Verhaltensempfehlung
In diesem Handbuch wird beschrieben, wie Sie verhaltensbezogene Produkt- und Inhaltsempfehlungen mithilfe von Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) und Adobe Experience Platform (AEP) implementieren. Sie wurde für Lösungsarchitekten, Marketing-Techniker und Implementierungstechniker entwickelt, die personalisierte Empfehlungserlebnisse über Web-, Mobile-App- und E-Mail-Kanäle bereitstellen müssen.
Es enthält alle praktikablen Implementierungsoptionen, Entscheidungsüberlegungen für jede Phase und Links zu Adobe Experience League Dokumentation. 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.
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.
Anwendungsfallmuster
Verhaltensempfehlung
Generieren Sie Empfehlungen auf Element- oder Inhaltsebene basierend auf Verhaltenssignalen, indem Sie AJO-Entscheidungsauswahlstrategien und Rangfolgemodelle verwenden, um kontextuelle Inhalte bereitzustellen.
Funktionskette: Aufnahme von Verhaltenssignalen > Bewertung der Entscheidungsstrategie > Empfehlungsversand > Reporting
Anleitungen zum Kombinieren von Mustern finden Sie im Abschnitt zur Musterkomposition unter Implementierungsüberlegungen .
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
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.
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:
- [ ] AJO Decisioning wird in der Ziel-Sandbox bereitgestellt und aktiviert
- [ ] Web SDK oder Mobile SDK wird bereitgestellt und erfasst Verhaltensereignisse mit Produkt-/Inhaltskennungen
- [ ] Produkt- oder Inhaltskatalogdaten stehen zur Aufnahme zur Verfügung (Produktname, Kategorie, Preis, Bild-URL, Verfügbarkeit)
- [ ] Schemata für Verhaltensereignisse enthalten Element-/Produktkennungen, die mit Katalogelementen verknüpft sind
- [ ] Datenstrom wird mit aktiviertem Adobe Journey Optimizer-Service konfiguriert (erforderlich für Edge Decisioning)
- [ ] Zusammenführungsrichtlinie mit
isActiveOnEdge: trueist konfiguriert (erforderlich für Web-/App-Empfehlungen in Echtzeit) - [ ] Für E-Mail-Empfehlungen (Option C): Die E-Mail-Kanaloberfläche ist konfiguriert und validiert
- [ ] Für E-Mail-Empfehlungen (Option C): Die Zielgruppe wird definiert und ausgewertet
Implementierungsoptionen
Die folgenden Optionen beschreiben verschiedene Ansätze zur Implementierung von Verhaltensempfehlungen. Wählen Sie die Option aus, die Ihren Kanalanforderungen und technischen Einschränkungen am besten entspricht.
Option A: Web-Echtzeitempfehlungen
Am besten geeignet für: Produkt- oder Inhaltsempfehlungen auf Web-Seiten - Crosssell-Widgets für Produktdetailseiten, Karussells für Homepage-Empfehlungen, personalisierte Listen für Kategorieseiten und Personalisierung von Suchergebnissen.
Funktionsweise:
Verhaltenssignale werden in Echtzeit über Web SDK erfasst, während Besucher die Website durchsuchen. Jede Seitenansicht, Produktinteraktion oder Suchanfrage wird an AEP gestreamt und mit dem Besucherprofil verknüpft (über ECID für anonyme Besucher oder authentifizierte Identität für bekannte Besucher). Wenn eine Seite mit einer Recommendations-Oberfläche geladen wird, fordert der Web SDK von AJO über die Edge Network eine Entscheidungsbewertung an. Die Decisioning-Engine wertet das Verhaltensprofil des Besuchers anhand der Auswahlstrategie aus, wendet die Rangfolgelogik an, filtert nicht infrage kommende Artikel (bereits gekauft, nicht vorrätig) heraus und gibt die empfohlenen Artikel zurück.
Empfehlungen werden auf der Seite über Code-basierte Erlebnisse oder Web-Kanaloberflächen gerendert. Das Rendering kann ein Karussell, ein Raster, ein Einzelelement-Widget oder ein beliebiges benutzerdefiniertes Layout sein, das in der Empfehlungsvorlage definiert ist. Impression- und Klickereignisse werden automatisch an AEP zurückverfolgt, um Leistungsberichte zu erhalten.
Wichtige Aspekte:
- Edge Decisioning erfordert, dass die Zusammenführungsrichtlinie auf Edge aktiv ist
- Die Empfehlungslatenz hängt von der Edge Network Reaktionszeit ab (unter 500 ms SLA für Anfragen mit einem Umfang)
- Anonyme Besucher erhalten Empfehlungen, die auf dem Verhalten während der Sitzung basieren. Bekannte Besucher profitieren von einem sitzungsübergreifenden Verhaltensverlauf
- Kaltstart-Besuchende ohne Verhaltensverlauf erhalten Fallback-Empfehlungen
Vorteile:
- Echtzeit-Personalisierung basierend auf dem Verhalten während der Sitzung
- Versand von Empfehlungen in der zweiten Sekunde über Edge Network
- Funktioniert sowohl für anonyme als auch für bekannte Besucher
- Automatisches Impression- und Klick-Tracking
- Für neue Empfehlungen ist kein Neuladen der Seite erforderlich
Einschränkungen:
- Der Edge-Profilspeicher enthält eine Teilmenge vollständiger Profilattribute
- Komplexe Ranking-Modelle mit vielen Profilattributen erfordern möglicherweise eine Hub-seitige Auswertung
- Erfordert Web SDK Bereitstellung mit verhaltensbasierter Ereignisverfolgung
Experience League:
Option B: Empfehlungen für Mobile Apps
Am besten geeignet für In-App-Produktempfehlungen, personalisierte Inhalts-Feeds, benachrichtigungsgesteuerte Empfehlungen und mobile Commerce-Erlebnisse.
Funktionsweise:
Verhaltenssignale werden über die Mobile SDK erfasst, während Benutzende mit der App interagieren. Produktansichten, Inhaltsinteraktionen, Suchen und Käufe werden an AEP gestreamt. Wenn ein Bildschirm mit einer Recommendations-Oberfläche geladen wird, fordert der Mobile SDK eine Entscheidungsbewertung an. Empfehlungen werden über In-App-Nachrichten, Inhaltskarten oder Code-basierte Erlebnisse in der Mobile App bereitgestellt.
Inhaltskarten eignen sich besonders gut für Anwendungsfälle für Empfehlungen in mobilen Apps, da sie ein Feed-ähnliches Erlebnis bieten, das Benutzende nach Belieben durchsuchen können. In-App-Nachrichten können für kontextuelle Empfehlungen verwendet werden, die durch bestimmte Verhaltensweisen ausgelöst werden (z. B. die Anzeige komplementärer Produkte nach dem Hinzufügen eines Artikels zum Warenkorb).
Wichtige Aspekte:
- Mobile SDK muss für relevante Interaktionen mit verhaltensbezogener Ereignisverfolgung konfiguriert werden
- Inhaltskarten bieten eine persistente Empfehlungsoberfläche. In-App-Nachrichten sind flüchtig
- Das Offline-Verhalten-Tracking erfordert für die zeitversetzte Ereignisübermittlung die Verwaltung der SDK-Warteschlange
- App-Store-Aktualisierungszyklen beeinflussen, wie schnell Recommendations-Rendering-Änderungen bereitgestellt werden können
Vorteile:
- Natives mobiles Erlebnis mit reibungslosem, in Mobile Apps integriertem Empfehlungsrendering
- Inhaltskarten bieten einen beständigen, durchsuchbaren Empfehlungs-Feed
- In-App-Nachrichten ermöglichen kontextbezogene, verhaltensgesteuerte Empfehlungen
- Nutzt Signale auf Geräteebene (Standort, App-Nutzungsmuster) für erhöhte Relevanz
Einschränkungen:
- Mobile SDK Integration und App-Entwicklungsressourcen erforderlich
- Für Rendering-Änderungen sind App-Aktualisierungen erforderlich (sofern keine Code-basierten Erlebnisse mit servergesteuerten Layouts verwendet werden)
- Offline-Perioden verursachen Lücken in der Erfassung von Verhaltenssignalen
Experience League:
Option C: E-Mail-Verhaltensempfehlungen
Am besten geeignet für: Produktempfehlungen in E-Mail-Kampagnen - E-Mails zum Durchsuchen von E-Mails mit angezeigten Produktempfehlungen, Crosssell-E-Mails nach dem Kauf, periodischen „Auswahlen für Sie“-Auszügen und E-Mails zur erneuten Interaktion mit personalisierten Produktvorschlägen.
Funktionsweise:
Verhaltensprofildaten, die aus früheren Sitzungen gesammelt wurden, fließen in die Auswahl der Empfehlungen zum Zeitpunkt des E-Mail-Versands oder des Renderings ein. Eine Audience wird definiert, um die entsprechenden Empfängerinnen und Empfänger anzusprechen (z. B. Besucherinnen und Besucher, die einen Browser geöffnet haben, aber keinen Kauf getätigt haben, oder Kundinnen und Kunden, die kürzlich einen Kauf getätigt haben). Eine Kampagne oder Journey ist so konfiguriert, dass sie eine E-Mail sendet, die Platzierungen für Empfehlungen enthält. Zum Zeitpunkt des Versands bewertet AJO Decisioning das Verhaltensprofil jedes Empfängers anhand der Auswahlstrategie und fügt die empfohlenen Elemente in den E-Mail-Inhalt ein.
Diese Option beruht auf dem kumulierten Verhaltensverlauf und nicht auf In-Session-Signalen. Berechnete Attribute (Kategorieaffinitätswerte, kürzliche Produktansichten, Kaufhäufigkeit) verbessern die Empfehlungsqualität für E-Mails erheblich, da sie den Verhaltensverlauf in Signale auf Profilebene unterteilen, die von der Auswahlstrategie effizient ausgewertet werden können.
Wichtige Aspekte:
- E-Mail-Empfehlungen werden zum Zeitpunkt des Versands ausgewertet, nicht zum Zeitpunkt der Öffnung - der Verhaltensprofilstatus zum Zeitpunkt des Versands bestimmt die Empfehlungen
- Berechnete Attribute werden dringend empfohlen, um die Rangfolgequalität zu verbessern
- Einschränkungen beim E-Mail-Rendering (kein JavaScript, eingeschränktes CSS) schränken die Anzeigeformate der Empfehlungen ein
- Erfordert eine konfigurierte und validierte E-Mail-Kanaloberfläche
Vorteile:
- Nutzt den vollständigen Verhaltensverlauf in allen Sitzungen für eine tiefere Personalisierung
- Integration mit bestehenden Kampagnen- und Journey-Workflows
- Effektiv für Rückgewinnungs- und Win-back-Szenarien, in denen Web-/App-Touchpoints nicht verfügbar sind
- Kann mehrere Recommendations-Platzierungen in einer E-Mail enthalten
Einschränkungen:
- Empfehlungen sind zum Zeitpunkt des Versands statisch und werden beim Öffnen der E-Mail nicht aktualisiert
- Einschränkungen beim E-Mail-Rendering begrenzen die Anzeigeformate von Recommendations
- Zielgruppenevaluierung und Infrastruktur für Kampagnen-/Journey-Orchestrierung erforderlich
- Höhere Implementierungskomplexität aufgrund zusätzlicher Abhängigkeiten (Kanalkonfiguration, Zielgruppendefinition, Kampagnenausführung)
Experience League:
Vergleich von Optionen
In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen den Implementierungsoptionen zusammengefasst.
Wählen der richtigen Option
Verwenden Sie die folgenden Anleitungen, um die beste Option für Ihre Situation auszuwählen:
- Beginnen Sie mit Option A wenn Ihr primäres Ziel Echtzeit-Produktempfehlungen auf Ihrer Website sind. Dies ist der häufigste Ausgangspunkt und bietet einen sofortigen Wert bei der geringsten Implementierungskomplexität.
- Wählen Sie Option B, wenn Ihre Mobile App ein primärer Interaktionskanal ist und In-App-Empfehlungen eine aussagekräftige Steigerung der Konversionsrate bewirken würden. Option B kann parallel zu Option A ausgeführt werden, wobei dieselben Auswahlstrategien und Artikelkataloge verwendet werden.
- Fügen Sie Option C hinzu, wenn Sie Verhaltensempfehlungen auf E-Mail-Kampagnen erweitern möchten. Dies wird in der Regel über Option A oder B geschichtet, wobei dieselben Elementkataloge und Auswahlstrategien verwendet werden, jedoch mit E-Mail-spezifischen Rendering-Vorlagen und zielgruppenbasiertem Targeting.
- Kombinieren Sie die Optionen A + C für ein gängiges Muster: Web-Empfehlungen in Echtzeit für aktive Besucher sowie E-Mail-Empfehlungen für Besuchende, die das System verlassen, ohne zu konvertieren, wenn sie das System verlassen haben oder nach dem Kauf E-Mails abbrechen.
Implementierungsphasen
Die folgenden Phasen führen Sie durch die End-to-End-Implementierung von Verhaltensempfehlungen.
Phase 1: Konfigurieren des Verhaltensereignisschemas und der Datenerfassung
Anwendungsfunktion: AEP: Datenmodellierung und -vorbereitung (F2), AEP: Datenquellen und -erfassung (F3)
In dieser Phase werden die XDM-Schemata, Datensätze und Datenerfassungsmechanismen erstellt, die Verhaltenssignale und Elementkatalogdaten erfassen. Von dieser Datengrundlage hängt die gesamte Empfehlungslogik ab.
Entscheidung: Design von Verhaltensereignisschemata
Welche Verhaltenssignale sollten Empfehlungen auslösen?
Entscheidung: Methode zur Erfassung des Artikelkatalogs
Wie wird das Produkt oder der Inhaltskatalog in AEP aufgenommen?
UI-Navigation: Daten-Management > Schemata > Schema erstellen; Datenerfassung > Datenströme > Neuer Datenstrom
Wichtige Konfigurationsdetails:
- Das Erlebnisereignis-Schema muss Produkt-/Elementkennungen (SKU, Produkt-ID, Inhalts-ID) in der Ereignis-Payload enthalten
- Das Artikelkatalogschema sollte Attribute enthalten, die für Filterung und Rangfolge verwendet werden: Kategorie, Preis, Bild-URL, Verfügbarkeitsstatus, Tags
- Für den Datenstrom muss Adobe Journey Optimizer -Service für Edge Decisioning aktiviert sein
- Web SDK
sendEventmüssen Produktinteraktionsdaten enthalten, die XDM Commerce-Feldern zugeordnet sind
Dokumentation zu Experience League:
Phase 2: Konfigurieren von Identität und Profil
Anwendungsfunktion: AEP: Identitäts- und Profilkonfiguration (F4)
In dieser Phase werden Identity-Namespaces, primäre Identitätsbezeichnungen und Zusammenführungsrichtlinien eingerichtet, die sicherstellen, dass Verhaltenssignale korrekt mit Besucherprofilen verknüpft und für die Bereitstellung von Empfehlungen in Echtzeit verfügbar sind.
Entscheidung: Zusammenführungsrichtlinie für Edge Decisioning
Erfordert der Anwendungsfall „Empfehlung“ eine Evaluierung in Echtzeit durch Edge?
Entscheidung: Anonymer vs. bekannter Besucher-ID
Wie sollten Verhaltenssignale anonymer Besucher gehandhabt werden?
UI-Navigation: Identitäten > Identity-Namespaces; Profile > Zusammenführungsrichtlinien
Wichtige Konfigurationsdetails:
- Der ECID-Namespace ist vorkonfiguriert und wird automatisch von Web SDK und Mobile SDK verwendet
- Benutzerdefinierte Identity-Namespaces (CRM-ID, Treueprogramm-ID) müssen für eine authentifizierte Identität erstellt werden
- Die Primäre Identität im Erlebnisereignisschema sollte ECID für Web-/Mobile-Verhaltensereignisse sein.
- Zusammenführungsrichtlinie muss privates Gerätediagramm für die Identitätszuordnung zwischen Geräten verwenden
Dokumentation zu Experience League:
Phase 3: Einrichten des Artikelkatalogs und der Auswahlstrategie
Anwendungsfunktion: AJO: Decisioning
In dieser Phase werden der Elementkatalog (Entscheidungselemente), Auswahlstrategien, die Verhaltenssignale mit Elementattributen für die Rangfolge kombinieren, Filterregeln zum Ausschließen nicht auswählbarer Elemente und Fallback-Empfehlungen für Kaltstart-Profile konfiguriert.
Entscheidung: Umfang des Artikelkatalogs
Welche Artikel können empfohlen werden?
Entscheidung: Ranking-Ansatz
Wie sollten die geeigneten Elemente eingestuft werden, um die besten Empfehlungen zu ermitteln?
Entscheidung: Filterregeln
Welche Elemente sollten aus den Empfehlungen ausgeschlossen werden?
Entscheidung: Kaltstart-Strategie
Was sollte neuen Besuchern ohne Verhaltensverlauf angezeigt werden?
UI-Navigation: Journey Optimizer > Komponenten > Entscheidungs-Management > Entscheidungen; Journey Optimizer > Komponenten > Entscheidungs-Management > Angebote; Journey Optimizer > Komponenten > Entscheidungs-Management > Platzierungen
Wichtige Konfigurationsdetails:
- Erstellen Sie Entscheidungselemente, die jedes Produkt oder jedes Inhaltselement im Katalog darstellen, mit Attributen (Kategorie, Preis, Bild-URL, Tags)
- Definieren Sie Auswahlstrategien, die die Elementkatalogfilterung mit einer Verhaltensranking-Logik kombinieren
- Konfigurieren von Rangfolgemodellen - Formelbasierte Ausdrücke können auf Profilattribute verweisen (z. B. Kategorieaffinitätswerte aus berechneten Attributen)
- Erstellen von Fallback-Angeboten/Elementen, die als Standardempfehlungen für Kaltstart-Profile dienen
- Organisieren von Elementen in Sammlungen mithilfe von Sammlungsqualifizierern (Tags) für die logische Gruppierung
- Richten Sie Filterregeln innerhalb von Auswahlstrategien ein, um Geschäftsregeln durchzusetzen (nur gekaufte, nicht vorrätige)
Dokumentation zu Experience League:
Phase 4: Konfigurieren von Kanal und Oberfläche
Anwendungsfunktion: AJO: Kanalkonfiguration
In dieser Phase werden die Versandoberflächen konfiguriert, auf denen Empfehlungen gerendert werden. Die Konfiguration variiert je nach Implementierungsoption erheblich.
Entscheidung: Typ der Versandoberfläche
Wo werden die Empfehlungen angezeigt?
Wo die Optionen unterschiedlich sind:
Für Option A (Web-Echtzeitempfehlungen):
Konfigurieren einer Code-basierten Erlebnis- oder Web-Kanaloberfläche. Code-basierte Erlebnisse bieten die größte Flexibilität für das Rendern benutzerdefinierter Empfehlungen (Karussells, Raster, Elementkarten). Der Oberflächen-URI gibt an, wo auf der Seite Empfehlungen angezeigt werden.
Für Option B (Empfehlungen für Mobile Apps):
Konfigurieren der Oberflächen für In-App-Nachrichten oder Inhaltskarten. Inhaltskarten werden für persistente Recommendations-Feeds empfohlen. In-App-Nachrichten eignen sich gut für kontextbezogene, verhaltensgesteuerte Empfehlungen.
Für Option C (E-Mail-Verhaltensempfehlungen):
Konfigurieren Sie eine E-Mail-Kanaloberfläche mit Subdomain-Zuweisung, IP-Pool-Zuweisung und Absendereinstellungen. Stellen Sie sicher, dass die Zustellbarkeit der Oberfläche validiert wurde.
UI-Navigation: Administration > Kanäle > Kanaloberflächen > Oberfläche erstellen
Dokumentation zu Experience League:
Phase 5: Konfigurieren von Inhalt und Bereitstellung
Anwendungsfunktion: AJO: Nachrichtenbearbeitung
In dieser Phase werden die Recommendations-Rendering-Vorlagen definiert, die steuern, wie dem Besucher empfohlene Elemente angezeigt werden. Dazu gehören der Design-Entwurf des Element-Layouts, Personalisierungsausdrücke, die Elementattribute (Name, Bild, Preis, Link) abrufen, und das allgemeine Design des Empfehlungserlebnisses.
Entscheidung: Anzeigeformat der Empfehlung
Wie sollten empfohlene Elemente gerendert werden?
Entscheidung: Anzahl der anzuzeigenden Empfehlungen
Wie viele Elemente sollte die Entscheidung pro Platzierung zurückgeben?
Wo die Optionen unterschiedlich sind:
Für Option A (Web-Echtzeitempfehlungen):
Entwerfen Sie das Recommendations-Rendering mithilfe von Code-basierten Erlebnisvorlagen. Verwenden Sie HTML/CSS/JavaScript, um das Karussell-, Raster- oder Widget-Layout zu erstellen. Personalization-Ausdrücke verweisen auf die Attribute der Entscheidungsantwort (Elementname, Bild-URL, Preis, Produkt-URL). Impression- und Klick-Tracking werden automatisch vom Web SDK verarbeitet.
Für Option B (Empfehlungen für Mobile Apps):
Konfigurieren Sie Inhaltskarten- oder In-App-Nachrichtenvorlagen mit der Logik der Elementanzeige. Verwenden Sie JSON-basierte Inhaltsstrukturen, die von der Mobile App nativ gerendert werden. Schließen Sie Deep-Links für jedes empfohlene Element ein.
Für Option C (E-Mail-Verhaltensempfehlungen):
Entwerfen von E-Mail-Inhalten mit der E-Mail-Designer. Einfügen von Recommendations-Platzierungen mithilfe von entscheidungsgestützten Inhaltsbausteinen. Konfigurieren von Personalisierungsausdrücken für Elementattribute in der E-Mail-Vorlage. Die Personalisierung der Betreffzeile kann auf die am häufigsten empfohlenen Elemente verweisen.
Benutzeroberflächennavigation: Content-Management > Inhaltsvorlagen; Kampagne/Journey > Inhalt bearbeiten > E-Mail-Designer
Wichtige Konfigurationsdetails:
- Jede Platzierung einer Empfehlung muss sich auf die in Phase 3 erstellte Entscheidung beziehen
- Personalization-Ausdrücke verwenden Handlebars-Syntax zum Rendern von Elementattributen
- Für das Web: Konfigurieren des Code-basierten Erlebnisses, um die Entscheidung aufzurufen und die Antwort zu rendern
- Für E-Mail: Entscheidung in die E-Mail-Aktion innerhalb der Kampagne oder Journey einbetten
- Vorschau von Recommendations mit Testprofilen mit bekanntem Verhaltensverlauf
Dokumentation zu Experience League:
Phase 6: Einrichten der Zielgruppen-Scoping und Kampagne/Journey (nur Option C)
Anwendungsfunktion: RT-CDP: Zielgruppenauswertung, AJO: Kampagnenausführung oder Journey Orchestration
Bei E-Mail-basierten Empfehlungen (Option C) wird in dieser Phase die Zielgruppe definiert und die Kampagne oder Journey konfiguriert, die die E-Mail mit den Empfehlungen versendet. Die Optionen A und B überspringen diese Phase, da die Empfehlungen beim Laden der Seite/des Bildschirms in Echtzeit bereitgestellt werden.
Entscheidung: Methode zur Zielgruppenauswertung
Wie sollte die Zielgruppe für Recommendations-E-Mails bewertet werden?
Entscheidung: Umsetzungsmechanismus
Soll die E-Mail über eine Kampagne oder eine Journey versendet werden?
Benutzeroberflächennavigation: Kunde > Zielgruppen > Zielgruppe erstellen > Regel erstellen; Kampagnen > Kampagne erstellen; Journey > Journey erstellen
Wichtige Konfigurationsdetails:
- Definieren Sie die Zielgruppe mithilfe von Segmentregelausdrücken, die auf den Verhaltensverlauf verweisen (z. B. „Produkte, die in den letzten 7 Tagen angezeigt, aber nicht gekauft wurden„)
- Konfigurieren Sie die Kampagne oder die Journey mit der E-Mail-Aktion, die auf die Kanaloberfläche in Phase 4 verweist.
- Einbetten der Entscheidung aus Phase 3 in den E-Mail-Inhalt
- Legen Sie Zeitplan- und Häufigkeitsregeln fest, um Übernachrichten zu vermeiden
Dokumentation zu Experience League:
Phase 7: Konfigurieren von Reporting und Optimierung
Anwendungsfunktion: AJO: Reporting und Leistungsanalyse, S5: Reporting und Analyse
In dieser Phase wird eine Leistungsüberwachung für die Metriken Clickthrough, Konversion und Umsatz von Empfehlungen eingerichtet. Sie schafft die Reporting-Infrastruktur, um die Effektivität von Empfehlungen zu messen und Optimierungsmöglichkeiten zu identifizieren.
Entscheidung: Berichtstiefe
Welcher Grad an Reporting- und Analysearbeit ist erforderlich?
UI-Navigation: Kampagnen > Kampagne auswählen > Alle Zeitberichte; Journey > Journey auswählen > Alle Zeitberichte; Customer Journey Analytics > Projekte > Neues Projekt erstellen
Wichtige Konfigurationsdetails:
- Überprüfen der AJO-Kampagnen- und Journey-Berichte auf Versand- und Interaktionsmetriken
- Erstellen Sie für Customer Journey Analytics Integration eine Verbindung einschließlich AJO-Erlebnisereignis-Datensätzen (Nachrichten-Feedback, E-Mail-Tracking, Decisioning)
- Erstellen Sie eine Customer Journey Analytics Datenansicht mit empfehlungsspezifischen Dimensionen (Elementname, Elementkategorie, Empfehlungsoberfläche) und Metriken (Impressionen, Klicks, Konversionen, Umsatz)
- Erstellen von berechneten Metriken für Recommendations-CTR, Konversionsrate und Umsatz pro Impression
- Erstellen Sie Customer Journey Analytics Arbeitsbereich-Bedienfelder, in denen die Empfehlungsleistung über Oberflächen, Segmente und Zeiträume hinweg verglichen wird
Dokumentation zu Experience League:
Überlegungen bei der Implementierung
Überprüfen Sie die folgenden Leitplanken, Fallstricke, Best Practices und Kompromisse vor und während der Implementierung.
Leitplanken und Beschränkungen
- Maximal 10.000 genehmigte personalisierte Angebote (Entscheidungselemente) pro Sandbox - Entscheidungs-Management-Leitplanken
- Maximal 30 Platzierungen pro Entscheidung
- Maximal 30 Sammlungsbereiche pro Entscheidungsanfrage
- SLA mit Reaktionszeit des Angebotsversands: weniger als 500 ms bei P95 für Edge-Anfragen mit einem Umfang
- KI-Rangfolgemodelle erfordern mindestens 1.000 Konversionsereignisse für das Training.
- Angebotsbegrenzungszähler können in Szenarien mit hohem Durchsatz eine Verzögerung von bis zu einigen Sekunden aufweisen
- Edge-Entscheidungen sind auf Profilattribute beschränkt, die im Edge-Profilspeicher verfügbar sind
- Pro Sandbox kann nur eine Zusammenführungsrichtlinie in Edge aktiv sein ()
- Maximal 25 aktive berechnete Attribute pro Sandbox - Leitplanken für berechnete Attribute
- Maximal 4.000 Segmentdefinitionen pro Sandbox - Segmentierungsleitplanken
- Streaming-Aufnahme: maximal 20.000 Datensätze pro Sekunde pro HTTP-Verbindung — Aufnahme-Leitplanken
Häufige Fehler
- Entscheidung gibt nur Fallback-Elemente zurück Überprüfen Sie, ob personalisierte Entscheidungselemente innerhalb ihres Gültigkeitsdatumsbereichs genehmigt wurden und ob die Eignungsregeln mit den Profilattributen des Besuchers übereinstimmen. Vergewissern Sie sich, dass die Begrenzungen nicht erreicht wurden.
- Edge-Versand gibt eine leere Personalisierung zurück: Stellen Sie sicher, dass der Datenstrom mit aktiviertem Adobe Journey Optimizer-Service konfiguriert ist und dass der Entscheidungsumfang in der Web SDK-Anfrage korrekt formatiert ist.
- Rangfolgenformel nicht angewendet: Überprüfen Sie, ob die Formel syntaktisch gültig ist und auf barrierefreie Profilattribute verweist. Formelfehler werden im Hintergrund auf das prioritätsbasierte Ranking zurückgesetzt.
- Veraltete Empfehlungen: Wenn keine Verhaltensereignisdaten in Echtzeit fließen, basieren die Empfehlungen auf veralteten Verhaltensprofilen. Überprüfen Sie, Web SDK oder Mobile SDK aktiv Ereignisse streamt.
- Die Fallback-Rate des Kaltstarts ist zu hoch: Wenn ein großer Prozentsatz der Besucher Fallback-Empfehlungen erhält, sollten Sie die Kaltstart-Strategie mit kontextuellen Signalen (aktuelle Seitenkategorie, Empfehlungsquelle) anreichern, anstatt sich ausschließlich auf den Verhaltensverlauf zu verlassen.
- Recommendations werden auf der Seite nicht gerendert Überprüfen Sie, ob der Code-basierte Erlebnisoberflächen-URI dem Seiten-URL-Muster entspricht und ob der Web SDK die Entscheidungsantwort korrekt anfordert und rendert.
- Katalogelemente fehlen in den Empfehlungen: Stellen Sie sicher, dass alle Katalogelemente als Entscheidungselemente aufgenommen, mit den richtigen Sammlungsqualifizierern getaggt und in den entsprechenden Sammlungen enthalten sind, auf die die Auswahlstrategie verweist.
Best Practices
- Beginnen Sie mit einem formularbasierten Rangfolgemodell unter Verwendung berechneter Attribute (Kategorieaffinität, Interaktionsaktualität), bevor Sie in KI-Rangfolgemodelle investieren. Formelbasierte Modelle sind transparent, überprüfbar und bieten eine solide Grundlage für den Vergleich.
- Implementieren Sie das Impression- und Klick-Tracking vom ersten Tag an. Ohne Interaktionsdaten können KI-Rangfolgemodelle nicht trainiert und die Effektivität von Empfehlungen nicht gemessen werden.
- Erstellen Sie separate Auswahlstrategien für verschiedene Empfehlungsoberflächen (Homepage, PDP, E-Mail), anstatt eine einzelne Strategie überall wiederzuverwenden. Verschiedene Oberflächen dienen unterschiedlichen Benutzerinteressen.
- Verwenden Sie berechnete Attribute, um den Verhaltensverlauf in Ranking-Signale zu unterteilen. Die Rohdaten der Ereignisse sind für ein effektives, formularbasiertes Ranking zu granular; aggregierte Signale wie „Kategorieaffinitätswert“ und „Tage seit dem letzten Kauf“ sind effektiver.
- Testen Sie Fallback-Empfehlungen getrennt von personalisierten Empfehlungen. Stellen Sie sicher, dass Fallback-Elemente hochwertige, markengerechte Standardwerte sind, die neuen Besuchern ein gutes Erlebnis bieten.
- Überwachen Sie die Fallback-Rate für den Kaltstart als wichtige Konsistenzmetrik. Eine abnehmende Fallback-Rate im Laufe der Zeit deutet auf eine wachsende Verhaltensabdeckung hin.
- Für E-Mail-Empfehlungen sendet der Zeitplan zu Zeiten, zu denen das Verhaltensprofil am vollständigsten ist (z. B. nach Spitzenzeiten beim Browsen, nicht während dieser Zeiten).
Entscheidungen über Kompromisse
Die folgenden Kompromisse sollten auf der Grundlage Ihrer spezifischen Anforderungen bewertet werden.
Echtzeitsignale im Vergleich zum kumulierten Verlauf
Verhaltenssignale während der Sitzung geben sofortige Relevanz, sind aber begrenzt tief. Angesammelte Verhaltensdaten liefern Tiefe, können aber veraltet sein. Das Gleichgewicht zwischen diesen Quellen beeinflusst die Empfehlungsqualität.
- Option A bevorzugt: Echtzeit-Signale für unmittelbare Relevanz, ergänzt durch die gesammelte Historie für bekannte Besucher
- Option C bevorzugt: Ausschließlich kumulierter Verlauf, da E-Mails asynchron gesendet werden
- Empfehlung: Für Web- und Mobilgeräte (Optionen A, B) kombinieren Sie Sitzungssignale mit berechneten Attributen, die aus historischem Verhalten abgeleitet wurden. Investieren Sie für E-Mail (Option C) massiv in berechnete Attribute, die den Verhaltensverlauf in verwertbare Signale auf Profilebene zusammenfassen.
Formelbasierte im Vergleich zu KI-bewerteten Modellen
Das formularbasierte Ranking ist transparent und sofort. KI-bewertete Modelle passen sich automatisch an, benötigen jedoch Schulungsdaten und bieten weniger Einblick in Rangfolgeentscheidungen.
- Formelbasierte Vorteile: Transparenz, Prüfbarkeit, sofortige Bereitstellung und differenzierte Geschäftskontrolle über die Rangfolgelogik
- KI-Rangfolge-Favoriten Automatisierte Optimierung, Erkennung nicht offensichtlicher Muster und reduzierter manueller Optimierungsaufwand
- Empfehlung: Sie mit der formelbasierten Rangfolge, um eine Leistungsgrundlinie zu erstellen und Konversionsdaten zu akkumulieren. Wechseln Sie zu Modellen mit KI-Rangfolge, sobald Sie über ausreichende Schulungsdaten (über 1.000 Konversionsereignisse) verfügen und über das hinausgehen möchten, was eine manuelle Formeloptimierung erreichen kann.
Umfang der Empfehlung vs. Relevanz
Die Erweiterung des Elementkatalogs und die Lockerung der Filterregeln erhöhen den Prozentsatz der Anfragen, die personalisierte Empfehlungen erhalten, können jedoch die Relevanz pro Empfehlung verringern.
- Hohe Abdeckung favorisiert: Maximieren der Anzahl der Besucher, die personalisierte Empfehlungen sehen; nützlich, wenn das primäre Ziel die Interaktion ist
- Hochrelevante Gefälligkeiten: Nur Elemente mit hoher Relevanz werden angezeigt, auch wenn dadurch mehr Besucher Fallback-Empfehlungen erhalten. Nützlich, wenn das primäre Ziel die Konversion ist.
- Empfehlung: Beginnen Sie mit der moderaten Filterung (schließen Sie gekaufte und nicht vorrätige Artikel aus) und überwachen Sie sowohl Fallback-Rate als auch Konversionsrate. Verschärfen Sie die Filterregeln nur, wenn Konversionsdaten sie unterstützen.
Tiefe und Komplexität der Implementierung von Personalization im Vergleich
Reichhaltigere Verhaltenssignale und komplexere Rangfolgemodelle verbessern die Empfehlungsqualität, erhöhen jedoch die Komplexität der Implementierung und den Wartungsaufwand.
- Einfachere Implementierung begünstigt: Schnellere Wertschöpfung, geringere Wartung, einfachere Fehlersuche und Iteration
- Vertiefende Personalisierungsvorteile: höhere Konversionsrate, besseres Kundenerlebnis, Wettbewerbsvorteile
- Empfehlung: Implementierung in Phasen. Beginnen Sie mit Produktansichtssignalen und dem formularbasierten Ranking (Phase 1). Fügen Sie berechnete Attribute für die Verhaltensanreicherung hinzu (Phase 2). Bewerten Sie KI-Rangfolgemodelle, sobald die Grundlage ausgereift ist und ausreichende Trainingsdaten verfügbar sind (Phase 3).
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
- Entscheidungsregeln erstellen
- 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