-Events

Ereignisse sind ein wichtiges Tool zur Verbesserung des Einkaufserlebnisses und zur Steigerung von Konversionen durch die Nutzung von Echtzeit-Dateneinblicken.

Adobe Commerce Optimizer stellt Storefront-Ereignisse automatisch für Ihre Site bereit. Diese Ereignisse erfassen Daten aus den Interaktionen von Käufern auf Ihrer Site. Diese anonymisierten Daten ermöglichen Empfehlungen, Produkterkennung und Erfolgsmetriken.

Auf Seite Ereignisse“ können Sie die erfassten Storefront-Ereignisdaten beobachten. Mit einem Blick auf die Ereignisdatenerfassung können Händler überprüfen, ob sie Storefront-Ereignisse korrekt implementiert haben und ob Ereignisse erfolgreich erfasst werden. Händler können diese Seite verwenden, um potenzielle Probleme zu identifizieren und Schritte zum Beheben von Ereignisproblemen zu unternehmen.

Anzahl der Ereignisse

Die Registerkarte Anzahl von Ereignissen verfolgt Käuferinteraktionen wie Suchen, Klicks und Käufe, um Ihnen bei der Analyse von Trends und der Verbesserung des Einkaufserlebnisses zu helfen.

{modal="regular"}

Plausibilitätsprüfung

Die Registerkarte Integritätsprüfung bietet Einblicke in den Zustand jedes Verhaltensereignisses, wodurch eine genaue Datenerfassung und Funktionalität sichergestellt sind. ​

{modal="regular"}

In den folgenden Abschnitten werden Ereignisdetails für Produkterkennung und Empfehlungen beschrieben.

Produkterkennung

Die Produkterkennung nutzt Ereignisse, um Suchalgorithmen wie „Am häufigsten angezeigt“ und „Am häufigsten angezeigt, Das angezeigt“ zu unterstützen.

In dieser Tabelle werden die von der Produkterkennung verwendeten Ereignisse Rangfolgestrategien beschrieben.

Erforderliche Dashboard-Ereignisse

Einige Ereignisse sind erforderlich, um das Dashboard Suchleistung“ ​

Recommendations

Es gibt zwei Arten von Daten, die in Empfehlungen verwendet werden:

Adobe Sensei aggregiert die Verhaltens- und Katalogdaten und erstellt für jeden Empfehlungstyp Empfehlungen. Der Recommendations-Service stellt diese Recommendations dann in Form eines Widgets, das das empfohlene Produkt () enthält, in Ihrer Storefront.

Einige Empfehlungstypen verwenden Verhaltensdaten von Kundinnen und Kunden, um Modelle für maschinelles Lernen zu trainieren, um personalisierte Empfehlungen zu erstellen. Andere Empfehlungstypen verwenden nur Katalogdaten und verwenden keine Verhaltensdaten. Wenn Sie Recommendations schnell auf Ihrer Site verwenden möchten, können Sie den Empfehlungstyp More like this verwenden.

Kaltstart

Ab wann können Empfehlungstypen verwendet werden, die Verhaltensdaten verwenden? Es kommt darauf an. Dies wird als ""- bezeichnet.

Das Kaltstart-Problem bezieht sich auf die Zeit, die ein Modell benötigt, um trainiert und effektiv zu werden. Für Recommendations bedeutet dies, abzuwarten, bis Adobe Sensei genügend Daten gesammelt hat, um seine Modelle für maschinelles Lernen zu trainieren, bevor Recommendations-Einheiten auf Ihrer Site bereitgestellt werden. Je mehr Daten die Modelle haben, desto genauer und nützlicher sind die Empfehlungen. Da die Datenerfassung auf einer Live-Site erfolgt, ist es am besten, diesen Prozess frühzeitig zu starten.

Die folgende Tabelle enthält einige allgemeine Hinweise dazu, wie lange es dauert, bis für jeden Empfehlungstyp genügend Daten erfasst sind:

Andere Variablen, die sich auf die für das Training benötigte Zeit auswirken können:

Auf der Seite „Empfehlung erstellen​ werden Bereitschaftsindikatoren angezeigt, damit Sie den Trainings-Fortschritt ​ jeden Empfehlungstyp visualisieren können.

Während Daten auf Ihrer Live-Site erfasst werden und die Modelle für maschinelles Lernen trainiert werden, können Sie andere Test- und Konfigurationsaufgaben abschließen, die zum Einrichten von Empfehlungen erforderlich sind. Wenn Sie mit dieser Arbeit fertig sind, verfügen die Modelle über genügend Daten, um nützliche Empfehlungen zu erstellen, sodass Sie sie in Ihrer Storefront bereitstellen können.

Wenn auf Ihrer Site nicht genügend Traffic (Ansichten, Käufe, Trends) für die meisten Produkt-SKUs vorhanden ist, sind möglicherweise nicht genügend Daten vorhanden, um den Lernprozess abzuschließen. Dadurch kann der Bereitschaftsindikator im Recommendations-Arbeitsbereich hängen bleiben. Die Bereitschaftsindikatoren sollen Händlern einen weiteren Datenpunkt bei der Auswahl des Recommendations-Typs bieten, der für ihren Store besser ist. Die Zahlen sind Richtwerte und erreichen möglicherweise nie 100 %. Weitere ​ zu Bereitschaftsindikatoren.

Empfehlungen für Backups

Wenn die Eingabedaten nicht ausreichen, um alle angeforderten Empfehlungselemente in einer Einheit bereitzustellen, bietet Adobe Commerce Optimizer Sicherungsempfehlungen zum Ausfüllen von Empfehlungseinheiten. Wenn Sie beispielsweise den Recommended for you Empfehlungstyp auf Ihrer Homepage bereitstellen, hat ein Erstkäufer auf Ihrer Site nicht genügend Verhaltensdaten generiert, um personalisierte Produkte korrekt zu empfehlen. In diesem Fall Adobe Commerce Optimizer Elemente basierend auf dem Most viewed Empfehlungstyp an diesen Einkäufer.

Bei unzureichender Erfassung von Eingabedaten greifen die folgenden Empfehlungstypen auf Most viewed Empfehlungstyp zurück:

Empfehlungsspezifische Ereignisse

In der folgenden Tabelle sind die Ereignisse aufgeführt, die ausgelöst werden, wenn Käufer mit Empfehlungseinheiten in der Storefront interagieren. Die erfassten Ereignisdaten ermöglichen es den Metriken zu analysieren, wie gut Ihre Empfehlungen funktionieren.

Erforderliche Dashboard-Ereignisse

Die folgenden Ereignisse sind erforderlich, um das Recommendations-Performance-Dashboard“ ​

Die folgenden Ereignisse gelten nicht nur für Recommendations, sondern sind für Adobe Sensei erforderlich, um Kundendaten korrekt zu interpretieren:

Empfehlungstyp

In dieser Tabelle werden die von den einzelnen Empfehlungstypen verwendeten Ereignisse beschrieben.

Support

Wenn Sie Datendiskrepanzen feststellen oder Empfehlungen und Suchergebnisse nicht erwartungsgemäß funktionieren, ​ Sie ein Support-Ticket.