расширенное машинное обучение, чтобы выбирать из нескольких высокоэффективных, определенных маркетологами возможностей для персонализации контента и стимулирования конверсий.
Auto-Target предоставляет каждому посетителю наиболее индивидуальный опыт на основе профиля отдельного клиента и поведения предыдущих посетителей с похожими профилями.
ПРИМЕЧАНИЕ
Auto-Target доступен как часть решения Target Premium. Эта функция недоступна в Target Standard без лицензии Target Premium. Дополнительные сведения о расширенных функциях, предоставляемых этой лицензией, см. в разделе Target Premium.
Analytics for Target (A4T) поддерживает действия Auto-Target. Дополнительные сведения см. в разделе Поддержка A4T для действий автоматического выделения и автоматического назначения.
Реальная история успеха с использованием Auto-Target
Крупный розничный торговец одеждой недавно применил действие Auto-Target с десятью категориями продуктов (плюс рандомизированный контроль) для предоставления нужного контента каждому посетителю. «Добавить в корзину» был выбран в качестве основного показателя оптимизации.
Целевые взаимодействия имели средний рост 290,09%. После создания моделей автоматического таргетинга активность была настроена на 90% персонализированного опыта.
Всего за десять дней было получено более 1 700 000 долларов США.
Продолжайте читать, чтобы узнать, как использовать Auto-Target для увеличения подъема и дохода вашей организации.
Обзор
При создании действия A/B с помощью трехэтапного управляемого рабочего процесса вы можете выбрать распределение трафика с помощью параметра «Автоцель для персонализированного опыта»:
Опция Auto-Target в потоке действий A/B позволяет вам использовать машинное обучение для персонализации на основе набора определенных маркетологами впечатлений одним щелчком мыши. Auto-Target предназначен для обеспечения максимальной оптимизации по сравнению с традиционным A/B-тестированием или автоматическим распределением, определяя, какой опыт должен отображаться для каждого посетителя. В отличие от действий A/B, цель которых состоит в том, чтобы найти одного победителя, Auto-Target автоматически определяет лучший опыт для данного посетителя (на основе его или ее профиля и другой контекстной информации), чтобы обеспечить максимально персонализированный опыт.
Подобно автоматизированной персонализации, Auto-Target использует алгоритм случайного леса, передовой метод ансамбля данных, чтобы определить, что лучше всего показать посетителю. Поскольку Auto-Target может адаптироваться к изменениям в поведении посетителей, его можно запускать постоянно для повышения эффективности. Этот режим иногда называют «всегда включенным».
В отличие от действий A/B, в которых распределение опыта для данного посетителя фиксировано, Auto-Target оптимизирует указанную бизнес-цель при каждом посещении. Как и в случае с автоматической персонализацией, Auto-Target по умолчанию резервирует часть трафика действия в качестве контрольной группы для измерения прироста. Посетителям контрольной группы предлагается случайный опыт участия в мероприятии.
Соображения
При использовании Auto-Target необходимо учитывать несколько важных соображений:
Вы не можете переключить конкретное действие с автоматического назначения на автоматическую персонализацию и наоборот.
Вы не можете переключиться с ручного распределения трафика (традиционный A/B-тест) на автоматический таргетинг и наоборот после сохранения действия как черновика.
Одна модель предназначена для определения эффективности персонализированной стратегии по сравнению с трафиком, обслуживаемым случайным образом, и с отправкой всего трафика на общее выигрышное взаимодействие. Эта модель учитывает обращения и конверсии только в среде по умолчанию.
Трафик из второго набора моделей создается для каждой группы моделирования (AP) или опыта (AT). Для каждой из этих моделей учитываются обращения и конверсии во всех средах.
Запросы обслуживаются с использованием одной и той же модели, независимо от среды, но множество трафика должно поступать из среды по умолчанию, чтобы убедиться, что идентифицированный общий выигрышный опыт соответствует поведению в реальном мире.
Используйте минимум два опыта.
Терминология
Следующие термины полезны при обсуждении Auto-Target:
| Термин | Определение |
|---|---|
| Многорукий бандит | Многорукий бандитский подход к оптимизации уравновешивает исследовательское обучение и использование этого обучения. |
| Случайный лес | Random Forest — это ведущий подход к машинному обучению. Говоря языком науки о данных, это ансамблевая классификация или метод регрессии, который работает путем построения множества деревьев решений на основе атрибутов посетителей и посещений. В Target случайный лес используется для определения того, какой опыт, как ожидается, будет иметь наибольшую вероятность конверсии (или самый высокий доход за посещение) для каждого конкретного посетителя. |
| Отбор проб Томпсона | Цель Thompson Sampling — определить, какой опыт является лучшим в целом (не персонализированным), при минимизации «затрат» на поиск этого опыта. Выборка Томпсона всегда выбирает победителя, даже если между двумя опытами нет статистической разницы. |
Как работает автонацеливание
Узнайте больше о данных и алгоритмах, лежащих в основе автонацеливания и автоматической персонализации, по ссылкам ниже:
| Срок | Детали |
|---|---|
| Алгоритм случайного леса | Основным алгоритмом персонализации Target, используемым как в Auto-Target, так и в Automated Personalization, является случайный лес. Методы ансамбля, такие как Random Forest, используют несколько алгоритмов обучения для получения более высокой производительности прогнозирования, чем можно было бы получить с помощью любого из составных алгоритмов обучения. Алгоритм случайного леса в действиях «Автоматическая персонализация» и «Автоцель» представляет собой метод классификации или регрессии, который работает путем построения множества деревьев решений во время обучения. |
| Загрузка данных для алгоритмов персонализации Target | Существует несколько способов ввода данных для моделей Auto-Target и Automated Personalization. |
| Сбор данных для алгоритмов персонализации цели | Алгоритмы персонализацииTarget автоматически собирают различные данные. |
Определение распределения трафика
В зависимости от цели вашей деятельности вы можете выбрать другое распределение трафика между контролем и персонализированным взаимодействием.
Лучше всего определить эту цель, прежде чем запускать свою деятельность.
В раскрывающемся списке Пользовательское распределение можно выбрать один из следующих вариантов:
- Оценить алгоритм персонализации
- Максимальная персонализация трафика
- Пользовательское размещение
| Цель деятельности | Предлагаемое распределение трафика | Компромиссы |
|---|---|---|
| Оценка алгоритма персонализации (50/50) : Если вашей целью является проверка алгоритма, используйте 50/50-процентное разделение посетителей между контрольным и целевым алгоритмом. Это разделение дает наиболее точную оценку подъемной силы. Предлагается для использования со «случайным опытом» в качестве контроля. | Разделение 50 % на контроль / 50 % на персонализированный опыт |
|
Максимизация трафика персонализации (90/10) : Если ваша цель — создать «постоянно активную» активность, поставьте под контроль 10% посетителей, чтобы гарантировать, что имеется достаточно данных для продолжения обучения алгоритмов. время. Обратите внимание, что компромисс здесь заключается в том, что в обмен на персонализацию большей части вашего трафика у вас будет меньше точности в том, каков точный рост. Независимо от вашей цели, это рекомендуемое разделение трафика при использовании определенного взаимодействия в качестве элемента управления. | Передовой практикой является использование разделения 10–30 % контроля/70–90 % персонализированного опыта | .
|
| Пользовательское размещение | Вручную разделить процент по желанию. |
|
Чтобы настроить процент управления, щелкните значки в столбце «Распределение».
Вы не можете уменьшить контрольную группу до менее чем 10%.
Вы можете выбрать конкретный опыт для использования в качестве контроля или использовать параметр «Случайный опыт».
В каких случаях следует выбирать автоматическую настройку, а не автоматическую персонализацию?
Существует несколько сценариев, в которых вы можете предпочесть использовать Auto-Target вместо автоматической персонализации:
- Если вы хотите определить весь опыт, а не отдельные предложения, которые будут автоматически объединены в один опыт.
- Если вы хотите использовать полный набор функций Visual Experience Composer (VEC), не поддерживаемых автоматической персонализацией: редактор пользовательского кода, различные аудитории и многое другое.
- Если вы хотите внести структурные изменения на свою страницу в различных режимах. Например, если вы хотите переупорядочить элементы на своей домашней странице, лучше использовать Auto-Target, чем автоматическую персонализацию.
Что общего у Auto-Target с автоматической персонализацией?
Алгоритм оптимизируется для благоприятного исхода для каждого посещения.
- Алгоритм прогнозирует склонность посетителя к конверсии (или предполагаемый доход от конверсии), чтобы обеспечить наилучшее впечатление.
- Посетитель имеет право на новый опыт после окончания существующего сеанса (если посетитель не входит в контрольную группу, и в этом случае опыт, назначенный посетителю при первом посещении, остается неизменным для последующих посещений).
- В течение сеанса прогноз не меняется для обеспечения визуальной согласованности.
Алгоритм адаптируется к изменениям в поведении посетителей.
- Многорукий бандит гарантирует, что модель всегда «тратит» небольшую долю трафика, чтобы продолжать обучение в течение всего срока обучения и предотвратить чрезмерное использование ранее изученных тенденций.
- Базовые модели перестраиваются каждые 24 часа с использованием последних данных о поведении посетителей, чтобы гарантировать, что Target всегда использует меняющиеся предпочтения посетителей.
- Если алгоритм не может определить выигрышный опыт для отдельных лиц, он автоматически переключается на отображение общего наиболее эффективного опыта, продолжая искать персонализированных победителей. Наилучший опыт достигается при использовании выборки Томпсона.
Алгоритм постоянно оптимизируется для одной целевой метрики.
- Этот показатель может быть основан на конверсии или доходе (точнее, доходе за посещение).
Target автоматически собирает информацию о посетителях для построения моделей персонализации.
- Для получения дополнительной информации о параметрах, используемых в Auto-Target и Automated Personalization, см. раздел Automated Personalization Data Collection.
Target автоматически использует все общие аудитории Adobe Experience Cloud для создания моделей персонализации.
- Вам не нужно делать ничего особенного, чтобы добавить аудиторию в модель. Сведения об использовании Experience Cloud Audiences with Target см. в статье Experience Cloud Audiences .
Сведения об использовании Experience Cloud Audiences with Target см. в статье Experience Cloud AudiencesМаркетологи могут загружать автономные данные, оценки склонности или другие пользовательские данные для создания моделей персонализации.
- Узнайте больше о загрузке данных для автоматического таргетинга и автоматической персонализации.
Чем Auto-Target отличается от автоматической персонализации?
Auto-Target часто требует меньше трафика, чем Automated Personalization для создания персонализированной модели.
Хотя объем трафика на один опыт , необходимый для создания моделей Auto-Target или Auto Personalization, одинаков, в действии Automated Personalization обычно больше опыта, чем в действии Auto-Target.
Например, если у вас есть действие «Автоперсонализация», в котором вы создали два предложения для каждого местоположения с двумя местоположениями, общее количество действий, включенных в действие, будет четыре (2 = 4) (без исключений).
Используя Auto-Target, вы можете настроить опыт 1 так, чтобы он включал предложение 1 в местоположении 1 и предложение 2 в местоположении 2, а опыт 2 – включать предложение 1 в местоположение 1 и предложение 2 в местоположение 2. Поскольку Auto-Target позволяет вам выбрать иметь несколько изменений в одном опыте, вы можете уменьшить общее количество опытов в своей деятельности.
Для автоматического таргетинга можно использовать простые эмпирические правила, чтобы понять требования к трафику:
- Когда конверсия является вашей метрикой успеха: 1000 посещений и не менее 50 конверсий в день на опыт, и, кроме того, активность должна иметь не менее 7000 посещений и 350 конверсий.
- Если доход от посещения является вашей метрикой успеха: 1000 посещений и не менее 50 конверсий в день за каждый опыт, и, кроме того, действие должно иметь не менее 1000 конверсий за каждый опыт. RPV обычно требует больше данных для построения моделей из-за более высокой дисперсии данных, которая обычно существует в доходах от посещений по сравнению с коэффициентом конверсии.
Auto-Target имеет полноценный функционал настройки.
- Поскольку Auto-Target встроен в рабочий процесс действий A/B, Auto-Target выигрывает от более зрелого и полноценного Visual Experience Composer (VEC). Вы также можете использовать ссылки QA с Auto-Target.
Auto-Target предоставляет обширную платформу онлайн-тестирования.
- Многорукий бандит является частью более крупной системы онлайн-тестирования, которая позволяет ученым и исследователям данных Adobe понять преимущества своих постоянных улучшений в реальных условиях.
- В будущем этот испытательный стенд позволит нам открыть платформу машинного обучения Adobe для клиентов, разбирающихся в данных, чтобы они могли использовать свои собственные модели для дополнения целевых моделей.
Отчетность и автонацеливание
Для получения дополнительной информации см. Отчеты и автонацеливание.
Учебное видео: Общие сведения о действиях автоматического таргетинга
В этом видео объясняется, как настроить действие A/B автоматического таргетинга.
После завершения этого обучения вы должны уметь:
- Определение автоцелевого тестирования
- Сравните и сопоставьте Auto-Target с автоматической персонализацией
- Создание действий с автоматическим целевым назначением
Ресурсы Business.Adobe.com
Что такое автоматическое нацеливание?
Действия Auto-Target в Adobe Target используют расширенное машинное обучение, чтобы выбирать из нескольких высокоэффективных, определенных маркетологами возможностей для персонализации контента и стимулирования конверсий. Auto-Target предоставляет каждому посетителю наиболее индивидуальный опыт на основе профиля отдельного клиента и поведения предыдущих посетителей с похожими профилями.
ПРИМЕЧАНИЕ
Auto-Target доступен как часть решения Target Premium. Эта функция недоступна в Target Standard без лицензии Target Premium. Дополнительные сведения о расширенных функциях, предоставляемых этой лицензией, см.
в разделе Target Premium.Analytics for Target (A4T) поддерживает действия Auto-Target. Дополнительные сведения см. в разделе Поддержка A4T для действий автоматического выделения и автоматического назначения.
в разделе Target Premium.Реальная история успеха с использованием Auto-Target
Крупный розничный торговец одеждой недавно применил действие Auto-Target с десятью категориями продуктов (плюс рандомизированный контроль), чтобы предоставить каждому посетителю нужный контент. «Добавить в корзину» был выбран в качестве основного показателя оптимизации. Средний прирост целевой аудитории составил 29,09%. После создания моделей автоматического таргетинга активность была настроена на 90% персонализированного опыта.
Всего за десять дней было получено более 1 700 000 долларов США.
Продолжайте читать, чтобы узнать, как использовать Auto-Target для увеличения подъема и дохода вашей организации.
Обзор
При создании действия A/B с помощью трехэтапного управляемого рабочего процесса вы можете выбрать распределение трафика с помощью параметра «Автонацеливание для персонализированного взаимодействия»:
Параметр «Автонацеливание» в рамках Поток активности позволяет использовать машинное обучение для персонализации на основе набора определенных маркетологами впечатлений одним щелчком мыши.
Auto-Target предназначен для обеспечения максимальной оптимизации по сравнению с традиционным A/B-тестированием или автоматическим распределением, определяя, какой опыт должен отображаться для каждого посетителя. В отличие от действий A/B, цель которых состоит в том, чтобы найти одного победителя, Auto-Target автоматически определяет лучший опыт для данного посетителя (на основе его или ее профиля и другой контекстной информации), чтобы обеспечить максимально персонализированный опыт.
Подобно автоматизированной персонализации, Auto-Target использует алгоритм случайного леса, передовой метод ансамбля данных, чтобы определить, что лучше всего показать посетителю. Поскольку Auto-Target может адаптироваться к изменениям в поведении посетителей, его можно запускать постоянно для повышения эффективности. Этот режим иногда называют «всегда включенным».
В отличие от действий A/B, в которых распределение опыта для данного посетителя фиксировано, Auto-Target оптимизирует указанную бизнес-цель при каждом посещении.
Как и в случае с автоматической персонализацией, Auto-Target по умолчанию резервирует часть трафика действия в качестве контрольной группы для измерения прироста. Посетителям контрольной группы предлагается случайный опыт участия в мероприятии.
Соображения
При использовании Auto-Target необходимо учитывать несколько важных соображений:
Вы не можете переключить конкретное действие с автоматического назначения на автоматическую персонализацию и наоборот.
Вы не можете переключиться с ручного распределения трафика (традиционный A/B-тест) на автоматический таргетинг и наоборот после сохранения действия как черновика.
Одна модель предназначена для определения эффективности персонализированной стратегии по сравнению с трафиком, обслуживаемым случайным образом, и с отправкой всего трафика на общее выигрышное взаимодействие. Эта модель учитывает обращения и конверсии только в среде по умолчанию.
Трафик из второго набора моделей создается для каждой группы моделирования (AP) или опыта (AT).
Для каждой из этих моделей учитываются обращения и конверсии во всех средах.Запросы обслуживаются с использованием одной и той же модели, независимо от среды, но множество трафика должно поступать из среды по умолчанию, чтобы убедиться, что идентифицированный общий выигрышный опыт соответствует поведению в реальном мире.
Используйте минимум два опыта.
Для каждой из этих моделей учитываются обращения и конверсии во всех средах.Терминология
Следующие термины полезны при обсуждении Auto-Target:
| Термин | Определение |
|---|---|
| Многорукий бандит | Многорукий бандитский подход к оптимизации уравновешивает исследовательское обучение и использование этого обучения. |
| Случайный лес | Random Forest — это ведущий подход к машинному обучению. Говоря языком науки о данных, это ансамблевая классификация или метод регрессии, который работает путем построения множества деревьев решений на основе атрибутов посетителей и посещений. В Target случайный лес используется для определения того, какой опыт, как ожидается, будет иметь наибольшую вероятность конверсии (или самый высокий доход за посещение) для каждого конкретного посетителя. |
| Отбор проб Томпсона | Цель Thompson Sampling — определить, какой опыт является лучшим в целом (не персонализированным), при минимизации «затрат» на поиск этого опыта. Выборка Томпсона всегда выбирает победителя, даже если между двумя опытами нет статистической разницы. |
Как работает автонацеливание
Узнайте больше о данных и алгоритмах, лежащих в основе автонацеливания и автоматической персонализации, по ссылкам ниже:
| Срок | Детали |
|---|---|
| Алгоритм случайного леса | Основным алгоритмом персонализации Target, используемым как в Auto-Target, так и в Automated Personalization, является случайный лес. Методы ансамбля, такие как Random Forest, используют несколько алгоритмов обучения для получения более высокой производительности прогнозирования, чем можно было бы получить с помощью любого из составных алгоритмов обучения. Алгоритм случайного леса в действиях «Автоматическая персонализация» и «Автоцель» представляет собой метод классификации или регрессии, который работает путем построения множества деревьев решений во время обучения. |
| Загрузка данных для алгоритмов персонализации Target | Существует несколько способов ввода данных для моделей Auto-Target и Automated Personalization. |
| Сбор данных для алгоритмов персонализации цели | Алгоритмы персонализацииTarget автоматически собирают различные данные. |
Определение распределения трафика
В зависимости от цели вашей деятельности вы можете выбрать другое распределение трафика между контролем и персонализированным взаимодействием. Лучше всего определить эту цель, прежде чем запускать свою деятельность.
В раскрывающемся списке Пользовательское распределение можно выбрать один из следующих вариантов:
- Оценить алгоритм персонализации
- Максимальная персонализация трафика
- Пользовательское размещение
| Цель деятельности | Предлагаемое распределение трафика | Компромиссы |
|---|---|---|
Оценка алгоритма персонализации (50/50) : Если вашей целью является проверка алгоритма, используйте 50/50-процентное разделение посетителей между контрольным и целевым алгоритмом. Это разделение дает наиболее точную оценку подъемной силы. Предлагается для использования со «случайным опытом» в качестве контроля. | Разделение 50 % на контроль / 50 % на персонализированный опыт |
|
| Максимизация трафика персонализации (90/10) : Если ваша цель — создать «постоянно активную» активность, поставьте под контроль 10% посетителей, чтобы гарантировать, что имеется достаточно данных для продолжения обучения алгоритмов. время. Обратите внимание, что компромисс здесь заключается в том, что в обмен на персонализацию большей части вашего трафика у вас будет меньше точности в том, каков точный рост. Независимо от вашей цели, это рекомендуемое разделение трафика при использовании определенного взаимодействия в качестве элемента управления. | Передовой практикой является использование разделения 10–30 % контроля/70–90 % персонализированного опыта | .
|
| Пользовательское размещение | Вручную разделить процент по желанию. |
|
Чтобы настроить процент управления, щелкните значки в столбце «Распределение». Вы не можете уменьшить контрольную группу до менее чем 10%.
Вы можете выбрать конкретный опыт для использования в качестве контроля или использовать параметр «Случайный опыт».
В каких случаях следует выбирать автоматическую настройку, а не автоматическую персонализацию?
Существует несколько сценариев, в которых вы можете предпочесть использовать Auto-Target вместо автоматической персонализации:
- Если вы хотите определить весь опыт, а не отдельные предложения, которые будут автоматически объединены в один опыт.
- Если вы хотите использовать полный набор функций Visual Experience Composer (VEC), не поддерживаемых автоматической персонализацией: редактор пользовательского кода, различные аудитории и многое другое.
- Если вы хотите внести структурные изменения на свою страницу в различных режимах. Например, если вы хотите переупорядочить элементы на своей домашней странице, лучше использовать Auto-Target, чем автоматическую персонализацию.
Что общего у Auto-Target с автоматической персонализацией?
Алгоритм оптимизируется для благоприятного исхода для каждого посещения.
- Алгоритм прогнозирует склонность посетителя к конверсии (или предполагаемый доход от конверсии), чтобы обеспечить наилучшее впечатление.
- Посетитель имеет право на новый опыт после окончания существующего сеанса (если посетитель не входит в контрольную группу, и в этом случае опыт, назначенный посетителю при первом посещении, остается неизменным для последующих посещений).
- В течение сеанса прогноз не меняется для обеспечения визуальной согласованности.
Алгоритм адаптируется к изменениям в поведении посетителей.
- Многорукий бандит гарантирует, что модель всегда «тратит» небольшую долю трафика, чтобы продолжать обучение в течение всего срока обучения и предотвратить чрезмерное использование ранее изученных тенденций.
- Базовые модели перестраиваются каждые 24 часа с использованием последних данных о поведении посетителей, чтобы гарантировать, что Target всегда использует меняющиеся предпочтения посетителей.
- Если алгоритм не может определить выигрышный опыт для отдельных лиц, он автоматически переключается на отображение общего наиболее эффективного опыта, продолжая искать персонализированных победителей. Наилучший опыт достигается при использовании выборки Томпсона.
Алгоритм постоянно оптимизируется для одной целевой метрики.
- Этот показатель может быть основан на конверсии или доходе (точнее, доходе за посещение).
Target автоматически собирает информацию о посетителях для построения моделей персонализации.
- Для получения дополнительной информации о параметрах, используемых в Auto-Target и Automated Personalization, см. раздел Automated Personalization Data Collection.
Target автоматически использует все общие аудитории Adobe Experience Cloud для создания моделей персонализации.
- Вам не нужно делать ничего особенного, чтобы добавить аудиторию в модель. Сведения об использовании Experience Cloud Audiences with Target см. в статье Experience Cloud Audiences .
Маркетологи могут загружать автономные данные, оценки склонности или другие пользовательские данные для создания моделей персонализации.
- Узнайте больше о загрузке данных для автоматического таргетинга и автоматической персонализации.
Чем Auto-Target отличается от автоматической персонализации?
Auto-Target часто требует меньше трафика, чем Automated Personalization для создания персонализированной модели.
Хотя объем трафика на один опыт , необходимый для создания моделей Auto-Target или Auto Personalization, одинаков, в действии Automated Personalization обычно больше опыта, чем в действии Auto-Target.
Например, если у вас есть действие «Автоперсонализация», в котором вы создали два предложения для каждого местоположения с двумя местоположениями, общее количество действий, включенных в действие, будет четыре (2 = 4) (без исключений). Используя Auto-Target, вы можете настроить опыт 1 так, чтобы он включал предложение 1 в местоположении 1 и предложение 2 в местоположении 2, а опыт 2 – включать предложение 1 в местоположение 1 и предложение 2 в местоположение 2. Поскольку Auto-Target позволяет вам выбрать иметь несколько изменений в одном опыте, вы можете уменьшить общее количество опытов в своей деятельности.
Для автоматического таргетинга можно использовать простые эмпирические правила, чтобы понять требования к трафику:
- Когда конверсия является вашей метрикой успеха: 1000 посещений и не менее 50 конверсий в день на опыт, и, кроме того, активность должна иметь не менее 7000 посещений и 350 конверсий.
- Если доход от посещения является вашей метрикой успеха: 1000 посещений и не менее 50 конверсий в день за каждый опыт, и, кроме того, действие должно иметь не менее 1000 конверсий за каждый опыт. RPV обычно требует больше данных для построения моделей из-за более высокой дисперсии данных, которая обычно существует в доходах от посещений по сравнению с коэффициентом конверсии.
Auto-Target имеет полноценный функционал настройки.
- Поскольку Auto-Target встроен в рабочий процесс действий A/B, Auto-Target выигрывает от более зрелого и полноценного Visual Experience Composer (VEC). Вы также можете использовать ссылки QA с Auto-Target.
Auto-Target предоставляет обширную платформу онлайн-тестирования.
- Многорукий бандит является частью более крупной системы онлайн-тестирования, которая позволяет ученым и исследователям данных Adobe понять преимущества своих постоянных улучшений в реальных условиях.
