Adobe Target: funcionalidades avanzadas y casos de uso
Analizamos las distintas funcionalidades de Adobe Target, las características de éstas y los casos de uso más adecuados para cada una de ellas.
En el siguiente cuadro vamos a resumir los rasgos característicos de cada una de ellas y más adelante nos detendremos un poco más en cada una.
|
Actividad |
Descripción |
Caso de Uso |
|
Experience Targeting |
Personalización basada en reglas |
Ofertas geolocalizadas Ofertas para segmentos conocidos de antemano Behavioral targeting |
|
Auto-Allocate |
Uso de ML para derivar tráfico a la versión ganadora de un test A,B..,N |
Landings de Campaña Identificación rápida de mejores experiencia para servir de baseline en futuros experimentos |
|
Auto-Target (*) |
Uso de ML para derivar tráfico a la versión ganadora para cada segmento dentro de un test A, B…,N |
Automatización de reglas basadas en comportamiento y en atributos de cliente |
|
Automated Personalization (*) |
Similar a la anterior pero a nivel Multivariante, selección de la experiencia optima para cada segmento de usuarios dentro de los elementos de contenido disponibles para cada usuario |
Automatización reglas en páginas de entrada con un layout optimizado para experiencias cercanas al 1:1 |
|
Recommendation (*) |
Visualización automatizada de listados de productos basadas en el comportamiento de usuarios previos o en otros algoritmos |
Servir listados de productos o contenidos personalizados con base al algoritmo seleccionado |
* Sólo disponibles en versión Premium
Experience Targeting
Descripción
Es la manera con la que Adobe Target denomina a la personalización basada en reglas. Consiste en definir que contenido mostrar a una audiencia determinada.
Estas audiencias se definen manualmente mediante atributos que la propia librería de Target nos ofrece:
- Atributos de usuario (geoposicionamiento, plataforma de cliente)
- Atributos de cliente ( mediante diversos métodos de carga de datos en el visitor profile)
Casos de uso
Los principales casos de uso de XT se producen cuando queremos ofrecer un contenido concreto a un segmento definido.
Los ejemplos clásicos son personalizaciones basadas en geolocalización, cliente vs prospecto o basados en atributos de cliente (económicos y socio-demográficos, segmentaciones realizadas en CRM…). También con casos de uso basados en el comportamiento (interacciones previas del usuario).
Auto-Allocate
Descripción
Es una funcionalidad que se puede añadir a cualquier test A/B/n y que utiliza un algoritmo multi-armed bandit para dirigir la mayor parte de tráfico a la versión ganadora. Comienza con una distribución de todo el tráfico entre grupos de prueba, pero en cuanto alguna variante comienza a mostrar mejor rendimiento, los nuevos visitantes son conducidos en mayor porcentaje a estas variantes.
En el gráfico podemos ver como trabaja el algoritmo. Funciona en diferentes rondas donde va derivando el tráfico a las versiones con mayor rendimiento.
Casos de uso
La principal ventaja de este tipo de experiencias es que permiten minimizar el impacto que las versiones con peor rendimiento tienen sobre la conversión global, ya que la técnica del AB testing siempre conlleva el coste inherente de estar mandando tráfico a una versión que convierte peor.
El caso de uso más común es el de poder hacer testing en periodos de alta demanda minimizando riesgos:
- en medio de una campaña de captación
- en períodos estacionales de alta actividad comercial como Navidad, Black Friday…
Auto-Target
Descripción
Auto-Target, al igual que Auto-Allocate, distribuye el tráfico de un test A/B/N de manera automatizada. La mayor diferencia radica en que utiliza el contexto del usuario (por ejemplo, qué variación es ganadora según la hora del día, según su género o cualquier otro atributo de cliente que hayamos cargado en el perfil de Target, comportamiento del usuario en sesiones previas…)
Combina el uso de varios algoritmos (multi-armed bandit, random forest, Thomson sampling) para obtener contexto relevante del usuario a la vez que determina una versión ganadora por defecto para cuando no encuentra un segmento relevante para el usuario.
En principio asigna usuarios de igual manera a cada variante mientras aprende que combinación de variables impactan en la conversión de cada una de ellas. Utiliza este aprendizaje para la creación de segmentos y asigna la mejor variación a cada segmento.
A continuación podemos ver un ejemplo del reporting que se obtiene de este tipo de actividades. En este caso, el de atributos relevantes a la hora de convertir.
Casos de uso
Auto-Target resulta conveniente cuando tenemos alguna sospecha fundada que permita sugerir que diferentes segmentos responden de manera diferente a la misma experiencia.
En otro caso es mejor correr un test normal y hacer un análisis a posteriori para detectar posibles preferencias ligadas a cada segmento.
Automated Personalization
Descripción
Va un paso más allá del Auto-Target. Trabaja de la misma forma, pero a nivel Multivariante. En lugar de elegir la mejor experiencia única para cada segmento, lo que hace es elegir la mejor combinación de elementos para un usuario en concreto (muy cercano ya al 1:1).
Casos de uso
Los típicos casos de uso son páginas de entrada (home page incluida) que cumpla las siguientes características:
- Contener un tráfico relevante
- Estar bien modularizadas
- Ser visitadas por diferentes tipos de usuario que vayan a realizar diferentes tipos de acciones (por ejemplo un visitante recurrente no debería ser impactado por un hero banner u otra creatividad relevante sólo para nuevas visitas)
Es la principal diferencia con Auto-Target, ya que éste está enfocado a probar cambios más estructurales y Automated Personalization va mas encaminada a optimizar combinaciones de ofertas diferentes.
Las exigencias de tráfico y de gestión de contenido son mucho mayores aquí, lo cual exige ya cierto grado de madurez en las organizaciones que quieran usar de está técnica.
Recommendations
Descripción
Las recomendaciones utilizan reglas basadas en algoritmos para sugerir contenidos cercanos al nivel one to one (1:1).
Utiliza diferentes algoritmos como popularidad, ultimo elemento visualizado, producto similar, compra similar, etc.
Casos de uso
Los casos de uso típicos de recomendaciones están especialmente dirigidos a ecommerce para presentar los ya clásicos módulos de quien compra esto, compra aquello y sites o apps de distribución de contenido on-demand (audio, video, etc.).
Es muy flexible en cuanto a presentación de resultados y las posibilidades creativas son casi ilimitadas, ofreciendo la posibilidad de realizar test A,B entre diferentes algoritmos.
Conclusiones
Las funcionalidades avanzadas de Adobe Target le convierten una de las herramientas más competitivas de su segmento. Hemos visto algunos de los casos de uso más habituales, pero combinando una buena gestión de contenido, un planteamiento sólido de los datos integrados en el perfil de usuario de Adobe Target y con las funcionalidades avanzadas de machine learning, el horizonte de casos de uso puede aumentar exponencialmente.
Ya hemos visto en otros post anteriores otras fortalezas de la herramienta a nivel de arquitectura y su capacidad de acompañarnos en nuestro journey de optimización.
Si estás en el momento de ir más allá en tu actividad de testing y personalización, en Flat101 podemos ayudarte a confeccionar un roadmap ambicioso y recomendarte el ecosistema adecuado para soportarlo.
4 min 
