Personalización web de visitante anónimo
Este plan de referencia proporciona directrices de implementación para ofrecer contenido web personalizado a visitantes anónimos (no identificados) en función de las señales de comportamiento durante la sesión. Abarca el ciclo de vida completo de la implementación, desde la configuración de Web SDK y la definición de la audiencia perimetral hasta la entrega de contenido y los informes de rendimiento, y está diseñado para arquitectos de soluciones, tecnólogos de marketing e ingenieros de implementación que trabajan con Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) y Adobe Experience Platform (AEP).
Utilice este plan para comprender la arquitectura, evaluar las opciones de implementación, tomar decisiones de configuración informadas y localizar la documentación de Experience League relevante para cada fase de implementación.
El patrón funciona con datos limitados, solo lo que se puede observar en la sesión actual y cualquier perfil de Edge anónimo acumulado de visitas anteriores con el mismo dispositivo o cookie. Esto lo convierte en una herramienta adecuada para la personalización de la parte superior de funnel, en la que el visitante no tiene cuenta o no se ha autenticado.
Resumen del caso de uso
La Personalization web de visitantes anónimos aborda la necesidad empresarial de ofrecer contenido relevante y personalizado a los visitantes del sitio web que aún no se han identificado: no han iniciado sesión, no tienen identidad conocida y no se pueden resolver en un perfil unificado de cliente. A pesar de esta limitación, se puede lograr una personalización significativa mediante señales de comportamiento en la sesión: páginas vistas, tiempo en el sitio, profundidad de desplazamiento, fuente de referencia, ubicación geográfica, tipo de dispositivo y parámetros de campaña de UTM.
Este patrón utiliza las superficies de canal web de AJO y las experiencias basadas en código para modificar el contenido de la página en tiempo real. La segmentación de Edge es el método de evaluación principal, ya que las decisiones deben tomarse con latencia de subsegundos a medida que el visitante navega por el sitio. Web SDK recopila señales de comportamiento y las envía a AEP Edge Network, donde las reglas de audiencia evaluadas por el perímetro determinan qué variante de contenido se va a enviar.
A diferencia de la personalización de aplicaciones/web de visitantes conocidos, que aprovecha el perfil unificado completo y la pertenencia a segmentos, este patrón se limita a los datos observables en la sesión actual y a cualquier perfil Edge anónimo asociado al ECID del visitante (Experience Cloud ID). Esta distinción es crítica para la planificación de la implementación: las señales de comportamiento disponibles para la personalización se limitan a lo que captura Web SDK y a lo que persiste en el almacén de perfiles de Edge entre sesiones a través del ECID basado en cookies.
Objetivos empresariales clave
Este patrón de caso de uso admite los siguientes objetivos empresariales.
Aumentar la participación en el sitio web
Mejore el tiempo en el sitio, las páginas por sesión y la interacción con el contenido web mediante experiencias relevantes adaptadas a las señales de visitantes anónimos.
Ofrecer experiencias personalizadas a los clientes
Adapte el contenido, las ofertas y los mensajes a las preferencias, los comportamientos y las fases del ciclo vital individuales, incluso para los visitantes que aún no se han identificado.
Aumentar las tasas de conversión
Mejore el porcentaje de visitantes y clientes potenciales que completan las acciones deseadas, como compras, suscripciones o envíos de formularios, presentando el contenido más relevante en función del contexto de comportamiento.
Casos de uso tácticos de ejemplo
Los siguientes ejemplos ilustran escenarios específicos en los que se puede aplicar este patrón.
- Prueba A/B de titular de página de aterrizaje basada en la fuente de referencia: pruebe diferentes titulares para visitantes que llegan desde Google, medios sociales o tráfico directo para optimizar la participación por canal de adquisición
- Recomendaciones de afinidad de la categoría basadas en el comportamiento del explorador — Muestra recomendaciones de productos o contenido basadas en páginas vistas en la sesión actual para aumentar el descubrimiento y la conversión
- Oferta de intención de salida para visitantes que están a punto de irse: presenta una oferta promocional o un formulario de captura de posibles clientes cuando las señales de comportamiento indican que el visitante está a punto de abandonar el sitio
- Banner promocional con destino geográfico: muestra promociones específicas de la ubicación, contenido de localizadores de tiendas u ofertas regionales basadas en la ubicación geográfica del visitante
- Optimización del diseño de contenido específico del dispositivo: adapte el diseño del contenido, los tamaños de las imágenes y la ubicación de CTA en función de si el visitante está en un equipo de escritorio, una tableta o un dispositivo móvil
- Mensajes de bienvenida de visitantes nuevos y recurrentes: diferencie la experiencia de los visitantes nuevos de la de los anónimos que regresan mediante la persistencia de ECID en todas las sesiones
- Recomendaciones de contenido basadas en páginas vistas en la sesión actual: muestra de forma dinámica artículos, productos o recursos relacionados basados en las páginas que el visitante ya ha visto
- Banner a pantalla completa dinámico basado en parámetros de campaña de UTM — Personalice el banner a pantalla completa para que coincida con los mensajes o el elemento creativo de la campaña de referencia
Indicadores clave de rendimiento
Utilice los siguientes KPI para medir la eficacia de este patrón de caso de uso.
Patrón de caso de uso
A continuación se describe el patrón principal y la cadena de funciones para este caso de uso.
Personalization web de visitante anónimo
Ofrezca contenido personalizado basado en señales de comportamiento en la sesión para visitantes no identificados a través del canal web de AJO.
Cadena de funciones: Configuración de superficie web > Evaluación de regla de comportamiento > Entrega de contenido > Seguimiento de impresión > Informes
Aplicaciones
En este patrón de caso de uso se utilizan las siguientes aplicaciones.
- Adobe Journey Optimizer (AJO): configuración de superficie de canal web, creación de contenido (experiencias web y basadas en código), ejecución de campañas, experimentación de contenido (pruebas A/B), toma de decisiones (selección dinámica de contenido) y sistema de informes.
- Adobe Real-Time Customer Data Platform (RT-CDP) — Segmentación de Edge para la evaluación de audiencias en tiempo real basada en señales de comportamiento en la sesión; administración anónima de perfiles de Edge
- Adobe Experience Platform (AEP) — Web SDK para la recopilación de señales de comportamiento, Edge Network para el enrutamiento de datos en tiempo real y la entrega de personalización, configuración de secuencia de datos
Funciones básicas
Para este patrón de caso de uso, deben existir las siguientes capacidades básicas. Para cada función, el estado indica si suele ser necesaria, si se supone que está preconfigurada o si no es aplicable.
isActiveOnEdge: true para resolver los datos de perfil anónimos en el perímetro de. Solo puede haber una política de combinación activa en Edge por zona protegida.Funciones de soporte
Las siguientes capacidades aumentan este patrón de caso de uso, pero no son necesarias para la ejecución principal.
Funciones de aplicación
Este plan utiliza las siguientes funciones del Catálogo de funciones de la aplicación. Las funciones se asignan a fases de implementación en lugar de pasos numerados.
Journey Optimizer (AJO)
Real-Time CDP (RT-CDP)
Prerrequisitos
Complete lo siguiente antes de comenzar la implementación.
- [ ] Web SDK se ha implementado en todas las propiedades web de destino con
sendEventllamadas que capturan vistas de página, clics e interacciones de comportamiento relevantes - [ La secuencia de datos ] está configurada en la interfaz de usuario de recopilación de datos con los servicios Adobe Experience Platform y Adobe Journey Optimizer habilitados
- [ El esquema de evento de experiencia ] existe con grupos de campos de interacción web (vistas de página, datos de referencia, parámetros de UTM y contexto de dispositivo) y está habilitado para el perfil
- [ El área de nombres de identidad ECID ] está configurado y designado como identidad principal en el esquema de evento de comportamiento web
- [ ] La política de combinación de Edge se ha configurado con
isActiveOnEdge: trueen la zona protegida de destino - [ El canal web AJO ] está aprovisionado y se puede acceder a él desde la zona protegida de destino
- [ ] variantes de contenido (copia, imágenes, CTA) están diseñadas y aprobadas para cada caso de uso de personalización
- [ Se han definido ] métricas de éxito (lo que constituye un evento de conversión o participación para la medición)
- [ ] El mecanismo de consentimiento de cookies se ha implementado en el sitio web para cumplir con las normas de privacidad antes de recopilar datos de comportamiento
Opciones de implementación
En esta sección se describen tres métodos de implementación. Seleccione la opción que mejor se ajuste a sus necesidades de personalización.
Opción A: personalización web basada en reglas
Ideal para: Personalización simple y determinística: titulares con objetivo geográfico, titulares con fuentes de referencia específicas, diseños específicos del dispositivo, mensajes nuevos de visitantes que regresan. Elija esta opción cuando la variante de contenido se pueda determinar mediante una lógica condicional directa (si la condición X, mostrar contenido Y).
Cómo funciona:
La personalización basada en reglas utiliza segmentos de audiencia evaluados por Edge para determinar qué variante de contenido ve un visitante. Cada segmento de audiencia se asigna a una variante de contenido específica mediante reglas condicionales definidas en la campaña. Cuando un visitante carga una página, Web SDK envía señales de comportamiento a Edge Network, que evalúa el perfil de Edge del visitante frente a las reglas de audiencia definidas en milisegundos. La variante de contenido coincidente se devuelve en la respuesta Edge Network y se representa en la página.
Este método requiere la definición de segmentos de audiencia distintos en RT-CDP (por ejemplo, "visitantes de la búsqueda de Google", "visitantes en California", "visitantes de dispositivos móviles") y la creación de las variantes de contenido correspondientes en AJO. La campaña vincula cada audiencia a su variante de contenido mediante reglas de contenido condicional o campañas independientes por segmento. No hay que clasificar la IA ni dividir el tráfico: la relación entre audiencia y contenido es determinista.
Consideraciones clave:
- Requiere criterios de audiencia bien definidos que se puedan expresar como expresiones de reglas de segmentos aptas para Edge
- Las variantes de contenido deben ser creadas previamente para cada segmento de audiencia
- Para añadir nuevas reglas de personalización es necesario crear nuevos segmentos de audiencia y variantes de contenido
- No proporciona una medición estadística de la eficacia de las variantes de contenido
Ventajas:
- La implementación y la comprensión más sencillas: relación causa-efecto clara entre audiencia y contenido
- No se requiere sobrecarga de experimentación ni división de tráfico
- El comportamiento determinista hace que las pruebas y el control de calidad sean directos
- Baja latencia, ya que la evaluación de Edge solo se basa en reglas
- Funciona bien cuando la empresa ya sabe qué contenido funciona mejor para cada segmento
Limitaciones:
- No hay ningún mecanismo integrado para medir si la personalización mejora los resultados en comparación con el contenido predeterminado
- Requiere una toma de decisiones manual sobre qué contenido mostrar cada segmento
- No se adapta ni optimiza con el tiempo: reglas estáticas hasta que se cambian manualmente
- La ampliación a muchos segmentos y variantes aumenta la complejidad de la configuración
Experience League:
Opción B: personalización web basada en experimentos
Ideal para: Pruebas A/B y multivariable: probar variantes de titulares, colores de botones de CTA, alternativas de diseño, ofertas promocionales, con medición de relevancia estadística. Elija esta opción cuando necesite validar qué variante de contenido funciona mejor antes de comprometerse con una regla de personalización permanente.
Cómo funciona:
La personalización basada en experimentos utiliza la experimentación de contenido de AJO para asignar de forma aleatoria visitantes a grupos de tratamiento de contenido y medir qué variante ofrece el mejor rendimiento con respecto a una métrica de éxito definida. El tráfico se divide entre variantes (por ejemplo, 50/50 para A/B, 33/33/34 para A/B/C) y el rendimiento se rastrea hasta que se alcanza la relevancia estadística.
El experimento está incrustado en una campaña web de AJO. Cuando un visitante carga una página, Edge Network la asigna a un grupo de tratamiento en función de la asignación de tráfico configurada. El visitante ve de forma consistente el mismo tratamiento durante el experimento (persistencia a nivel de sesión o de visitante según la configuración). Las métricas de éxito (clics, conversiones y eventos de participación) se rastrean a través de Web SDK y se incluyen en el informe de experimento de AJO.
Esta opción no requiere segmentos de audiencia predefinidos para la segmentación: todos los visitantes (o un subconjunto segmentado) participan en el experimento. El objetivo es descubrir qué contenido tiene el mejor rendimiento, no segmentar segmentos conocidos con contenido predeterminado.
Consideraciones clave:
- Requiere un volumen de tráfico suficiente para alcanzar la relevancia estadística en un plazo razonable
- Los experimentos utilizan un modelo estadístico bayesiano con intervalos de confianza válidos en cualquier momento
- Se recomienda un grupo de exclusión (no recibe contenido personalizado) para medir el alza incremental
- Solo puede haber un experimento activo por campaña a la vez
- Las modificaciones del experimento requieren detener y reiniciar la campaña
Ventajas:
- Proporciona una medición estadísticamente rigurosa de la efectividad de variantes de contenido
- Elimina las conjeturas de las decisiones de personalización: selección de contenido basada en datos
- Admite grupos de exclusión para la medición de alza incremental real
- Creación de informes de experimentos integrados con intervalos de confianza y declaración de ganador
- Los resultados pueden informar la futura personalización basada en reglas (Opción A) al identificar las variantes ganadoras
Limitaciones:
- Requiere un volumen de tráfico significativo: las páginas de poco tráfico pueden tardar semanas en alcanzar la relevancia
- La división del tráfico significa que algunos visitantes ven contenido subóptimo durante el período de prueba
- No se puede personalizar por segmento durante el experimento (todos los visitantes o un subconjunto participan por igual)
- Máximo de 10 variantes de tratamiento por experimento
- Sin optimización continua: los experimentos son discretos con un inicio y un final
Experience League:
Opción C: personalización web basada en decisiones
Mejor opción para: Selección dinámica de contenido: recomendaciones de afinidad de categoría, ofertas de intención de salida, recomendaciones de comportamiento; una directiva de decisión evalúa las señales de sesión y selecciona el contenido óptimo de un catálogo de elementos aptos. Elija esta opción cuando la lógica de selección de contenido sea demasiado compleja para reglas simples, cuando desee una optimización de clasificación de IA o cuando el conjunto de elementos de contenido aptos sea grande y dinámico.
Cómo funciona:
La personalización basada en decisiones utiliza AJO Decisioning para evaluar las señales de comportamiento y seleccionar la mejor variante de contenido para cada visitante de un catálogo administrado de elementos de contenido (ofertas). Cada elemento de contenido tiene reglas de idoneidad (quién califica), representaciones (cómo se ve el contenido en cada ubicación) y restricciones de límite opcionales (con qué frecuencia se puede mostrar). Una directiva de decisión vincula las ubicaciones (donde el contenido aparece en la página) a colecciones de elementos de contenido y aplica una estrategia de clasificación para seleccionar la mejor opción.
Cuando un visitante carga una página, Web SDK envía una solicitud Edge Network que incluye el ámbito de decisión. El motor de decisión evalúa el perfil de Edge del visitante frente a las reglas de idoneidad para el elemento de contenido, aplica la estrategia de clasificación (basada en prioridad, en fórmulas o en clasificación de IA) y devuelve el elemento de contenido ganador. Esto sucede en el extremo con latencia de subsegundos.
La estrategia de clasificación determina cómo se ordenan los elementos de contenido aptos. La clasificación basada en prioridades utiliza los valores de prioridad asignados manualmente. La clasificación basada en fórmulas utiliza una expresión personalizada (por ejemplo, ponderar la actualización de las vistas de página). La clasificación clasificada por IA utiliza un modelo de aprendizaje automático que se optimiza para la métrica de éxito seleccionada a lo largo del tiempo, pero requiere un mínimo de 1000 eventos de conversión para la formación.
Consideraciones clave:
- Requiere la configuración de los componentes de Decisioning: ubicaciones, reglas de idoneidad, elementos de contenido, elementos de reserva, colecciones y políticas de decisión
- Las estrategias clasificadas por IA requieren un volumen de conversión suficiente (más de 1000 eventos) para entrenar el modelo
- Las decisiones de Edge se limitan a atributos de perfil disponibles en el almacén de perfiles Edge
- Los elementos de contenido deben administrarse y mantenerse en la biblioteca de decisiones
- Se debe definir contenido de reserva para los casos en que no se cumpla ningún elemento personalizado
Ventajas:
- Se adapta a catálogos de contenido grandes sin requerir una asignación individual de audiencia a contenido
- Las estrategias de clasificación de IA optimizan continuamente la selección de contenido en función del rendimiento observado
- Las reglas de elegibilidad y las restricciones de límite proporcionan un control preciso sobre la entrega de contenido
- Admite una lógica empresarial compleja que sería difícil expresar como segmentos de audiencia
- Reutilizable en todos los canales: la misma política de decisión puede potenciar la personalización web, del correo electrónico y móvil
Limitaciones:
- Mayor complejidad de la implementación: requiere la configuración de la pila completa de componentes de Decisioning.
- La clasificación de IA requiere un volumen de conversión y un tiempo significativos para que la formación sea eficaz
- Las limitaciones de datos de perfil de Edge limitan la complejidad de las reglas de elegibilidad para los visitantes anónimos
- Gastos generales de gestión de elementos de contenido: cada elemento necesita representaciones, reglas de aceptación y mantenimiento
- La depuración de la lógica de decisión es más compleja que los enfoques basados en reglas
Experience League:
Comparación de opciones
En la tabla siguiente se comparan las tres opciones de implementación en función de criterios clave.
Elija la opción correcta
Utilice la siguiente lógica de decisión para seleccionar la opción de implementación adecuada:
-
¿Ya sabe qué contenido se debe mostrar a cada segmento de visitante?
- Sí: Comience con Opción A (basada en reglas). Ha establecido estrategias de contenido por segmento y necesita una entrega determinista.
- No: Pasemos a la pregunta 2.
-
¿Necesita probar un número pequeño de variantes de contenido para encontrar el mejor ejecutante?
- Sí: Elija Opción B (experimento). Desea una validación estadística antes de comprometerse con una estrategia de contenido.
- No: Pasemos a la pregunta 3.
-
¿Tiene un catálogo grande de elementos de contenido con requisitos de clasificación y elegibilidad complejos?
- Sí: Elija Opción C (Toma De Decisiones). Necesita una selección de contenido dinámico que escale más allá de las reglas simples.
- No: Comience con Opción A (basada en reglas) para simplificar y, a continuación, evolucione a Opción B o C a medida que aumenten los requisitos.
Combinar opciones: Estas opciones no se excluyen mutuamente. Una progresión común es comenzar con la opción B (Experimentación) para descubrir contenido ganador e implementar ganadores mediante la opción A (basada en reglas) para una entrega continua. La opción C (Decisioning) se puede colocar en la parte superior para los casos de uso que requieren una selección dinámica basada en el catálogo, mientras que la opción A gestiona reglas deterministas más sencillas.
Fases de implementación
Las siguientes fases describen el flujo de trabajo de implementación de extremo a extremo.
Fase 1: Configuración de superficies web
Función de aplicación: AJO: Configuración de canal
Defina las superficies de canal web que especifican en qué parte del sitio web se enviará el contenido personalizado. Una superficie web identifica una dirección URL o un patrón de URL de página específico y la ubicación de la página (selector CSS o superficie de experiencia basada en código) donde AJO puede insertar o reemplazar contenido.
Puntos de decisión en esta fase:
sendEvent en los cambios de vista. Las definiciones de superficie utilizan el nombre de vista de SPA en lugar de la URL.Navegación por la interfaz de usuario: Journey Optimizer > Administración > Canales > Configuración web
Detalles de configuración de clave:
- Defina la URL de la página o el patrón de URL para la superficie
- Especifique el selector CSS o el URI de superficie para la ubicación del contenido
- Para las experiencias basadas en código, defina el nombre de superficie al que hará referencia el código de la aplicación
- Asocie la superficie con la zona protegida de AJO donde se crearán las campañas
Documentación de Experience League:
Fase 2: Definir audiencias de comportamiento
Función de aplicación: RT-CDP: Evaluación de audiencia
Defina segmentos de audiencia evaluados por Edge basados en señales de comportamiento en la sesión que impulsen la segmentación de personalización. Estas audiencias determinan qué visitantes cumplen los requisitos para cada experiencia personalizada. La evaluación de Edge es obligatoria para este patrón, ya que las decisiones de personalización deben tomarse en periodos de tiempo de menos de segundo a medida que el visitante navega por el sitio.
Puntos de decisión en esta fase:
Navegación de la interfaz de usuario: Cliente > Audiencias > Crear audiencia > Generar regla
Detalles de configuración de clave:
- Utilice el Generador de segmentos para definir reglas de audiencia mediante atributos de comportamiento
- Compruebe la idoneidad del perímetro confirmando que la expresión de regla de segmento solo utiliza funciones admitidas (comparaciones de atributos simples, pertenencia a segmentos)
- Establezca la política de combinación en la política de combinación activa para extremos configurada en F4
- Previsualizar la población de audiencia para validar el segmento devuelve los resultados esperados
- Para audiencias basadas en vistas de página en la sesión, utilice atributos de nivel de evento de la sesión actual en lugar de consultas de series temporales
Donde las opciones difieren:
Para La Opción A (Basada En Reglas):
Cree segmentos de audiencia distintos para cada variante de contenido. Cada segmento representa una condición de comportamiento específica (por ejemplo, "Referencia = Google AND Geo = US" se asigna a la variante de contenido A). El número de audiencias es igual al número de reglas de personalización.
Para Opción B (Experimentación):
La definición de audiencia es opcional. Si el experimento se dirige a todos los visitantes, no se requiere ninguna audiencia: la división del tráfico gestiona la asignación de variantes. Si el experimento se dirige a un subconjunto específico (por ejemplo, solo visitantes móviles), defina una audiencia de segmentación única para la elegibilidad del experimento.
Para Opción C (Toma De Decisiones):
Defina audiencias para usarlas como reglas de aceptación en los elementos de contenido. Estas audiencias determinan qué visitantes cumplen los requisitos para qué elementos de contenido de la política de decisión. El motor de decisión gestiona la selección de contenido entre los elementos aptos.
Documentación de Experience League:
Fase 3: Crear contenido y crear variantes
Función de la aplicación: AJO: Creación de mensajes, AJO: Experimentación de contenido (Opción B), AJO: Decisioning (Opción C)
Cree las variantes de contenido personalizadas que se enviarán a los visitantes en función del abono a audiencia (Opción A), la asignación de experimentos (Opción B) o la lógica de toma de decisiones (Opción C). Esta fase cubre la creación de contenido mediante el diseñador web de AJO o el editor de experiencias basado en código, así como la configuración de experimento o toma de decisiones que rige la forma en que se selecciona el contenido.
Puntos de decisión en esta fase:
{{profile.homeAddress.city}} con los ayudantes.Navegación por la interfaz de usuario: Journey Optimizer > Campañas > Seleccionar campaña > Editar contenido
Detalles de configuración de clave:
- Crear contenido mediante el diseñador web (modificaciones visuales) o el editor de experiencias basado en código (carga útil JSON)
- Utilice el editor de expresiones de personalización para insertar tokens dinámicos desde atributos de perfil de Edge
- Configure el contenido de reserva para tokens de personalización que puedan estar vacíos en perfiles anónimos
- Vista previa del contenido con perfiles de prueba para verificar el procesamiento en todos los escenarios
Donde las opciones difieren:
Para La Opción A (Basada En Reglas):
Cree una variante de contenido distinta para cada segmento de audiencia definido en la fase 2. Enlace cada variante a su audiencia de destino mediante reglas de contenido condicional en la configuración de la campaña. Asegúrese de que exista una variante de contenido predeterminada para los visitantes que no coincidan con ninguna regla de audiencia.
Para Opción B (Experimentación):
Variantes de tratamiento del autor (A, B, C, etc.) para el experimento. Habilite la experimentación de contenido en la campaña, defina variantes de tratamiento con su contenido, establezca porcentajes de asignación de tráfico y configure la métrica de éxito.
- Definir de 2 a 10 variantes de tratamiento con contenido distinto
- Establezca la asignación de tráfico (por ejemplo, 50/50 para A/B o división ponderada para pruebas de menor riesgo)
- Incluya opcionalmente un grupo de exclusión (por ejemplo, el 10% recibe el contenido predeterminado) para medir el alza incremental
- Seleccione la métrica de éxito: aperturas únicas, clics únicos, conversiones o métricas personalizadas
- Defina el umbral de confianza: 95 % para pruebas estándar, 99 % para decisiones de alto riesgo, 90 % para aprendizaje direccional
- Navegación de la interfaz de usuario: Campaign > Experimento de contenido > Agregar tratamiento > Asignación de tráfico > Métrica de éxito
Para Opción C (Toma De Decisiones):
Configure la pila del componente Decisioning e integre el componente en la campaña.
- Crear ubicaciones: defina en qué parte de la página aparecerán los elementos de contenido (web HTML, web JSON, imagen web)
- Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Ubicaciones
- Definir reglas de elegibilidad: cree reglas basadas en atributos de perfil de Edge que determinen qué visitantes cumplen los requisitos para cada elemento de contenido
- Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Reglas
- Crear elementos de contenido (ofertas): cree elementos de contenido personalizados con representaciones para cada ubicación, reglas de elegibilidad, prioridad y límite opcional
- Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Ofertas > Crear oferta
- Crear contenido de reserva: defina un elemento de reserva devuelto cuando no se cumpla ningún elemento personalizado
- Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Ofertas > Crear oferta de reserva
- Organizar en colecciones — Agrupar elementos de contenido mediante calificadores de colección (etiquetas) y crear colecciones
- Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Cualificadores de colección/Colecciones
- Crear directiva de decisión: vincule las ubicaciones a las colecciones y seleccione la estrategia de clasificación (basada en prioridades, en fórmulas o en IA)
- Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Decisiones > Crear decisión
Documentación de Experience League:
Fase 4: Configuración de la campaña y la entrega
Función de aplicación: AJO: Campaign Execution
Cree y active la campaña web de AJO que enlaza la superficie web (Fase 1), la segmentación de audiencias o la configuración del experimento (Fases 2-3) y las variantes de contenido (Fase 3) en una unidad de entrega. La campaña controla cuándo y cómo se sirve el contenido personalizado a los visitantes.
Puntos de decisión en esta fase:
Navegación por la interfaz de usuario: Journey Optimizer > Campañas > Crear campaña
Detalles de configuración de clave:
- Seleccione el canal Web y la superficie Web configurados en la fase 1
- Enlace la audiencia de destino (para la opción A), configure las opciones del experimento (para la opción B) o incruste la decisión (para la opción C)
- Establezca la programación de la campaña (fecha de inicio, fecha de finalización o siempre activada)
- Configure la restricción de frecuencia a nivel de campaña si corresponde
- Revise toda la configuración y active la campaña
Donde las opciones difieren:
Para La Opción A (Basada En Reglas):
Cree una campaña por regla de personalización, cada una dirigida a una audiencia perimetral diferente con su variante de contenido correspondiente. También puede utilizar una sola campaña con reglas de contenido condicional que asignen la pertenencia de la audiencia a variantes de contenido dentro de una campaña.
Para Opción B (Experimentación):
Cree una sola campaña con la experimentación de contenido habilitada. La configuración del experimento (variantes, asignación de tráfico, métrica de éxito) se definió en la fase 3. Active la campaña para iniciar el experimento.
Para Opción C (Toma De Decisiones):
Cree una campaña que incruste la política de decisión configurada en la fase 3. La acción de contenido de la campaña hace referencia al ámbito de decisión, que almacena en déclencheur el motor de decisión en el perímetro. Active la campaña para comenzar la entrega de contenido basado en decisiones.
Documentación de Experience League:
Fase 5: informar y analizar el rendimiento
Función de aplicación: AJO: Informes y análisis de rendimiento
Monitorice el rendimiento de la personalización mediante los informes integrados de AJO y, opcionalmente, amplíe el análisis con CJA para obtener perspectivas más profundas entre canales. Esta fase abarca el acceso a informes de campaña en directo e históricos, la revisión de los resultados de los experimentos y la creación de espacios de trabajo de análisis personalizados.
Puntos de decisión en esta fase:
Navegación por la interfaz de usuario: Journey Optimizer > Campañas > Seleccionar campaña > Ver informe
Detalles de configuración de clave:
- Acceda al informe en directo durante las campañas activas para monitorizar la entrega en tiempo real (se actualiza cada 60 segundos, muestra las últimas 24 horas)
- Acceda al informe histórico (todo el tiempo) después de la finalización de la campaña para un análisis completo (puede tardar hasta dos horas en rellenarse completamente)
- Para la Opción B (Experimentación): revise el informe del experimento para la comparación del rendimiento del tratamiento, los intervalos de confianza y la declaración de ganador
- Para el análisis de CJA: asegúrese de que una conexión de CJA incluya conjuntos de datos de evento de experiencia de AJO y de que una vista de datos esté configurada con métricas de personalización web
Donde las opciones difieren:
Para La Opción A (Basada En Reglas):
Revise los informes de campaña de cada segmento de audiencia para comparar las métricas de entrega y participación en variantes de contenido personalizadas. Utilice CJA para crear un espacio de trabajo comparativo que mida el impacto de conversión del contenido personalizado frente al predeterminado.
Para Opción B (Experimentación):
Revise el informe del experimento para obtener confianza estadística, alza del tratamiento e identificación del ganador. Espere a que se alcance el umbral de confianza antes de declarar un ganador. Aplicar contenido ganador como variante permanente (transición a la opción A para envío continuo).
- Navegación de la interfaz de usuario: Campaign > Experimento de contenido > Ver informe
- Experience League: Informe de experimento de contenido
Para Opción C (Toma De Decisiones):
Revise las métricas de rendimiento de la toma de decisiones, incluidas las tasas de impresión de ofertas, la frecuencia de selección y la atribución de conversión por elemento de contenido. Analice el rendimiento de las estrategias de clasificación y si el contenido de reserva se sirve con demasiada frecuencia (lo que indica que las reglas de elegibilidad son demasiado restrictivas).
Documentación de Experience League:
Consideraciones sobre la implementación
Esta sección abarca protecciones, escollos comunes, prácticas recomendadas y decisiones de compensación para este patrón de caso de uso.
Protecciones y límites
Revise las siguientes protecciones antes y durante la implementación.
- Los segmentos de Edge se limitan a comprobaciones de atributos sencillas y a la pertenencia a segmentos (sin consultas de series temporales ni agregaciones complejas): idoneidad para la segmentación de Edge
- Solo puede haber una política de combinación activa en Edge por zona protegida: protecciones de perfil
- Máximo de 4000 definiciones de segmento por zona protegida — Protecciones de segmentación
- Máximo de 500 campañas activas por zona protegida: protecciones de Journey Optimizer
- Máximo de 10 variantes de tratamiento por experimento de contenido: límites del experimento de contenido
- Máximo de 10 000 ofertas personalizadas aprobadas por zona protegida (opción C) — Protecciones de administración de decisiones
- Máximo de 30 ubicaciones por decisión (opción C) — protecciones de Journey Optimizer
- Los modelos de clasificación de IA requieren un mínimo de 1000 eventos de conversión para la formación (opción C)
- Edge Network tiempo de respuesta SLA: < 200 ms para segmentos evaluados por el perímetro
- Caducidad de perfil seudónimo: configurable de 14 a 365 días para perfiles solo de ECID
- Los informes en vivo se actualizan cada 60 segundos y muestran las últimas 24 horas de datos
- Los informes históricos pueden tardar hasta dos horas en rellenarse completamente después de la finalización de la campaña
Peligros comunes
Evite los siguientes errores comunes de implementación.
- Web SDKno envía señales de comportamiento a AEP: Compruebe que la secuencia de datos tiene habilitado el servicio Adobe Experience Platform y que el conjunto de datos de evento está asignado correctamente. Sin esto, los perfiles de Edge no se rellenan y la evaluación de audiencias falla de forma silenciosa: el visitante recibe contenido predeterminado sin indicación de error.
- La audiencia de Edge devuelve cero calificaciones: La segmentación de Edge tiene requisitos de elegibilidad estrictos. Las consultas de series temporales, las funciones de agregación y las consultas de varias entidades no son elegibles para Edge. Vuelva a escribir la expresión de regla de segmento mediante comparaciones de atributos simples o comprobaciones de pertenencia a segmentos.
- La política de combinación no está activa en el perímetro: Si la política de combinación utilizada por el segmento de audiencia no tiene
isActiveOnEdge: true, las búsquedas del perfil de Edge fallarán y la personalización no se entregará. Solo puede haber una política de combinación por zona protegida activa en Edge. Compruebe que no existe ningún conflicto. - Parpadeo de Personalization al cargar la página: La llamada de Web SDK
sendEventque recupera propuestas de personalización debe ejecutarse antes de que la página procese el área de contenido de destino. Implemente fragmentos preocultados o procesamiento asincrónico para evitar que el contenido predeterminado parpadee antes de que se cargue el contenido personalizado. - El contenido no se está representando en los cambios de ruta de la SPA: Las aplicaciones de una sola página requieren llamadas
sendEventexplícitas con información de vista actualizada cuando cambia la ruta. Sin esto, Edge Network no vuelve a evaluar la personalización para la nueva vista. - El experimento no alcanza relevancia estadística: El volumen de tráfico insuficiente o el número excesivo de variantes de tratamiento diluyen el tamaño de la muestra por variante. Reduzca el número de variantes o aumente la duración del experimento. No detenga los experimentos prematuramente, los resultados pueden ser engañosos.
- La toma de decisiones solo devuelve contenido de reserva: Compruebe que se aprueban los elementos de contenido personalizados, dentro de su intervalo de fechas de validez, y que las reglas de elegibilidad coinciden con los atributos de perfil de Edge del visitante anónimo. Compruebe también que no se han alcanzado los límites de límite.
Prácticas recomendadas
Siga estas recomendaciones para una implementación exitosa.
- Empiece por el método simple y, a continuación, itere: Empiece por la opción A (basada en reglas) para la personalización inicial y, a continuación, utilice la opción B (experimentación) para validar las suposiciones y la opción C (toma de decisiones) para los casos de uso avanzados. Cada opción se basa en la infraestructura básica.
- Use la preocultación para evitar parpadeos: Implemente el fragmento de preocultación de AEP en las páginas donde se enviará la personalización. Esto oculta el área de contenido de destino hasta que el contenido personalizado está listo para procesarse, lo que evita el parpadeo visual.
- Diseñar contenido de reserva de forma deliberada: El contenido predeterminado (no personalizado) debe ser una experiencia de alta calidad por sí solo. Los visitantes que no cumplan los requisitos para la personalización (o cuando la respuesta de Edge Network se retrase) no deberían recibir una experiencia degradada.
- Valide la idoneidad del perímetro antes de crear audiencias: Antes de invertir en el desarrollo de reglas de audiencia, confirme que la expresión de regla de segmento es apta para el perímetro revisando los criterios de idoneidad en Experience League. Las expresiones no aptas volverán silenciosamente a la evaluación por lotes o de flujo continuo con una latencia inaceptable para este patrón.
- Supervisar el rendimiento del envío perimetral: Configure alertas de supervisión para Edge Network tiempos de respuesta y errores de envío de personalización. Los problemas de entrega de Edge son invisibles para el visitante (ve contenido predeterminado) y pueden pasar desapercibidos sin supervisión proactiva.
- Configurar la caducidad del perfil seudónimo: Establezca períodos de caducidad adecuados para los perfiles Edge anónimos a fin de equilibrar la personalización entre sesiones (reconociendo a los visitantes que regresan) con el cumplimiento de la privacidad y la administración del almacenamiento.
- Prueba con perfiles representativos: Al obtener una vista previa del contenido personalizado, use perfiles de prueba que representen los escenarios reales de visitantes anónimos (sin datos de CRM, historial de comportamiento limitado, varias ubicaciones geográficas y dispositivos).
Decisiones de compensación
Tenga en cuenta los siguientes aspectos clave al planificar la implementación.
- Favoritos de personalización amplia: Simplicidad, tiempo de comercialización más rápido, menor costo de producción de contenido. Un pequeño número de audiencias y variantes cubre la mayoría de los visitantes con una personalización significativa.
- Favoritos de personalización granular: Máxima relevancia, mayor alza de participación y mejores tasas de conversión. Muchas audiencias y variantes abordan señales de comportamiento específicas con contenido personalizado.
- Recomendación: Comience con 3-5 reglas de personalización de alto impacto dirigidas a los segmentos de visitantes más comunes (por ejemplo, origen de referencia, tipo de dispositivo, región geográfica). Mida el impacto y, a continuación, expanda a reglas más granulares basadas en el rendimiento observado y el valor empresarial.
- Favoritos basados en reglas: Previsibilidad, auditabilidad y control empresarial. Los equipos de marketing saben exactamente qué contenido recibe cada segmento y pueden explicar la lógica a las partes interesadas.
- Favoritos impulsados por IA: Optimización del rendimiento, escalabilidad y mejora continua. El modelo de IA descubre afinidades entre contenido y visitante que la escritura de reglas humanas podría pasar por alto.
- Recomendación: Utilice basada en reglas para decisiones de contenido de alto riesgo en las que la coherencia de la marca y la transparencia de las partes interesadas sean fundamentales. Utilice la clasificación de IA para catálogos de contenido grandes en los que la administración manual de reglas resulta difícil de manejar y la optimización continua ofrece un alza mensurable.
- Favoritos de caducidad más largos: Perfiles anónimos más completos, mejor reconocimiento de visitantes que regresan y más datos para las decisiones de personalización. Establezca la caducidad en 90-365 días.
- Favoritos de caducidad más cortos: cumplimiento de la privacidad (RGPD, CCPA), costos de almacenamiento reducidos y riesgo minimizado de datos de perfiles antiguos. Establezca la caducidad en 14-30 días.
- Recomendación: Alinee la caducidad con la directiva de consentimiento de cookies y los requisitos de privacidad de su organización. Para la mayoría de las implementaciones, de 30 a 90 días proporciona un equilibrio razonable entre el valor de personalización y el cumplimiento de la privacidad.
Documentación relacionada
Los siguientes recursos de Experience League proporcionan detalles adicionales sobre las funciones utilizadas en este patrón de caso de uso.
Canal web y experiencias basadas en código
Audiencias y segmentación
Personalization y contenido
Experimentación de contenido
Administración de decisiones
Campañas
Web SDKy recopilación de datos
Identidad y perfil
Modelado de datos
Informes y análisis
Gobernanza de datos y privacidad
Protecciones