Stützen einer Empfehlung auf einen Empfehlungsschlüssel

Empfehlungen, die auf Algorithmen basieren, verwenden den Kontext des Besucherverhaltens, um relevante Ergebnisse in Adobe Target Recommendations anzuzeigen.

Jeder Algorithmustyp bietet verschiedene Algorithmen, die für seinen Typ geeignet sind, wie in der folgenden Tabelle gezeigt:

Jedes Kriterium ist in seinem eigenen Register definiert. Der Traffic wird gleichmäßig auf die verschiedenen Kriterientests verteilt. Anders ausgedrückt wird der Traffic bei zwei vorliegenden Kriterien gleichmäßig zwischen diesen aufgeteilt. Wenn Sie über zwei Kriterien und zwei Entwürfe verfügen, wird der Traffic gleichmäßig zwischen diesen vier Kombinationen aufgeteilt. Sie können auch den Prozentsatz der Websitebesucher festlegen, denen zum Vergleich der standardmäßige Inhalt gezeigt wird. In diesem Fall wird dem angegebenen Prozentsatz der Besucher der Standardinhalt angezeigt, und der Rest wird zwischen Ihren Kriterien und Designkombinationen aufgeteilt.

Weitere Informationen zum Erstellen von Kriterien und zum Definieren der Algorithmustypen und -algorithmen finden Sie unter Kriterien erstellen.

Verschiedene Recommendations-Algorithmen eignen sich zur Platzierung auf verschiedenen Seitentypen. In den folgenden Abschnitten finden Sie weitere Informationen zu den einzelnen Algorithmustypen und den verfügbaren Algorithmen.

Warenkorb-basiert cart-based

Der Warenkorb- Algorithmustyp ermöglicht die Empfehlung von Artikeln basierend auf dem Inhalt des aktuellen Warenkorbs des Besuchers. Die Empfehlungsschlüssel werden über mbox-Parameter bereitgestellt, die in kommagetrennten Werten cartIds sind. Nur die ersten 10 Werte werden berücksichtigt.

Die Warenkorb-basierte Empfehlungslogik ähnelt dem benutzerbasierten Algorithmus “Recommended For You” und den artikelbasierten Algorithmen “People Who Viewed These, ​” und “People Who Bought These, Bought These”.

Target verwendet kollaborative Filtertechniken, um Ähnlichkeiten für jedes Element im Warenkorb des Besuchers zu ermitteln, und kombiniert diese Verhaltens-Ähnlichkeiten dann über jedes Element hinweg, um eine zusammengeführte Liste zu erhalten.

Target können Marketing-Fachleute auch festlegen, ob das Besucherverhalten innerhalb einer einzelnen Sitzung oder über mehrere Sitzungen hinweg betrachtet werden soll:

Target empfiehlt für jeden Besucher basierend auf den Artikeln im aktuellen Warenkorb, unabhängig davon, ob Sie das Besucherverhalten innerhalb einer einzelnen Sitzung oder über mehrere Sitzungen hinweg betrachten.

Die folgenden Algorithmen sind mit dem Algorithmustyp Warenkorb verfügbar:

Personen, die dies angesehen haben, haben auch Folgendes angesehen

Empfiehlt die Artikel, die am häufigsten von Kunden in derselben Sitzung angesehen werden, in der der angegebene Artikel angesehen wird.

Diese Logik gibt andere Produkte zurück, die sich Personen nach der Ansicht dieses Artikels angesehen haben. Das angegebene Produkt ist nicht im Ergebnissatz enthalten.

Mit dieser Logik können Sie zusätzliche Konversionsmöglichkeiten erstellen, indem Sie Elemente empfehlen, die andere Besucher, die ein Element angesehen haben, auch angesehen haben. Besucher, die auf Ihrer Site Rennräder anzeigen, können sich beispielsweise auch Fahrradhelme, Fahrradkits, Schlösser usw. ansehen. Mit dieser Logik können Sie eine Empfehlung erstellen, die andere Produkte zur Umsatzsteigerung empfiehlt.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Leute, die dies angesehen haben, kauften auch

Empfiehlt die Artikel, die am häufigsten von Kunden in derselben Sitzung angesehen werden, in der der angegebene Artikel angesehen wird.

Diese Logik gibt andere Produkte zurück, die nach dem Anzeigen dieses Produkts gekauft wurden. Das angegebene Produkt ist nicht im Ergebnissatz enthalten.

Mit dieser Logik können Sie die Crossselling-Möglichkeiten verbessern, indem Sie z. B. eine Empfehlung auf einer Produktseite anzeigen, die Artikel anzeigt, die andere Besucher, die den gekauften Artikel angesehen haben. Wenn der Besucher beispielsweise einen Angelstock betrachtet, könnte die Empfehlung zusätzliche Artikel anzeigen, die andere Besucher gekauft haben, z. B. Angelkästen, Watvögel und Angelköder. Wenn Besucher Ihre Website durchsuchen, können Sie ihnen zusätzliche Kaufempfehlungen geben.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Personen, die dies gekauft haben, kauften auch

Empfiehlt Artikel, die am häufigsten von Kunden zur selben Zeit gekauft werden, wie der angegebene Artikel.

Diese Logik gibt andere Produkte zurück, die Personen nach dem Kauf dieses gekauft haben. Das angegebene Produkt ist nicht im Ergebnissatz enthalten.

Mit dieser Logik können Sie die Crossselling-Möglichkeiten verbessern, indem Sie beispielsweise eine Empfehlung auf einer Warenkorb-Zusammenfassungsseite anzeigen, die Artikel anzeigt, die andere Käufer ebenfalls gekauft haben. Wenn der Besucher beispielsweise einen Anzug kauft, kann die Empfehlung zusätzliche Artikel anzeigen, die andere Besucher zusammen mit dem Anzug gekauft haben, z. B. Krawatten, Kleiderschuhe und Manschettenknöpfe. Wenn Besucher ihre Käufe überprüfen, geben Sie ihnen zusätzliche Empfehlungen.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Beliebtheitsbasiert

Mit ​ Algorithmustyp “” können Sie Empfehlungen auf Grundlage der allgemeinen Popularität eines Elements auf Ihrer Site oder auf der Grundlage der Popularität von Elementen innerhalb der bevorzugten oder am häufigsten angezeigten Kategorie, Marke, Genre usw. einer Benutzerin oder eines Benutzers geben.

Die folgenden Algorithmen sind mit dem Algorithmustyp Beliebtheit verfügbar:

Am häufigsten auf der Website angezeigt most-viewed

Die Empfehlung wird durch das Element bestimmt, das am häufigsten angezeigt wurde. Dies wird vom Neuigkeits-/Häufigkeitskriterium bestimmt, das wie folgt funktioniert:

Wenn Sie beispielsweise Surfbrett A und dann Surfbrett B in einer Sitzung anzeigen, erhalten Sie A: 10, B: 5. Wenn die Sitzung beendet ist, haben Sie A: 5, B: 2.5. Wenn Sie dieselben Elemente in der nächsten Sitzung anzeigen, ändern sich die Werte in A: 15 B: 7,5.

Verwenden Sie diesen Algorithmus für allgemeine Seiten wie Startseiten oder Landingpages und Offsite-Anzeigen.

Am häufigsten angezeigt nach Kategorie most-viewed-category

Die Empfehlung wird von der Kategorie bestimmt, die am meisten Aktivität verzeichnete, wobei dieselbe Methode wie für den am häufigsten angezeigten Artikel verwendet wird, statt Produkten jedoch Kategorien bewertet werden.

Dies wird vom Neuigkeits-/Häufigkeitskriterium bestimmt, das wie folgt funktioniert:

Kategorien, die zum ersten Mal besucht werden, erhalten 10 Punkte. Für nachfolgende Besuche derselben Kategorie werden 5 Punkte vergeben. Bei jedem Besuch werden nicht aktuelle Kategorien, die zuvor besucht wurden, um 1 reduziert.

Wenn Sie beispielsweise Kategorie A und dann Kategorie B in einer Sitzung anzeigen, erhalten Sie A: 9, B: 10. Wenn Sie in der nächsten Sitzung dieselben Elemente ansehen, ändern sich die Werte in A: 20 B: 9.

Verwenden Sie diesen Algorithmus für allgemeine Seiten wie Startseiten oder Landingpages und Offsite-Anzeigen.

Wenn Sie den Algorithmus Am häufigsten angezeigt nach Kategorie auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Am häufigsten angezeigt nach Elementattribut

Empfiehlt Elemente oder Medien, die den am häufigsten angezeigten Elementen oder Medien auf Ihrer Site ähneln.

Mit diesem Algorithmus können Sie auswählen, auf welchem Elementattribut die Empfehlung basieren soll, z. B. „Name“ oder „Marke“.

Wählen Sie dann aus, welche im Besucherprofil gespeicherten Profilattribute übereinstimmen sollen, z. B. „Lieblingsmarke“, „Zuletzt zum Warenkorb hinzugefügt“ oder „Am häufigsten angezeigt“.

Topverkäufe auf der Website top-sellers

Zeigt die Artikel an, die in den am häufigsten abgeschlossenen Bestellungen auf der gesamten Website enthalten sind. Wenn derselbe Artikel in einer Bestellung mehrmals bestellt wurde, zählt dies als eine Bestellung.

Mit diesem Algorithmus können Sie Empfehlungen für meistverkaufte Artikel auf Ihrer Site erstellen, um die Konversionen und den Umsatz zu steigern. Diese Logik eignet sich besonders für Erstbesucher Ihrer Site.

Topverkäufe nach Kategorie

Zeigt die Artikel an, die in den am häufigsten abgeschlossenen Bestellungen nach Kategorie enthalten sind. Wenn derselbe Artikel in einer Bestellung mehrmals bestellt wurde, zählt dies als eine Bestellung.

Mit diesem Algorithmus können Sie basierend auf der Kategorie Empfehlungen für die meistverkauften Artikel auf Ihrer Site erstellen, um Konversionen und Umsätze zu steigern. Diese Logik eignet sich besonders für Erstbesucher Ihrer Site.

Wenn Sie den Algorithmus Am häufigsten angezeigt nach Kategorie auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Topverkäufe nach Artikelattribut

Empfiehlt Artikel oder Medien, die den meistgekauften Artikeln oder Medien auf Ihrer Site ähnlich sind.

Mit diesem Algorithmus können Sie auswählen, auf welchem Elementattribut die Empfehlung basieren soll, z. B. „Name“ oder „Marke“.

Wählen Sie dann aus, welche im Besucherprofil gespeicherten Profilattribute übereinstimmen sollen, z. B. „Lieblingsmarke“, „Zuletzt zum Warenkorb hinzugefügt“ oder „Am häufigsten angezeigt“.

Am häufigsten angezeigt nach Profilattribut

Empfiehlt, die am häufigsten angezeigten Elemente nach einem Besucherprofilattribut und nicht nach Elementinformationen zu gruppieren, wie dies bei Am häufigsten angezeigt nach Kategorie und Am häufigsten angezeigt nach ​ der Fall ist. Target führt für jeden Attributwert eine eigene Rangliste und zeigt zum Zeitpunkt der Bereitstellung jedem Besucher die Liste an, die seinem eigenen gespeicherten Wert entspricht.

Dieser Algorithmus hängt davon ab, dass ein Profilskript das Attribut ausfüllt. Der Name des Skripts muss mit dem Präfix recsAttribute beginnen, damit Target ihn als user.recsAttribute<Name> speichert. Sie können ein Skript für jedes Besuchermerkmal schreiben, das für Ihren Anwendungsfall relevant ist.

Weitere Informationen zum Festlegen von Profilattributen mithilfe von Profilskripten finden Sie dieser Seite.

Ein Skript mit dem Namen recsAttributeRegion, das Empfehlungen auf der Region des Besuchers basiert, könnte beispielsweise wie folgt aussehen:

var region = mbox.param('userRegion');
if (region) return region;

Nachdem das Skript erstellt und aktiviert wurde, wird ​ entsprechende Eintrag ​Region“ in der Dropdown-Liste Profilattribut des Fensters Kriterien erstellen verfügbar. Beachten Sie, dass das recsAttribute selbst nicht in der Dropdown-Liste angezeigt wird.

Topverkäufe nach Profilattribut

empfiehlt, die meistverkauften Artikel nach einem Besucherprofilattribut und nicht nach Artikelinformationen zu gruppieren, wie dies bei Topverkäufe nach Kategorie und Topverkäufe nach ​ der Fall ist. Target führt eine separate Topseller-Liste pro Attributwert und zeigt zum Zeitpunkt der Bereitstellung jedem Besucher die Liste an, die seinem eigenen gespeicherten Wert entspricht.

Wie bei Am häufigsten nach Profilattribut angezeigt hängt dieser Algorithmus von einem Profilskript ab, um das Attribut auszufüllen. Der Name des Skripts muss mit dem Präfix recsAttribute beginnen, damit Target es als user.recsAttribute<Name> speichert. Sie können ein Skript für jedes Besuchermerkmal schreiben, das für Ihren Anwendungsfall relevant ist. Weitere Informationen zum Festlegen von Profilattributen mithilfe von Profilskripten finden Sie dieser Seite.

Ein Skript mit dem Namen recsAttributeLoyaltyTier, das Empfehlungen auf der Treuestufe des Besuchers basiert, könnte beispielsweise wie folgt aussehen:

var tier = mbox.param('visitorLoyaltyTier');
if (tier) return tier;

Nachdem das Skript erstellt und aktiviert wurde, wird ​ entsprechende Eintrag ​Treuestufe“ in der Dropdown-Liste „Profilattribut“ im Fenster „Kriterien erstellen“ verfügbar. Beachten Sie, dass das recsAttribute selbst nicht in der Dropdown-Liste angezeigt wird.

Am besten nach Analytics-Metrik

Zeigt das „Top x“ an, wobei x eine beliebige Analytics-Metrik ist. Bei der Verwendung von Verhaltensdaten aus Mboxes können Sie Am häufigsten verkauft oder Am häufigsten angezeigt (x = „verkauft“ oder x = „Angezeigt„) verwenden. Wenn Sie Verhaltensdaten aus Adobe Analytics verwenden, können Sie x = „Hinzufügen zum Warenkorb“ oder eine andere Analytics Metrik verwenden.

Elementbasiert

Mit ​ Empfehlungstyp (Elementbasiert können Sie Empfehlungen geben, indem Sie ähnliche Elemente finden wie ein Element, das der Benutzer gerade anzeigt oder kürzlich angeschaut hat.

Die folgenden Algorithmen sind mit dem Algorithmustyp Elementbasiert verfügbar:

Personen, die dies angesehen haben, haben dies angesehen viewed-viewed

Empfiehlt die Artikel, die am häufigsten von Kunden in derselben Sitzung angesehen werden, in der der angegebene Artikel angesehen wird.

Diese Logik gibt andere Produkte zurück, die Personen nach der Ansicht dieses Produkts angesehen haben. Das angegebene Produkt ist nicht im Ergebnissatz enthalten.

Mit dieser Logik können Sie zusätzliche Konversionsmöglichkeiten erstellen, indem Sie Elemente empfehlen, die andere Besucher, die ein Element angesehen haben, auch angesehen haben. Besucher, die auf Ihrer Site Rennräder anzeigen, können sich beispielsweise auch Fahrradhelme, Fahrradkits, Schlösser usw. ansehen. Mit dieser Logik können Sie eine Empfehlung erstellen, die andere Produkte zur Umsatzsteigerung empfiehlt.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Leute, die das angesehen haben, kauften das viewed-bought

Empfiehlt die Artikel, die am häufigsten von Kunden in derselben Sitzung angesehen werden, in der der angegebene Artikel angesehen wird. Dieses Kriterium gibt andere Produkte zurück, die Personen nach dem Ansehen dieses Artikels gekauft haben. Das angegebene Produkt ist nicht in der Ergebnismenge enthalten.

Diese Logik gibt andere Produkte zurück, die nach dem Anzeigen dieses Produkts gekauft wurden. Das angegebene Produkt ist nicht im Ergebnissatz enthalten.

Mit dieser Logik können Sie die Crossselling-Möglichkeiten verbessern, indem Sie z. B. eine Empfehlung auf einer Produktseite anzeigen, die Artikel anzeigt, die andere Besucher, die den gekauften Artikel angesehen haben. Wenn der Besucher beispielsweise einen Angelstock betrachtet, könnte die Empfehlung zusätzliche Artikel anzeigen, die andere Besucher gekauft haben, z. B. Angelkästen, Watvögel und Angelköder. Wenn Besucher Ihre Website durchsuchen, können Sie ihnen zusätzliche Kaufempfehlungen geben.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Personen, die das gekauft haben, kauften das bought-bought

Empfiehlt Artikel, die am häufigsten von Kunden zur selben Zeit gekauft werden, wie der angegebene Artikel.

Diese Logik gibt andere Produkte zurück, die Personen nach dem Kauf dieses gekauft haben. Das angegebene Produkt ist nicht im Ergebnissatz enthalten.

Mit dieser Logik können Sie die Crossselling-Möglichkeiten verbessern, indem Sie beispielsweise eine Empfehlung auf einer Warenkorb-Zusammenfassungsseite anzeigen, die Artikel anzeigt, die andere Käufer ebenfalls gekauft haben. Wenn der Besucher beispielsweise einen Anzug kauft, kann die Empfehlung zusätzliche Artikel anzeigen, die andere Besucher zusammen mit dem Anzug gekauft haben, z. B. Krawatten, Kleiderschuhe und Manschettenknöpfe. Wenn Besucher ihre Käufe überprüfen, geben Sie ihnen zusätzliche Empfehlungen.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Elemente mit ähnlichen Attributen similar-attributes

Empfiehlt auf Grundlage von aktueller Seitenaktivität oder früherem Besucherverhalten Artikel oder Medien, die eine Ähnlichkeit zu anderen Artikeln oder Medien aufweisen.

Wenn Sie Elemente mit ähnlichen Attributen oder Medien mit ähnlichen Attributen auswählen, haben Sie die Möglichkeit, Regeln für die Ähnlichkeit von Inhalten festzulegen.

Die Verwendung der Inhaltsähnlichkeit zum Generieren von Empfehlungen ist besonders effektiv für neue Elemente, die wahrscheinlich nicht in Empfehlungen angezeigt werden, wenn Personen, die dies angesehen haben, angezeigt haben und andere Logiken verwendet werden, die auf vergangenem Verhalten basieren. Anhand der Ähnlichkeit von Inhalten können sinnvolle Empfehlungen für neue Benutzer erstellt werden, für die noch keine historischen Daten oder Einkäufe verzeichnet wurden.

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Recommendations-Schlüssel auswählen:

Weitere Informationen finden Sie unter Inhaltsähnlichkeit.

Benutzerbasiert

Mit ​ Algorithmustyp „Benutzerbasiert können Sie Empfehlungen auf der Grundlage des Benutzerverhaltens geben.

Die folgenden Algorithmen sind mit dem Algorithmustyp Benutzerbasiert verfügbar:

Vor Kurzem aufgerufene Artikel recently-viewed

Nutzt den Verlauf des Benutzers (sitzungsübergreifend) für die Anzeige der letzten x vom Besucher angesehenen Artikel, basierend auf der Anzahl x der im Entwurf vorhandenen Plätze.

Der Kürzlich angezeigte Elemente-Algorithmus gibt ein für eine bestimmte Umgebung) spezifisches Ergebnis ​. Wenn zwei Sites zu unterschiedlichen Umgebungen gehören und ein Besucher zwischen den beiden Sites wechselt, zeigt jede Site nur die jeweiligen Elemente der entsprechenden Umgebung an. Wenn sich zwei Sites in derselben Umgebung befinden und ein Besucher zwischen den beiden Sites wechselt, sieht der Besucher für beide Sites die gleichen zuletzt angezeigten Elemente.

Zuletzt angezeigte Elemente oder Zuletzt angezeigte Medien können gefiltert werden, sodass nur Elemente mit einem bestimmten Attribut angezeigt werden.

Zu den möglichen Anwendungsfällen gehört, dass ein multinationales Unternehmen mit mehreren Unternehmen über eine Besucheransicht von Elementen über mehrere digitale Eigenschaften verfügen kann. In diesem Fall können Sie die kürzlich angezeigten Elemente so begrenzen, dass nur die entsprechende Eigenschaft angezeigt wird, wo sie angezeigt wurden. Dadurch wird verhindert, dass kürzlich angesehene Elemente auf der Website einer anderen digitalen Eigenschaft angezeigt werden.

Verwenden Sie diesen Algorithmus für allgemeine Seiten wie Startseiten oder Landingpages und Offsite-Anzeigen.

Empfohlen für Sie recommended-for-you

Empfiehlt Artikel basierend auf dem Browse-, Anzeige- und Kaufverlauf jedes Besuchers.

Dieser Algorithmus ermöglicht die Bereitstellung personalisierter Inhalte und Erlebnisse für neue und wiederkehrende Besucher. Die Liste der Recommendations wird mit der neuesten Aktivität des Besuchers gewichtet. Sie wird während der Sitzung aktualisiert und im Laufe des Browsens mehr personalisiert.

Sowohl Ansichten als auch Käufe werden verwendet, um die empfohlenen Artikel zu bestimmen. Der angegebene Empfehlungsschlüssel (z. B. Aktuelles Element) wird zum Anwenden aller von Ihnen ausgewählten Einschlussregelfilter verwendet.

Sie können zum Beispiel:

Wenn Sie diesen Algorithmus auswählen, können Sie die folgenden Filterschlüssel auswählen:

Benutzerdefinierte Kriterien custom

Der Algorithmustyp Benutzerdefinierte Kriterien ermöglicht es Ihnen, Empfehlungen auf der Grundlage einer benutzerdefinierten Datei zu geben, die Sie hochladen.

Die Empfehlung wird durch ein Element bestimmt, das im Profil eines Besuchers gespeichert ist und entweder das Attribut user.x oder das Attribut profile.x verwendet.

Wurde diese Option ausgewählt, muss der Wert entity.id im Profilattribut enthalten sein.

Wenn Sie Empfehlungen auf Grundlage von benutzerspezifischen Attributen erstellen, müssen Sie das benutzerspezifische Attribut auswählen und anschließend den Empfehlungstyp festlegen.

Zusätzlich zur Ausgabe Ihrer eigenen benutzerspezifischen Kriterien können Sie in Echtzeit filtern. So können Sie beispielsweise Ihre empfohlenen Elemente so begrenzen, dass nur die Favoritenkategorie oder -marke eines Besuchers angezeigt wird. Dadurch können Sie Offline-Berechnungen mit der Echtzeitfilterung kombinieren.

Diese Funktion bedeutet, dass Sie Target verwenden können, um zusätzlich zu Ihren offline berechneten Empfehlungen oder benutzerdefinierten Listen eine Personalisierung hinzuzufügen. Dadurch lässt sich die Leistung Ihrer Datenwissenschaftler und Ihrer Datenrecherche mit der bewährten Bereitstellung, der Laufzeitfilterung, den A/B-Tests, dem Targeting, der Berichterstellung, den Integrationen und mehr von Adobe kombinieren.

Mit der Hinzufügung von Einschlussregeln für benutzerdefinierte Kriterien wandelt dies ansonsten statische Empfehlungen in dynamische Empfehlungen auf der Grundlage der Interessen eines Besuchers um.

Mögliche Nutzungsszenarien:

Empfehlungsschlüssel keys

Die folgenden Empfehlungsschlüssel sind in der Dropdown-Liste Empfehlungsschlüssel verfügbar:

Aktuelles Element current-item

Die Empfehlung wird vom Artikel bestimmt, den der Besucher momentan ansieht.

Empfehlungen zeigen andere Artikel an, die den Besucher aufgrund seiner derzeitigen Artikelwahl ebenfalls interessieren könnten.

Wenn diese Option ausgewählt ist, muss der entity.id-Wert als Parameter in der Anzeige-Mbox weitergeleitet werden.

Kann mit den folgenden Algorithmen verwendet werden:

Verwenden Sie den Aktuelles Element Empfehlungsschlüssel auf Ihrer Site für:

Zuletzt gekaufter Artikel last-purchased

Die Empfehlung wird durch den letzten Artikel bestimmt, der von dem jeweiligen Unique Visitor gekauft wurde. Dies wird automatisch erfasst, sodass keine Werte auf der Seite übergeben werden müssen.

Kann mit den folgenden Algorithmen verwendet werden:

Verwenden Sie den Letzter gekaufter Artikel Empfehlungsschlüssel auf Ihrer Site für:

Schlüssel für benutzerdefinierte Empfehlungen

Sie können Empfehlungen auf dem Wert eines benutzerdefinierten Profilattributs basieren. Angenommen, Sie möchten empfohlene Filme basierend auf dem Film anzeigen, den ein Besucher der Warteschlange zuletzt hinzugefügt hat.

Wenn Ihr benutzerdefiniertes Profilattribut nicht direkt mit einer Entitäts-ID übereinstimmt, müssen Sie Recommendations erläutern, wie die Übereinstimmung mit einer Entität erfolgen soll. Angenommen, Sie möchten die meistverkauften Artikel der Lieblingsmarke eines Besuchers anzeigen.

Zuletzt angezeigter Artikel last-viewed

Die Empfehlung wird durch den letzten Artikel bestimmt, der von dem jeweiligen Unique Visitor angezeigt wurde. Dies wird automatisch erfasst, sodass keine Werte auf der Seite übergeben werden müssen.

Kann mit den folgenden Algorithmen verwendet werden:

Verwenden Sie den Zuletzt angezeigtes Element Empfehlungsschlüssel auf Ihrer Site für:

Am häufigsten angezeigter Artikel most-viewed-logic

Zeigt die Elemente oder Medien an, die am häufigsten auf Ihrer Site angezeigt werden.

Mit dieser Logik können Sie Empfehlungen anzeigen, die auf den am häufigsten angezeigten Elementen auf Ihrer Site basieren, um die Konversionen für andere Elemente zu erhöhen. Beispielsweise könnte eine Medien-Website auf ihrer Startseite Empfehlungen für die am häufigsten angezeigten Videos anzeigen, um Besucher zum Ansehen zusätzlicher Videos zu ermutigen.

Dieser Empfehlungsschlüssel kann mit den folgenden Algorithmen verwendet werden:

Aktuelle Kategorie current-category

Die Empfehlung wird von der Produktkategorie bestimmt, die der Besucher momentan ansieht.

In Empfehlungen werden Produkte aus der angegebenen Produktkategorie angezeigt.

Wenn diese Option ausgewählt ist, muss der entity.categoryId-Wert als Parameter an die Anzeige-Mbox weitergeleitet werden.

Dieser Empfehlungsschlüssel kann mit den folgenden Algorithmen verwendet werden:

Verwenden Sie den Aktuelle Kategorie Empfehlungsschlüssel auf Ihrer Site für:

Favoritenkategorie favorite-category

Die Empfehlung wird durch die bevorzugte Produktkategorie des Besuchers bestimmt.

In Empfehlungen werden Produkte aus der angegebenen Produktkategorie angezeigt.

Wenn diese Option ausgewählt ist, muss der entity.categoryId-Wert als Parameter an die Anzeige-Mbox weitergeleitet werden.

Dieser Empfehlungsschlüssel kann mit den folgenden Algorithmen verwendet werden:

Verwenden Sie den Aktuelle Kategorie Empfehlungsschlüssel auf Ihrer Site für:

Site-Affinität site-affinity

Empfiehlt Artikel auf Grundlage der Wahrscheinlichkeit eines Zusammenhangs zwischen Artikeln. Sie können dieses Kriterium anhand des Reglers Einschlussregeln konfigurieren und festlegen, wie viele Daten gesammelt werden sollen, bevor eine Empfehlung angezeigt wird. Wenn Sie beispielsweise sehr stark auswählen, werden die Produkte mit der höchsten Sicherheit für eine Übereinstimmung empfohlen.

Beispiel: Sie legen eine sehr starke Affinität fest und Ihr Entwurf umfasst fünf Artikel, von denen drei den Schwellenwert für einen wahrscheinlichen Zusammenhang übersteigen. Die zwei Artikel, die die Voraussetzung nicht erfüllen, werden nicht in Ihren Empfehlungen angezeigt und durch von Ihnen definierte Ersatzartikel ausgetauscht. Die Artikel mit der stärksten Affinität werden zuerst angezeigt.

Beispielsweise kann eine Online-retailer Elemente bei nachfolgenden Besuchen empfehlen, an denen sich ein Besucher während früherer Sitzungen interessiert hat. Die Aktivität der einzelnen Besuchersitzungen wird erfasst, um eine Affinität anhand eines Neuigkeits- und Häufigkeitsmodells zu berechnen. Wenn dieser Besucher zu Ihrer Site zurückkehrt, wird die Site-Affinität verwendet, um Empfehlungen anzuzeigen, die auf früheren Aktionen auf Ihrer Site basieren.

Bei manchen Kunden mit diversen Produktsammlungen und vielfältigem Site-Verhalten kann es sein, dass die besten Ergebnisse mit einer schwachen Site-Affinität erzielt werden.

Diese Logik kann mit den folgenden Empfehlungsschlüsseln verwendet werden: