Dynamic Allocation est l’un des modes d’allocation du trafic qui déterminent comment allouer les variations d’expériences dans votre trafic. Le mode Dynamic Allocation détermine automatiquement le pourcentage de trafic auquel sera présentée chaque variation. Il tire parti d’une stratégie « Multi-Arm Bandit », ce qui signifie que les variations qui ont mieux fonctionné dans le passé se voient allouer plus de trafic. La meilleure variation est progressivement présentée à de plus en plus de vos visiteurs à mesure que les données sont collectées. Au fil du temps, la variation leader peut être remplacée si une variation différent commence à mieux performer.
Contrairement aux tests A/B, l’allocation dynamique vise à maximiser les performances d’une expérience aussi rapidement que possible, en mettant moins l’accent sur l’atteinte de la signification statistique et en se concentrant davantage sur l’optimisation et la vitesse.
Ce mode d’allocation est idéal pour les promotions qui sont changées fréquemment, puisqu’il déplace rapidement le trafic vers des variations plus performantes de façon automatique.
Algorithme Dynamic Allocation
Les variations se voient initialement attribuer un trafic égal. Alors les utilisateurs interagissent avec les variations, nous utilisons la métrique primaire pour calculer le score de probabilité d’être la meilleure, et augmentons au fil du temps l’exposition des variations qui ont plus de succès. Plus le temps s’est écoulé, plus le score est pondéré.
Au moins une fois par heure, Dynamic Yield recalcule les scores et attribue des allocations (globalement pour toutes les expériences). Cela garantit une optimisation rapide, pour tirer le meilleur parti de la durée de vie limitée des annonces créatives.
Mesure de l’efficacité des campagnes Dynamic Allocation
Pour les campagnes utilisant l’allocation de test A/B, le score de « probabilité d’être la meilleure » atteint généralement une signification statistique et déclare une variation « gagnante ». Cependant, les campagnes utilisant Dynamic Allocation sont conçues pour tester constamment les résultats, et cela empêche généralement la « probabilité d’être la meilleure » de clairement désigner un gagnant. Cela a été voulu dès la conception, et cela signifie que le score de « probabilité d’être la meilleure » ne doit pas être utilisé pour déterminer l’efficacité d’une campagne Dynamic Allocation.
Au lieu de cela, nous vous recommandons d’allouer du trafic à un groupe témoin qui sélectionne une variation aléatoire. Cela vous permet d’afficher une comparaison des sessions avec et sans Dynamic Allocation dans les rapports d’expérience.
Tant que le groupe témoin est affecté à une variation aléatoire, et reçoit 10 % de votre trafic ou moins, le trafic provient du groupe témoin « masqué ». Par conséquent, nous vous recommandons d’allouer 10 % de votre trafic à un tel groupe témoin, car cela n’affecte pas votre expérience négativement en aucune façon et offre l’avantage de vous permettre de mesurer votre campagne.
Pour plus d’informations sur la définition d’un groupe témoin, reportez-vous à l’article Utilisation du groupe témoin.
Conséquences de la modification d’expériences
Étant donné que Dynamic Allocation est souvent utilisé pour les campagnes fréquemment modifiées, nous ne réinitialisons pas l’algorithme à chaque fois qu’une modification est apportée. Si une variation est modifiée, ajoutée ou supprimée, nous lui attribuons un score relatif de « probabilité d’être la meilleure » selon le nombre de variations (par exemple, 25 % si 4, 33 % si 3). Les variations existantes se voient attribuer le trafic restant en fonction de leurs performances antérieures.
Par exemple, supposons que vous avez trois variations : A, B et C. A affiche les meilleures performances, suivi de B puis de C.
- Si vous supprimez C (la pire variation), A aura toujours plus d’exposition que la variation B.
- Si vous modifiez la variation C, A aura toujours plus d’exposition que B, mais C sera présentée à 33 % du trafic dans les premières heures, ce qui permet au système d’évaluer la nouvelle version de la variation C.
- Si vous ajoutez une nouvelle variation (D), elle sera initialement affectée à 25 % du trafic, permettant au système de l’évaluer, tout en allouant à A plus de trafic qu’à B, puis à B qu’à C.
En résumé, lorsque vous utilisez Dynamic Allocation, vous pouvez et devez modifier vos variations pour éliminer les variations perdantes et en essayer de nouvelles. L’algorithme est conçu pour ajuster et optimiser constamment l’allocation afin d’obtenir les meilleurs résultats possible.
Remarque : la « probabilité d’être la meilleure » est toujours calculée à partir de la dernière modification d’une variation jusqu’à l’heure actuelle, quelle que soit l’heure sélectionnée dans un rapport d’expérience. Cela peut entraîner des divergences apparentes entre la « probabilité d’être la meilleure » et la métrique primaire lors de l’affichage des rapports sur différentes plages de temps, en particulier après avoir modifié une expérience.
Explorer et exploiter
Explorer et exploiter sont des termes qui définissent combien de temps est « gaspillé » à apprendre, et à tirer parti des enseignements. Dans Dynamic Allocation, le ratio entre explorer et exploiter est de 10/90. Ce qui signifie que 10 % du trafic recevra une variation aléatoire, et 90 % recevront la variation la plus performante. Cela permet à Dynamic Yield de diriger la plupart du trafic vers la variation leader, tout en continuant à apprendre au sujet des variations « perdantes » et en leur permettant de rebondir.
Lors de l’utilisation d’un groupe témoin qui présente une variation aléatoire, Dynamic Yield diminue le taux d’exploration, car Dynamic Yield peut utiliser le groupe témoin à cette fin.