Eventos

Los eventos son una herramienta esencial para mejorar la experiencia de compra y dirigir las conversiones mediante el aprovechamiento de las perspectivas de datos en tiempo real.

Adobe Commerce Optimizer implementa eventos de tienda en el sitio automáticamente. Estos eventos capturan datos de las interacciones de los compradores en el sitio. Estos datos anónimos alimentan recomendaciones, descubrimiento de productos y métricas de éxito.

La página Eventos le permite observar los datos de evento de tienda que se están recopilando. Ver la recopilación de datos de evento permite a los comerciantes comprobar que han implementado correctamente los eventos de tienda y que estos se han capturado correctamente. Los comerciantes pueden utilizar esta página para identificar posibles problemas y tomar medidas para resolver cualquier problema de evento.

Recuento de eventos

La ficha Recuentos de eventos hace un seguimiento de las interacciones del comprador, como búsquedas, clics y compras, para ayudarle a analizar las tendencias y mejorar la experiencia de compra.

{modal="regular"}

Comprobación de coherencia

La ficha Comprobación de coherencia ofrece información sobre el estado de cada evento de comportamiento, lo que garantiza una recopilación de datos y una funcionalidad precisas. palo de golf

{modal="regular"}

Las secciones siguientes describen detalles de eventos para descubrimiento de productos y recomendaciones.

Descubrimiento de productos

La detección de productos utiliza eventos para potenciar los algoritmos de búsqueda como "Más visitados" y "Ha visto esto, ha visto aquello".

En esta tabla se describen los eventos que usa la detección de productos estrategias de clasificación.

Eventos de panel requeridos

Se requieren algunos eventos para rellenar el panel de rendimiento de búsqueda

Recommendations

Existen dos tipos de datos utilizados en Recommendations:

Adobe Sensei agrega los datos de comportamiento y catálogo, creando Recommendations para cada tipo de recomendación. A continuación, el servicio Recommendations implementa esas recomendaciones en la tienda en forma de widget que contiene el producto recomendado items.

Algunos tipos de recomendación utilizan datos de comportamiento de los compradores para entrenar modelos de aprendizaje automático y crear recomendaciones personalizadas. Otros tipos de recomendación solo utilizan datos de catálogo y no utilizan datos de comportamiento. Si desea empezar a usar Recommendations rápidamente en el sitio, puede usar el tipo de recomendación More like this.

Inicio en frío

¿Cuándo puede empezar a utilizar tipos de recomendación que utilicen datos de comportamiento? Depende de ti. Este problema se conoce como Inicio en frío.

El problema de arranque en frío se refiere al tiempo que tarda un modelo en entrenar y en ser efectivo. En el caso de las recomendaciones, esto significa esperar a que Adobe Sensei recopile datos suficientes para entrenar sus modelos de aprendizaje automático antes de implementar unidades de recomendaciones en el sitio. Cuantos más datos tengan los modelos, más precisas y útiles serán las recomendaciones. Dado que la recopilación de datos se produce en un sitio activo, es mejor iniciar este proceso antes.

La siguiente tabla proporciona algunas directrices generales sobre la cantidad de tiempo que se tarda en recopilar suficientes datos para cada tipo de recomendación:

Otras variables que pueden afectar al tiempo necesario para entrenar:

Para ayudarle a visualizar el progreso de formación de cada tipo de recomendación, la página crear recomendación muestra indicadores de preparación.

Mientras se recopilan los datos en el sitio activo y se imparten los modelos de aprendizaje automático, puede finalizar otras tareas de prueba y configuración necesarias para configurar las recomendaciones. Cuando haya terminado con este trabajo, los modelos tendrán datos suficientes para crear recomendaciones útiles, lo que le permitirá implementarlas en su tienda.

Si el sitio no recibe tráfico suficiente (vistas, compras, tendencias) para la mayoría de los SKU de producto, es posible que no haya suficientes datos para completar el proceso de aprendizaje. Esto puede hacer que el indicador de preparación del espacio de trabajo de Recommendations parezca atascado. Los indicadores de preparación están pensados para proporcionar a los comerciantes otro punto de datos a la hora de elegir qué tipo de recomendaciones es mejor para su tienda. Los números son una guía y es posible que nunca alcancen el 100%. Más información sobre los indicadores de preparación.

Recomendaciones de copia de seguridad

Si los datos de entrada no son suficientes para proporcionar todos los elementos de recomendación solicitados en una unidad, Adobe Commerce Optimizer proporciona recomendaciones de copia de seguridad para rellenar las unidades de recomendación. Por ejemplo, si implementa el tipo de recomendación Recommended for you en su página de inicio, un comprador que visita por primera vez su sitio no ha generado suficientes datos de comportamiento para recomendar con precisión productos personalizados. En este caso, Adobe Commerce Optimizer muestra artículos basados en el tipo de recomendación Most viewed a este comprador.

En caso de que la recopilación de datos de entrada sea insuficiente, los siguientes tipos de recomendación vuelven a Most viewed:

Eventos específicos de la recomendación

En la tabla siguiente se enumeran los eventos que se activan cuando los compradores interactúan con las unidades de recomendación en la tienda. Los datos del evento recopilados alimentan métricas para analizar el rendimiento de las recomendaciones.

Eventos de panel requeridos

Se requieren los siguientes eventos para rellenar el panel de rendimiento de Recommendations

Los siguientes eventos no son específicos de Recommendations, pero son necesarios para que Adobe Sensei interprete correctamente los datos del comprador:

Tipo de recomendación

En esta tabla se describen los eventos utilizados por cada tipo de recomendación.

Asistencia

Si nota discrepancias en los datos o si las recomendaciones y los resultados de la búsqueda no funcionan según lo esperado, envíe un vale de asistencia.