Recomendación de comportamiento

En esta guía se describe el patrón de casos de uso de recomendaciones de comportamiento, que usa Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) y Adobe Experience Platform (AEP) para ofrecer experiencias de recomendaciones personalizadas en los canales web, de aplicaciones móviles y de correo electrónico. Está diseñado para arquitectos de soluciones, tecnólogos de marketing e ingenieros de implementación que necesiten comprender qué hace este patrón, los objetivos comerciales que admite, los casos de uso tácticos que habilita y las aplicaciones de Adobe implicadas.

Behavioral Recommendations genera recomendaciones de nivel de elemento o de nivel de contenido mediante señales de comportamiento (vistas de producto, compras, interacciones de contenido, consultas de búsqueda) combinadas con estrategias de selección y modelos de clasificación de AJO Decisioning. A diferencia de Offer Decisioning (que rige un conjunto limitado de ofertas, promociones o incentivos mediante reglas de elegibilidad y restricciones comerciales), este patrón funciona en catálogos de artículos grandes y que cambian continuamente (productos, artículos, vídeos) donde la selección se basa en señales de afinidad de comportamiento en lugar de en la elegibilidad regida.

Patrón de caso de uso

Recomendación de comportamiento

Genere recomendaciones de nivel de elemento o de nivel de contenido basadas en señales de comportamiento, utilizando estrategias de selección de AJO Decisioning y modelos de clasificación para servir contenido contextual.

Plan de ejecución: Ingesta de señal de comportamiento > Evaluación de estrategia de toma de decisiones > Entrega de recomendaciones > Informes

Resumen del caso de uso

Las organizaciones con catálogos de productos, bibliotecas de contenido o bibliotecas de medios deben mostrar los elementos más relevantes para cada visitante en función de su historial de comportamiento y de la actividad de la sesión. Ya sea un carrusel “recomendado para usted” en una página de inicio, un widget de venta cruzada en una página de detalles del producto o las recomendaciones de productos incrustadas en una campaña de correo electrónico, el desafío subyacente es el mismo: combine el perfil de comportamiento de cada visitante con los artículos más relevantes de un catálogo y, a continuación, envíe esas recomendaciones en el canal correcto en el momento adecuado.

Este patrón aborda ese desafío mediante la ingesta de señales de comportamiento en tiempo real mediante Web SDK o Mobile SDK, el procesamiento mediante estrategias de selección de AJO Decisioning que combinan atributos de elemento con contexto de comportamiento y la entrega de los elementos recomendados a través de canales web, en la aplicación o de correo electrónico. Los modelos de clasificación pueden basarse en fórmulas (por ejemplo, ordenar por puntuación de afinidad de categoría) o en una clasificación de IA (por ejemplo, modelo de recomendación personalizado). El patrón también gestiona escenarios de inicio en frío para nuevos visitantes sin historial de comportamiento configurando recomendaciones de reserva.

La audiencia a la que se dirige este patrón incluye equipos de comercialización de comercio electrónico, equipos de personalización de contenido y equipos de experiencia digital que buscan mejorar la participación, la conversión y el valor promedio de los pedidos a través de recomendaciones personalizadas impulsadas por el comportamiento real del usuario.

Objetivos empresariales clave

Este patrón de caso de uso admite los siguientes objetivos empresariales.

Aumentar los ingresos de ventas cruzadas y ventas adicionales

Promocione productos o servicios complementarios y de primera calidad a los clientes existentes en función del comportamiento y el historial de compras.

KPI: porcentaje de aumento de ventas/venta cruzada, ingresos incrementales, valor de duración del cliente

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.

KPI: tasas de conversión, conversión de posibles clientes, costo por posible cliente

Ofrecer experiencias personalizadas a los clientes

Adapte el contenido, las ofertas y los mensajes a las preferencias, los comportamientos y las fases del ciclo de vida individuales.

KPI: participación, tasas de conversión, satisfacción del cliente (CSAT)

Casos de uso tácticos de ejemplo

Las siguientes son implementaciones tácticas comunes de este patrón:

Indicadores clave de rendimiento

Los siguientes KPI ayudan a medir la eficacia de las implementaciones de recomendaciones de comportamiento.

Aplicaciones

En este patrón de caso de uso se utilizan las siguientes aplicaciones.

Documentación relacionada

Los siguientes recursos proporcionan detalles adicionales sobre las tecnologías y capacidades utilizadas en este patrón.

Administración de decisiones

Recopilación de datos y SDK web/móvil

XDM y modelado de datos

Identidad y perfil

Audiencias y segmentación

Atributos calculados y enriquecimiento de perfiles

Configuración de canal

Creación y personalización de mensajes

Informes y análisis

Gobernanza de datos y ciclo vital

Monitorización y observabilidad

Guardas

Tutoriales y guías