Web-Personalisierung für anonyme Besucher
Dieser Referenzplan bietet Implementierungshandbücher für die Bereitstellung personalisierter Web-Inhalte für anonyme (nicht identifizierte) Besucher basierend auf Verhaltenssignalen in der Sitzung. Es deckt den gesamten Implementierungslebenszyklus ab - von der Web SDK und der Definition der Edge-Zielgruppe über die Bereitstellung von Inhalten bis hin zum Performance-Reporting - und ist für Lösungsarchitekten, Marketing-Technologen und Implementierungstechniker konzipiert, die mit Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) und Adobe Experience Platform (AEP) arbeiten.
Verwenden Sie diesen Plan, um die Architektur zu verstehen, Implementierungsoptionen zu bewerten, fundierte Konfigurationsentscheidungen zu treffen und die entsprechende Experience League-Dokumentation für jede Implementierungsphase zu finden.
Das Muster funktioniert mit begrenzten Daten - nur was in der aktuellen Sitzung beobachtet werden kann und alle anonymen Edge-Profile, die von vorherigen Besuchen mit demselben Gerät oder Cookie gesammelt wurden. Dadurch eignet er sich für die Top-of-funnel-Personalisierung, bei der der Besucher über kein Konto verfügt oder sich nicht authentifiziert hat.
Anwendungsfall - Übersicht
Die Web-Personalization für anonyme Besucher erfüllt die geschäftlichen Anforderungen, relevante, personalisierte Inhalte für Website-Besuchende bereitzustellen, die noch nicht identifiziert wurden - sie haben sich nicht angemeldet, haben keine bekannte Identität und können nicht in ein einheitliches Kundenprofil aufgelöst werden. Trotz dieser Einschränkung ist eine sinnvolle Personalisierung mithilfe von Verhaltenssignalen in der Sitzung erreichbar: angezeigte Seiten, Besuchszeit vor Ort, Bildlauftiefe, Verweisquelle, geografischer Standort, Gerätetyp und UTM-Kampagnenparameter.
Dieses Muster verwendet Web-Kanaloberflächen und Code-basierte Erlebnisse von AJO, um Seiteninhalte in Echtzeit zu ändern. Die Edge-Segmentierung ist die primäre Auswertungsmethode, da Entscheidungen mit einer Latenz von Untersekunden getroffen werden müssen, wenn der Besucher auf der Website navigiert. Der Web SDK erfasst Verhaltenssignale und sendet sie an den AEP Edge Network, wo die von Edge ausgewerteten Zielgruppenregeln bestimmen, welche Inhaltsvariante bereitgestellt werden soll.
Im Gegensatz zur Web-/App-Personalisierung für bekannte Besucher, die das vollständige einheitliche Profil und die Segmentzugehörigkeit nutzt, ist dieses Muster auf Daten beschränkt, die in der aktuellen Sitzung beobachtet werden können, sowie auf alle anonymen Edge-Profile, die mit der ECID des Besuchers verknüpft sind (Experience Cloud ID). Diese Unterscheidung ist für die Implementierungsplanung von entscheidender Bedeutung: Die für die Personalisierung verfügbaren Verhaltenssignale sind auf das beschränkt, was der Web SDK erfasst und was über die Cookie-basierte ECID sitzungsübergreifend im Edge-Profilspeicher beibehalten wird.
Wichtige Geschäftsziele
Die folgenden Geschäftsziele werden durch dieses Anwendungsfallmuster unterstützt.
Verbesserung der Besuchszeit auf der Site, der Seiten pro Sitzung und der Interaktion mit Web-Inhalten durch relevante Erlebnisse, die auf anonyme Besuchersignale zugeschnitten sind.
Bereitstellen personalisierter Kundenerlebnisse
Passen Sie Inhalte, Angebote und Nachrichten an individuelle Vorlieben, Verhaltensweisen und Lebenszyklusphasen an - auch für Besuchende, die sich noch nicht identifiziert haben.
Verbessern Sie den Prozentsatz der Besucher und potenziellen Kunden, die die gewünschten Aktionen wie Käufe, Anmeldungen oder Formularübermittlungen durchführen, indem Sie die relevantesten Inhalte basierend auf dem Verhaltenskontext präsentieren.
Beispiele für taktische Anwendungsfälle
Die folgenden Beispiele veranschaulichen spezifische Szenarien, in denen dieses Muster angewendet werden kann.
- Überschriften-A/B-Test der Landingpage basierend auf der Empfehlungsquelle - Testen Sie verschiedene Überschriften für Besucher, die aus Google, Social Media oder Direct Traffic kommen, um die Interaktion durch den Akquisekanal zu optimieren
- Empfehlungen zur Kategorieaffinität basierend auf dem Durchsuchungsverhalten — Anzeige von Produkt- oder Inhaltsempfehlungen basierend auf in der aktuellen Sitzung betrachteten Seiten, um die Erkennung und Konversion zu verbessern
- Exitintent-Angebot für Besucher, die gerade die Website verlassen — Präsentieren Sie ein Werbeangebot oder ein Lead-Erfassungsformular, wenn Verhaltenssignale darauf hindeuten, dass der Besucher die Website verlassen wird.
- Geozielgerichtetes Werbebanner - Zeigt standortspezifische Werbeaktionen, Store-Locator-Inhalte oder regionale Angebote basierend auf dem geografischen Standort des Besuchers an
- Gerätespezifische Inhaltslayoutoptimierung - Passen Sie das Inhaltslayout, die Bildgrößen und die CTA-Platzierung an, je nachdem, ob sich der Besucher auf dem Desktop, Tablet oder Mobilgerät befindet
- Willkommensnachrichten für neue und wiederkehrende Besucher — Differenzierung des Erlebnisses für Erst- und wiederkehrende anonyme Besucher mithilfe der ECID-Persistenz über Sitzungen hinweg
- Inhaltsempfehlungen basierend auf angezeigten Seiten in der aktuellen Sitzung - Dynamisches Aufdecken verwandter Artikel, Produkte oder Ressourcen basierend auf den Seiten, die der Besucher bereits angesehen hat
- Dynamisches Hero-Banner basierend auf UTM-Kampagnenparametern - Personalisieren Sie das Hero-Banner so, dass es der Botschaft oder dem Kreativen aus der verweisenden Kampagne entspricht.
Wichtige Performance-Indikatoren
Verwenden Sie die folgenden KPIs, um die Effektivität dieses Anwendungsfallmusters zu messen.
Anwendungsfallmuster
Im Folgenden werden das Kernmuster und die Funktionskette für diesen Anwendungsfall beschrieben.
Web-Personalization für anonyme Besucher
Bereitstellen personalisierter Inhalte, die auf sitzungsinternen Verhaltenssignalen für nicht identifizierte Besuchende basieren, über den AJO-Webkanal.
Funktionskette: Konfiguration der-Web-Oberfläche > Auswertung von Verhaltensregeln > Inhaltsbereitstellung > Impression-Tracking > Berichterstellung
Programme
Die folgenden Anwendungen werden in diesem Anwendungsfallmuster verwendet.
- Adobe Journey Optimizer (AJO) - Konfiguration der Web-Kanaloberfläche, Inhaltserstellung (Web- und Code-basierte Erlebnisse), Kampagnenausführung, Inhaltsexperimente (A/B-Tests), Entscheidungsfindung (dynamische Inhaltsauswahl) und Reporting
- Adobe Real-Time Customer Data Platform (RT-CDP) - Edge-Segmentierung für die Echtzeit-Zielgruppenbewertung auf der Grundlage von Verhaltenssignalen in der Sitzung; Verwaltung anonymer Edge-Profile
- Adobe Experience Platform (AEP) - Web SDK für die Erfassung von Verhaltenssignalen, Edge Network für das Echtzeit-Datenrouting und die Bereitstellung von Personalisierung, Konfiguration des Datenstroms
Grundlegende Funktionen
Für dieses Anwendungsfallmuster müssen die folgenden grundlegenden Funktionen vorhanden sein. Für jede Funktion gibt der Status an, ob sie normalerweise erforderlich ist, als vorkonfiguriert gilt oder nicht.
isActiveOnEdge: true konfiguriert werden, um anonyme Profildaten am Edge aufzulösen. Pro Sandbox kann nur eine Zusammenführungsrichtlinie am Edge aktiv sein.Unterstützende Funktionen
Die folgenden Funktionen ergänzen dieses Anwendungsfallmuster, sind aber für die Ausführung der Kernkomponente nicht erforderlich.
Anwendungsfunktionen
Dieser Plan führt die folgenden Funktionen aus dem Anwendungsfunktionskatalog aus. Funktionen werden Implementierungsphasen und nicht nummerierten Schritten zugeordnet.
Journey Optimizer (AJO)
Real-Time CDP (RT-CDP)
Voraussetzungen
Führen Sie folgende Schritte aus, bevor Sie mit der Implementierung beginnen.
- [ ] Web SDK wird in allen Ziel-Web-Eigenschaften implementiert, wobei
sendEventAufrufe Seitenansichten, Klicks und relevante Verhaltensinteraktionen erfassen - [ ] Datenstrom wird in der Datenerfassungs-Benutzeroberfläche mit aktivierten Adobe Experience Platform- und Adobe Journey Optimizer konfiguriert
- [ ] Erlebnisereignis-Schema ist mit Web-Interaktions-Feldergruppen (Seitenansichten, Verweisdaten, UTM-Parameter, Gerätekontext) vorhanden und für das Profil aktiviert
- [ ] ECID-Identity-Namespace wird konfiguriert und im Web Behavioral Event-Schema als primäre Identität festgelegt
- [ ] Edge-Zusammenführungsrichtlinie wird mit
isActiveOnEdge: truein der Ziel-Sandbox konfiguriert - [ ] AJO-Webkanal ist in der Ziel-Sandbox bereitgestellt und zugänglich
- [ ] Inhaltsvarianten (Kopie, Bilder, CTAs) werden für jeden Personalisierungs-Anwendungsfall entworfen und genehmigt
- [ ] Erfolgsmetriken werden definiert (was ein Konversions- oder Interaktionsereignis zur Messung darstellt).
- [ ] Cookie-Einverständnismechanismus wird auf der Website implementiert, um die Datenschutzbestimmungen einzuhalten, bevor Verhaltensdaten erfasst werden
Implementierungsoptionen
In diesem Abschnitt werden drei Implementierungsansätze beschrieben. Wählen Sie die Option aus, die Ihren Personalisierungsanforderungen am besten entspricht.
Option A: Regelbasierte Web-Personalisierung
Optimiert für: Einfache, deterministische Personalisierung - Geotargeting-Banner, verweisquellenspezifische Überschriften, gerätespezifische Layouts, Nachrichten von neuen oder wiederkehrenden Besuchern. Wählen Sie diese Option, wenn die Inhaltsvariante durch eine einfache Bedingungslogik bestimmt werden kann (wenn Bedingung X, Inhalt Y anzeigen).
Funktionsweise:
Die regelbasierte Personalisierung nutzt kantenausgewertete Zielgruppensegmente, um zu bestimmen, welche Inhaltsvariante ein Besucher sieht. Jedes Zielgruppensegment wird über in der Kampagne definierte bedingte Regeln einer bestimmten Inhaltsvariante zugeordnet. Wenn ein Besucher eine Seite lädt, sendet der Web SDK Verhaltenssignale an den Edge Network, der das Edge-Profil des Besuchers anhand der definierten Zielgruppenregeln in Millisekunden auswertet. Die übereinstimmende Inhaltsvariante wird in der Edge Network Antwort zurückgegeben und auf der Seite gerendert.
Dieser Ansatz erfordert die Definition verschiedener Zielgruppensegmente in RT-CDP (z. B. „Besucher aus der Google-Suche“, „Besucher aus Kalifornien“, „Besucher über Mobilgeräte„) und die Erstellung entsprechender Inhaltsvarianten in AJO. Die Kampagne bindet jede Audience an ihre Inhaltsvariante mithilfe von bedingten Inhaltsregeln oder separaten Kampagnen pro Segment. Es ist kein KI-Ranking oder Traffic-Aufteilung beteiligt. Die Beziehung zwischen Zielgruppe und Inhalt ist deterministisch.
Wichtige Aspekte:
- Erfordert klar definierte Zielgruppenkriterien, die als Edge-fähige Segmentregelausdrücke ausgedrückt werden können
- Inhaltsvarianten müssen für jedes Zielgruppensegment vorab erstellt werden
- Das Hinzufügen neuer Personalisierungsregeln erfordert das Erstellen neuer Zielgruppensegmente und Inhaltsvarianten
- Bietet keine statistische Messung der Effektivität von Inhaltsvarianten
Vorteile:
- Einfachste Implementierung und einfaches Verständnis - Klare Ursache-Wirkungs-Beziehung zwischen Zielgruppe und Inhalt
- Kein Experimentier-Overhead oder Traffic-Aufteilung erforderlich
- Deterministisches Verhalten macht Tests und Qualitätssicherung einfach
- Niedrige Latenz, da die Edge-Evaluierung rein regelbasiert ist
- Funktioniert gut, wenn das Unternehmen bereits weiß, welche Inhalte für jedes Segment am besten funktionieren
Einschränkungen:
- Kein integrierter Mechanismus zur Messung, ob die Personalisierung die Ergebnisse gegenüber den Standardinhalten verbessert
- Erfordert manuelle Entscheidungen darüber, welcher Inhalt für jedes Segment angezeigt werden soll
- Passt sich nicht an oder optimiert im Laufe der Zeit - statische Regeln, bis sie manuell geändert werden
- Die Skalierung auf viele Segmente und Varianten erhöht die Konfigurationskomplexität.
Experience League:
Option B: Experimentbasierte Web-Personalisierung
Am besten geeignet für: A/B- und Multivariate Testing - zum Testen von Überschriftenvarianten, CTA-Schaltflächenfarben, Layout-Alternativen, Werbeangeboten - mit statistischer Signifikanzmessung. Wählen Sie diese Option, wenn Sie überprüfen müssen, welche Inhaltsvariante am besten funktioniert, bevor Sie sich zu einer dauerhaften Personalisierungsregel verpflichten.
Funktionsweise:
Die experimentbasierte Personalisierung nutzt AJO Content Experimentation , um Besuchende nach dem Zufallsprinzip Inhaltsbehandlungsgruppen zuzuordnen und zu messen, welche Variante mit einer definierten Erfolgsmetrik am besten abschneidet. Der Traffic wird auf verschiedene Varianten aufgeteilt (z. B. 50/50 für A/B, 33/33/34 für A/B/C) und die Leistung wird verfolgt, bis statistische Signifikanz erreicht ist.
Das Experiment ist in eine AJO-Web-Kampagne eingebettet. Wenn ein Besucher eine Seite lädt, weist der Edge Network sie basierend auf der konfigurierten Traffic-Zuordnung einer Abwandlungsgruppe zu. Der Besucher sieht für die Dauer des Experiments durchgängig dieselbe Behandlung (Persistenz auf Sitzungs- oder Besucherebene je nach Konfiguration). Erfolgsmetriken (Klicks, Konversionen, Interaktionsereignisse) werden über Web SDK verfolgt und im AJO-Experimentbericht gemeldet.
Für diese Option sind keine vordefinierten Zielgruppensegmente für das Targeting erforderlich. Alle Besucher (oder eine ausgewählte Untergruppe) sind am Experiment beteiligt. Das Ziel besteht darin herauszufinden, welcher Inhalt am besten funktioniert, und nicht darin, bekannte Segmente mit vorab festgelegten Inhalten anzusprechen.
Wichtige Aspekte:
- Erfordert ein ausreichendes Traffic-Volumen, um innerhalb eines angemessenen Zeitraums statistische Signifikanz zu erreichen
- Die Experimente verwenden ein Bayes'sches Statistikmodell mit jederzeit gültigen Konfidenzintervallen
- Es wird eine neutrale Gruppe (die keine personalisierten Inhalte erhält) empfohlen, um die inkrementelle Steigerung zu messen
- Pro Kampagne kann immer nur ein Experiment aktiv sein
- Änderungen am Experiment erfordern das Anhalten und Neustarten der Kampagne
Vorteile:
- Bietet eine statistisch strenge Messung der Effektivität von Inhaltsvarianten
- Entfernt Rätselraten aus Personalisierungsentscheidungen - datengesteuerte Inhaltsauswahl
- Unterstützt Holdout-Gruppen für die Messung der tatsächlichen inkrementellen Steigerung
- Integrierte Experimentberichte mit Konfidenzintervallen und Gewinnererklärung
- Die Ergebnisse können in die zukünftige regelbasierte Personalisierung (Option A) einfließen, indem die erfolgreichsten Varianten ermittelt werden
Einschränkungen:
- Erfordert aussagekräftiges Traffic-Volumen - Seiten mit geringem Traffic können Wochen dauern, bis sie signifikant werden
- Traffic-Aufteilung bedeutet, dass einige Besucher während des Testzeitraums suboptimale Inhalte sehen
- Während des Experiments können nicht nach Segment personalisiert werden (alle Besucher oder eine Teilmenge können gleich teilnehmen)
- Maximal 10 Behandlungsvarianten pro Experiment
- Keine kontinuierliche Optimierung - Experimente sind diskret mit Beginn und Ende
Experience League:
Option C: Entscheidungsbasierte Web-Personalisierung
Am besten geeignet für: Dynamische Inhaltsauswahl - Kategorieaffinitätsempfehlungen, Exitintent-Angebote, Verhaltensempfehlungen - bei der eine Entscheidungsrichtlinie Sitzungssignale auswertet und den optimalen Inhalt aus einem Katalog der geeigneten Elemente auswählt. Wählen Sie diese Option aus, wenn die Logik zur Inhaltsauswahl für einfache Regeln zu komplex ist, wenn Sie eine KI-Rangfolgenoptimierung wünschen oder wenn der Satz geeigneter Inhaltselemente groß und dynamisch ist.
Funktionsweise:
Die entscheidungsbasierte Personalisierung nutzt AJO Decisioning, um Verhaltenssignale zu bewerten und die beste Inhaltsvariante für jede Besucherin und jeden Besucher aus einem verwalteten Katalog von Inhaltselementen (Angeboten) auszuwählen. Jedes Inhaltselement verfügt über Eignungsregeln (wer qualifiziert ist), Darstellungen (wie der Inhalt in jeder Platzierung aussieht) und optionale Begrenzungsbeschränkungen (wie oft er angezeigt werden kann). Eine Entscheidungsrichtlinie verknüpft Platzierungen (bei denen Inhalte auf der Seite angezeigt werden) mit Sammlungen von Inhaltselementen und wendet eine Rangfolgestrategie an, um die beste Option auszuwählen.
Wenn ein Besucher eine Seite lädt, sendet der Web SDK eine Edge Network-Anfrage, die den Entscheidungsumfang enthält. Die Decisioning-Engine wertet das Edge-Profil des Besuchers anhand der Eignungsregeln für Inhaltselemente aus, wendet die Rangfolgestrategie (prioritätsbasiert, formularbasiert oder KI-rangiert) an und gibt das erfolgreichste Inhaltselement zurück. Dies geschieht am Edge mit einer Latenz von Untersekunden.
Die Rangfolgestrategie bestimmt, wie geeignete Inhaltselemente sortiert werden. Die prioritätsbasierte Rangfolge verwendet manuell zugewiesene Prioritätswerte. Die formularbasierte Rangfolge verwendet einen benutzerdefinierten Ausdruck (z. B. Gewichtung der Neuigkeit von Seitenansichten). Das KI-Ranking verwendet ein maschinelles Lernmodell, das im Laufe der Zeit für die ausgewählte Erfolgsmetrik optimiert wird, für das Training jedoch mindestens 1.000 Konversionsereignisse erforderlich sind.
Wichtige Aspekte:
- Erfordert das Einrichten der Entscheidungskomponenten: Platzierungen, Eignungsregeln, Inhaltselemente, Fallback-Elemente, Sammlungen und Entscheidungsrichtlinien
- KI-Rangfolgestrategien erfordern ein ausreichendes Konversionsvolumen (mehr als 1.000 Ereignisse), um das Modell zu trainieren
- Edge-Entscheidungen sind auf Profilattribute beschränkt, die im Edge-Profilspeicher verfügbar sind
- Inhaltselemente müssen in der Entscheidungsbibliothek verwaltet und gepflegt werden
- Fallback-Inhalt muss für Fälle definiert werden, in denen kein personalisiertes Element geeignet ist
Vorteile:
- Skalierung auf große Inhaltskataloge, ohne dass eine individuelle Zuordnung von Zielgruppe zu Inhalt erforderlich ist
- KI-Rangfolgestrategien optimieren die Inhaltsauswahl kontinuierlich basierend auf der beobachteten Leistung
- Eignungsregeln und Begrenzungsregeln bieten eine präzise Kontrolle der Inhaltsbereitstellung
- Unterstützt komplexe Geschäftslogik, die als Zielgruppensegmente schwer auszudrücken wäre
- Wiederverwendbar über verschiedene Kanäle hinweg - dieselbe Entscheidungsrichtlinie kann für die Personalisierung von Web, E-Mail und Mobilgeräten verwendet werden
Einschränkungen:
- Höhere Implementierungskomplexität - erfordert das Einrichten des vollständigen Entscheidungskomponenten-Stacks
- Das KI-Ranking erfordert ein erhebliches Konversionsvolumen und Zeit, um effektiv zu trainieren.
- Einschränkungen bei Profildaten in Edge beschränken die Komplexität von Eignungsregeln für anonyme Besucher
- Mehraufwand für die Verwaltung von Inhaltselementen - Jedes Element benötigt Darstellungen, Eignungsregeln und Wartung
- Das Debuggen der Entscheidungslogik ist komplexer als regelbasierte Ansätze
Experience League:
Vergleich von Optionen
In der folgenden Tabelle werden die drei Implementierungsoptionen anhand von Schlüsselkriterien verglichen.
Wählen der richtigen Option
Verwenden Sie die folgende Entscheidungslogik, um die entsprechende Implementierungsoption auszuwählen:
-
Wissen Sie bereits, welche Inhalte für jedes Besuchersegment angezeigt werden sollen?
- Ja: Beginnen Sie mit Option A (regelbasiert). Sie haben Inhaltsstrategien pro Segment festgelegt und benötigen eine deterministische Bereitstellung.
- Nein: Fahren Sie mit Frage 2 fort.
-
Müssen Sie eine kleine Anzahl von Inhaltsvarianten testen, um die beste Leistung zu finden?
- Ja: Wählen Sie Option B (Experiment). Sie benötigen statistische Validierung, bevor Sie sich zu einer Inhaltsstrategie verpflichten.
- Nein: Fahren Sie mit Frage 3 fort.
-
Verfügen Sie über einen großen Katalog mit Inhaltselementen mit komplexen Eignungs- und Ranking-Anforderungen?
- Ja: Wählen Sie Option C (Entscheidung). Sie benötigen eine dynamische Inhaltsauswahl, die über einfache Regeln hinaus skaliert werden kann.
- Nein: Beginnen Sie mit Option A (regelbasiert) der Einfachheit, entwickeln Sie dann zu Option B oder C, wenn die Anforderungen steigen.
Kombinieren von Optionen Diese Optionen schließen sich nicht gegenseitig aus. Eine häufige Entwicklung besteht darin, mit Option B (Experimentieren) zu beginnen, um die erfolgreichsten Inhalte zu ermitteln, und dann die Gewinner mithilfe von Option A (Regelbasiert) für die fortlaufende Bereitstellung bereitzustellen. Option C (Decisioning) kann für Anwendungsfälle, die eine dynamische katalogbasierte Auswahl erfordern, überlagert werden, während Option A einfachere deterministische Regeln verarbeitet.
Implementierungsphasen
In den folgenden Phasen wird der End-to-End-Implementierungs-Workflow beschrieben.
Phase 1: Konfigurieren von Web-Oberflächen
Anwendungsfunktion: AJO: Kanalkonfiguration
Definieren Sie die Web-Kanaloberflächen, die angeben, wo auf Ihrer Website personalisierte Inhalte bereitgestellt werden. Eine Web-Oberfläche identifiziert eine bestimmte Seiten-URL oder ein bestimmtes URL-Muster und die Position auf der Seite (CSS-Selektor oder Code-basierte Erlebnisoberfläche), an der AJO Inhalte einfügen oder ersetzen kann.
Entscheidungspunkte in dieser Phase:
sendEvent Aufrufen bei Ansichtsänderungen. Oberflächendefinitionen verwenden den SPA-Ansichtsnamen anstelle der URL.UI-Navigation: Journey Optimizer > Administration > Kanäle > Web-Konfiguration
Wichtige Konfigurationsdetails:
- Seiten-URL oder URL-Muster für die Oberfläche definieren
- Angeben des CSS-Selektors oder Oberflächen-URI für die Inhaltsplatzierung
- Definieren Sie für Code-basierte Erlebnisse den Namen der Oberfläche, auf die der Programm-Code verweisen soll
- Verknüpfen Sie die Oberfläche mit der AJO-Sandbox, in der Kampagnen erstellt werden
Dokumentation zu Experience League:
Phase 2: Festlegen von Verhaltens-Audiences
Anwendungsfunktion: RT-CDP: Zielgruppenauswertung
Definieren Sie von Edge ausgewertete Zielgruppensegmente basierend auf Verhaltenssignalen in der Sitzung, die das Personalisierungs-Targeting fördern. Diese Zielgruppen bestimmen, welche Besucher für jedes personalisierte Erlebnis qualifiziert sind. Die Edge-Auswertung ist für dieses Muster obligatorisch, da Personalisierungsentscheidungen in Zeitrahmen von weniger als zwei Sekunden getroffen werden müssen, wenn der Besucher auf der Website navigiert.
Entscheidungspunkte in dieser Phase:
Benutzeroberflächennavigation: Kunde > Zielgruppen > Zielgruppe erstellen > Regel erstellen
Wichtige Konfigurationsdetails:
- Verwenden Sie Segment Builder, um Zielgruppenregeln mithilfe von Verhaltensattributen zu definieren
- Überprüfen Sie die Edge-Eignung, indem Sie bestätigen, dass der Segmentregelausdruck nur unterstützte Funktionen verwendet (einfache Attributvergleiche, Segmentzugehörigkeit)
- Legen Sie die Zusammenführungsrichtlinie auf die in F4 konfigurierte Edge-aktive Zusammenführungsrichtlinie fest.
- Vorschau der Zielgruppenpopulation zur Validierung des Segments liefert erwartete Ergebnisse
- Verwenden Sie für Zielgruppen, die auf Seitenansichten auf Sitzungsebene basieren, Attribute auf Ereignisebene aus der aktuellen Sitzung anstelle von Zeitreihenabfragen
Wo die Optionen unterschiedlich sind:
Für Option A (regelbasiert):
Erstellen Sie für jede Inhaltsvariante unterschiedliche Zielgruppensegmente. Jedes Segment stellt eine bestimmte Verhaltensbedingung dar (z. B. wird „Empfehlung = Google AND Geo = US“ der Inhaltsvariante A zugeordnet). Die Anzahl der Zielgruppen entspricht der Anzahl der Personalisierungsregeln.
Für Option B (Experiment):
Die Zielgruppendefinition ist optional. Wenn das Experiment alle Besucherinnen und Besucher anspricht, ist keine Zielgruppe erforderlich - die Traffic-Aufteilung übernimmt die Zuweisung von Varianten. Wenn das Experiment auf eine bestimmte Untergruppe ausgerichtet ist (z. B. nur mobile Besucher), definieren Sie eine einzelne Zielgruppe als Eignung für das Experiment.
Für Option C (Entscheidung):
Audiences definieren, die als Eignungsregeln für Inhaltselemente verwendet werden können. Diese Zielgruppen bestimmen, welche Besucher für welche Inhaltselemente in der Entscheidungsrichtlinie qualifiziert sind. Die Decisioning-Engine verwaltet die Inhaltsauswahl aus den zulässigen Elementen.
Dokumentation zu Experience League:
Phase 3: Erstellen von Inhalten und Erstellen von Varianten
Anwendungsfunktion: AJO: Nachrichtenbearbeitung, AJO: Inhaltsexperiment (Option B), AJO: Entscheidungsfindung (Option C)
Erstellen Sie die personalisierten Inhaltsvarianten, die den Besuchern auf der Grundlage der Zielgruppenzugehörigkeit (Option A), der Experimentzuweisung (Option B) oder der Entscheidungslogik (Option C) bereitgestellt werden. In dieser Phase wird die Inhaltserstellung mit dem AJO Web Designer oder dem Code-basierten Erlebnis-Editor sowie die Experiment- oder Entscheidungskonfiguration behandelt, die steuert, wie Inhalte ausgewählt werden.
Entscheidungspunkte in dieser Phase:
{{profile.homeAddress.city}} Syntax mit Helfern.UI-Navigation: Journey Optimizer > Kampagnen > Kampagne auswählen > Inhalt bearbeiten
Wichtige Konfigurationsdetails:
- Erstellen von Inhalten mit dem Web-Designer (visuelle Änderungen) oder dem Code-basierten Erlebnis-Editor (JSON-Payload)
- Verwenden Sie den Ausdruckseditor für die Personalisierung, um dynamische Token aus Edge-Profilattributen einzufügen
- Konfigurieren von Fallback-Inhalt für Personalisierungs-Token, die in anonymen Profilen leer sein können
- Vorschau von Inhalten mit Testprofilen zur Überprüfung des Renderings in verschiedenen Szenarien
Wo die Optionen unterschiedlich sind:
Für Option A (regelbasiert):
Erstellen Sie für jedes in Phase 2 definierte Zielgruppensegment eine eigene Inhaltsvariante. Binden Sie jede Variante mithilfe von Regeln für bedingte Inhalte in der Kampagnenkonfiguration an ihre Zielgruppe. Stellen Sie sicher, dass für Besuchende, die keiner Zielgruppenregel entsprechen, eine Standardinhaltsvariante vorhanden ist.
Für Option B (Experiment):
Abwandlungsvarianten erstellen (A, B, C usw.) für das Experiment. Aktivieren Sie Inhaltsexperimente für die Kampagne, definieren Sie Abwandlungsvarianten mit ihrem Inhalt, legen Sie Traffic-Zuordnungsprozentsätze fest und konfigurieren Sie die Erfolgsmetrik.
- Definieren von 2-10 Abwandlungsvarianten mit unterschiedlichem Inhalt
- Festlegen der Traffic-Zuordnung (z. B. 50/50 für A/B oder gewichtete Aufspaltung für Tests mit niedrigerem Risiko)
- Optional eine neutrale Gruppe einschließen (z. B. 10 % erhält Standardinhalt), um die inkrementelle Steigerung zu messen
- Wählen Sie die Erfolgsmetrik aus: Einzelöffnungen, Einzelklicks, Konversionen oder benutzerdefinierte Metrik
- Legen Sie die Konfidenzschwelle fest: 95 % für Standardtests, 99 % für Entscheidungen mit hohen Einsätzen, 90 % für direktionales Lernen
- UI-Navigation: Campaign > Inhaltsexperiment > Abwandlung hinzufügen > Traffic-Zuordnung > Erfolgsmetrik
Für Option C (Entscheidung):
Richten Sie den Entscheidungskomponenten-Stack ein und integrieren Sie ihn in die Kampagne.
- Platzierungen erstellen - Festlegen, wo auf der Seite Inhaltselemente angezeigt werden (Web HTML, Web JSON, Web-Bild)
- UI-Navigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Platzierungen
- Eignungsregeln definieren - Erstellen Sie Regeln auf der Grundlage von Edge-Profilattributen, die bestimmen, welche Besucher für jedes Inhaltselement qualifiziert sind
- UI-Navigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Regeln
- Erstellen von Inhaltselementen (Angeboten) Erstellen Sie personalisierte Inhaltselemente mit Darstellungen für jede Platzierung, Eignungsregeln, Priorität und optionale Begrenzung
- UI-Navigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Angebote > Angebot erstellen
- Fallback-Inhalt erstellen - Definiert ein Fallback-Element, das zurückgegeben wird, wenn kein personalisiertes Element qualifiziert ist
- UI-Navigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Angebote > Fallback-Angebot erstellen
- In Sammlungen organisieren - Gruppieren von Inhaltselementen mithilfe von Sammlungsqualifizierern (Tags) und Erstellen von Sammlungen
- Benutzeroberflächennavigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Sammlungsqualifizierer/Sammlungen
- Entscheidungsrichtlinie erstellen — Platzierungen mit Sammlungen verknüpfen und die Rangfolgestrategie auswählen (prioritätsbasiert, formularbasiert oder KI-Rangfolge)
- UI-Navigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Entscheidungen > Entscheidung erstellen
Dokumentation zu Experience League:
Phase 4: Konfigurieren von Kampagne und Versand
Anwendungsfunktion: AJO: Kampagnenausführung
Erstellen und aktivieren Sie die AJO-Web-Kampagne, die die Web-Oberfläche (Phase 1), die Zielgruppen-Targeting- oder Experimentkonfiguration (Phasen 2-3) und die Inhaltsvarianten (Phase 3) zu einer Einheit bindet, die Ergebnisse liefert. Die Kampagne steuert, wann und wie Besuchern personalisierte Inhalte bereitgestellt werden.
Entscheidungspunkte in dieser Phase:
UI-Navigation: Journey Optimizer > Kampagnen > Kampagne erstellen
Wichtige Konfigurationsdetails:
- Wählen Sie den Webkanal und die in Phase 1 konfigurierte Web-Oberfläche aus
- Binden Sie die Zielgruppe (für Option A) oder konfigurieren Sie Experimenteinstellungen (für Option B) oder betten Sie die Entscheidung ein (für Option C)
- Festlegen des Kampagnenkalenders (Startdatum, Enddatum oder immer aktiv)
- Konfigurieren der Frequenzlimitierung auf Kampagnenebene, falls zutreffend
- Alle Konfigurationen überprüfen und die Kampagne aktivieren
Wo die Optionen unterschiedlich sind:
Für Option A (regelbasiert):
Erstellen Sie für jede Personalisierungsregel eine Kampagne, von der jede auf eine andere Edge-Zielgruppe mit der entsprechenden Inhaltsvariante abzielt. Alternativ können Sie eine einzelne Kampagne mit bedingten Inhaltsregeln verwenden, die die Zielgruppenzugehörigkeit innerhalb einer Kampagne Inhaltsvarianten zuordnen.
Für Option B (Experiment):
Erstellen Sie eine einzelne Kampagne mit aktiviertem Inhaltsexperiment. Die Experimentkonfiguration (Varianten, Traffic-Zuordnung, Erfolgsmetrik) wurde in Phase 3 definiert. Aktivieren Sie die Kampagne, um das Experiment zu starten.
Für Option C (Entscheidung):
Erstellen Sie eine Kampagne, in die die in Phase 3 konfigurierte Entscheidungsrichtlinie eingebettet ist. Die Inhaltsaktion der Kampagne verweist auf den Entscheidungsumfang, der die Entscheidungs-Engine am Edge Trigger. Aktivieren Sie die Kampagne, um mit der Bereitstellung entscheidungsbasierter Inhalte zu beginnen.
Dokumentation zu Experience League:
Phase 5: Leistungsberichte und -analysen
Anwendungsfunktion: AJO: Reporting und Leistungsanalyse
Überwachen Sie die Personalisierungsleistung mit den integrierten Berichten von AJO und erweitern Sie optional die Analyse mit CJA, um tiefere kanalübergreifende Einblicke zu erhalten. Diese Phase umfasst den Zugriff auf Live- und historische Kampagnenberichte, die Überprüfung der Experimentergebnisse und die Erstellung benutzerdefinierter Analyse-Arbeitsbereiche.
Entscheidungspunkte in dieser Phase:
UI-Navigation: Journey Optimizer > Kampagnen > Kampagne auswählen > Bericht anzeigen
Wichtige Konfigurationsdetails:
- Zugreifen auf den Live-Bericht während aktiver Kampagnen zur Überwachung des Echtzeit-Versands (wird alle 60 Sekunden aktualisiert, zeigt die letzten 24 Stunden)
- Zugriff auf den historischen Bericht (alle Zeiten) nach Abschluss der Kampagne für eine umfassende Analyse (kann bis zu 2 Stunden dauern, bis er vollständig ausgefüllt ist)
- Für Option B (Experiment): Überprüfen Sie den Experimentbericht auf Abwandlungs-Performance-Vergleich, Konfidenzintervalle und Gewinnererklärung
- Für die CJA-Analyse: Stellen Sie sicher, dass eine CJA-Verbindung AJO-Erlebnisereignis-Datensätze enthält und eine Datenansicht mit Web-Personalisierungsmetriken konfiguriert ist
Wo die Optionen unterschiedlich sind:
Für Option A (regelbasiert):
Überprüfen Sie die Kampagnenberichte für jedes Zielgruppensegment, um Versand- und Interaktionsmetriken über personalisierte Inhaltsvarianten hinweg zu vergleichen. Verwenden Sie CJA, um einen Vergleichsarbeitsbereich zu erstellen, der die Konversionswirkung von personalisierten Inhalten im Vergleich zu Standardinhalten misst.
Für Option B (Experiment):
Überprüfen Sie den Experimentbericht auf statistische Konfidenz, Behandlungserhöhung und Gewinneridentifizierung. Warten Sie, bis der Konfidenzschwellenwert erreicht ist, bevor Sie den Gewinner bekannt geben. Gewinner-Inhalte als permanente Variante anwenden (Übergang zu Option A für die fortlaufende Bereitstellung).
- UI-Navigation: Campaign > Inhaltsexperiment > Bericht anzeigen
- Experience League: Inhaltsexperimentbericht
Für Option C (Entscheidung):
Überprüfen Sie die Metriken zur Entscheidungsleistung, einschließlich der Impressionsraten von Angeboten, der Auswahlhäufigkeit und der Konversionsattribution pro Inhaltselement. Analysieren Sie die Leistung von Ranking-Strategien und ob Fallback-Inhalte zu häufig bereitgestellt werden (was darauf hinweist, dass die Eignungsregeln zu restriktiv sind).
Dokumentation zu Experience League:
Überlegungen bei der Implementierung
In diesem Abschnitt werden Leitplanken, häufige Fallstricke, Best Practices und Entscheidungen bei der Abwägung für dieses Anwendungsfallmuster behandelt.
Leitplanken und Beschränkungen
Überprüfen Sie die folgenden Leitplanken vor und während der Implementierung.
- Edge-Segmente sind auf einfache Attributprüfungen und Segmentzugehörigkeit beschränkt - keine Zeitreihenabfragen oder komplexen Aggregationen - Berechtigung für die Edge-Segmentierung
- Pro Sandbox kann nur eine Zusammenführungsrichtlinie am Edge aktiv sein (Profilleitplanken
- Maximal 4.000 Segmentdefinitionen pro Sandbox - Segmentierungsleitplanken
- Maximal 500 aktive Live-Kampagnen pro Sandbox - Journey Optimizer-Leitplanken
- Maximal 10 Abwandlungsvarianten pro Inhaltsexperiment — Grenzwerte für Inhaltsexperimente
- Maximal 10.000 genehmigte personalisierte Angebote pro Sandbox (Option C) - Leitplanken für das Entscheidungs-Management
- Maximal 30 Platzierungen pro Entscheidung (Option C) - Journey Optimizer-Leitplanken
- KI-Ranking-Modelle erfordern mindestens 1.000 Konversionsereignisse für das Training (Option C)
- Edge Network Reaktionszeit SLA: < 200 ms für Edge-ausgewertete Segmente
- Ablauf pseudonymer Profile: Konfigurierbar von 14 bis 365 Tagen für Profile, die nur auf ECID basieren
- Live-Berichte werden alle 60 Sekunden aktualisiert und zeigen die Daten der letzten 24 Stunden an
- Es kann bis zu 2 Stunden dauern, bis historische Berichte nach Abschluss der Kampagne vollständig ausgefüllt sind
Häufige Fehler
Vermeiden Sie die folgenden häufigen Implementierungsfehler.
- Web SDKkeine Verhaltenssignale an AEP zu senden Überprüfen Sie, ob der Adobe Experience Platform-Service für den Datenstrom aktiviert ist und der Ereignisdatensatz korrekt zugeordnet ist. Ohne diese Angabe werden keine Edge-Profile ausgefüllt und die Zielgruppen-Auswertung schlägt leise fehl - der Besucher erhält Standardinhalte ohne Fehleranzeige.
- Edge-Zielgruppe, die keine Qualifikationen zurückgibt: Die Edge-Segmentierung hat strenge Eignungsanforderungen. Zeitreihenabfragen, Aggregationsfunktionen und Abfragen mit mehreren Entitäten sind nicht Edge-fähig. Schreiben Sie den Segmentregelausdruck mithilfe einfacher Attributvergleiche oder Segmentzugehörigkeitsprüfungen neu.
- Zusammenführungsrichtlinie in Edge nicht aktiv: Wenn die vom Zielgruppensegment verwendete Zusammenführungsrichtlinie nicht
isActiveOnEdge: trueist, schlagen die Suchen von Edge-Profilen fehl und die Personalisierung wird nicht bereitgestellt. Es kann nur eine Zusammenführungsrichtlinie pro Sandbox im Randbereich aktiv sein - stellen Sie sicher, dass kein Konflikt besteht. - Personalization flackert beim Laden der Seite: Der Web SDK
sendEvent-Aufruf, der Personalisierungsvorschläge abruft, muss ausgeführt werden, bevor die Seite den Zielinhaltsbereich rendert. Implementieren Sie das Vorab-Ausblenden von Snippets oder das asynchrone Rendering, um zu verhindern, dass der Standardinhalt aufblitzt, bevor der personalisierte Inhalt geladen wird. - Inhalte werden bei SPA-Routenänderungen nicht gerendert: Single Page Applications erfordern bei Routenänderungen explizite
sendEventmit aktualisierten Ansichtsinformationen. Ohne diese Angabe bewertet der Edge Network die Personalisierung für die neue Ansicht nicht neu. - Experiment erreicht keine statistische Signifikanz: Unzureichendes Traffic-Volumen oder zu viele Behandlungsvarianten verdünnen die Stichprobengröße pro Variante. Verringern Sie die Anzahl der Varianten oder erhöhen Sie die Experimentdauer. Stoppen Sie Experimente nicht vorzeitig - die Ergebnisse können irreführend sein.
- Entscheidungsfindung gibt nur Fallback-Inhalte zurück Überprüfen Sie, ob personalisierte Inhaltselemente innerhalb ihres Gültigkeitsdatumsbereichs genehmigt wurden und die Eignungsregeln mit den Edge-Profilattributen des anonymen Besuchers übereinstimmen. Stellen Sie auch sicher, dass die Begrenzungen nicht erreicht wurden.
Best Practices
Befolgen Sie diese Empfehlungen für eine erfolgreiche Implementierung.
- Einfach beginnen und dann iterieren: Beginnen Sie mit Option A (regelbasiert) für die anfängliche Personalisierung, verwenden Sie dann Option B (Experimentieren), um Annahmen zu validieren, und Option C (Entscheidung) für erweiterte Anwendungsfälle. Jede Option basiert auf der grundlegenden Infrastruktur.
- Vorab-Ausblendung zur Vermeidung von Flackern verwenden Implementieren Sie das AEP-Code-Fragment zum Vorab-Ausblenden auf Seiten, auf denen die Personalisierung bereitgestellt wird. Dadurch wird der Zielinhaltsbereich ausgeblendet, bis der personalisierte Inhalt bereit zum Rendern ist, wodurch ein visuelles Flackern verhindert wird.
- Fallback-Inhalt absichtlich entwerfen: Der Standardinhalt (nicht personalisiert) sollte für sich genommen ein hochwertiges Erlebnis darstellen. Besucherinnen und Besucher, die sich nicht für die Personalisierung qualifizieren - oder wenn die Edge Network Antwort verzögert ist - sollten kein eingeschränktes Erlebnis erhalten.
- Validieren der Edge-Eignung vor dem Erstellen von Zielgruppen: Bevor Sie in die Entwicklung von Zielgruppenregeln investieren, überprüfen Sie in Experience League die Eignungskriterien, ob der Segmentregelausdruck Edge-geeignet ist. Nicht auswählbare Ausdrücke greifen für dieses Muster ohne Nachfrage auf die Batch- oder Streaming-Auswertung mit inakzeptabler Latenz zurück.
- Überwachen der Versandleistung am Edge Richten Sie die Überwachung von Warnhinweisen für Edge Network Antwortzeiten und Fehler bei der Personalisierung ein. Edge-Bereitstellungsprobleme sind für Besuchende nicht sichtbar (sie sehen Standardinhalte) und können ohne proaktive Überwachung unentdeckt bleiben.
- Ablauf pseudonymer Profile konfigurieren: Legen Sie geeignete Ablaufzeiträume für anonyme Edge-Profile fest, um die sitzungsübergreifende Personalisierung (Erkennung wiederkehrender Besucher) mit der Einhaltung von Datenschutzbestimmungen und der Speicherverwaltung in Einklang zu bringen.
- Test mit repräsentativen Profilen: Verwenden Sie bei der Vorschau personalisierter Inhalte Testprofile, die die tatsächlichen Szenarien anonymer Besucher darstellen (keine CRM-Daten, eingeschränkter Verhaltensverlauf, verschiedene geografische Standorte und Geräte).
Entscheidungen über Kompromisse
Beachten Sie bei der Planung Ihrer Implementierung die folgenden Kompromisse.
- Umfassende Personalisierung begünstigt: Einfachheit, schnellere Markteinführung, niedrigere Produktionskosten für Inhalte. Eine geringe Anzahl von Zielgruppen und Varianten deckt die Mehrheit der Besucher mit sinnvoller Personalisierung ab.
- Granulare Personalisierung begünstigt: Maximale Relevanz, höhere Interaktionsrate, bessere Konversionsraten. Viele Zielgruppen und Varianten adressieren bestimmte Verhaltenssignale mit maßgeschneiderten Inhalten.
- Empfehlung: Beginnen Sie mit 3-5 wirkungsvollen Personalisierungsregeln, die auf die häufigsten Besuchersegmente abzielen (z. B. Verweisquelle, Gerätetyp, geografische Region). Messen Sie die Auswirkungen und erweitern Sie dann auf detailliertere Regeln, die auf der beobachteten Leistung und dem beobachteten Geschäftswert basieren.
- Regelbasierte Gefälligkeiten: Vorhersehbarkeit, Prüfbarkeit, Geschäftskontrolle. Marketing-Teams wissen genau, welche Inhalte jedes Segment erhält, und können die Logik den Stakeholdern erklären.
- KI-gesteuerte Vorteile: Leistungsoptimierung, Skalierbarkeit, kontinuierliche Verbesserung. Das KI-Modell erkennt Affinitäten zwischen Inhaltsbesuchern, die das Erstellen menschlicher Regeln verpassen könnte.
- Empfehlung: Verwenden Sie die regelbasierte Entscheidungsfindung für wichtige Inhaltsentscheidungen, bei denen Markenkonsistenz und Stakeholder-Transparenz von größter Bedeutung sind. Verwenden Sie KI-Rangfolgen für große Inhaltskataloge, bei denen das manuelle Regelmanagement umständlich wird und kontinuierliche Optimierung messbare Steigerung bietet.
- Längere Gültigkeitsdauer: anonyme Profile, eine bessere Erkennung wiederkehrender Besucher, mehr Daten für Personalisierungsentscheidungen. Legen Sie die Gültigkeit auf 90 bis 365 Tage fest.
- Kürzere Gültigkeitsdauern: Datenschutz-Compliance (DSGVO, CCPA), reduzierte Speicherkosten, minimiertes Risiko veralteter Profildaten. Gültigkeit auf 14-30 Tage festlegen.
- Empfehlung: Sie die Gültigkeit an die Cookie-Einverständnisrichtlinie und die Datenschutzanforderungen Ihrer Organisation an. Bei den meisten Implementierungen bieten 30 bis 90 Tage ein angemessenes Gleichgewicht zwischen dem Wert der Personalisierung und der Einhaltung von Datenschutzbestimmungen.
Verwandte Dokumentation
Die folgenden Experience League-Ressourcen bieten zusätzliche Details zu den in diesem Anwendungsfallmuster verwendeten Funktionen.
Web-Kanal- und Code-basierte Erlebnisse
Zielgruppen und Segmentierung
Personalization und Inhalte
Inhaltsexperiment
Entscheidungs-Management
Kampagnen
Web SDKund Datenerfassung
Identität und Profil
Datenmodellierung
Reporting und Analysen
Data Governance und Datenschutz
Leitplanken