Recomendación de comportamiento
Esta guía explica cómo implementar recomendaciones de contenido y productos de comportamiento mediante Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) y Adobe Experience Platform (AEP). Está diseñado para arquitectos de soluciones, tecnólogos de marketing e ingenieros de implementación que necesitan ofrecer experiencias de recomendación personalizadas en canales web, de aplicaciones móviles y de correo electrónico.
Presenta todas las opciones de implementación viables, consideraciones de decisión en cada fase y vínculos a la documentación de Adobe Experience League. 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.
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:
- Widget de venta cruzada de productos en la página de detalles del producto ("los clientes también compraron")
- Carrusel "Recomendado para usted" en la página principal en función del historial del explorador
- Recomendaciones de contenido en sitios multimedia según el comportamiento de lectura
- Widget de "Artículos vistos recientemente" combinado con elementos similares
- Recomendaciones de productos complementarios posteriores a la compra
- Enviar por correo electrónico recomendaciones de productos basadas en afinidad de comportamiento
- Recomendaciones específicas por categoría basadas en el comportamiento de exploración dentro de la sesión
- Volver a clasificar los resultados de búsqueda según las señales de comportamiento
Indicadores clave de rendimiento
Los siguientes KPI ayudan a medir la eficacia de las implementaciones de recomendaciones de comportamiento.
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.
Cadena de funciones: Ingesta de señal de comportamiento > Evaluación de estrategia de toma de decisiones > Entrega de recomendaciones > Informes
Consulte la sección Composición del patrón en Consideraciones de implementación para obtener instrucciones sobre cómo combinar patrones.
Aplicaciones
En este patrón de caso de uso se utilizan las siguientes aplicaciones.
- Adobe Journey Optimizer (AJO) Decisioning: Estrategias de selección, modelos de clasificación, catálogos de elementos y políticas de decisión que evalúan las señales de comportamiento y devuelven los elementos más relevantes para cada visitante
- Adobe Real-Time Customer Data Platform (RT-CDP): acumulación de datos de perfil de comportamiento, evaluación de audiencia para ámbitos de recomendación y atributos calculados para puntuación de afinidad de comportamiento
- Adobe Experience Platform (AEP) — Ingesta de evento de comportamiento a través de Web SDK y Mobile SDK, procesamiento de Edge Network, administración de esquema XDM para datos de catálogo y evento
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.
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:
- [ ] AJO Decisioning está aprovisionado y habilitado en la zona protegida de destino
- [ ] Web SDK o Mobile SDK está implementado y recopilando eventos de comportamiento con identificadores de producto/contenido
- [ ] Los datos del catálogo de productos o de contenido están disponibles para su ingesta (nombre del producto, categoría, precio, URL de imagen, disponibilidad)
- [ ] Los esquemas de eventos de comportamiento incluyen identificadores de artículo/producto que se vinculan a elementos de catálogo
- [ La secuencia de datos ] se ha configurado con el servicio Adobe Journey Optimizer habilitado (necesario para la toma de decisiones en Edge)
- [ Se ha configurado la política de combinación ] con
isActiveOnEdge: true(necesaria para recomendaciones de aplicaciones/web en tiempo real) - [ ] para recomendaciones de correo electrónico (opción C): la superficie de canal de correo electrónico está configurada y validada
- [ ] para recomendaciones por correo electrónico (opción C): la audiencia de destino se ha definido y se está evaluando
Opciones de implementación
Las siguientes opciones describen diferentes enfoques para implementar recomendaciones de comportamiento. Elija la opción que mejor se adapte a sus requisitos de canal y restricciones técnicas.
Opción A: recomendaciones en tiempo real para web
Ideal para: Recomendaciones de productos o contenido en páginas web: widgets de venta cruzada de páginas de detalles de productos, carruseles de recomendaciones de páginas de inicio, listados personalizados de páginas de categorías y personalización de resultados de búsqueda.
Cómo funciona:
Las señales de comportamiento se recopilan en tiempo real mediante Web SDK a medida que los visitantes navegan por el sitio. Cada vista de página, interacción de producto o consulta de búsqueda se transmite a AEP y se asocia con el perfil del visitante (a través de ECID para visitantes anónimos o identidad autenticada para visitantes conocidos). Cuando se carga una página que contiene una superficie de recomendación, Web SDK solicita una evaluación de toma de decisiones de AJO a través de Edge Network. El motor de decisión evalúa el perfil de comportamiento del visitante con respecto a la estrategia de selección, aplica la lógica de clasificación, filtra los elementos no aptos (ya adquiridos, sin existencias) y devuelve los elementos recomendados.
Las recomendaciones se representan en la página a través de experiencias basadas en código o superficies de canales web. La renderización puede ser un carrusel, una cuadrícula, un widget de un solo elemento o cualquier diseño personalizado definido en la plantilla de recomendación. Los eventos de impresión y clics se rastrean automáticamente en AEP para la creación de informes de rendimiento.
Consideraciones clave:
- Edge Decisioning requiere que la política de combinación esté activa en Edge
- La latencia de la recomendación depende del tiempo de respuesta de Edge Network (SLA inferior a 500 ms para solicitudes de un solo ámbito)
- Los visitantes anónimos reciben recomendaciones basadas en el comportamiento de la sesión; los visitantes conocidos se benefician del historial de comportamiento entre sesiones
- Los visitantes de inicio en frío sin historial de comportamiento reciben recomendaciones de reserva
Ventajas:
- Personalización en tiempo real basada en el comportamiento en la sesión
- Envío de recomendación de subsegundo a través de Edge Network
- Funciona tanto para visitantes anónimos como conocidos
- Impresión automática y rastreo de clics
- No se requiere volver a cargar la página para recomendaciones nuevas
Limitaciones:
- El almacén de perfiles de Edge contiene un subconjunto de atributos de perfil completos
- Los modelos de clasificación complejos con muchos atributos de perfil pueden requerir una evaluación en el centro
- Requiere implementación Web SDK con seguimiento de eventos de comportamiento
Experience League:
Opción B: recomendaciones de aplicaciones móviles
Ideal para: recomendaciones de productos en la aplicación, fuentes de contenido personalizadas, recomendaciones basadas en notificaciones y experiencias de comercio móvil.
Cómo funciona:
Las señales de comportamiento se recopilan a través de Mobile SDK a medida que los usuarios interactúan con la aplicación. Las vistas de productos, las interacciones de contenido, las búsquedas y las compras se transmiten a AEP. Cuando se carga una pantalla que contiene una superficie de recomendación, Mobile SDK solicita una evaluación de toma de decisiones. Las recomendaciones se entregan mediante mensajes en la aplicación, tarjetas de contenido o experiencias basadas en código dentro de la aplicación móvil.
Las tarjetas de contenido son especialmente adecuadas para casos de uso de recomendaciones en aplicaciones móviles, ya que persisten en una experiencia similar a una fuente que los usuarios pueden examinar según les convenga. Los mensajes en la aplicación se pueden utilizar para recomendaciones contextuales activadas por comportamientos específicos (por ejemplo, mostrar productos complementarios después de agregar un elemento al carro de compras).
Consideraciones clave:
- Mobile SDK debe configurarse con el seguimiento de eventos de comportamiento para las interacciones relevantes
- Las tarjetas de contenido proporcionan una superficie de recomendación persistente; los mensajes en la aplicación son efímeros
- El seguimiento de comportamiento sin conexión requiere la administración de colas de SDK para el envío de eventos diferidos
- Los ciclos de actualización de la tienda de aplicaciones afectan a la rapidez con la que se pueden implementar cambios de procesamiento de recomendaciones
Ventajas:
- Experiencia móvil nativa con procesamiento de recomendaciones suave integrado en la aplicación
- Las tarjetas de contenido proporcionan una fuente de recomendaciones persistente y explorable
- Los mensajes en la aplicación permiten recomendaciones contextuales y activadas por el comportamiento
- Aprovecha las señales a nivel de dispositivo (ubicación, patrones de uso de la aplicación) para lograr una relevancia mejorada
Limitaciones:
- Requiere integración de Mobile SDK y recursos de desarrollo de aplicaciones
- Los cambios de procesamiento requieren actualizaciones de la aplicación (a menos que se utilicen experiencias basadas en código con diseños impulsados por el servidor)
- Los periodos sin conexión crean lagunas en la recopilación de señales de comportamiento
Experience League:
Opción C: recomendaciones de comportamiento por correo electrónico
Recomendado para: Recomendaciones de productos en campañas de correo electrónico: correos electrónicos de navegación abandonados con recomendaciones de productos vistos, correos electrónicos de venta cruzada posteriores a la compra, resúmenes periódicos de "selecciones para ti" y correos electrónicos de renovación de participación con sugerencias de productos personalizadas.
Cómo funciona:
Los datos de perfil de comportamiento acumulados de sesiones anteriores informan la selección de recomendaciones en el momento de envío del correo electrónico o en el momento de procesamiento. Una audiencia se define para dirigirse a los destinatarios adecuados (por ejemplo, visitantes que navegaron pero no compraron, clientes que realizaron una compra reciente). Se configura una campaña o un recorrido para enviar un correo electrónico que incluya ubicaciones de recomendaciones. En el momento del envío, AJO Decisioning evalúa el perfil de comportamiento de cada destinatario con respecto a la estrategia de selección e inserta los elementos recomendados en el contenido del correo electrónico.
Esta opción se basa en el historial de comportamiento acumulado en lugar de en las señales de la sesión. Los atributos calculados (puntuaciones de afinidad de la categoría, vistas recientes del producto, frecuencia de compra) mejoran significativamente la calidad de las recomendaciones por correo electrónico, ya que destilan el historial de comportamiento en señales de nivel de perfil que la estrategia de selección puede evaluar de forma eficaz.
Consideraciones clave:
- Las recomendaciones de correo electrónico se evalúan en el momento de la entrega, no en el momento de la apertura (el estado del perfil de comportamiento en el momento de la entrega determina las recomendaciones)
- Se recomiendan los atributos calculados para mejorar la calidad de la clasificación
- Las limitaciones de procesamiento de correo electrónico (sin JavaScript y CSS limitado) limitan los formatos de visualización de recomendaciones
- Requiere una superficie de canal de correo electrónico configurada y validada
Ventajas:
- Aprovecha el historial de comportamiento completo en todas las sesiones para conseguir una personalización más profunda
- Se integra con los flujos de trabajo de campaña y recorrido existentes
- Efectivo para escenarios de renovación de participación y recuperación en los que los puntos de contacto web/aplicación no están disponibles
- Puede incluir varias ubicaciones de recomendaciones en un solo correo electrónico
Limitaciones:
- Las recomendaciones son estáticas en el momento del envío y no se actualizan cuando se abre el correo electrónico
- Las restricciones de procesamiento de correo electrónico limitan los formatos de visualización de recomendaciones
- Requiere evaluación de audiencia e infraestructura de orquestación de campaña/recorrido
- Mayor complejidad de la implementación debido a dependencias adicionales (configuración del canal, definición de audiencia, ejecución de campañas)
Experience League:
Comparación de opciones
En la tabla siguiente se resumen las principales diferencias entre las opciones de implementación.
Elija la opción correcta
Siga estas instrucciones para seleccionar la mejor opción para su situación:
- Comience con la opción A si su objetivo principal son las recomendaciones de productos en tiempo real en su sitio web. Este es el punto de partida más común y proporciona un valor inmediato con la complejidad de implementación más baja.
- Elija la opción B si su aplicación móvil es un canal de participación principal y las recomendaciones en la aplicación podrían impulsar un aumento significativo de la conversión. La opción B se puede ejecutar en paralelo con la opción A utilizando las mismas estrategias de selección y catálogos de artículos.
- Agregue la opción C cuando desee ampliar las recomendaciones de comportamiento a las campañas de correo electrónico. Normalmente, se coloca por encima de la opción A o B, utilizando los mismos catálogos de elementos y estrategias de selección, pero con plantillas de renderización específicas del correo electrónico y segmentación basada en la audiencia.
- Combine las opciones A + C para un patrón común: recomendaciones web en tiempo real para visitantes activos, además de recomendaciones de navegación abandonada o correo electrónico posterior a la compra para visitantes que se van sin convertir.
Fases de implementación
Las siguientes fases le guían a través de la implementación integral de recomendaciones de comportamiento.
Fase 1: Configurar el esquema de evento de comportamiento y la recopilación de datos
Función de la aplicación: AEP: Modelado y preparación de datos (F2), AEP: Fuentes de datos y recopilación (F3)
Esta fase establece los esquemas XDM, los conjuntos de datos y los mecanismos de recopilación de datos que capturan señales de comportamiento y datos del catálogo de elementos. Esta base de datos es de lo que depende toda la lógica de recomendación.
Decisión: diseño de esquema de evento de comportamiento
¿Qué señales de comportamiento deben impulsar las recomendaciones?
Decisión: método de ingesta del catálogo de artículos
¿Cómo se incorporará el producto o el catálogo de contenido en AEP?
Navegación de la interfaz de usuario: Administración de datos > Esquemas > Crear esquema; Recopilación de datos > Flujos de datos > Nuevo flujo de datos
Detalles de configuración de clave:
- El esquema de Experience Event debe incluir identificadores de producto/elemento (SKU, ID de producto, ID de contenido) en la carga útil de evento
- El esquema del catálogo de artículos debe incluir atributos utilizados para el filtrado y la clasificación: categoría, precio, URL de imagen, estado de disponibilidad, etiquetas
- La secuencia de datos debe tener el servicio Adobe Journey Optimizer habilitado para Edge Decisioning
- Web SDK
sendEventllamadas deben incluir datos de interacción del producto asignados a campos de comercio XDM
Documentación de Experience League:
Fase 2: Configuración de la identidad y el perfil
Función de aplicación: AEP: Configuración de identidad y perfil (F4)
Esta fase configura áreas de nombres de identidad, designaciones de identidad principales y políticas de combinación que garantizan que las señales de comportamiento se asocien correctamente a los perfiles de los visitantes y estén disponibles para la entrega de recomendaciones en tiempo real.
Decisión: Política de combinación para la toma de decisiones en Edge
¿Requiere el caso de uso de la recomendación una evaluación de Edge en tiempo real?
Decisión: identidad anónima frente a identidad conocida del visitante
¿Cómo se deben gestionar las señales de comportamiento de los visitantes anónimos?
Navegación de la interfaz de usuario: Identidades > Áreas de nombres de identidad; Perfiles > Políticas de combinación
Detalles de configuración de clave:
- El espacio de nombres ECID está preconfigurado y Web SDK y Mobile SDK lo utilizan automáticamente
- Deben crearse áreas de nombres de identidad personalizadas (ID de CRM, ID de fidelidad) para la identidad autenticada
- La identidad principal en el esquema de Experience Event debe ser ECID para los eventos de comportamiento web/móvil
- La política de combinación debe utilizar Private Device Graph para la vinculación de identidad entre dispositivos
Documentación de Experience League:
Fase 3: Configurar el catálogo de artículos y la estrategia de selección
Función de aplicación: AJO: Decisioning
Esta fase configura el catálogo de elementos (elementos de decisión), las estrategias de selección que combinan señales de comportamiento con atributos de elemento para la clasificación, las reglas de filtrado para excluir elementos no aptos y las recomendaciones de reserva para perfiles de inicio en frío.
Decisión: ámbito del catálogo de elementos
¿Qué artículos están disponibles para la recomendación?
Decisión: enfoque de clasificación
¿Cómo se deben clasificar los artículos aptos para determinar las mejores recomendaciones?
Decisión: Reglas de filtrado
¿Qué artículos deben excluirse de las recomendaciones?
Decisión: Estrategia de inicio en frío
¿Qué se debe mostrar para los nuevos visitantes sin historial de comportamiento?
Navegación de la interfaz de usuario: Journey Optimizer > Componentes > Administración de decisiones > Decisiones; Journey Optimizer > Componentes > Administración de decisiones > Ofertas; Journey Optimizer > Componentes > Administración de decisiones > Ubicaciones
Detalles de configuración de clave:
- Cree elementos de decisión que representen cada producto o elemento de contenido del catálogo, con atributos (categoría, precio, URL de imagen, etiquetas)
- Defina estrategias de selección que combinen el filtrado del catálogo de elementos con la lógica de clasificación de comportamiento
- Configurar modelos de clasificación: las expresiones basadas en fórmulas pueden hacer referencia a atributos de perfil (por ejemplo, puntuaciones de afinidad de categoría de atributos calculados)
- Crear ofertas o elementos de reserva que sirvan como recomendaciones predeterminadas para perfiles de inicio en frío
- Organizar elementos en colecciones utilizando calificadores de colección (etiquetas) para la agrupación lógica
- Configurar reglas de filtrado dentro de las estrategias de selección para aplicar reglas empresariales (excluir compradas, solo en stock)
Documentación de Experience League:
Fase 4: Configuración de canal y superficie
Función de aplicación: AJO: Configuración de canal
Esta fase configura las superficies de envío en las que se procesarán las recomendaciones. La configuración varía significativamente según la opción de implementación.
Decisión: Tipo de superficie de entrega
¿Dónde se mostrarán las recomendaciones?
Donde las opciones difieren:
Para La Opción A (Recomendaciones En Tiempo Real Web):
Configure una superficie de experiencia basada en código o una superficie de canal web. Las experiencias basadas en código proporcionan la mayor flexibilidad para la representación de recomendaciones personalizadas (carruseles, cuadrículas y tarjetas de elementos). El URI de superficie identifica dónde aparecen las recomendaciones en la página.
Para Opción B (Recomendaciones De Aplicaciones Móviles):
Configure las superficies de mensajes en la aplicación o de tarjetas de contenido. Se recomiendan las tarjetas de contenido para las fuentes de recomendaciones persistentes. Los mensajes en la aplicación funcionan bien para recomendaciones contextuales activadas por el comportamiento.
Para La Opción C (Recomendaciones De Comportamiento De Correo Electrónico):
Configure una superficie de canal de correo electrónico con delegación de subdominios, asignación de grupos de IP y configuración de remitente. Asegúrese de que la superficie esté validada para la entrega.
Navegación de interfaz de usuario: Administración > Canales > Superficies de canal > Crear superficie
Documentación de Experience League:
Fase 5: Configuración de contenido y envío
Función de aplicación: AJO: Creación de mensajes
Esta fase define las plantillas de renderización de recomendaciones que controlan cómo se muestran los artículos recomendados al visitante. Esto incluye el diseño del artículo, expresiones de personalización que extraen atributos del artículo (nombre, imagen, precio, vínculo) y el diseño general de la experiencia de recomendación.
Decisión: formato de visualización de recomendación
¿Cómo se deben representar los elementos recomendados?
Decisión: número de recomendaciones que se mostrarán
¿Cuántos elementos debe devolver la decisión por ubicación?
Donde las opciones difieren:
Para La Opción A (Recomendaciones En Tiempo Real Web):
Diseñe el procesamiento de recomendaciones utilizando plantillas de experiencia basadas en código. Utilice HTML/CSS/JavaScript para crear el diseño de carrusel, cuadrícula o widget. Las expresiones de Personalization hacen referencia a los atributos de respuesta de decisión (nombre del artículo, dirección URL de imagen, precio, dirección URL del producto). La impresión y el rastreo de clics son administrados automáticamente por Web SDK.
Para Opción B (Recomendaciones De Aplicaciones Móviles):
Configure la tarjeta de contenido o las plantillas de mensajes en la aplicación con la lógica de visualización de elementos. Utilice estructuras de contenido basadas en JSON que la aplicación móvil procese de forma nativa. Incluya vínculos profundos para cada elemento recomendado.
Para La Opción C (Recomendaciones De Comportamiento De Correo Electrónico):
Diseño del contenido del correo electrónico con Email Designer. Inserte ubicaciones de recomendaciones utilizando bloques de contenido basados en decisiones. Configure expresiones de personalización para atributos de elemento dentro de la plantilla de correo electrónico. La personalización de la línea de asunto puede hacer referencia a los elementos principales recomendados.
Navegación de la interfaz de usuario: Administración de contenido > Plantillas de contenido; Campaña/Recorrido > Editar contenido > Enviar correo electrónico a Designer
Detalles de configuración de clave:
- Cada ubicación de recomendación debe hacer referencia a la decisión creada en la Fase 3
- Las expresiones de Personalization utilizan la sintaxis Handlebars para procesar atributos de elemento
- Para la web: configure la experiencia basada en código para llamar a la decisión y procesar la respuesta
- Para el correo electrónico: incrusta la decisión en la acción de correo electrónico dentro de la campaña o el recorrido
- Previsualización de recomendaciones mediante perfiles de prueba con historial de comportamiento conocido
Documentación de Experience League:
Fase 6: Configurar el ámbito de audiencia y la campaña/recorrido (solo opción C)
Función de aplicación: RT-CDP: Evaluación de audiencia, AJO: Ejecución de campaña o Journey Orchestration
Para las recomendaciones basadas en correo electrónico (Opción C), esta fase define la audiencia objetivo y configura la campaña o el recorrido que envía el correo electrónico de recomendación. Las opciones A y B omiten esta fase porque las recomendaciones se entregan en tiempo real al cargar la página o la pantalla.
Decisión: método de evaluación de audiencia
¿Cómo se debe evaluar la audiencia de destino de los correos electrónicos de recomendación?
Decisión: Mecanismo de entrega
¿Debe entregarse el correo electrónico a través de una campaña o un recorrido?
Navegación de la interfaz de usuario: Cliente > Audiencias > Crear audiencia > Generar regla; Campañas > Crear campaña; Recorridos > Crear recorrido
Detalles de configuración de clave:
- Defina la audiencia de destino mediante expresiones de regla de segmento que hagan referencia al historial de comportamiento (por ejemplo, "productos vistos en los últimos 7 días pero no comprados")
- Configure la campaña o el recorrido con la acción de correo electrónico que hace referencia a la superficie de canal desde la fase 4
- Incrustar la decisión de la fase 3 en el contenido del correo electrónico
- Establezca reglas de programación y frecuencia para evitar mensajes excesivos
Documentación de Experience League:
Fase 7: Configuración de informes y optimización
Función de la aplicación: AJO: Reporting & Performance Analysis, S5: Reporting & Analysis
Esta fase establece la monitorización del rendimiento para las métricas de clics, conversiones e ingresos de recomendaciones. Crea la infraestructura de creación de informes para medir la eficacia de las recomendaciones e identificar las oportunidades de optimización.
Decisión: profundidad del informe
¿Qué nivel de análisis de creación de informes se necesita?
Navegación de la interfaz de usuario: Campañas > Seleccionar campaña > Informe de todo el tiempo; Recorrido > Seleccionar recorrido > Informe de todo el tiempo; Customer Journey Analytics > Proyectos > Crear nuevo proyecto
Detalles de configuración de clave:
- Revise los informes de campaña y recorrido de AJO para ver las métricas de entrega y participación
- Para la integración de Customer Journey Analytics, cree una conexión que incluya conjuntos de datos de evento de experiencia de AJO (comentarios de mensajes, seguimiento de correo electrónico, toma de decisiones)
- Crear una vista de datos Customer Journey Analytics con dimensiones específicas de la recomendación (nombre del elemento, categoría del elemento, superficie de recomendación) y métricas (impresiones, clics, conversiones, ingresos)
- Cree métricas calculadas para el CTR de recomendación, la tasa de conversión y los ingresos por impresión
- Crear Customer Journey Analytics paneles de Workspace comparando el rendimiento de las recomendaciones en superficies, segmentos y periodos de tiempo
Documentación de Experience League:
Consideraciones sobre la implementación
Revise las siguientes barreras, escollos, prácticas recomendadas y compensaciones antes y durante la implementación.
Protecciones y límites
- Máximo de 10 000 ofertas personalizadas aprobadas (elementos de decisión) por zona protegida: protecciones de administración de decisiones
- Máximo de 30 colocaciones por decisión
- Máximo de 30 ámbitos de recopilación por solicitud de decisión
- Tiempo de respuesta de entrega de la oferta SLA: menos de 500 ms a P95 para solicitudes de Edge de un solo ámbito
- Los modelos de clasificación de IA requieren un mínimo de 1000 eventos de conversión para la formación.
- Los contadores de límite de oferta pueden tener un retraso de hasta unos segundos en escenarios de alto rendimiento
- Las decisiones de Edge se limitan a atributos de perfil disponibles en el almacén de perfiles Edge
- Solo puede haber una política de combinación activa en Edge por zona protegida — Protecciones de perfil
- Máximo de 25 atributos calculados activos por zona protegida: Controles de atributos calculados
- Máximo de 4000 definiciones de segmento por zona protegida — Protecciones de segmentación
- Ingesta de transmisión: máximo de 20 000 registros por segundo por conexión HTTP — Protecciones de ingesta
Peligros comunes
- La decisión solo devuelve elementos de reserva: Compruebe que los elementos de decisión personalizados estén aprobados, dentro de su intervalo de fechas de validez, y que las reglas de elegibilidad coincidan con los atributos de perfil del visitante. Compruebe que no se han alcanzado los límites.
- La entrega de Edge devuelve la personalización vacía: Asegúrese de que la secuencia de datos esté configurada con el servicio Adobe Journey Optimizer habilitado y de que el ámbito de decisión tenga el formato correcto en la solicitud Web SDK.
- Fórmula de clasificación no aplicada: Compruebe que la fórmula es sintácticamente válida y hace referencia a atributos de perfil accesibles. Los errores de fórmula vuelven silenciosamente a la clasificación basada en prioridades.
- Recomendaciones antiguas: Si los datos de eventos de comportamiento no fluyen en tiempo real, las recomendaciones se basarán en perfiles de comportamiento obsoletos. Verifique que Web SDK o Mobile SDK estén transmitiendo eventos de forma activa.
- La tasa de reserva de inicio en frío es demasiado alta: Si un gran porcentaje de visitantes recibe recomendaciones de reserva, considere enriquecer la estrategia de inicio en frío con señales contextuales (categoría de página actual, origen de referencia) en lugar de depender únicamente del historial de comportamiento.
- Las recomendaciones no se representan en la página: Compruebe que el URI de superficie de experiencia basado en código coincide con el patrón de URL de página y que Web SDK solicita y procesa correctamente la respuesta de decisión.
- Faltan elementos de catálogo en las recomendaciones: Asegúrese de que todos los elementos de catálogo se hayan ingerido como elementos de decisión, se hayan etiquetado con los calificadores de colección correctos y se hayan incluido en las colecciones adecuadas a las que hace referencia la estrategia de selección.
Prácticas recomendadas
- Comience con un modelo de clasificación basado en fórmulas que utilice atributos calculados (afinidad de la categoría, actualización de la interacción) antes de invertir en modelos con clasificación de IA. Los modelos basados en fórmulas son transparentes, auditables y proporcionan una línea de base sólida para la comparación.
- Implemente el rastreo de clics y impresiones desde el primer día. Sin datos de interacción, los modelos de clasificación de IA no pueden entrenarse y no se puede medir la efectividad de las recomendaciones.
- Cree estrategias de selección independientes para diferentes superficies de recomendación (página principal, PDP, correo electrónico) en lugar de reutilizar una sola estrategia en todas partes. Las diferentes superficies sirven para diferentes intenciones del usuario.
- Utilice atributos calculados para destilar el historial de comportamiento en señales de clasificación. Los datos de evento sin procesar son demasiado granulares para una clasificación efectiva basada en fórmulas; las señales agregadas como "puntuación de afinidad de categoría" y "días desde la última compra" son más efectivas.
- Pruebe recomendaciones de reserva por separado de recomendaciones personalizadas. Asegúrese de que los elementos de reserva sean valores predeterminados de alta calidad y apropiados para la marca que proporcionen una buena experiencia a los nuevos visitantes.
- Monitorice la tasa de reserva de inicio en frío como métrica de estado clave. Una tasa de respuesta descendente con el tiempo indica una creciente cobertura del comportamiento.
- Para las recomendaciones por correo electrónico, la programación envía a las horas en las que el perfil de comportamiento es más completo (por ejemplo, después de las horas de mayor navegación, no durante ellas).
Decisiones de compensación
Las siguientes compensaciones deben evaluarse en función de sus necesidades específicas.
Señales en tiempo real frente a historial acumulado
Las señales de comportamiento en la sesión proporcionan relevancia inmediata, pero una profundidad limitada. Los antecedentes de comportamiento acumulados proporcionan profundidad, pero pueden ser antiguos. El equilibrio entre estas fuentes afecta a la calidad de las recomendaciones.
- Favores de la opción A: Señales en tiempo real para una relevancia inmediata, complementadas por el historial acumulado de visitantes conocidos
- Opción C favorece: El historial acumulado es exclusivo, ya que los mensajes de correo electrónico se envían de forma asincrónica
- Recomendación: Para la web y el móvil (opciones A y B), combine las señales de la sesión con atributos calculados derivados del comportamiento histórico. Para el correo electrónico (Opción C), realice una fuerte inversión en atributos calculados que resuman el historial de comportamiento en señales procesables a nivel de perfil.
Modelos basados en fórmulas o clasificados por IA
La clasificación basada en fórmulas es transparente e inmediata. Los modelos con clasificación de IA se adaptan automáticamente, pero requieren datos de formación y ofrecen menos visibilidad en las decisiones de clasificación.
- Favoritos basados en fórmulas: Transparencia, auditabilidad, implementación inmediata y control empresarial preciso de la lógica de clasificación
- Favoritos de clasificación de IA: Optimización automatizada, descubrimiento de patrones no obvios y menor esfuerzo de ajuste manual
- Recomendación: Comience con la clasificación basada en fórmulas para establecer una línea de base de rendimiento y acumular datos de conversión. Realice la transición a modelos con clasificación de IA una vez que tenga datos de formación suficientes (más de 1000 eventos de conversión) y desee optimizar más allá de lo que puede lograr el ajuste manual de la fórmula.
Cobertura de la recomendación frente a relevancia
Ampliar el catálogo de artículos y relajar las reglas de filtrado aumenta el porcentaje de solicitudes que reciben recomendaciones personalizadas, pero puede reducir la relevancia por recomendación.
- Favoritos de alta cobertura: Maximizar el número de visitantes que ven recomendaciones personalizadas; útil cuando el objetivo principal es la participación
- Favoritos de alta relevancia: mostrar solo elementos de alta relevancia, incluso si significa que más visitantes verán recomendaciones de reserva; útil cuando el objetivo principal es la conversión
- Recomendación: Comience con un filtrado moderado (excluya los artículos comprados y los que no tengan existencias) y supervise tanto la tasa de reserva como la tasa de conversión. Apriete las reglas de filtrado solo si los datos de conversión lo admiten.
Profundidad de Personalization frente a complejidad de la implementación
Las señales de comportamiento más enriquecidas y los modelos de clasificación más sofisticados mejoran la calidad de la recomendación, pero aumentan la complejidad de la implementación y la carga de mantenimiento.
- Una implementación más sencilla favorece: Un tiempo de respuesta más rápido, menor mantenimiento, más fácil de depurar e iterar
- Favoritos de personalización más profundos: mayor alza de conversión, mejor experiencia de cliente y diferenciación competitiva
- Recomendación: implementación por fases. Comience con las señales de vista del producto y la clasificación basada en fórmulas (Fase 1). Agregar atributos calculados para el enriquecimiento conductual (Fase 2). Evalúe los modelos con clasificación de IA una vez que la base esté madura y haya disponibles datos de formación suficientes (Fase 3).
Documentación relacionada
Los siguientes recursos proporcionan detalles adicionales sobre las tecnologías y capacidades utilizadas en este patrón.
Administración de decisiones
- Información general de Administración de decisiones
- Creación de ubicaciones
- Creación de reglas de decisión
- Crear ofertas personalizadas
- Crear ofertas de reserva
- Crear colecciones
- Crear calificadores de colección
- Crear decisiones
- Estrategias de clasificación
- Entrega de ofertas en mensajes
- Entrega de ofertas mediante la API de Edge Decisioning