Recommandation comportementale

Ce guide décrit le modèle de cas d’utilisation de recommandation comportementale, qui utilise Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) et Adobe Experience Platform (AEP) pour fournir des expériences de recommandation personnalisées sur les canaux web, des applications mobiles et des e-mails. Il est conçu pour les architectes de solutions, les techniciens marketing et les ingénieurs d’implémentation qui ont besoin de comprendre le rôle de ce modèle, les objectifs commerciaux qu’il prend en charge, les cas d’utilisation tactiques qu’il permet et les applications Adobe impliquées.

La recommandation comportementale génère des recommandations au niveau de l’élément ou du contenu à l’aide de signaux comportementaux (consultations de produits, achats, interactions de contenu, requêtes de recherche) associés à des stratégies de sélection et à des modèles de classement AJO Decisioning. Contrairement à Offer Decisioning , qui régit un ensemble limité d’offres, de promotions ou d’incitations à l’aide de règles d’éligibilité et de contraintes commerciales, ce modèle fonctionne sur de grands catalogues d’articles en constante évolution (produits, articles, vidéos) où la sélection est pilotée par des signaux d’affinité comportementale plutôt que par l’éligibilité régie.

Modèle de cas d’utilisation

Recommandation comportementale

Générez des recommandations au niveau de l’élément ou du contenu en fonction de signaux comportementaux, à l’aide de stratégies de sélection et de modèles de classement AJO Decisioning pour diffuser du contenu contextuel.

Plan d’exécution : Ingestion des signaux comportementaux > Évaluation de la stratégie de prise de décision > Diffusion des recommandations > Rapports

Présentation du cas d’utilisation

Les entreprises qui disposent de catalogues de produits, de bibliothèques de contenu ou de bibliothèques de médias doivent afficher les éléments les plus pertinents pour chaque visiteur en fonction de son historique comportemental et de son activité au cours de la session. Qu’il s’agisse d’un carrousel « recommandé pour vous » sur une page d’accueil, d’un widget de vente croisée sur une page de détails du produit ou de recommandations de produits intégrées dans une campagne par e-mail, le défi sous-jacent est le même : faites correspondre le profil comportemental de chaque visiteur aux éléments les plus pertinents d’un catalogue, puis diffusez ces recommandations sur le bon canal au bon moment.

Ce modèle résout ce problème en ingérant des signaux comportementaux en temps réel via Web SDK ou Mobile SDK, en les traitant au moyen de stratégies de sélection AJO Decisioning qui combinent des attributs d’élément avec du contexte comportemental, et en diffusant les éléments recommandés par le biais de canaux web, in-app ou e-mail. Les modèles de classement peuvent être basés sur une formule (par exemple, trier par score d’affinité de catégorie) ou classés par l’IA (par exemple, modèle de recommandation personnalisé). Le modèle gère également les scénarios de démarrage à froid pour les nouveaux visiteurs sans historique comportemental en configurant des recommandations de secours.

L’audience cible de ce modèle comprend les équipes de marchandisage e, les équipes de personnalisation du contenu et les équipes d’expérience digitale qui cherchent à améliorer l’engagement, la conversion et la valeur moyenne des commandes par le biais de recommandations personnalisées basées sur le comportement réel de l’utilisateur.

Objectifs commerciaux clés

Les objectifs commerciaux suivants sont pris en charge par ce modèle de cas d’utilisation.

Stimuler les ventes croisées et les ventes incitatives

Promouvoir des produits ou services complémentaires et de qualité auprès des clients existants en fonction du comportement et de l’historique d’achat.

KPI : % de montée en gamme/ventes croisées, chiffre d’affaires incrémentiel, valeur durée de vie du client

Augmentation des taux de conversion

Améliorez le pourcentage de visiteurs et de prospects qui effectuent les actions souhaitées telles que les achats, les inscriptions ou les envois de formulaire.

KPI : taux de conversion, conversion de lead, coût par lead

Offrir des expériences personnalisées aux clients

Adaptez le contenu, les offres et les messages aux préférences, aux comportements et à l’étape du cycle de vie des individus.

KPI : engagement, taux de conversion, satisfaction de la clientèle (CSAT)

Exemples de cas d’utilisation tactiques

Voici quelques implémentations tactiques courantes de ce modèle :

Indicateurs clés de performance

Les indicateurs de performance clés suivants permettent de mesurer l’efficacité des implémentations de recommandations comportementales.

Applications

Les applications suivantes sont utilisées dans ce modèle de cas d’utilisation.

Documentation connexe

Les ressources suivantes fournissent des détails supplémentaires sur les technologies et fonctionnalités utilisées dans ce modèle.

Gestion des décisions

Collecte de données et Web/Mobile SDK

XDM et modélisation des données

Identité et profil

Audiences et segmentation

Attributs calculés et enrichissement du profil

Configuration des canaux

Création et personnalisation de messages

Rapports et analyses

Gouvernance et cycle de vie des données

Surveillance et observabilité

Garde-fous

Tutoriels et guides