PREMIUM Recommendations FAQ

Lista med vanliga frågor och svar om Adobe Target Recommendations verksamhet.

Varför gör det Catalog Search visas inte rätt resultat när jag söker efter ett anpassat attribut med ett numeriskt värde?

När du gör en katalogsökning i ett anpassat attribut med ett numeriskt värde behandlas det anpassade attributet som en strängtyp i stället för ett numeriskt värde.

För närvarande finns det ingen tillgänglig funktion som gör att kunderna kan ändra typen av attribut. Om du vill göra en ändring öppna ett kundproblem som refererar till de attribut som behöver typen ändrad från sträng till numerisk.

Hur lång tid tar det att uppdatera objekt i min katalog ska återspeglas på min webbplats?

Tidsramen och resultaten varierar beroende på hur objekten uppdateras.

Källa Detaljer
Objektattribut uppdaterade via mbox eller API
  • Recommendations uppdateras inom 15 minuter.
  • Befintliga rekommendationer och objektattribut visas tills uppdateringarna är tillgängliga.
  • Katalogsökning uppdateras efter katalogindex (3-8 timmar).
Objektattribut uppdaterade via feed
  • Recommendations uppdateras efter foderkonsumtion (2-8 timmar).
  • Befintliga rekommendationer och objektattribut visas tills uppdateringarna är tillgängliga.
  • Katalogsökningen uppdateras efter feed-importen (2-8 timmar) och efter efterföljande katalogindex (3-8 timmar). Katalogsökning uppdateras inom totalt 5-16 timmar.
Objektet togs bort från katalogen via Target Gränssnitt eller API
  • Recommendations uppdateras inom 15 minuter.
  • Befintliga rekommendationer och objektattribut visas tills uppdateringarna är tillgängliga.
  • Katalogsökning uppdateras efter katalogindex (3-8 timmar).
Objekt som lagts till i katalogen via mbox eller API
  • Recommendations uppdateras efter att algoritmen har körts. Algoritmkörningar schemaläggs var tolfte timme för 1-2-dagars algoritmer och varannan timme för 7±dagars algoritmer.
  • Befintliga rekommendationer visas tills det finns uppdateringar om det tillagda objektet inte är en begärd nyckel.
  • Rekommendationer för säkerhetskopiering visas tills det finns uppdateringar om det tillagda objektet är en begärd nyckel.
  • Katalogsökning uppdateras efter katalogindex (3-8 timmar).
Objekt som lagts till i katalogen via feed
  • Recommendations uppdateras efter att fodret har importerats (2-8 timmar). Efterföljande algoritmkörningar schemaläggs var tolfte timme för 1-2-dagarsalgoritmer och var 24:e timme för 7±dagarsalgoritmer. Recommendations uppdateras inom 2-32 timmar totalt.
  • Befintliga rekommendationer visas tills det finns uppdateringar om det tillagda objektet inte är en begärd nyckel.
  • Rekommendationer för säkerhetskopiering visas tills det finns uppdateringar om det tillagda objektet är en begärd nyckel.
  • Katalogsökningen uppdateras efter feed-importen (2-8 timmar) och efter katalogindexet (3-8 timmar). Katalogsökning uppdateras inom totalt 5-16 timmar.

När du har importerat en feed-fil eller efter att ha tagit emot entitetsuppdateringar via API eller mbox visas följande ändringar under 60 minuter:

  • Om ett objekt tidigare har uteslutits men nu ska inkluderas objektet i nästa algoritmkörning (12-24 timmar).

    Den här situationen beror på att Target tillämpar undantag både online och offline. När ett objekt nyligen har uteslutits tillämpas detta snabbt. När ett objekt nyligen ingår försvinner undantaget från webben snabbt, men offlineundantaget försvinner inte förrän nästa algoritm körs.

  • Om ett objekt tidigare inkluderades men nu ska exkluderas, exkluderas objektet enligt"Uppdaterade artikelattribut…". tidsrad som beskrivs ovan beroende på matningskälla (15 minuter via mbox/API eller 12-24 timmar via feed).

Följande ändringar återspeglas inte förrän nästa algoritmkörning inträffar (inom 12-24 timmar):

  • Objektattribut som används i samlingsreglerna som används för aktiviteten.
  • Artikelattribut som används i en kampanj baserat på ett attribut eller en samling som är associerad med aktiviteten.
  • Artikelkategori som objektet visas i för en"Aktuell kategori" eller"Favoritkategori" i algoritmen Top Sellers eller Most Viewed.
  • Rankning av rekommenderade objekt när attributet ändras är ett anpassat attribut som används som anpassad nyckel för en algoritm.
  • Rankning av rekommenderade objekt baserat på ett eller flera ändrade attribut när rekommendationslogiken är"Objekt med liknande attribut" när"Likhetsfaktor för innehåll" används, eller när"Attributviktningsfaktorer" används.
OBSERVERA

En feed-fil betraktas som importerad när dess status ändras från"Importera objekt" till"Förbereda sökindexuppdateringar". Uppdateringar kan ta mer än 60 minuter att spegla i användargränssnittet för katalogsökning. Katalogsökningen är uppdaterad när flödets status ändras till Uppdateringar slutförda. Även om katalogsökningen ännu inte är uppdaterad visas uppdateringar för de tidsramar som anges ovan på webbplatsen. Den senaste uppdateringstiden för katalogens sökindex visas på sidan Katalogsökning.

Hur lång tid tar det att ändra konfigurationen för Recommendations aktiviteter, erbjudanden, kampanjer eller villkor som ska återspeglas på min webbplats?

  • En ändring av kampanjinställningarna kan ta upp till fem timmar att reflektera på plats.

  • En ändring av andra villkorsinställningar kanske inte återspeglas förrän nästa algoritm körs:

    • Vissa villkorsinställningar (till exempel"tillägg av en dynamisk inkluderingsregel") visas omedelbart.
    • Andra villkorsinställningar (t.ex. "borttagning av en dynamisk inkluderingsregel", ändring av uppslagsfönster o.s.v.) kan inte införlivas förrän nästa algoritm körs.
    • Algoritmkörningar utlöses av dessa ändringar men kan ta upp till 24 timmar att slutföra. Algoritmer körs också på schemalagd basis var 12:24:e timme.

Hur lång tid tar det för en användares beteende (till exempel när man klickar på produkt A och köper produkt B) att återspeglas i rekommendationerna att får användaren?

  • Aktuell visade/köpta produkt/innehåll påverkar de rekommendationer som användaren får på samma sidvy/Target innehållsförfrågan.
  • Historiskt användarbeteende, som"senast visade produkt","mest visade produkt" och övergripande visnings-/inköpshistorik uppdateras med den begäran och påverkar de rekommendationer som användaren får på nästa sida/Target innehållsförfrågan. Algoritmerna"Senast visade objekt" och"Rekommenderas för dig" uppdateras till exempel för varje produktvy/köp och återspeglas i den efterföljande innehållsförfrågan.

Hur lång tid tar det för en användares beteende (till exempel när man klickar på produkt A och köper produkt B) att återspeglas i rekommendationerna övriga tar användare emot?

Beteendet hos användare i sammanställningen är inbyggt i offlinealgoritmbearbetning där varje algoritm körs var 12-24:e timme.

Vad ska jag göra om specialtecken bryter min array?

Använd escape-värden i JavaScript. Citattecken ( " ) kan bryta arrayen. Följande kodfragment är ett exempel på escape-värden:

#set($String='')
#set($escaper=$String.class.forName('org.apache.commons.lang.StringEscapeUtils'))
<script type="text/javascript">
console.log("$escaper.escapeJavaScript($entity1.name)")
console.log("$escaper.escapeJavaScript($entity2.name)")
console.log('$escaper.escapeJavaScript($entity3.name)')
names.push("$escaper.escapeJavaScript($entity4.name)")
</script>

Varför är inte alla villkor, inklusive anpassade kriterier, tillgängliga för val när du skapar en Recommendations-aktivitet?

De tillgängliga villkoren baseras på den aktuella kategorin. När du skapar rekommendationer visas villkor baserat på kategori-ID i algoritmväljaren.

Om platsen som du använder det här villkoret på inte innehåller kategori-ID:t är vissa villkor inte tillgängliga i algoritmväljaren.

Om du använder en plats där kategori-ID finns i rutan innehåller kriterieväljaren alla tillämpliga villkor.

Target har en Filtrera inkompatibla villkor för att styra intelligent filtrering av algoritmväljaren.

OBSERVERA

Den här inställningen gäller aktiviteter som skapats i Visual Experience Composer (endast VEC). Den här inställningen gäller inte aktiviteter som skapats i den formulärbaserade Experience Composer (Target har ingen platskontext).

Så här öppnar du Filter Incompatible Criteria inställning, klicka Recommendations > Settings:

Om Filter Incompatible Criteria inställningen är INTE aktiverad, Target filtrerar inte algoritmer i algoritmväljaren och alla algoritmer visas.

Om Filter Incompatible Criteria inställningen är aktiverad i VEC-aktiviteter, Target läser entityId och category Id från den valda platsen och visar sedan algoritmer baserat på currentItem|currentCategory (om respektive värden finns på den platsen). Därför visas som standard bara kompatibla algoritmer för den valda platsen i algoritmväljaren.

Om Filter Incompatible Criteria om inställningen är aktiverad kan du fortfarande visa icke-kompatibla algoritmer genom att avmarkera Compatible när du väljer villkor.

Följande lista innehåller specialfall där Target visar inte Compatible kryssruta:

  • Både entityId och category Id finns på platsen och inget filtreras.
  • Du använder mbox.js version 55 eller tidigare.
  • Inget mbox-anrop utlöses från sidan (!config.isAutoCreateGlobalMbox && !config.isRegionalMbox)
  • Target parametrar har inte definierats.

Vad ska jag göra om en samling i Recommendations blir noll (0)?

Tänk på följande information om du ser en samling gå till noll som tidigare inte var noll:

  • Du kan spara om samlingen och se om den uppdaterar numret. Genom att spara om genereras alla algoritmer som använder samlingen om.

  • Tittar du på rätt miljö? Gå till /target/products.html#recsSettings för att dubbelkontrollera (som visas nedan).

  • Är ditt index aktuellt? Gå till /target/products.html#productSearch och kontrollera hur många timmar som indexet är gammalt (t.ex. "Indexerad för 3 timmar sedan"). Du kan uppdatera indexet efter behov.

  • Har du ändrat något i feeden eller datalagret som resulterade i att dina enheter inte längre matchade samlingsreglerna? Se till att CASE-filen överensstämmer (skiftlägeskänslig).

  • Kördes din feed korrekt? Ändrade någon FTP-katalog, lösenord och så vidare?

  • Target gör sitt bästa för att göra uppdateringar av leveransen (på kundens sida/app) så snabbt som möjligt. Ändå Target måste även tillhandahålla viss representation i användargränssnittet för marknadsföraren. Target fördröjer inte leveransuppdateringar att vänta på att gränssnittsuppdateringarna ska vara synkroniserade. Du kan använda mboxTrace för att se vad som finns i systemet när en begäran kommer in.

Vad är skillnaden mellan allmän attributviktning och innehållets likhetsspecifika attributviktning?

Attributvikningen finns i två former: "standardattribuering" och "attribuering av likhetsattribut för innehåll".

"Standardattributviktning" gäller de flesta, om inte alla, kriterietyper (inte bara innehållets likhet). Den här typen av viktning ger mer vikt åt vissa attributvärden. I följande exempel får Nike-produkter en ojämnhet i utdatarrekommendationerna.

"Attributvikning för innehållets likhet" gäller endast för kriterier för innehållets likhet.

Den här typen av viktning är mer dynamisk och baseras på den aktuella rekommendationsnyckeln (det objekt som visas för närvarande). I följande exempel (varumärke x 16), om en besökare tittade på Nike sneakers, är det mer sannolikt att den besökaren rekommenderas till andra Nike-produkter (inte nödvändigtvis bara sneakers) än konkurrenternas sensorer. Om en besökare tittar på Adidas-sensorer är det troligare att den besökaren rekommenderar Adidas-produkter.

Varför Target ibland inte kan visa rekommendationer?

Target kan ibland inte visa rekommendationer på grund av det låga antalet tillgängliga rekommendationer.

Antalet genererade värden per villkor är tre gånger så många enheter som anges i designen. Körtidsfiltrering (till exempel lagerhantering, mbox-attributmatchning) tillämpas efter att 3x-värdena har genererats, så det är möjligt att få färre än 3x-värden vid leveranstiden. Om du vill minska den här situationen ökar du antalet enheter i designen genom att dölja andra enheter.

Följande JavaScript kan användas i början av designen för att öka antalet begärda entiteter. I det här exemplet skulle antalet begärda entiteter vara 30 (3x10).

#foreach($entity in $entities)
 #if( $foreach.count > 10 )
  #break
 #end
 #set ($foo = $entity.id)
#end

Vilken är storleksgränsen för ett API-anrop för infognings-/uppdateringsprodukter? Kan jag uppdatera 50 000 produkter i ett samtal med API:t istället för en feed?

Target har en postgräns på 50 MB på ansökningsnivå, det är dock bara när du skickar application/x-www-form-urlencoded innehållstypsrubrik.

Du kan försöka att skicka 50 000 produkter i ett enda samtal. Om det inte fungerar kan du dela upp det i grupper. Adobe rekommenderar att kunderna delar upp sina samtal i produktgrupper om 5 000 eller 10 000 för att minska sannolikheten för timeout på grund av systembelastning.

Måste jag ange mbox-namnet när jag skapar Recommendations-kriterier, kampanjer eller testregler för mallar?

När du skapar Recommendations-kriterier, kampanjer eller malltestningsregler som baseras på en mbox-parameter, mboxParameter frågar inte längre efter mboxName. Nu är mbox-namnet valfritt. Med den här ändringen kan du använda parametrar från flera rutor eller referera till en parameter som ännu inte har registrerats på kanten.

Så här väljer du önskad parameter:

  • Välj ett parameternamn i listan när du skapar ett villkor, en kampanj eller en malltestningsregel. Börja skriva de första tecknen i det önskade parameternamnet eller skriv det fullständiga namnet på det önskade parameternamnet.
  • Om du kommer ihåg mbox-namnet, men inte parameternamnet, använder du kryssrutan för att filtrera på en känd mbox som skickar den önskade parametern.

Om du använder någon av metoderna finns det ingen länk mellan mbox och parametern. Regeln för villkor, befordran eller malltestning fungerar baserat på parametern i alla kryssrutor som skickar den parametern.

Om du redigerar ett befintligt villkor, en befordran eller en malltestregel visas filtervillkoren med namnet på mbox som angavs när du skapade.

Varför kan jag inte spara min gamla Recommendations-aktivitet efter att ha definierat en ny publik?

Se till att målgruppen har ett unikt namn. Om du gav målgruppen samma namn som en befintlig målgrupp kan du inte spara din tidigare Recommendations-aktivitet (en Recommendations-aktivitet som skapades före oktober 2016).

Vilken är den maximala storleken för en CSV-fil för en feed-överföring?

Det finns ingen hård gräns för antalet rader eller filstorleken för en feed CSV-filöverföring. Som en god praxis rekommenderar Adobe dock att CSV-filens storlek begränsas till 1 GB för att undvika fel under filöverföringen. Om filens storlek överstiger 1 GB kan den helst delas upp i flera feedsfiler. Det maximala antalet anpassade attributkolumner är 100 och anpassade attribut är begränsade till 4 096 tecken. Andra begränsningar för längden på de kolumner som krävs finns på Target Sidan Begränsningar.

Kan jag utesluta en entitet dynamiskt?

I frågesträngen kan du skicka enhets-ID:n för entiteter som du vill utesluta från dina rekommendationer. Du kan till exempel utesluta artiklar som redan finns i kundvagnen.

Om du vill aktivera exkluderingsfunktionen använder du excludedIds mbox-parameter. Den här parametern pekar på en lista med kommaavgränsade enhets-ID:n. Exempel, mboxCreate(..., "excludedIds=1,2,3,4,5"). Värdet skickas när rekommendationer begärs.

Exkluderingen utförs för den aktuella Target endast ringa, objekt exkluderas inte på följande Target anrop såvida inte excludedIds värdet skickas igen. Om du vill utesluta artiklar i kundvagnen från rekommendationer på varje sida fortsätter du skicka excludedIds på varje sida.

OBSERVERA

Om för många enheter utesluts beter sig rekommendationerna som om det inte finns tillräckligt många enheter för att fylla rekommendationsmallen.

Att exkludera entityIds, lägg till &excludes=${mbox.excludedIds} token till erbjudandets innehålls-URL. När innehålls-URL:en extraheras ersätts de obligatoriska parametrarna med aktuella parametrar för mbox-begäran.

Som standard är den här funktionen aktiverad för nya rekommendationer. Befintliga rekommendationer måste sparas för att stödja enheter som utesluts dynamiskt.

Vad betyder NO_CONTENT-svaret som ibland returneras i Recommendations innehållsspårning?

NO_CONTENT returneras när rekommendationer inte är tillgängliga för den begärda algoritmen och tangentkombinationen. I allmänhet inträffar detta när säkerhetskopieringar inaktiveras för algoritmen och ett eller flera av följande är också sant:

  • Resultaten är inte klara än.

    Den här situationen inträffar vanligtvis när en nyskapad aktivitet sparas eller efter att konfigurationsändringar har gjorts i den samling, de kriterier eller kampanjer som används i aktiviteten.

  • Resultaten är klara, men har ännu inte cachelagrats på närmaste edge-server, för den begärda algoritm-/tangentkombinationen.

    Begäran initierar en cachelagringsåtgärd, så problemet bör lösas efter att några sidor har lästs in och/eller några minuter framåt.

  • Resultaten är klara, men inte tillgängliga för det angivna nyckelvärdet.

    Den här situationen inträffar vanligtvis när du begär rekommendationer för ett objekt som har lagts till i katalogen efter att den senaste algoritmen har körts och kommer att matchas automatiskt efter nästa algoritmkörning.

  • Delvis mallåtergivning är inaktiverat och det finns inte tillräckligt med resultat för att fylla mallen.

    Den här situationen inträffar vanligtvis när du har en regel för dynamisk inkludering som tar bort många objekt från möjliga resultat. Du kan undvika en situation genom att aktivera säkerhetskopieringar och inte tillämpa inkluderingsregeln på säkerhetskopieringar, eller använda villkoren i följd med ett mindre aggressivt filtrerat villkor.

Bevaras rekommendationer baserade på nyligen visade objekt på flera enheter för en enskild besökare?

När en besökare initierar en session är sessions-ID kopplat till en enda edge-dator och ett temporärt profilcache lagras på den här edge-datorn. Efterföljande begäranden från samma session läser den här profilcachen, inklusive nyligen visade objekt.

När sessionen avslutas (vanligtvis när den går ut efter 30 minuter utan aktivitet), behålls sessionstillståndet, inklusive nyligen visade objekt, till en mer permanent profillagring i samma geografiska kant.

Efterföljande sessioner från olika enheter kan sedan komma åt de senast visade objekten så länge den nya sessionen är länkad till kundprofilen via samma Marketing Cloud ID (MCID), Experience Cloud ID (ECID) eller CustomerID/mbox3rdPartyId.

Om en besökare har två aktiva sessioner samtidigt uppdaterar inte nyligen visade objekt på en enhet de senast visade objekten på den andra enheten, såvida inte enheterna tvingas dela sessions-ID. Det finns en möjlig lösning på problemet, men Target har inte direkt stöd för att dela ett sessions-ID mellan flera enheter. Kunden måste själva hantera denna ID-delning.

Detta beteende inträffar fortfarande om en besökare är aktiv på en enhet och sedan aktiveras på den andra enheten några minuter senare. Den första enhetens session upphör inte att gälla på 30 minuter och det kan ta upp till fem minuter innan profilläget skrivs till det permanenta läget och bearbetas. Det kan ta 35 minuter innan sessionen upphör att gälla och profilen sparas när du testar det här beteendet.

Om besökaren inte har två aktiva sessioner samtidigt uppdaterar nyligen visade objekt på en enhet de senast visade objekten på den andra enheten så länge sessionen har avslutats. Det kan ta 35 minuter innan sessionen går ut när du testar det här beteendet.

Kan jag använda en algoritm som har skapats i Adobe Recommendations Classic in Recommendations Premium?

En algoritm som skapats i Recommendations Classic stöds inte i Recommendations Premium. Du kanske kan använda den äldre algoritmen i Target Premium; algoritmen kan dock skapa synkroniseringsproblem när aktiviteten i Target Premium Gränssnitt. Mer information om skillnaderna mellan de två lösningarna finns i Recommendations Classic versus Recommendations verksamhet i Target Premium.

Hur kan jag rekommendera enbart nya artiklar eller videoklipp?

En del kunder inom media och publicering vill se till att rekommenderade objekt endast innehåller de senaste artiklarna eller videofilmerna. Som ett exempel Target kunden använde följande metod för att rekommendera artiklar som är yngre än 60 dagar:

  1. Skicka artikelns publiceringsdatum i YMMDDD-format som ett anpassat entitetsattribut.
  2. Skapa ett profilskript som är dagens datum minus 60 dagar, även i formatet YYYMMDD.
  3. Använd ett dynamiskt inkluderingsfilter i villkoren så att publish date > today’s date minus 60 days.

Skicka publiceringsdatumet som ett anpassat entitetsattribut:

Entitetsattribut Exempel
issueDate 2021218
lastViewDate 2021701
parentCategory kommentar
publishDate 20210113
publishDateDisplay 13 jan 2021

Konfigurera profilskriptet:

Exempel på profilskript

Konfigurera inkluderingsregeln:

Exempelinkluderingsregel

OBSERVERA

Det här exemplet kan också utföras med parametermatchning och genom att skicka priorDate60 som en mbox-parameter.

På denna sida