Événements
Événements
Les événements sont un outil essentiel pour améliorer l’expérience d’achat et stimuler les conversions en exploitant les informations sur les données en temps réel.
Les services de marchandisage avec le modèle de données de catalogue composable (CCDM) déploient automatiquement les événements de storefront sur votre site. Ces événements capturent des données à partir des interactions des acheteurs sur votre site. Ces données anonymisées alimentent recommandations, la découverte de produits et les mesures de succès.
La page Événements vous permet d’observer les données d’événement storefront collectées. Disposer d’une vue dans la collecte de données d’événement permet aux commerçants de vérifier qu’ils ont correctement implémenté les événements du storefront et que ceux-ci sont capturés avec succès. Les commerçants peuvent utiliser cette page pour identifier les problèmes potentiels et prendre des mesures pour résoudre les problèmes d’événement.
Accès à l’espace de travail Événements
La façon dont vous ouvrez l’espace de travail Événements dépend du produit que vous utilisez :
- Administrateur Adobe Commerce (Adobe Commerce as a Cloud Service) : Sélectionnez Système > Événements De Catalogue.
- Adobe Commerce Optimizer Studio : sélectionnez Configuration du magasin > Événements.
Nombre d’événements
L’onglet Nombre d’événements effectue le suivi des interactions de l’acheteur, telles que les recherches, les clics et les achats, afin de vous aider à analyser les tendances et à améliorer l’expérience d’achat.
Vérification de l’intégrité
L’onglet Contrôle de l’intégrité offre des informations sur l’intégrité de chaque événement comportemental, ce qui permet d’assurer une collecte de données et une fonctionnalité précises.
Les sections suivantes décrivent les détails des événements pour la découverte de produits et les recommandations.
Découverte de produits
La découverte de produits utilise des événements pour alimenter les algorithmes de recherche tels que « Les plus consultés » et « Affiché ceci, consulté cela ».
Ce tableau décrit les événements utilisés par les stratégies de classement de découverte de produits.
page-viewproduct-viewpage-viewplace-orderpage-viewadd-to-cartPage de la liste des produits
Panier
Liste de souhaits
page-viewproduct-viewÉvénements de tableau de bord requis
Certains événements sont requis pour renseigner le tableau de bord des performances de recherche 🔗
page-view, search-request-sent, search-response-receivedsearchRequestIdpage-view, search-request-sent, search-response-receivedsearchRequestIdRecommendations
Les recommandations utilisent deux types de données :
- Comportemental : données provenant de l’engagement d’un acheteur sur votre site, telles que les consultations de produits, les articles ajoutés à un panier et les achats.
- Catalogue : métadonnées du produit, telles que le nom, le prix, la disponibilité, etc.
Adobe AI agrège les données comportementales et de catalogue, créant des recommandations pour chaque type de recommandation. Le service Recommendations déploie ensuite ces recommandations sur votre storefront sous la forme d’un widget qui contient les éléments de produit recommandés.
Certains types de recommandations utilisent les données comportementales de vos clients pour entraîner des modèles de machine learning afin de créer des recommandations personnalisées. D’autres types de recommandations utilisent uniquement les données de catalogue et n’utilisent aucune donnée comportementale. Si vous souhaitez commencer à utiliser rapidement Recommendations sur votre site, vous pouvez utiliser le type de recommandation More like this.
Démarrage à froid
Quand pouvez-vous commencer à utiliser des types de recommandations qui utilisent des données comportementales ? Ça dépend. Cette situation est appelée problème Cold Start.
Le problème du démarrage à froid fait référence au temps nécessaire à l’entraînement et à l’efficacité d’un modèle. Pour les recommandations, cela signifie qu’il faut attendre qu’Adobe AI collecte suffisamment de données pour entraîner ses modèles de machine learning avant de déployer des unités de recommandation sur votre site. Plus les modèles contiennent de données, plus les recommandations sont précises et utiles. Étant donné que la collecte de données se produit sur un site en ligne, il est préférable de démarrer ce processus rapidement.
Le tableau suivant fournit des instructions générales sur le temps nécessaire à la collecte de suffisamment de données pour chaque type de recommandation :
Most viewed, Most purchased, Most added to cart)Viewed this, viewed thatViewed this, bought that, Bought this, bought thatTrendingAutres variables pouvant avoir une incidence sur le temps nécessaire à l’entraînement :
- Un trafic plus important contribue à un apprentissage plus rapide
- Certains types de recommandations s’entraînent plus rapidement que d’autres
- Le système recalcule les données comportementales toutes les quatre heures. Les recommandations deviennent plus précises au fur et à mesure qu’elles sont utilisées sur votre site.
Pour vous aider à visualiser la progression de l’entraînement pour chaque type de recommandation, la page créer une recommandation affiche des indicateurs de préparation.
Pendant que les données sont collectées sur votre site en ligne et que les modèles de machine learning sont en cours d’entraînement, vous pouvez terminer d’autres tâches de test et de configuration nécessaires à la configuration des recommandations. Une fois ce travail terminé, les modèles disposent de suffisamment de données pour créer des recommandations utiles, ce qui vous permet de les déployer sur votre storefront.
Si votre site n’obtient pas suffisamment de trafic (vues, achats, tendances) pour la plupart des SKU de produit, il se peut qu’il n’y ait pas suffisamment de données pour terminer le processus d’apprentissage. Ce problème peut rendre l’indicateur de préparation de l’espace de travail Recommendations bloqué. Les indicateurs de préparation sont destinés à fournir aux commerçants un autre point de données pour choisir le type de recommandation le mieux adapté à leur magasin. Les chiffres sont indicatifs et peuvent ne jamais atteindre 100 %. En savoir plus sur les indicateurs de préparation.
Recommandations de sauvegarde
Si les données d’entrée sont insuffisantes pour fournir tous les éléments de recommandation demandés dans une unité, le système fournit des recommandations de sauvegarde pour remplir les unités de recommandation. Par exemple, si vous déployez le type de recommandation Recommended for you sur votre page d’accueil, un nouvel acheteur sur votre site n’a pas généré suffisamment de données comportementales pour recommander des produits personnalisés avec précision. Dans ce cas, les articles sont surfacés en fonction du type de recommandation Most viewed pour cet acheteur.
Si la collecte de données d’entrée est insuffisante, les types de recommandation suivants reviennent au type de recommandation Most viewed :
Recommended for youViewed this, viewed thatViewed this, bought thatBought this, bought thatTrendingConversion (view to purchase)Conversion (view to cart)
Événements spécifiques aux recommandations
Le tableau suivant répertorie les événements qui sont déclenchés lorsque les acheteurs interagissent avec les unités de recommandation sur le storefront. Les données d’événement collectées permettent aux mesures d’analyser les performances de vos recommandations.
impression-renderimpression-render sont envoyés. Cet événement est utilisé pour effectuer le suivi de la mesure pour les impressions.rec-add-to-cart-clickrec-clickviewview est envoyé lorsqu’une ligne plus un pixel de la deuxième ligne devient visible pour l’acheteur. Si l’acheteur fait défiler la page vers le haut et vers le bas plusieurs fois, l’événement view est envoyé autant de fois qu’il voit à nouveau l’ensemble de l’unité de recommandation sur la page.Événements de tableau de bord requis
Les événements suivants sont requis pour renseigner le tableau de bord Performances des recommandations
page-view, recs-request-sent, recs-response-received, recs-unit-renderunitIdpage-view, recs-request-sent, recs-response-received, recs-unit-render, recs-unit-viewunitIdpage-view, recs-request-sent, recs-response-received, recs-item-click, recs-add-to-cart-clickunitIdpage-view, recs-request-sent, recs-response-received, recs-item-click, recs-add-to-cart-click, place-orderunitId, sku, parentSkupage-view, recs-request-sent, recs-response-received, recs-item-click, recs-add-to-cart-click, place-orderunitId, sku, parentSkupage-view, recs-request-sent, recs-response-received, recs-unit-render, recs-item-click, recs-add-to-cart-clickunitId, sku, parentSkupage-view, recs-request-sent, recs-response-received, recs-unit-render, recs-unit-view, recs-item-click, recs-add-to-cart-clickunitId, sku, parentSkuLes événements suivants ne sont pas spécifiques à Recommendations, mais sont nécessaires pour qu’Adobe AI interprète correctement les données de l’acheteur :
viewadd-to-cartplace-order
Type de recommandation
Ce tableau décrit les événements utilisés par chaque type de recommandation.
page-viewproduct-viewpage-viewplace-orderpage-viewadd-to-cartPage de la liste des produits
Panier
Liste de souhaits
page-viewproduct-viewpage-viewproduct-viewPanier/passage en caisse
page-viewproduct-viewpage-viewproduct-viewpage-viewproduct-viewpage-viewplace-orderpage-viewproduct-viewpage-viewadd-to-cartPage de la liste des produits
Panier
Liste de souhaits
Support technique
Si vous constatez des incohérences dans les données ou si les recommandations et les résultats de recherche ne fonctionnent pas comme prévu, envoyez un ticket d’assistance.