Verhaltensempfehlung
In diesem Handbuch wird das Anwendungsfallmuster für Verhaltensempfehlungen beschrieben, bei dem Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) und Adobe Experience Platform (AEP) verwendet werden, um personalisierte Empfehlungserlebnisse über Web-, Mobile App- und E-Mail-Kanäle bereitzustellen. Er wurde für Lösungsarchitekten, Marketing-Techniker und Implementierungstechniker entwickelt, die verstehen müssen, was dieses Muster bewirkt, welche Geschäftsziele es unterstützt, welche taktischen Anwendungsfälle es ermöglicht und welche Adobe-Anwendungen beteiligt sind.
Verhaltensempfehlungen generieren Empfehlungen auf Element- oder Inhaltsebene mithilfe von Verhaltenssignalen - Produktansichten, Käufe, Inhaltsinteraktionen, Suchabfragen - in Kombination mit AJO-Entscheidungsauswahlstrategien und Ranking-Modellen. Im Gegensatz zu Offer Decisioning - das eine begrenzte Anzahl von Angeboten, Promotions oder Incentives mithilfe von Eignungsregeln und Geschäftsbeschränkungen steuert - funktioniert dieses Muster bei großen, sich kontinuierlich ändernden Elementkatalogen (Produkten, Artikeln, Videos), bei denen die Auswahl durch verhaltensbezogene Affinitätssignale gesteuert wird und nicht durch die Eignungsregeln.
Anwendungsfallmuster
Verhaltensempfehlung
Generieren Sie Empfehlungen auf Element- oder Inhaltsebene basierend auf Verhaltenssignalen, indem Sie AJO-Entscheidungsauswahlstrategien und Rangfolgemodelle verwenden, um kontextuelle Inhalte bereitzustellen.
Ausführungsplan: Aufnahme von Verhaltenssignalen > Bewertung der Entscheidungsstrategie > Recommendations-Versand > Reporting
Anwendungsfall - Übersicht
Organisationen mit Produktkatalogen, Inhaltsbibliotheken oder Medienbibliotheken müssen für jeden Besucher die relevantesten Elemente basierend auf seinem Verhaltensverlauf und seiner Aktivität während der Sitzung aufdecken. Unabhängig davon, ob es sich um ein „empfohlenes“ Karussell auf einer Homepage, ein Crosssell-Widget auf einer Produktdetailseite oder Produktempfehlungen handelt, die in eine E-Mail-Kampagne eingebettet sind, ist die zugrunde liegende Herausforderung dieselbe: Ordnen Sie das Verhaltensprofil jedes Besuchers den relevantesten Elementen aus einem Katalog zu und stellen Sie diese Empfehlungen dann im richtigen Moment im richtigen Kanal bereit.
Dieses Muster löst diese Herausforderung, indem es Verhaltenssignale in Echtzeit über Web SDK oder Mobile SDK aufnimmt, sie über AJO Decisioning-Auswahlstrategien verarbeitet, die Elementattribute mit Verhaltenskontext kombinieren, und die empfohlenen Elemente über Web-, In-App- oder E-Mail-Kanäle bereitstellt. Rangfolgemodelle können formularbasiert (z. B. nach Kategorieaffinitätswert sortiert) oder KI-geordnet (z. B. personalisiertes Empfehlungsmodell) sein. Das Muster behandelt auch Kaltstart-Szenarien für neue Besucher ohne Verhaltensverlauf, indem es Fallback-Empfehlungen konfiguriert.
Die Zielgruppe für dieses Muster umfasst E-Commerce-Merchandising-Teams, Personalisierungs-Teams für Inhalte und Teams für digitale Erlebnisse, die durch personalisierte Empfehlungen, die auf echtem Benutzerverhalten basieren, die Interaktion, Konversion und den durchschnittlichen Bestellwert verbessern möchten.
Wichtige Geschäftsziele
Die folgenden Geschäftsziele werden durch dieses Anwendungsfallmuster unterstützt.
Umsatz durch Crosssell und Upsell steigern
Werben Sie für ergänzende und Premium-Produkte oder -Services für bestehende Kunden auf der Grundlage des Verhaltens und der Kaufhistorie.
KPIs: Upsell/Crosssell %, Inkrementeller Umsatz, Kundenlebenszeitwert
Erhöhung der Konversionsraten
Verbessern Sie den Prozentsatz der Besucher und Interessenten, die die gewünschten Aktionen wie Käufe, Anmeldungen oder Formularübermittlungen durchführen.
KPIs: Konversionsraten, Lead-Konversion, Kosten pro Lead
Bereitstellen personalisierter Kundenerlebnisse
Passen Sie Inhalte, Angebote und Nachrichten an individuelle Voreinstellungen, Verhaltensweisen und Lebenszyklusphasen an.
KPIs: Interaktion, Konversionsraten, Kundenzufriedenheit (CSAT)
Beispiele für taktische Anwendungsfälle
Im Folgenden finden Sie häufige taktische Implementierungen dieses Musters:
- Produkt-Crosssell-Widget auf der Produktdetailseite („Kunden haben auch gekauft„)
- Karussell „Empfohlen für Sie“ auf der Startseite basierend auf dem Durchsuchen-Verlauf
- Inhaltsempfehlungen auf der Media-Site basierend auf dem Leseverhalten
- Widget „Kürzlich angesehen“ mit ähnlichen Elementen kombiniert
- Ergänzende Produktempfehlungen nach dem Kauf
- E-Mail-Produktempfehlungen basierend auf der Affinität zum Verhalten
- Kategoriespezifische Empfehlungen, die auf dem Verhalten beim Durchsuchen während der Sitzung basieren
- Neureihung von Suchergebnissen basierend auf Verhaltenssignalen
Wichtige Performance-Indikatoren
Die folgenden KPIs helfen dabei, die Effektivität der Implementierungen von Verhaltensempfehlungen zu messen.
Programme
Die folgenden Anwendungen werden in diesem Anwendungsfallmuster verwendet.
- Adobe Journey Optimizer (AJO) Decisioning - Auswahlstrategien, Rangfolgemodelle, Elementkataloge und Entscheidungsrichtlinien, die Verhaltenssignale auswerten und für jeden Besucher die relevantesten Elemente zurückgeben
- Adobe Real-Time Customer Data Platform (RT-CDP) — Akkumulation von Verhaltensprofildaten, Zielgruppenbewertung für das Recommendations-Scoping und berechnete Attribute für die Bewertung der Affinität im Verhalten
- Adobe Experience Platform (AEP) - Aufnahme von Verhaltensereignissen über Web SDK und Mobile SDK, Edge Network Verarbeitung, XDM-Schemaverwaltung für Ereignis- und Katalogdaten
Verwandte Dokumentation
Die folgenden Ressourcen bieten zusätzliche Details zu den in diesem Muster verwendeten Technologien und Funktionen.
Entscheidungs-Management
- Überblick über das Entscheidungs-Management
- Erstellen von Platzierungen
- Erstellen von Entscheidungsregeln
- Personalisierte Angebote erstellen
- Erstellen von Fallback-Angeboten
- Erstellen von Sammlungen
- Erstellen von Sammlungsqualifizierern
- Entscheidungen erstellen
- Rangfolgestrategien
- Versand von Angeboten in Nachrichten
- Unterbreiten von Angeboten mithilfe der Edge Decisioning-API