Baser la recommandation sur une clé de recommandation
Les Recommendations basées sur des algorithmes utilisent le contexte du comportement du visiteur pour afficher des résultats pertinents dans Adobe Target activités Recommendations.
Chaque type d’algorithme fournit différents algorithmes appropriés à son type, comme indiqué dans le tableau suivant :
Faites des recommandations en fonction du contenu du panier de l’utilisateur.
- People Who Viewed These, Also Viewed
- People Who Viewed These, Also Bought
- People Who Bought These, Also Bought
Faites des recommandations en fonction de la popularité globale d’un élément sur votre site ou en fonction de la popularité des éléments dans la catégorie, la marque, le genre préféré ou le plus consulté d’un utilisateur, etc.
- Most Viewed Across the Site
- Most Viewed by Category
- Most Viewed by Item Attribute
- Top Sellers Across the Site
- Top Sellers by Category
- Top Sellers by Item Attribute
- Top by Analytics Metric
Faites des recommandations basées sur la recherche d’éléments similaires à un élément que l’utilisateur consulte actuellement ou a récemment consulté.
- People Who Viewed This, Viewed That
- People Who Viewed This, Bought That
- People Who Bought This, Bought That
- Items with Similar Attributes
Faites des recommandations basées sur le comportement de l’utilisateur.
- Recently Viewed Items
- Recommended for You
Faites des recommandations basées sur un fichier personnalisé que vous téléchargez.
- Algorithme personnalisé
Chaque critère est défini dans son propre onglet. Le trafic est réparti uniformément entre vos différents tests de critères. En d’autres termes, si vous avez deux critères, le trafic est réparti uniformément entre les deux. Si vous avez deux critères et deux conceptions, le trafic est réparti uniformément entre les quatre combinaisons. Vous pouvez également spécifier le pourcentage des visiteurs du site qui visualisent le contenu par défaut, à des fins de comparaison. Dans ce cas, le pourcentage spécifié de visiteurs voit le contenu par défaut et le reste est réparti entre vos combinaisons de critères et de conception.
Pour plus d’informations sur la création de critères et la définition de leurs types d’algorithmes et algorithmes, voir Créer des critères.
Les différents algorithmes de recommandations se prêtent à un placement sur différents types de pages. Reportez-vous aux sections suivantes pour plus d’informations sur chaque type d’algorithme et ses algorithmes disponibles.
Basé sur le panier cart-based
Le type d’algorithme Cart-Based permet de recommander des articles en fonction du contenu du panier actuel du visiteur. Les clés de recommandation sont fournies par le biais du paramètre mbox cartIds
dans des valeurs séparées par des virgules. Seules les 10 premières valeurs sont prises en compte.
La logique de recommandation basée sur le panier est similaire à l’algorithme basé sur l’utilisateur « Recommended For You » et aux algorithmes basés sur les éléments « People Who Viewed These, Bought Those » et « People Who Bought These, Bought Those ».
Target utilise des techniques de filtrage collaboratif pour déterminer les similitudes de chaque élément du panier du visiteur, puis combine ces similitudes comportementales entre chaque élément pour obtenir une liste fusionnée.
Target permet également aux spécialistes du marketing d’examiner le comportement des visiteurs au cours d’une ou de plusieurs sessions :
-
Single Session : en fonction de ce que les autres visiteurs ont fait au cours d’une seule session.
Il peut être judicieux d’examiner le comportement au sein d’une seule session lorsque l’on a le sentiment que les produits « s’accompagnent » fortement les uns les autres en fonction d’un usage, d’une occasion ou d’un événement. Par exemple, un visiteur achète une imprimante et peut également avoir besoin d’encre et de papier. Ou encore, un visiteur achète du beurre d’arachide et peut également avoir besoin de pain et de gelée.
-
Across Sessions : en fonction de ce que les autres visiteurs ont fait au cours de plusieurs sessions.
Il peut être logique d’examiner le comportement sur plusieurs sessions lorsque l’on a le sentiment que les produits « vont » fortement les uns avec les autres en fonction des préférences ou des goûts des visiteurs. Par exemple, un visiteur aime Star Wars et pourrait aussi aimer Indiana Jones, même s’il ne souhaite pas nécessairement regarder les deux films au même moment. Ou, un visiteur aime le jeu de société « Noms de code » et peut également aimer le jeu de société « Avalon », même si le visiteur ne peut pas jouer aux deux jeux simultanément.
Target émet des recommandations pour chaque visiteur en fonction des éléments de son panier actuel, que vous examiniez le comportement des visiteurs au cours d’une seule session ou de plusieurs sessions.
Les algorithmes suivants sont disponibles avec le type d’algorithme Cart-Based :
People Who Viewed This, Also Viewed
Recommande les éléments consultés le plus souvent au cours de la session où l’élément spécifié est consulté.
Cette logique renvoie d’autres produits que les personnes ont consultés après avoir consulté celui-ci. Le produit spécifié n'est pas inclus dans le jeu de résultats.
Cette logique vous permet de créer des opportunités de conversion supplémentaires en recommandant des éléments que d’autres visiteurs et visiteuses qui ont consulté un élément ont également consultés. Par exemple, les visiteurs qui consultent des vélos sur votre site peuvent également consulter des casques de vélo, des kits de cyclisme, des serrures, etc. Vous pouvez créer une recommandation à l’aide de cette logique qui suggère que d’autres produits vous aident à augmenter les recettes.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les clés Recommendations suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
People Who Viewed This, Also Bought
Recommande les articles qui sont le plus souvent achetés au cours de la même session que celle au cours de laquelle l’article spécifié est affiché.
Cette logique renvoie d’autres produits que les personnes ont achetés après avoir consulté celui-ci. Le produit spécifié n'est pas inclus dans le jeu de résultats.
Cette logique vous permet d’augmenter les opportunités de vente croisée en affichant une recommandation sur une page produit, par exemple, qui affiche les articles achetés par d’autres visiteurs qui les ont consultés. Par exemple, si le visiteur consulte un poteau de pêche, la recommandation peut afficher des articles supplémentaires achetés par d’autres visiteurs, tels que des boîtes à palets, des échassiers et des leurres de pêche. Lorsque les visiteurs parcourent votre site, vous leur fournissez des recommandations d’achat supplémentaires.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les clés Recommendations suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
People Who Bought This, Also Bought
Recommande les éléments achetés le plus souvent par des clients en même temps que l’élément spécifié.
Cette logique renvoie d’autres produits achetés après l’achat de celui-ci. Le produit spécifié n'est pas inclus dans le jeu de résultats.
Cette logique vous permet d’augmenter les opportunités de vente croisée en affichant une recommandation sur une page de résumé du panier, par exemple, qui affiche les articles que d’autres acheteurs ont également achetés. Par exemple, si le visiteur achète un costume, la recommandation peut afficher des articles supplémentaires que d’autres visiteurs ont achetés en même temps que le costume, tels que des cravates, des chaussures habillées et des boutons de manchette. Lorsque les visiteurs passent en revue leurs achats, vous leur fournissez des recommandations supplémentaires.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les clés Recommendations suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
Popularity-Based
Le type d’algorithme Popularity-Based vous permet de faire des recommandations en fonction de la popularité globale d’un élément sur l’ensemble de votre site ou de la popularité des éléments au sein de la catégorie, de la marque, du genre, etc. favori ou le plus consulté d’un utilisateur.
Les algorithmes suivants sont disponibles avec le type d’algorithme Popularity-Based :
Most Viewed Across the Site most-viewed
La recommandation est déterminée par l’élément qui a été consulté le plus souvent. Cela est déterminé par le critère de récence/fréquence qui fonctionne comme suit :
- 10 points pour la première consultation de produit
- 5 points pour chaque consultation consécutive
- À la fin de la session, toutes les valeurs sont divisées par 2
Par exemple, la visualisation de la planche de surf A puis de la planche de surf B en une seule session donne les résultats suivants : A : 10, B : 5. Lorsque la session se termine, vous avez A : 5, B : 2.5. Si vous affichez les mêmes éléments lors de la session suivante, les valeurs deviennent A : 15 B : 7,5.
Utilisez cet algorithme sur les pages générales, telles que les pages d’accueil ou de destination et les annonces hors site.
Most Viewed by Category most-viewed-category
La recommandation est déterminée par la catégorie associée au plus haut niveau d’activité, à l’aide de la même méthode que celle utilisée pour « Article le plus consulté », sauf que le score porte sur les catégories et non sur les produits.
Cela est déterminé par le critère de récence/fréquence qui fonctionne comme suit :
- 10 points pour la première consultation de catégorie
- 5 points pour chaque consultation consécutive
Les catégories consultées pour la première fois reçoivent dix points. Les visites suivantes dans la même catégorie reçoivent cinq points. À chaque visite, les catégories non actuelles qui ont été consultées auparavant sont décrémentées de 1.
Par exemple, l’affichage de la catégorie A puis de la catégorie B dans une session aboutit à A : 9, B : 10. Si vous affichez les mêmes éléments lors de la session suivante, les valeurs passent à A : 20, B : 9.
Utilisez cet algorithme sur les pages générales, telles que les pages d’accueil ou de destination et les annonces hors site.
Si vous sélectionnez l’algorithme Les plus consultés par catégorie , vous pouvez sélectionner les clés Recommendations suivantes :
- Current Category
- Favorite Category
Most Viewed by Item Attribute
Recommande des éléments ou des médias similaires aux éléments ou médias les plus consultés sur votre site.
Cet algorithme vous permet de sélectionner l’attribut d’élément sur lequel vous souhaitez baser la recommandation, par exemple « Nom » ou « Marque ».
Vous pouvez ensuite sélectionner les attributs de profil stockés dans le profil du visiteur à faire correspondre, par exemple « Marque préférée », « Dernier élément ajouté au panier » ou « Programme le plus consulté ».
Top Sellers Across the Site top-sellers
Affiche les articles inclus dans les commandes les plus terminées de l'ensemble du site. Plusieurs unités d’un même élément figurant dans une même commande sont comptabilisées comme une seule commande.
Cet algorithme vous permet de créer des recommandations pour les articles les plus vendus sur votre site afin d’augmenter la conversion et les recettes. Cette logique est particulièrement adaptée aux nouveaux visiteurs de votre site.
Top Sellers by Category
Affiche les articles inclus dans les commandes les plus terminées par catégorie. Plusieurs unités d’un même élément figurant dans une même commande sont comptabilisées comme une seule commande.
Cet algorithme vous permet de créer des recommandations pour les articles les plus vendus sur votre site en fonction de la catégorie, afin d’augmenter la conversion et les recettes. Cette logique est particulièrement adaptée aux nouveaux visiteurs de votre site.
Si vous sélectionnez l’algorithme de Most Viewed by Category, vous pouvez sélectionner les Recommendations Keys suivantes :
- Current Category
- Favorite Category
Top Sellers by Item Attribute
Recommande des articles ou des médias similaires aux articles ou aux médias les plus achetés sur votre site.
Cet algorithme vous permet de sélectionner l’attribut d’élément sur lequel vous souhaitez baser la recommandation, par exemple « Nom » ou « Marque ».
Vous pouvez ensuite sélectionner les attributs de profil stockés dans le profil du visiteur à faire correspondre, par exemple « Marque préférée », « Dernier élément ajouté au panier » ou « Programme le plus consulté ».
Top by Analytics Metric
Affiche le « Top x » où x est une mesure de Analytics arbitraire. Lors de l’utilisation de données comportementales provenant de mbox, vous pouvez utiliser Top Sold ou Top Viewed (x = « Vendu » ou x = « Vu »). Si vous utilisez des données comportementales issues de Adobe Analytics, vous pouvez utiliser x = « Ajouts au panier » ou une autre mesure de Analytics.
Item-Based
Le type de recommandation Item-Based permet d’effectuer des recommandations en fonction de la recherche d’éléments similaires à un élément que l’utilisateur consulte actuellement ou a récemment consulté.
Les algorithmes suivants sont disponibles avec le type d’algorithme Item-Based :
People Who Viewed This, Viewed That viewed-viewed
Recommande les éléments consultés le plus souvent au cours de la session où l’élément spécifié est consulté.
Cette logique renvoie d’autres produits que les personnes ont consultés après l’avoir consultés ; le produit spécifié n’est pas inclus dans le jeu de résultats.
Cette logique vous permet de créer des opportunités de conversion supplémentaires en recommandant des éléments que d’autres visiteurs et visiteuses qui ont consulté un élément ont également consultés. Par exemple, les visiteurs qui consultent des vélos sur votre site peuvent également consulter des casques de vélo, des kits de cyclisme, des serrures, etc. Vous pouvez créer une recommandation à l’aide de cette logique qui suggère que d’autres produits vous aident à augmenter les recettes.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les Recommendations Keys suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
People Who Viewed This, Bought That viewed-bought
Recommande les éléments achetés le plus souvent au cours de la session où l’élément spécifié est consulté. Ces critères renvoient d’autres produits que les utilisateurs ont achetés après avoir consulté celui-ci ; le produit spécifié n’est pas inclus dans le jeu des résultats.
Cette logique renvoie d’autres produits achetés par des personnes après l’affichage de celui-ci ; le produit spécifié n’est pas inclus dans le jeu de résultats.
Cette logique vous permet d’augmenter les opportunités de vente croisée en affichant une recommandation sur une page produit, par exemple, qui affiche les articles achetés par d’autres visiteurs qui les ont consultés. Par exemple, si le visiteur consulte un poteau de pêche, la recommandation peut afficher des articles supplémentaires achetés par d’autres visiteurs, tels que des boîtes à palets, des échassiers et des leurres de pêche. Lorsque les visiteurs parcourent votre site, vous leur fournissez des recommandations d’achat supplémentaires.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les Recommendations Keys suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
People Who Bought This, Bought That bought-bought
Recommande les éléments achetés le plus souvent par des clients en même temps que l’élément spécifié.
Cette logique renvoie d’autres produits achetés après l’achat de celui-ci. Le produit spécifié n'est pas inclus dans le jeu de résultats.
Cette logique vous permet d’augmenter les opportunités de vente croisée en affichant une recommandation sur une page de résumé du panier, par exemple, qui affiche les articles que d’autres acheteurs ont également achetés. Par exemple, si le visiteur achète un costume, la recommandation peut afficher des articles supplémentaires que d’autres visiteurs ont achetés en même temps que le costume, tels que des cravates, des chaussures habillées et des boutons de manchette. Lorsque les visiteurs passent en revue leurs achats, vous leur fournissez des recommandations supplémentaires.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les Recommendations Keys suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
Items with Similar Attributes similar-attributes
Recommande des éléments ou des médias similaires à d’autres éléments ou médias selon l’activité de la page ou le comportement du visiteur précédent.
Si vous sélectionnez Items with Similar Attributes ou Media with Similar Attributes, vous avez la possibilité de définir des règles de similarité de contenu.
L’utilisation de la similarité de contenu pour générer des recommandations est particulièrement efficace pour les nouveaux éléments, qui ne sont pas susceptibles d’apparaître dans les recommandations à l’aide de People Who Viewed This, Viewed That et d’autres logiques basées sur le comportement passé. Vous pouvez également utiliser la similarité de contenu pour générer des recommandations utiles pour les nouveaux visiteurs, qui n’ont pas d’achats antérieurs ni d’autres données historiques.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les Recommendations Keys suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
Pour plus d’informations, voir Similarité de contenu.
User-Based
Le type d’algorithme User-Based permet d’effectuer des recommandations en fonction du comportement de l’utilisateur.
Les algorithmes suivants sont disponibles avec le type d’algorithme User-Based :
Recently Viewed Items recently-viewed
Utilise l’historique du visiteur (sur plusieurs sessions) pour présenter les x derniers éléments consultés par le visiteur, en fonction du nombre d’emplacements dans la conception.
L’algorithme Recently Viewed Items renvoie un résultat spécifique à un environnement donné. Si deux sites appartiennent à différents environnements et qu’un visiteur bascule entre les deux sites, chaque site n’affiche que les éléments récemment consultés du site approprié. Si deux sites se trouvent dans le même environnement et qu’un visiteur passe d’un site à l’autre, il voit les mêmes éléments récemment consultés pour les deux sites.
Recently Viewed Items ou Recently Viewed Media peuvent être filtrés de sorte que seuls les éléments dotés d’un attribut particulier s’affichent.
- Recently Viewed critères peuvent être configurés, comme les autres critères des recommandations.
- Vous pouvez utiliser les collections, exclusions et inclusions (y compris les règles spéciales pour le Prix et l'Inventaire) de la même manière que tout autre critère.
Parmi les cas d’utilisation possibles, une société multinationale comptant plusieurs entreprises peut avoir un visiteur qui consulte des éléments dans plusieurs propriétés numériques. Dans ce cas, vous pouvez limiter les éléments récemment consultés de manière à les afficher uniquement pour la propriété respective dans laquelle ils ont été consultés. Cela empêche les éléments récemment consultés de s’afficher sur le site d’une autre propriété numérique.
Utilisez cet algorithme sur les pages générales, telles que les pages d’accueil ou de destination et les annonces hors site.
Recommended for You recommended-for-you
Recommande des articles en fonction de l’historique de navigation, d’affichage et d’achat de chaque visiteur.
Cet algorithme vous permet de fournir du contenu et des expériences personnalisés aux nouveaux visiteurs et aux visiteurs récurrents. La liste des recommandations est pondérée en fonction de l’activité la plus récente du visiteur. Elle est mise à jour en cours de session et devient plus personnalisée au fur et à mesure que l’utilisateur parcourt votre site.
Les vues et les achats sont utilisés pour déterminer les articles recommandés. La clé de recommandation spécifiée (par exemple, Current Item) est utilisée pour appliquer les filtres de règle d’inclusion que vous sélectionnez.
Par exemple, vous pouvez effectuer les opérations suivantes :
- Excluez les articles qui ne répondent pas à certains critères (produits en rupture de stock, articles publiés il y a plus de 30 jours, films classés R, etc.).
- Limiter les éléments inclus à une seule catégorie ou à la catégorie actuelle.
Si vous sélectionnez cet algorithme, vous pouvez sélectionner les clés de filtrage suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item
Critères personnalisés custom
Le type d’algorithme Custom Criteria vous permet de faire des recommandations basées sur un fichier personnalisé que vous téléchargez.
La recommandation est déterminée par un article stocké dans un profil de visiteur, utilisant les attributs user.x> ou profile.attributs x.
Si cette option est sélectionnée, la valeur entity.id
doit être présente dans l’attribut de profil.
Lorsque vous basez des recommandations sur des attributs personnalisés, vous devez sélectionner l’attribut personnalisé, puis le type de recommandation.
Vous pouvez effectuer un filtrage en temps réel en plus de vos propres critères de sortie personnalisés. Vous pouvez par exemple limiter vos éléments recommandés uniquement à ceux de la catégorie ou de la marque préférée d’un visiteur. Vous avez ainsi la possibilité de combiner les calculs hors ligne avec filtrage en temps réel.
Cette fonctionnalité signifie que vous pouvez utiliser Target pour ajouter une personnalisation en plus de vos recommandations calculées hors ligne ou de vos listes personnalisées. Elle combine la puissance de vos analystes des données et de votre recherche avec la livraison approuvée, le filtrage d’exécution, les tests A/B, le ciblage, la génération de rapports, les intégrations et bien d’autres fonctions Adobe encore.
Avec l’ajout de règles d’inclusion sur les Custom Criteria, les recommandations statiques deviennent des recommandations dynamiques basées sur les intérêts d’un visiteur.
- Les critères personnalisés sont configurables au même titre que les autres critères contenus dans les recommandations.
- Vous pouvez utiliser les collections, exclusions et inclusions (y compris les règles spéciales pour le Prix et l'Inventaire) de la même manière que tout autre critère.
Les cas d’utilisation possibles incluent :
- Vous souhaitez recommander des films à partir d’une liste gérée de façon personnalisée, mais uniquement si le visiteur ne les a pas déjà vus.
- Vous souhaitez exécuter un algorithme hors ligne et utiliser les résultats pour alimenter vos recommandations, mais vous devez vous assurer que les articles en rupture de stock ne sont jamais recommandés.
- Vous souhaitez inclure uniquement les articles extraits de la catégorie préférée de ce visiteur.
Clés de recommandation keys
Les clés de recommandation suivantes sont disponibles à partir de la liste déroulante Recommendation Key :
Current Item current-item
La recommandation est déterminée par l’article que le visiteur consulte actuellement.
Les recommandations présentent d’autres articles susceptibles d’intéresser les visiteurs qui consultent l’article spécifié.
Lorsque cette option est sélectionnée, la valeur entity.id
doit être transmise comme un paramètre à la mbox d’affichage.
Peut être utilisé avec les algorithmes suivants :
- Items with similar attributes
- People Who Viewed This, Viewed That
- People Who Viewed This, Bought That
- People Who Bought This, Bought That
Utilisez la clé Current Item recommendations sur votre site sur :
- Pages d’un seul article (pages de produit, par exemple).
- Ne PAS l’utiliser sur les pages de résultats de recherche nulles.
Last Purchased Item last-purchased
La recommandation est déterminée par le dernier article acheté par chaque visiteur unique. Ceci est capturé automatiquement, de sorte qu’aucune valeur ne doit être transmise sur la page.
Peut être utilisé avec les algorithmes suivants :
- Items with similar attributes
- People Who Viewed This, Viewed That
- People Who Viewed This, Bought That
- People Who Bought This, Bought That
Utilisez la clé Last Purchased Item recommendations sur votre site sur :
- Page d’accueil, page Mon compte, publicités hors site.
- Ne PAS l’utiliser sur les pages de produit ou les pages liées aux achats.
Clé de recommandations personnalisées
Vous pouvez axer les recommandations sur la valeur d’un attribut de profil personnalisé. Supposons, par exemple, que vous souhaitiez afficher des séquences recommandées en fonction de la dernière séquence ajoutée par un visiteur à la file d’attente.
- Sélectionnez votre attribut de profil personnalisé dans la liste déroulante Recommendation Key (par exemple, « Last Show Added to Watchlist »).
- Sélectionnez ensuite votre Recommendation Logic (par exemple, « People Who Viewed This, Viewed That »).
Si votre attribut de profil personnalisé ne correspond pas directement à un ID d’entité unique, il est nécessaire d’expliquer à Recommendations la manière dont vous souhaitez que la correspondance à une entité se produise. Supposons, par exemple, que vous souhaitiez afficher les articles les plus vendus de la marque préférée d’un visiteur.
-
Sélectionnez votre attribut de profil personnalisé dans la liste déroulante Recommendation Key (par exemple, « Marque préférée »).
-
Sélectionnez ensuite le Recommendation Logic à utiliser avec cette clé (par exemple, « Top Sellers »).
L’option Group By Unique Value Of s’affiche.
-
Sélectionnez l’attribut d’entité correspondant à la clé que vous avez choisie. Dans ce cas, « Favorite Brand » correspond à
entity.brand
.Recommendations produit désormais une liste « Top Sellers » pour chaque marque et montre au visiteur la liste « Top Sellers » appropriée en fonction de la valeur stockée dans l’attribut de profil Favorite Brand du visiteur.
Last Viewed Item last-viewed
La recommandation est déterminée par le dernier élément consulté par chaque visiteur unique. Ceci est capturé automatiquement, de sorte qu’aucune valeur ne doit être transmise sur la page.
Peut être utilisé avec les algorithmes suivants :
- Items with similar attributes
- People Who Viewed This, Viewed That
- People Who Viewed This, Bought That
- People Who Bought This, Bought That
Utilisez la clé Last Viewed Item recommendations sur votre site sur :
- Page d’accueil, page Mon compte, publicités hors site.
- Ne PAS l’utiliser sur les pages de produit ou les pages liées aux achats.
Most Viewed Item most-viewed-logic
Affiche les éléments ou les médias qui sont consultés le plus souvent sur votre site.
Cette logique vous permet d’afficher des recommandations en fonction des éléments les plus consultés de votre site afin d’augmenter les conversions d’autres éléments. Par exemple, un site multimédia peut afficher des recommandations sur sa page d’accueil pour ses vidéos les plus consultées afin d’encourager les visiteurs à regarder d’autres vidéos.
Cette clé de recommandation peut être utilisée avec les algorithmes suivants :
- Items with similar attributes
- People Who Viewed This, Viewed That
- People Who Viewed This, Bought That
- People Who Bought This, Bought That
Current Category current-category
La recommandation est déterminée par la catégorie de produits que le visiteur consulte actuellement.
Les recommandations présentent des articles dans la catégorie de produits spécifiée.
Lorsque cette option est sélectionnée, la valeur entity.categoryId
doit être transmise comme paramètre à la mbox d’affichage.
Cette clé de recommandation peut être utilisée avec les algorithmes suivants :
- Top Sellers
- Most Viewed
Utilisez la clé Current Category recommendations sur votre site sur :
- Pages d’une seule catégorie.
- Ne PAS l’utiliser sur les pages de résultats de recherche nulles.
Favorite Category favorite-category
La recommandation est déterminée par la catégorie de produits préférée du visiteur.
Les recommandations présentent des articles dans la catégorie de produits spécifiée.
Lorsque cette option est sélectionnée, la valeur entity.categoryId
doit être transmise comme paramètre à la mbox d’affichage.
Cette clé de recommandation peut être utilisée avec les algorithmes suivants :
- Top Sellers
- Most Viewed
Utilisez la clé Current Category recommendations sur votre site sur :
- Pages d’une seule catégorie.
- Ne PAS l’utiliser sur les pages de résultats de recherche nulles.
Site Affinity site-affinity
Recommande des éléments selon la certitude d’une relation entre ceux-ci. Vous pouvez configurer ce critère afin de déterminer la quantité de données requise avant qu’une recommandation ne soit présentée à l’aide du curseur de Inclusion Rules. Par exemple, si vous sélectionnez très fort, les produits avec la plus grande certitude d'une correspondance sont recommandés.
Par exemple, si vous définissez une très forte affinité et si votre conception comporte cinq éléments dont trois qui correspondent à la force du seuil de connexion, les deux éléments qui ne répondent pas aux exigences de force minimales ne sont pas affichés dans vos recommandations et sont remplacés par les éléments de sauvegarde. Les éléments avec l’affinité la plus forte s’affichent en premier.
Par exemple, un détaillant en ligne peut recommander des articles lors de visites ultérieures qui ont suscité l’intérêt d’un visiteur au cours de sessions précédentes. L’activité de la session de chaque visiteur est capturée afin de calculer une affinité en fonction d’un modèle de récence et de fréquence. À mesure que ce visiteur revient sur votre site, l’affinité du site est utilisée pour afficher des recommandations basées sur des actions passées sur votre site.
Certains clients qui proposent plusieurs collections de produits et plusieurs comportements de site obtiendront de meilleurs résultats en définissant une affinité faible.
Cette logique peut être utilisée avec les clés de recommandation suivantes :
- Current Item
- Last Purchased Item
- Last Viewed Item
- Most Viewed Item