알고리즘 기반 Recommendations은에서 적절한 결과를 보여주기 위해 방문자 행동 컨텍스트를 사용합니다. Adobe Target Recommendations 활동.
각 알고리즘 유형은 다음 표와 같이 해당 유형에 적합한 다양한 알고리즘을 제공합니다.
알고리즘 유형 | 사용 시기 | 사용 가능한 알고리즘 |
---|---|---|
장바구니 기반 | 사용자의 장바구니 콘텐츠를 기반으로 추천을 제공합니다. |
|
인기도 기반 | 사이트에서 항목의 전체 인기도를 기반으로 추천하거나 사용자가 좋아하거나 가장 많이 본 카테고리, 브랜드, 장르 등의 항목 인기도를 기반으로 추천합니다. |
|
항목 기반 | 사용자가 현재 보고 있거나 최근에 본 항목과 유사한 항목을 찾은 후 권장 사항을 제공합니다. |
|
사용자 기반 | 사용자의 행동을 기반으로 권장 사항을 제공합니다. |
|
사용자 지정 기준 | 업로드하는 사용자 지정 파일을 기반으로 권장 사항을 제공합니다. |
|
각 기준은 자체 탭에 정의됩니다. 트래픽은 여러 기준 테스트에 고르게 분할됩니다. 즉, 두 개의 기준이 있으면 트래픽이 이러한 두 기준 간에 동일하게 분할됩니다. 두 개의 기준과 두 개의 디자인이 있는 경우 트래픽이 네 개의 조합 간에 균일하게 분할됩니다. 또한 비교를 위해 기본 콘텐츠를 보는 사이트 방문자의 비율도 지정할 수 있습니다. 이 경우 지정된 비율의 방문자는 기본 콘텐츠를 보고 나머지 방문자는 기준과 디자인 조합 간에 분할됩니다.
기준을 만들고 해당 알고리즘 유형 및 알고리즘을 정의하는 방법에 대한 자세한 내용은 기준 만들기.
다른 권장 사항 알고리즘은 서로 다른 유형의 페이지에 배치될 수 있도록 해줍니다. 각 알고리즘 유형 및 사용 가능한 알고리즘에 대한 자세한 내용은 다음 섹션을 참조하십시오.
다음 장바구니 기반 알고리즘 유형 을 사용하면 방문자의 현재 장바구니의 내용에 따라 항목을 추천할 수 있습니다. 추천 키는 다음을 통해 제공됩니다. mbox 매개 변수 cartIds
쉼표로 구분된 값. 처음 10개의 값만 고려됩니다.
장바구니 기반 권장 사항 로직은 와 유사합니다.추천 항목" 사용자 기반 알고리즘 및 "이 항목을 보고 다른 항목을 구입한 사람" 및 "이 항목을 구입하고 다른 항목도 구입한 사람" 항목 기반 알고리즘.
Target 은 공동 작업 필터링 기술을 사용하여 방문자 장바구니에 있는 각 항목의 유사성을 파악한 다음 각 항목 간에 이러한 행동 유사성을 결합하여 병합 목록을 가져옵니다.
Target 또한 마케터에게 단일 세션 내에서 또는 여러 세션에서 방문자 행동을 볼 수 있는 옵션을 제공합니다.
단일 세션: 다른 방문자가 단일 세션 내에서 수행한 작업을 기반으로 합니다.
사용, 상황 또는 이벤트에 따라 제품이 서로 강력하게 "함께" 이동한다는 느낌이 있을 때 단일 세션 내에서 동작을 살펴보는 것이 적절할 수 있습니다. 예를 들어 방문자가 프린터를 구입하고 있으며 잉크와 용지도 필요할 수 있습니다. 또는 방문자가 땅콩 버터를 구매하고 빵과 젤리도 필요할 수 있습니다.
세션 간: 다른 방문자가 여러 세션에서 수행한 작업을 기반으로 합니다.
방문자의 선호도나 취향에 따라 제품이 서로 강하게 "함께" 이동한다는 느낌이 있을 때 여러 세션에서 동작을 살펴보는 것이 적절할 수 있습니다. 예를 들어 방문자는 스타워즈를 좋아하고 인디애나 존스를 좋아하지만, 같은 자리에서 두 영화를 모두 보고 싶지 않은 경우에도 마찬가지입니다. 또는 방문자가 보드 게임 "Codenames"를 좋아하고 보드 게임 "Avalon"을 좋아할 수도 있습니다. 방문자가 두 게임을 동시에 플레이할 수 없는 경우에도 마찬가지입니다.
Target 는 단일 세션 내에서 방문자 행동을 보는지 아니면 여러 세션에서 방문자 행동을 보는지 여부에 관계없이 현재 장바구니에 있는 항목을 기반으로 각 방문자에 대한 권장 사항을 제공합니다.
다음 알고리즘은에서 사용할 수 있습니다. 장바구니 기반 알고리즘 유형:
지정한 항목을 본 것과 동일한 세션에서 가장 자주 본 항목을 추천합니다.
이 논리는 이 항목을 본 후에 본 다른 제품을 반환합니다. 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리를 사용하면 항목을 본 다른 방문자도 본 항목을 추천하여 추가 전환 기회를 만들 수 있습니다. 예를 들어 사이트에서 도로 자전거를 보는 방문자는 자전거 헬멧, 자전거 키트, 자물쇠 등도 살펴볼 수 있습니다. 다른 제품이 매출을 증대하는 데 도움이 됨을 제안하는 이 논리를 사용하여 권장 사항을 만들 수 있습니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
지정한 항목을 본 것과 동일한 세션에서 가장 자주 구입한 항목을 추천합니다. 이 기준은 이 항목을 본 사용자가 구입한 다른 제품을 반환하고 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리는 사용자가 이 제품을 본 후 구매한 다른 제품을 반환합니다. 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리를 사용하면 제품을 본 다른 방문자가 구매한 항목을 표시하는 제품 페이지 등에 권장 사항을 표시하여 교차 판매 기회를 늘릴 수 있습니다. 예를 들어 방문자가 낚싯대를 보고 있는 경우, 권장 사항에는 다른 방문자가 구매한 항목(태클 상자, 장롱 및 낚시 미끼와 같은)이 추가로 표시될 수 있습니다. 방문자가 사이트를 탐색할 때 추가 구매 추천을 제공합니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
지정한 항목과 동시에 고객이 가장 자주 구입한 항목을 추천합니다.
이 논리는 사용자가 이 제품을 구매한 후 구매한 다른 제품을 반환합니다. 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리를 사용하면 다른 구매자가 구매한 항목을 표시하는 장바구니 요약 페이지에 추천을 표시하여 교차 판매 기회를 늘릴 수 있습니다. 예를 들어 방문자가 정장을 구매하는 경우, 권장 사항에는 다른 방문자가 정장과 함께 구매한 넥타이, 정장 신발 및 커프링크와 같은 추가 항목이 표시될 수 있습니다. 방문자가 구매를 검토하면, 추가 권장 사항을 제공합니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
다음 인기도 기반 알고리즘 유형을 사용하면 사이트에서 항목의 전체 인기도를 기반으로 하거나 사용자가 좋아하거나 가장 많이 본 카테고리, 브랜드, 장르 등의 항목 인기도를 기반으로 추천을 수행할 수 있습니다.
다음 알고리즘은에서 사용할 수 있습니다. 인기도 기반 알고리즘 유형:
권장 사항은 가장 자주 본 항목에 의해 결정됩니다. 이 항목은 다음과 같이 동작하는 최신/빈도 기준에 의해 결정됩니다.
예를 들어 한 세션에서 surfboardA를 본 다음 surfboardB를 본 경우의 결과는 A: 10, B: 5입니다. 세션이 종료되면 A: 5, B: 2.5가 됩니다. 다음 세션에서 동일한 항목을 볼 경우 값이 A: 15 B: 7.5로 변경됩니다.
홈 페이지 또는 랜딩 페이지 및 오프사이트 광고와 같은 일반 페이지에서 이 알고리즘을 사용합니다.
제품 대신 카테고리 점수가 산정되는 것만 제외하고, "가장 많이 본 항목"에 사용된 것과 동일한 방법을 사용하여, 가장 많은 활동을 받은 카테고리에 의해 권장 사항이 결정됩니다.
이 항목은 다음과 같이 동작하는 최신/빈도 기준에 의해 결정됩니다.
처음으로 방문한 카테고리에는 10포인트가 부여됩니다. 같은 카테고리에 대한 후속 방문에는 5포인트가 부여됩니다. 각 방문에서 이전에 본 비현재 카테고리는 1포인트씩 감소됩니다.
예를 들어 한 세션에서 categoryA를 본 다음 categoryB를 본 경우의 결과는 A: 9, B: 10입니다. 다음 세션에서 동일한 항목을 보는 경우 값은 A: 20 B: 9로 변경됩니다.
홈 페이지 또는 랜딩 페이지 및 오프사이트 광고와 같은 일반 페이지에서 이 알고리즘을 사용합니다.
가장 많이 본 카테고리 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
사이트에서 가장 많이 본 항목 또는 미디어와 유사한 항목 또는 미디어를 권장합니다.
이 알고리즘을 사용하면 "이름" 또는 "브랜드"와 같이 권장 사항의 기반이 되는 항목 속성을 선택할 수 있습니다.
그런 다음 방문자의 프로필에 저장된 프로필 속성 중 일치시킬 프로필 속성을 선택합니다(예: "Favorite Brand", "Last Item Added to Cart" 또는 "Most Viewed Show").
사이트 전체에서 가장 완료된 주문에 포함된 품목을 표시합니다. 단일 주문에서 여러 개의 동일한 항목은 하나의 주문으로 계산됩니다.
이 알고리즘을 사용하여 사이트의 최상위 판매 항목에 대한 권장 사항을 만들어 전환율과 매출을 높일 수 있습니다. 이 논리는 특히 사이트를 처음 방문하는 사용자에게 적합합니다.
범주별로 가장 완료된 주문에 포함된 품목을 표시합니다. 단일 주문에서 여러 개의 동일한 항목은 하나의 주문으로 계산됩니다.
이 알고리즘을 사용하면 카테고리를 기반으로 사이트의 최상위 판매 항목에 대한 권장 사항을 만들어 전환율과 매출을 높일 수 있습니다. 이 논리는 특히 사이트를 처음 방문하는 사용자에게 적합합니다.
가장 많이 본 카테고리 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
사이트에서 가장 많이 구매한 항목 또는 미디어와 유사한 항목 또는 미디어를 권장합니다.
이 알고리즘을 사용하면 "이름" 또는 "브랜드"와 같이 권장 사항의 기반이 되는 항목 속성을 선택할 수 있습니다.
그런 다음 방문자의 프로필에 저장된 프로필 속성 중 일치시킬 프로필 속성을 선택합니다(예: "Favorite Brand", "Last Item Added to Cart" 또는 "Most Viewed Show").
"상단 x"를 표시합니다. 여기서 x 임의 항목 Analytics 지표. mbox의 동작 데이터를 사용할 때 최상위 판매됨 또는 최상위 조회됨 (x = "판매됨" 또는 x = "조회됨")을 사용할 수 있습니다. 의 동작 데이터를 사용하는 경우 Adobe Analytics, x = "Cart Adds" 또는 기타 일부 항목을 사용할 수 있습니다 Analytics 지표.
다음 항목 기반 권장 사항 유형 을 사용하면 사용자가 현재 보고 있거나 최근에 본 항목과 유사한 항목을 찾은 후에 권장 사항을 제공할 수 있습니다.
다음 알고리즘은에서 사용할 수 있습니다. 항목 기반 알고리즘 유형:
지정한 항목을 본 것과 동일한 세션에서 가장 자주 본 항목을 추천합니다.
이 논리는 이 항목을 본 후에 본 다른 제품을 반환합니다. 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리를 사용하면 항목을 본 다른 방문자도 본 항목을 추천하여 추가 전환 기회를 만들 수 있습니다. 예를 들어 사이트에서 도로 자전거를 보는 방문자는 자전거 헬멧, 자전거 키트, 자물쇠 등도 살펴볼 수 있습니다. 다른 제품이 매출을 증대하는 데 도움이 됨을 제안하는 이 논리를 사용하여 권장 사항을 만들 수 있습니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
지정한 항목을 본 것과 동일한 세션에서 가장 자주 구입한 항목을 추천합니다. 이 기준은 이 항목을 본 사용자가 구입한 다른 제품을 반환하고 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리는 사용자가 이 제품을 본 후 구매한 다른 제품을 반환합니다. 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리를 사용하면 제품을 본 다른 방문자가 구매한 항목을 표시하는 제품 페이지 등에 권장 사항을 표시하여 교차 판매 기회를 늘릴 수 있습니다. 예를 들어 방문자가 낚싯대를 보고 있는 경우, 권장 사항에는 다른 방문자가 구매한 항목(태클 상자, 장롱 및 낚시 미끼와 같은)이 추가로 표시될 수 있습니다. 방문자가 사이트를 탐색할 때 추가 구매 추천을 제공합니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
지정한 항목과 동시에 고객이 가장 자주 구입한 항목을 추천합니다.
이 논리는 사용자가 이 제품을 구매한 후 구매한 다른 제품을 반환합니다. 지정된 제품은 결과 세트에 포함되지 않습니다.
이 논리를 사용하면 다른 구매자가 구매한 항목을 표시하는 장바구니 요약 페이지에 추천을 표시하여 교차 판매 기회를 늘릴 수 있습니다. 예를 들어 방문자가 정장을 구매하는 경우, 권장 사항에는 다른 방문자가 정장과 함께 구매한 넥타이, 정장 신발 및 커프링크와 같은 추가 항목이 표시될 수 있습니다. 방문자가 구매를 검토하면, 추가 권장 사항을 제공합니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
현재 페이지 활동 또는 과거 방문자 행동을 기반으로 한 항목 또는 미디어와 유사한 항목 또는 미디어를 추천합니다.
속성이 비슷한 항목/미디어를 선택하면 콘텐츠 유사성 규칙을 설정할 수 있는 선택 사항이 표시됩니다.
콘텐츠 유사성을 사용하여 권장 사항을 생성하는 방식은 특정 항목을 본 사용자 및 과거 동작을 기준으로 하는 기타 논리를 사용하는 권장 사항에 표시되지 않는 새 항목에 특히 유용합니다. 또한 콘텐츠 유사성을 사용하여 과거 구입 내역 또는 기타 기록 데이터가 없는 새 방문자를 위한 유용한 권장 사항을 생성할 수도 있습니다.
이 알고리즘을 선택하는 경우 다음 Recommendations 키를 선택할 수 있습니다.
자세한 내용은 컨텐츠 유사성.
사용자 기반 알고리즘 유형을 사용하면 사용자의 비헤이비어에 따라 권장 사항을 제공할 수 있습니다.
다음 알고리즘은에서 사용할 수 있습니다. 사용자 기반 알고리즘 유형:
방문자의 기록(여러 세션)을 사용하여 디자인의 슬롯 수에 따라 방문자가 마지막으로 본 x개 항목을 표시합니다.
최근에 본 항목 알고리즘은 지정된 항목에 따른 결과를 반환합니다 환경. 방문자가 서로 다른 환경에 속한 두 사이트 간에 전환하는 경우 각 사이트에는 해당 사이트에서 최근에 본 항목만 표시됩니다. 방문자가 동일한 환경에 있는 두 사이트 간에 전환하는 경우 방문자에게 두 사이트에 대해 최근에 본 동일한 항목이 표시됩니다.
를 사용할 수 없습니다. 최근에 본 항목 백업 권장 사항 기준.
최근에 본 항목/미디어는 특정 속성이 있는 항목만 표시되도록 필터링 할 수 있습니다.
가능한 사용 사례로는 여러 비즈니스를 운영하는 다국적 기업이 여러 디지털 속성에서 방문자 보기 항목을 가질 수 있는 경우를 들 수 있습니다. 이 경우 항목을 본 각각의 속성에 대해서만 표시하도록 최근에 본 항목을 제한할 수 있습니다. 이렇게 하면 최근에 본 항목이 다른 디지털 속성의 사이트에 표시되지 않습니다.
홈 페이지 또는 랜딩 페이지 및 오프사이트 광고와 같은 일반 페이지에서 이 알고리즘을 사용합니다.
최근에 본 항목 활동에 대한 제외 전역 설정과 선택한 컬렉션 설정을 모두 준수합니다. 항목이 전역 제외에 의해 제외되거나 선택한 컬렉션에 포함되지 않은 경우 표시되지 않습니다. 따라서 를 사용할 때 최근에 본 항목 기준, 일반적으로 "모든 컬렉션" 설정을 사용해야 합니다.
각 방문자의 검색, 보기 및 구매 기록에 따라 항목을 추천합니다.
이 알고리즘을 사용하여 새 방문자와 돌아오는 방문자 모두에게 개인화된 내용과 경험을 전달할 수 있습니다. 권장 사항 목록은 방문자의 가장 최근 활동에 가중치가 부여되며 세션 중에 업데이트되고 사용자가 사이트를 탐색할 때 더 개인화됩니다.
보기와 구매 모두 권장 품목을 결정하는 데 사용됩니다. 지정한 권장 사항 키(예: 현재 항목)는 선택한 포함 규칙 필터를 적용하는 데 사용됩니다.
예를 들어 다음 작업을 수행할 수 있습니다.
이 알고리즘을 선택하는 경우 다음 필터링 키를 선택할 수 있습니다.
사용자 지정 기준 알고리즘 유형을 사용하면 업로드하는 사용자 지정 파일에 따라 권장 사항을 제공할 수 있습니다.
권장 사항은 방문자 프로필에 저장된 항목에 따라 결정되며, user.x 또는 profile.x 속성을 사용합니다.
이 옵션을 선택하는 경우 entity.id
값이 프로필 속성에 있어야 합니다.
사용자 지정 속성을 권장 사항의 기반으로 사용할 때에는 사용자 지정 속성을 선택한 다음, 권장 사항 유형을 선택해야 합니다.
자신만의 사용자 지정 기준 출력의 맨 위에서 실시간 필터링을 수행할 수 있습니다. 예를 들어 권장 사항 항목을 방문자가 선호하는 범주 또는 브랜드의 항목으로만 제한할 수 있습니다. 이렇게 하면 오프라인 계산을 실시간 필터링과 결합할 수 있습니다.
이 기능은 다음을 사용할 수 있음을 의미합니다. Target 오프라인 계산된 권장 사항 또는 사용자 지정 조정 목록의 맨 위에 개인화를 추가합니다. 이 작업에서는 데이터 과학자 및 연구의 힘을 Adobe의 유효성이 증명된 전달, 런타임 필터링, A/B 테스트, 타깃팅, 보고, 통합 등과 결합합니다.
사용자 지정 기준에 포함 규칙을 추가하면 기존의 정적 권장 사항이 방문자의 관심 사항을 기반으로 하는 동적 권장 사항으로 변경됩니다.
가능한 사용 사례는 다음과 같습니다.
다음 권장 사항 키는 권장 사항 키 드롭다운 목록:
권장 사항은 현재 방문자가 보고 있는 항목에 의해 결정됩니다.
권장 사항에는 특정 항목에 관심이 있는 방문자의 흥미를 끌 수 있는 다른 항목이 표시됩니다.
이 옵션을 선택한 경우 디스플레이 mbox에 매개 변수로 entity.id
값을 전달해야 합니다.
다음 알고리즘과 함께 사용할 수 있습니다.
사용 현재 항목 사이트의 권장 사항 키:
고유의 각 방문자가 구매한 마지막 항목에 의해 권장 사항이 결정됩니다. 이 값은 자동으로 캡처되므로 페이지에서 값을 전달해서는 안 됩니다.
다음 알고리즘과 함께 사용할 수 있습니다.
사용 마지막으로 구매한 항목 사이트의 권장 사항 키:
사용자 지정 프로필 속성값을 기준으로 하여 권장 사항을 만들 수 있습니다. 예를 들어 방문자가 가장 최근에 큐에 추가한 동영상을 기반으로 권장 동영상을 표시하려 한다고 가정합니다.
에서 사용자 지정 프로필 속성을 선택합니다. 권장 사항 키 드롭다운 목록(예: "Last Show Added to Watchlist").
그런 다음 권장 사항 논리를 선택합니다(예를 들어 "People Who Viewed This, Viewed That").
사용자 지정 프로필 속성이 단일 엔티티 ID와 직접 일치하지 않는 경우 엔티티에 대한 일치가 어떻게 일치하는지 Recommendations에 설명해야 합니다. 예를 들어 방문자가 좋아하는 브랜드에서 상위 판매 항목을 표시한다고 가정합니다.
에서 사용자 지정 프로필 속성을 선택합니다. 권장 사항 키 드롭다운 목록(예: "Favorite Brand").
그런 다음 이 키와 함께 사용할 권장 사항 논리를 선택합니다(예를 들어 "Top Sellers").
다음의 고유한 값으로 그룹화 옵션이 표시됩니다.
선택한 키와 일치하는 엔티티 속성을 선택합니다. 이 경우 "Favorite Brand"가 entity.brand
.
Recommendations 이제에서 각 브랜드에 대한 "Top Sellers" 목록을 생성하고 방문자의 Favorite Brand 프로필 속성에 저장된 값을 기반으로 적절한 "Top Sellers" 목록을 표시합니다.
고유의 각 방문자가 본 마지막 항목에 의해 권장 사항이 결정됩니다. 이 값은 자동으로 캡처되므로 페이지에서 값을 전달해서는 안 됩니다.
다음 알고리즘과 함께 사용할 수 있습니다.
사용 마지막으로 본 항목 사이트의 권장 사항 키:
사이트에서 가장 자주 보는 항목 또는 미디어를 표시합니다.
이 논리를 사용하면 사이트에서 가장 많이 본 항목을 기반으로 한 권장 사항을 표시하여 다른 항목에 대한 전환을 늘릴 수 있습니다. 예를 들어 미디어 사이트는 방문자가 추가 비디오를 보도록 가장 많이 본 비디오에 대한 권장 사항을 홈 페이지에 표시할 수 있습니다.
이 권장 사항 키는 다음 알고리즘과 함께 사용할 수 있습니다.
권장 사항은 현재 방문자가 보고 있는 제품 카테고리에 의해 결정됩니다.
권장 사항에는 지정된 제품 카테고리의 항목이 표시됩니다.
이 옵션을 선택한 경우 디스플레이 mbox에 매개 변수로 entity.categoryId
값을 전달해야 합니다.
이 권장 사항 키는 다음 알고리즘과 함께 사용할 수 있습니다.
사용 현재 범주 사이트의 권장 사항 키:
권장 사항은 방문자가 선호하는 제품 카테고리에 따라 결정됩니다.
권장 사항에는 지정된 제품 카테고리의 항목이 표시됩니다.
이 옵션을 선택한 경우 디스플레이 mbox에 매개 변수로 entity.categoryId
값을 전달해야 합니다.
이 권장 사항 키는 다음 알고리즘과 함께 사용할 수 있습니다.
사용 현재 범주 사이트의 권장 사항 키:
항목 간 관계의 확실성에 따라 항목을 추천합니다. 포함 규칙 슬라이더를 사용하여 권장 사항을 제시하기 위해 먼저 필요한 데이터의 양을 결정하도록 이 기준을 구성할 수 있습니다. 예를 들어 매우 강력함을 선택하면 관심도가 가장 강한 제품이 추천됩니다.
예를 들어 매우 강력한 친화성을 설정하고 디자인에 5개의 항목이 포함되어 있으며 그중 세 개 항목이 연결 임계값의 강도를 충족하는 경우, 최소 강도 요구 사항을 충족하지 않는 두 항목은 권장 사항에 표시되지 않고 정의된 백업 항목으로 교체됩니다. 친화성이 가장 강한 항목부터 표시됩니다.
예를 들어 온라인 소매업체는 방문자가 이전 세션 중에 관심을 보였던 항목을 이후 방문에서 추천할 수 있습니다. 각 방문자의 세션에 대한 활동이 캡처되어 최신성 및 빈도 모델을 기반으로 친화성을 계산합니다. 이 방문자가 사이트로 돌아가면 사이트 친화성은 사이트에 대한 이전 작업을 기반으로 한 권장 사항을 표시하는 데 사용됩니다.
제품 컬렉션과 사이트 행동이 다양한 일부 고객의 경우 사이트 친화성을 낮게 설정하면 더 좋은 결과를 얻을 수도 있습니다.
이 논리는 다음 권장 사항 키와 함께 사용할 수 있습니다.