Premium
Découvrez les fonctionnalités incluses dans Target Premium.

Automated Personalization (AP)

Automated Personalization (AP) dans Adobe Target combiner des offres ou des messages et utilise l’apprentissage automatique avancé pour faire correspondre différentes variations d’offre à chaque visiteur en fonction de son profil client individuel afin de personnaliser le contenu et de générer des conversions.

NOTE
La personnalisation automatisée fait partie de la solution Target Premium. Cette fonctionnalité n’est pas disponible dans Target Standard sans une licence Target Premium. Pour plus d’informations sur les fonctionnalités avancées de cette licence, voir Target Premium.

De la même manière que Ciblage automatique, Automated Personalization utilise une Algorithme Forêt aléatoire, une méthode d’ensemble issue de la science des données, en tant que principal algorithme de personnalisation permettant de déterminer la meilleure expérience à présenter à un visiteur. Automated Personalization peut s’avérer être un atout majeur lors de la phase de découverte des tests. Elle permet également à l’apprentissage automatique de déterminer le contenu le plus efficace lors du ciblage de différents visiteurs. Avec le temps, l’algorithme apprend à effectuer des prédictions plus efficaces et affiche le contenu le plus à même de satisfaire vos objectifs.

Pour obtenir plus d’informations sur la manière dont Automated Personalization diffère de Ciblage automatique, voir Ciblage automatique.

Les marketeurs implémentent un fichier sur leur site, qui leur permet de pointer et cliquer sur n’importe quel contenu, puis de créer et de sélectionner visuellement des options de contenu supplémentaires pour cette zone à l’aide du Compositeur d’expérience visuelle (VEC). Ensuite, l’algorithme détermine automatiquement quel élément de contenu diffuser pour chaque visiteur individuel en fonction de toutes les données de comportement détenues par le système sur le visiteur, offrant ainsi une expérience personnalisée. La personnalisation automatisée pouvant s’adapter aux changements de comportement du visiteur, elle peut être exécutée sans date de fin définie pour offrir une personnalisation et un effet élévateur continus. Ce mode est parfois appelé "toujours actif". Ainsi, le spécialiste du marketing n’a pas besoin d’exécuter un test et d’analyser les résultats avant de diffuser le meilleur contenu sans réaliser l’effet élévateur de l’optimisation (l’ordre des opérations standard pour mettre en œuvre le résultat d’une activité A/B standard).

Les termes suivants concernent la personnalisation automatisée :

Terme
Définition
Bandit à plusieurs bras
Une approche du type bandit à plusieurs bras de l’optimisation équilibre l’apprentissage exploratoire et l’exploitation de cet apprentissage.
Forêt aléatoire
Une approche d’apprentissage automatique de pointe. En termes de science des données, il s’agit d’une méthode de classification ou de régression d’ensemble qui fonctionne en créant de nombreux arbres de décision en fonction des attributs du visiteur et de la visite.
Échantillonnage de Thompson
L’objectif de l’échantillonnage de Thompson est de déterminer la meilleure expérience globale (non personnalisée), tout en minimisant le "coût" de la recherche de cette expérience. L’échantillonnage de Thompson désigne toujours un gagnant, même s’il n’existe aucune différence statistique entre deux expériences. Pour plus d’informations, voir Échantillonnage de Thompson.

Tenez compte des aspects suivants lors de l’utilisation de la personnalisation automatisée :

Automated Personalization utilise un algorithme Forêt aléatoire pour personnaliser l’expérience

Random Forest est une méthode d’apprentissage automatique de pointe. En termes de science des données, il s’agit d’une méthode de classification ou de régression d’ensemble qui fonctionne en créant de nombreux arbres de décision en fonction des attributs du visiteur et de la visite. Within Target, l’algorithme Forêt aléatoire est utilisé pour déterminer l’expérience qui devrait avoir la plus forte probabilité de conversion (ou les recettes par visite les plus élevées) pour chaque visiteur spécifique. Par exemple, les visiteurs qui utilisent Chrome, sont des membres du programme de fidélité Gold et accèdent à votre site le mardi peuvent être plus susceptibles de convertir avec l’expérience A. Les visiteurs de New York sont plus susceptibles de convertir leur visite avec l’expérience B. Pour plus d’informations sur la forêt aléatoire dans Target, voir Algorithme Forêt aléatoire.

Le modèle de personnalisation optimise l’expérience à chaque visite

  • L’algorithme prédit la probabilité de conversion d’un visiteur (ou les recettes estimées de la conversion) pour offrir la meilleure expérience.
  • Un visiteur est éligible pour une nouvelle expérience à la fin d’une session existante, sauf s’il fait partie de la population témoin. Si le visiteur fait partie de la population témoin, l’expérience que le visiteur voit lors de sa première visite est la même que celle qu’il a vue lors de ses visites suivantes.
  • L’expérience présentée ne change pas au sein d’une session pour maintenir la cohérence visuelle.

Le modèle de personnalisation s’adapte aux changements de comportement du visiteur

  • Le bandit à plusieurs bras garantit que le modèle "dépense" toujours une petite partie du trafic pour continuer à apprendre tout au long de la vie de l’activité et pour empêcher la surexploitation des tendances apprises précédemment.
  • Les modèles sous-jacents sont reconstruits toutes les 24 heures à l’aide des dernières données de comportement des visiteurs afin de garantir que Target utilise toujours la modification des préférences du visiteur.
  • Si l’algorithme ne peut pas déterminer les expériences gagnantes pour les visiteurs individuels, il affiche automatiquement l’expérience globale la plus performante tout en continuant à rechercher des gagnants personnalisés. L’expérience la plus performante est trouvée en utilisant l’échantillonnage de Thompson.

Le modèle assure l’optimisation continue d’une mesure d’objectif unique

  • Cette mesure peut être basée sur la conversion ou sur les recettes (plus spécifiquement les recettes par visiteur).

Target collecte automatiquement des informations sur les visiteurs pour créer les modèles de personnalisation

Target utilise automatiquement toutes les audiences partagées de Adobe Experience Cloud pour créer les modèles de personnalisation

  • Vous n’avez rien à faire de spécifique pour ajouter des audiences au modèle. Pour plus d’informations sur l’utilisation de Experience Cloud Audiences avec Target, voir Audiences d’Experience Cloud.

Les marketeurs peuvent télécharger des données hors ligne, les scores de propension ou d’autres données personnalisées pour créer des modèles de personnalisation

Les données hors ligne, telles que les informations de gestion de la relation client ou les scores de propension d’attrition des clients, peuvent s’avérer particulièrement utiles lors de la création de modèles de personnalisation. Il existe plusieurs façons de saisir des données dans les algorithmes de personnalisation de personnalisation automatisée et de ciblage automatique.

Pour plus d’informations sur les données collectées automatiquement et utilisées par les algorithmes de personnalisation Personnalisation automatisée et ciblage automatique, voir Collection de données de personnalisation automatisée.

Vidéo de formation : Types d’activités

Cette vidéo explique les types d’activités disponibles dans Target. Automated Personalization est abordée à partir de 5:55.

  • Décrivez les types d’activités inclus dans Adobe Target
  • Sélectionner le type d’activité approprié pour atteindre vos objectifs
  • Décrire le processus assisté en trois étapes qui s’applique à tous les types d’activités
recommendation-more-help
3d9ad939-5908-4b30-aac1-a4ad253cd654