Basar la recomendación en una clave de recomendación

Recommendations basado en algoritmos utiliza el contexto de comportamiento del visitante para mostrar resultados relevantes en Adobe Target actividades Recommendations.

Cada tipo de algoritmo proporciona diferentes algoritmos adecuados para su tipo, como se muestra en la siguiente tabla:

Cada criterio está definido en su propia pestaña. El tráfico se divide equitativamente en las distintas pruebas de criterios. Es decir, si tiene dos criterios, el tráfico se divide a partes iguales entre ellos. Si tiene dos criterios y dos diseños, el tráfico se divide equitativamente entre las cuatro combinaciones. También puede especificar el porcentaje de los visitantes del sitio que ven el contenido predeterminado, para su comparación. En ese caso, el porcentaje especificado de visitantes ve el contenido predeterminado y el resto se divide entre los criterios y las combinaciones de diseño.

Para obtener más información sobre cómo crear criterios y definir sus algoritmos y tipos de algoritmos, consulte Crear criterios.

Los distintos algoritmos de recomendaciones se prestan a colocarse en diferentes tipos de páginas. Consulte las secciones siguientes para obtener más información sobre cada tipo de algoritmo y sus algoritmos disponibles.

Basado en el carro cart-based

El tipo de algoritmo Cart-Based permite recomendar elementos según el contenido del carro de compras actual del visitante. Las claves de recomendación se proporcionan mediante el parámetro de mbox cartIds en valores separados por comas. Solo se tienen en cuenta los 10 primeros valores.

La lógica de recomendación basada en el carro de compras es similar al algoritmo basado en usuarios "Recommended For You" y a los algoritmos basados en elementos "People Who Viewed These, Bought Those" y "People Who Bought These, Bought Those".

Target utiliza técnicas de filtrado colaborativas para determinar las similitudes de cada elemento en el carro de compras del visitante y, a continuación, combina estas similitudes de comportamiento en cada elemento para obtener una lista combinada.

Target también ofrece a los especialistas en mercadotecnia la opción de observar el comportamiento de los visitantes en una sola sesión o en varias:

Target realiza recomendaciones para cada visitante basadas en los elementos de su carro de compras actual, independientemente de si observa el comportamiento de los visitantes en una sola sesión o en varias.

Los siguientes algoritmos están disponibles con el tipo de algoritmo Cart-Based:

People Who Viewed This, Viewed Those

Recomienda artículos que se visitan con mayor frecuencia en la misma sesión en que se ve el artículo especificado.

Esta lógica devuelve otros productos que vieron las personas después de ver este; el producto especificado no se incluye en el conjunto de resultados.

Esta lógica le permite crear oportunidades de conversión adicionales mediante la recomendación de artículos que otros visitantes que vieron un artículo también vieron. Por ejemplo: los visitantes que ven bicicletas de carretera en el sitio también pueden ver cascos de bicicleta, kits de ciclismo, cerraduras, etc. Puede crear una recomendación utilizando esta lógica que sugiere que otros productos le ayudan a aumentar los ingresos.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Los ususarios que vieron esto, compraron aquello.

Recomienda artículos que se compran con mayor frecuencia en la misma sesión en que se ve el artículo especificado. Este criterio devuelve otros productos que otras personas compraron después de haber visto el producto especificado. Este producto no se incluye en el conjunto de resultados.

Esta lógica devuelve otros productos que compraron otras personas después de ver este; el producto especificado no se incluye en el conjunto de resultados.

Esta lógica le permite aumentar las oportunidades de ventas cruzadas mostrando una recomendación en una página de producto, por ejemplo, que muestra artículos que otros visitantes que vieron el artículo compraron. Por ejemplo, si el visitante está viendo una caña de pescar, la recomendación podría mostrar artículos adicionales que otros visitantes compraron, como cajas de aparejos, zancudos y señuelos de pesca. A medida que los visitantes navegan por el sitio, les proporciona recomendaciones de compra adicionales.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Los ususarios que compraron esto, compraron aquello.

Recomienda artículos que se compran con mayor frecuencia junto al artículo especificado.

Esta lógica devuelve otros productos que compraron otras personas después de comprar este; el producto especificado no se incluye en el conjunto de resultados.

Esta lógica le permite aumentar las oportunidades de ventas cruzadas mostrando una recomendación en una página de resumen del carro de compras, por ejemplo, que muestra artículos que otros compradores también han comprado. Por ejemplo, si el visitante está comprando un traje, la recomendación podría mostrar artículos adicionales que otros visitantes compraron junto con el traje, como corbatas, zapatos de vestir y gemelos. A medida que los visitantes revisan sus compras, usted les proporciona recomendaciones adicionales.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Popularity-Based

El tipo de algoritmo Popularity-Based le permite hacer recomendaciones basadas en la popularidad general de un elemento en su sitio o en la popularidad de elementos dentro de la categoría, marca, género, etc. favoritos o más vistos de un usuario.

Los siguientes algoritmos están disponibles con el tipo de algoritmo Popularity-Based:

Más visitados en todo el sitio most-viewed

La recomendación viene determinada por el artículo que se ha visto con mayor frecuencia. Se determina por el criterio de frecuencia y actualización que funciona de la siguiente manera:

Por ejemplo, si ve surfboardA y luego surfboardB en una misma sesión, el resultado es A: 10, B: 5. Cuando finaliza la sesión, tiene A: 5, B: 2.5. Si ve los mismos elementos en la siguiente sesión, los valores cambian a A: 15 B: 7,5.

Utilice este algoritmo en páginas generales, como páginas de inicio o de destino y anuncios externos.

Más visitados por categoría most-viewed-category

La recomendación está determinada por la categoría que recibió la mayor cantidad de actividad, usando el mismo método empleado con el “artículo más visitado”, excepto que se clasifican las categorías en lugar de los productos.

Se determina por el criterio de frecuencia y actualización que funciona de la siguiente manera:

Las categorías visitadas por primera vez reciben 10 puntos. Por las siguientes visitas a la misma categoría, se conceden 5 puntos. Con cada visita, la puntuación de las categorías antiguas que se vieron con anterioridad se reduce 1 punto.

Por ejemplo, si ve categoría A y luego categoría B en una sesión, el resultado es A: 9, B: 10. Si ve los mismos elementos en la próxima sesión, los valores serán A: 20 B: 9.

Utilice este algoritmo en páginas generales, como páginas de inicio o de destino y anuncios externos.

Si selecciona el algoritmo Más visitados por categoría, puede seleccionar las siguientes claves Recommendations:

Más visitados por atributo de artículo

Recomienda elementos o medios similares a los elementos o medios más vistos del sitio.

Este algoritmo le permite seleccionar en qué atributo de artículo desea basar la recomendación, por ejemplo, "Nombre" o "Marca".

A continuación, puede seleccionar qué atributos de perfil almacenados en el perfil del visitante coinciden, por ejemplo, "Marca favorita", "Último elemento añadido al carro de compras" o "Programa más visitado".

Principales vendedores en todo el sitio top-sellers

Muestra los artículos incluidos en los pedidos más finalizados de la dirección. Varias unidades del mismo artículo en un único pedido se cuentan como un solo pedido.

Este algoritmo le permite crear recomendaciones para los artículos más vendidos del sitio a fin de aumentar la conversión y los ingresos. Esta lógica es especialmente adecuada para los visitantes nuevos del sitio.

Principales vendedores por categoría

Muestra los artículos incluidos en los pedidos más finalizados por categoría. Varias unidades del mismo artículo en un único pedido se cuentan como un solo pedido.

Este algoritmo le permite crear recomendaciones para los artículos más vendidos del sitio según la categoría, a fin de aumentar la conversión y los ingresos. Esta lógica es especialmente adecuada para los visitantes nuevos del sitio.

Si selecciona el algoritmo Más visitados por categoría, puede seleccionar las siguientes claves Recommendations:

Principales vendedores por atributo de artículo

Recomienda elementos o medios similares a los elementos o medios más comprados en el sitio.

Este algoritmo le permite seleccionar en qué atributo de artículo desea basar la recomendación, por ejemplo, "Nombre" o "Marca".

A continuación, puede seleccionar qué atributos de perfil almacenados en el perfil del visitante coinciden, por ejemplo, "Marca favorita", "Último elemento añadido al carro de compras" o "Programa más visitado".

Superior por métrica de Analytics

Muestra la "x superior" donde x es una métrica Analytics arbitraria. Al utilizar datos de comportamiento de mboxes, puede utilizar Más vendidos o Más visitados (x = "Vendido" o x = "Visto"). Si está usando datos de comportamiento de Adobe Analytics, podría usar x = "Adiciones al carro de compras" o alguna otra métrica de Analytics.

Item-Based

El tipo de recomendación Item-Based le permite hacer recomendaciones basadas en la búsqueda de artículos similares a un artículo que el usuario está viendo en este momento o que ha visto recientemente.

Los siguientes algoritmos están disponibles con el tipo de algoritmo Item-Based:

Los usuarios que vieron esto, vieron aquello. viewed-viewed

Recomienda artículos que se visitan con mayor frecuencia en la misma sesión en que se ve el artículo especificado.

Esta lógica devuelve otros productos que vieron las personas después de ver este; el producto especificado no se incluye en el conjunto de resultados.

Esta lógica le permite crear oportunidades de conversión adicionales mediante la recomendación de artículos que otros visitantes que vieron un artículo también vieron. Por ejemplo: los visitantes que ven bicicletas de carretera en el sitio también pueden ver cascos de bicicleta, kits de ciclismo, cerraduras, etc. Puede crear una recomendación utilizando esta lógica que sugiere que otros productos le ayudan a aumentar los ingresos.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Los usuarios que vieron esto, compraron aquello. viewed-bought

Recomienda artículos que se compran con mayor frecuencia en la misma sesión en que se ve el artículo especificado. Este criterio devuelve otros productos que otras personas compraron después de haber visto el producto especificado. Este producto no se incluye en el conjunto de resultados.

Esta lógica devuelve otros productos que compraron otras personas después de ver este; el producto especificado no se incluye en el conjunto de resultados.

Esta lógica le permite aumentar las oportunidades de ventas cruzadas mostrando una recomendación en una página de producto, por ejemplo, que muestra artículos que otros visitantes que vieron el artículo compraron. Por ejemplo, si el visitante está viendo una caña de pescar, la recomendación podría mostrar artículos adicionales que otros visitantes compraron, como cajas de aparejos, zancudos y señuelos de pesca. A medida que los visitantes navegan por el sitio, les proporciona recomendaciones de compra adicionales.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Los usuarios que compraron esto, compraron aquello. bought-bought

Recomienda artículos que se compran con mayor frecuencia junto al artículo especificado.

Esta lógica devuelve otros productos que compraron otras personas después de comprar este; el producto especificado no se incluye en el conjunto de resultados.

Esta lógica le permite aumentar las oportunidades de ventas cruzadas mostrando una recomendación en una página de resumen del carro de compras, por ejemplo, que muestra artículos que otros compradores también han comprado. Por ejemplo, si el visitante está comprando un traje, la recomendación podría mostrar artículos adicionales que otros visitantes compraron junto con el traje, como corbatas, zapatos de vestir y gemelos. A medida que los visitantes revisan sus compras, usted les proporciona recomendaciones adicionales.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Artículos con atributos similares similar-attributes

Recomienda artículos o medios similares a artículos o medios según la actividad de la página actual o el comportamiento de visitantes anteriores.

Si selecciona Artículos/Medios con atributos similares, tiene la opción de definir reglas de similitud de contenido.

El uso de la similitud de contenido para generar recomendaciones es especialmente eficaz para nuevos elementos, que probablemente no aparezcan en recomendaciones con Personas que vieron esto, Vieron aquello y otra lógica basada en el comportamiento anterior. También puede utilizar la similitud de contenido si quiere generar recomendaciones útiles para los nuevos visitantes, que no han hecho ninguna compra ni tienen datos históricos.

Si selecciona este algoritmo, puede seleccionar las siguientes claves Recommendations:

Para obtener más información, consulte Similitud de contenido.

User-Based

El tipo de algoritmo basado en usuarios le permite hacer recomendaciones basadas en el comportamiento del usuario.

Los siguientes algoritmos están disponibles con el tipo de algoritmo User-Based:

Artículos vistos recientemente recently-viewed

Utiliza el historial del visitante (sesiones de alcance) para presentar el último elemento X que el visitante haya visto, según el número de espacios en el diseño.

El algoritmo de artículos vistos recientemente devuelve el resultado específico de un entorno determinado. Si dos sitios pertenecen a entornos distintos y un visitante alterna entre ellos, cada sitio muestra solo los elementos visualizados recientemente desde el sitio adecuado. Si dos sitios se encuentran en el mismo entorno y un visitante cambia entre los dos, el visitante verá los mismos artículos vistos recientemente en ambos.

Recently Viewed Items/Medios se pueden filtrar para que solo se muestren los elementos con un atributo en particular.

Los posibles casos de uso incluyen, una compañía multinacional con varios negocios puede tener un visitante que vea elementos en varias propiedades digitales. En este caso, se pueden limitar los elementos vistos recientemente para que solo se muestren en relación con la propiedad respectiva en la que se visualizaron. Esto evita que los elementos vistos recientemente se muestren en el sitio de otra propiedad digital.

Utilice este algoritmo en páginas generales, como páginas de inicio o de destino y anuncios externos.

Recomendado para usted recommended-for-you

Recomienda artículos en función del historial de navegación, visualización y compra de cada visitante.

Este algoritmo le permite enviar contenido y experiencias personalizados tanto a los visitantes nuevos como a los que vuelven. La lista de recomendaciones se basa en la actividad más reciente del visitante y se actualiza durante la sesión; asimismo, se personaliza a medida que el usuario navega por el sitio.

Las vistas y las compras se utilizan para determinar los artículos recomendados. La clave de recomendación especificada (por ejemplo, Elemento actual) se usa para aplicar los filtros de regla de inclusión que seleccione.

Por ejemplo, puede:

Si selecciona este algoritmo, puede seleccionar las siguientes claves de filtrado:

Criterios personalizados custom

El tipo de algoritmo de criterios personalizados permite realizar recomendaciones basadas en un archivo personalizado que se carga.

La recomendación viene determinada por un elemento almacenado en el perfil de un visitante, utilizando los atributos user.x o perfil.atributos x.

Si se selecciona está opción, el valor entity.id debe estar presente en el atributo del perfil.

Cuando basa las recomendaciones en atributos personalizados, debe seleccionar el atributo personalizado y luego seleccionar el tipo de recomendación.

Puede realizar el filtrado en tiempo real sobre su propia salida de criterios personalizados. Por ejemplo, puede limitar sus artículos recomendados solo a aquellos de la categoría o marca favorita de un visitante. Esto le da la capacidad de combinar cálculos sin conexión con filtrado en tiempo real.

Esta funcionalidad significa que puede usar Target para agregar personalización además de sus recomendaciones calculadas sin conexión o listas personalizadas. Esto combina el poder de sus científicos e investigadores de datos con la entrega probada y comprobada de Adobe, el filtrado en tiempo de ejecución, las pruebas A/B, la orientación, los informes, las integraciones y más.

Con la adición de reglas de inclusión en Criterios personalizados, convierte las recomendaciones estáticas en recomendaciones dinámicas basadas en los intereses de los visitantes.

Los posibles casos de uso incluyen:

Claves de recomendación keys

Las siguientes claves de recomendación están disponibles en la lista desplegable Recommendation Key:

Artículo actual current-item

La recomendación está determinada por el artículo que el visitante está viendo en ese momento.

Las recomendaciones muestran otros artículos que pueden ser de interés para los visitantes interesados en el artículo especificado.

Si se selecciona está opción, el valor entity.id debe pasarse como parámetro en mbox de visualización.

Se puede utilizar con los siguientes algoritmos:

Usar la clave de recomendaciones Current Item del sitio en:

Último artículo comprado last-purchased

La recomendación está determinada por el último artículo que compró cada visitante único. Esto se captura automáticamente, por lo que no se deben pasar valores en la página.

Se puede utilizar con los siguientes algoritmos:

Usar la clave de recomendaciones Last Purchased Item del sitio en:

Clave de recomendaciones personalizadas

Puede basar las recomendaciones en el valor de un atributo de perfil personalizado. Por ejemplo, supongamos que desea mostrar películas recomendadas basadas en la película que agregó un visitante recientemente a su cola.

Si el atributo de perfil personalizado no coincide directamente con un ID de entidad único, es necesario explicar cómo Recommendations desea que se produzca la coincidencia en una entidad. Por ejemplo, supongamos que desea mostrar los artículos más vendidos de la marca favorita de un visitante.

Último artículo visitado last-viewed

La recomendación está determinada por el último artículo que vio cada visitante único. Esto se captura automáticamente, por lo que no se deben pasar valores en la página.

Se puede utilizar con los siguientes algoritmos:

Usar la clave de recomendaciones Last Viewed Item del sitio en:

Artículo más visitado most-viewed-logic

Muestra los elementos o medios que se ven con mayor frecuencia en el sitio.

Esta lógica le permite mostrar recomendaciones basadas en los artículos más vistos del sitio para aumentar las conversiones de otros artículos. Por ejemplo: un sitio de medios podría mostrar recomendaciones en su página de inicio para los vídeos más vistos a fin de animar a los visitantes a ver vídeos adicionales.

Esta clave de recomendación se puede utilizar con los siguientes algoritmos:

Categoría actual current-category

La recomendación está determinada por la categoría de producto que el visitante está viendo en ese momento.

Recommendations muestra los elementos en la categoría del producto especificada.

Si se selecciona está opción, el valor entity.categoryId debe pasarse como parámetro al mbox de visualización.

Esta clave de recomendación se puede utilizar con los siguientes algoritmos:

Usar la clave de recomendaciones Current Category del sitio en:

Categoría favorita favorite-category

La recomendación está determinada por la categoría de producto favorita del visitante.

Recommendations muestra los elementos en la categoría del producto especificada.

Si se selecciona está opción, el valor entity.categoryId debe pasarse como parámetro al mbox de visualización.

Esta clave de recomendación se puede utilizar con los siguientes algoritmos:

Usar la clave de recomendaciones Current Category del sitio en:

Afinidad del sitio site-affinity

Recomienda elementos según la certeza de una relación entre artículos. Puede configurar este criterio para determinar la cantidad de datos que se requiere antes de presentar una recomendación con el regulador Reglas de inclusión. Por ejemplo, si selecciona Muy fuerte, se recomiendan los productos con la certeza más sólida de una coincidencia.

Por ejemplo, si establece una afinidad muy fuerte y el diseño incluye cinco artículos, tres de los cuales cumplen la seguridad de umbral de conexión, los dos artículos que no cumplen los requisitos mínimos de seguridad no se muestran en las recomendaciones y son reemplazados por sus artículos de copia de seguridad definidos. Los artículos con la mayor afinidad se muestran primero.

Por ejemplo, un minorista en línea puede recomendar artículos en visitas posteriores en las que un visitante ha mostrado interés durante sesiones anteriores. La actividad de cada sesión del visitante se captura para calcular una afinidad basada en un modelo de actualización y frecuencia. A medida que este visitante regresa a su sitio, la afinidad del sitio se utiliza para mostrar recomendaciones basadas en acciones pasadas en el sitio.

Es posible que algunos clientes con diferentes colecciones de productos y diversos comportamientos de sitio obtengan mejores resultados si establecen una afinidad de sitio débil.

Esta lógica se puede utilizar con las siguientes claves de recomendación: