Baser la recommandation sur une clé de recommandation

Les recommandations basées sur des algorithmes utilisent le contexte de comportement des visiteurs 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 :

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 Basé sur le panier 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 « Recommandé pour vous » et aux algorithmes basés sur les articles « Personnes qui ont consulté ceci acheté cela » et « Personnes qui ont acheté cela acheté cela ».

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 :

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 Basé sur le panier :

Les personnes qui ont consulté ceci ont également consulté

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 :

Les personnes qui ont consulté ceci ont également acheté

Recommande les éléments achetés le plus souvent au cours de la session où l’élément spécifié est consulté.

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 :

Les personnes qui ont acheté ceci ont également acheté

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 :

Basé sur la popularité

Le type d’algorithme Basé sur la popularité vous permet de faire des recommandations en fonction de la popularité globale d’un élément sur votre site ou de la popularité des éléments dans la catégorie, la marque, le genre, etc. favori ou le plus consulté d’un utilisateur ou d’une utilisatrice.

Les algorithmes suivants sont disponibles avec le type d’algorithme Basé sur la popularité :

Les plus consultés sur le 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 :

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.

Les plus consultés par catégorie 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 :

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 de recommandations suivantes :

Éléments les plus consultés par attribut d’élément

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 ».

Meilleurs vendeurs sur le 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.

Meilleurs vendeurs par catégorie

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 Les plus consultés par catégorie, vous pouvez sélectionner les clés Recommendations suivantes :

Meilleurs vendeurs par attribut d’article

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 ».

​ Les plus consultés par attribut de profil ​

Recommande les éléments les plus consultés, regroupés par attribut de profil du visiteur, plutôt que par informations d’élément, comme le font Les plus consultés par catégorie et Les plus consultés par attribut d’élément. Target conserve une liste de classement distincte par valeur d’attribut et, au moment de la diffusion, affiche à chaque visiteur la liste correspondant à sa propre valeur stockée.

Cet algorithme dépend d’un script de profil pour renseigner l’attribut, et le nom du script doit commencer par le préfixe recsAttribute afin Target le stocke comme user.recsAttribute<Name>. Vous pouvez écrire un script pour toute caractéristique de visiteur pertinente à votre cas d’utilisation.

En savoir plus sur la définition d’attributs de profil à l’aide de scripts de profil dans cette page.

Par exemple, un script nommé recsAttributeRegion qui base les recommandations sur la région du visiteur peut ressembler à ceci :

var region = mbox.param('userRegion');
if (region) return region;

Une fois le script créé et activé, l’entrée Region correspondante est disponible dans le menu déroulant Attribut de profil de la fenêtre de création de critères. Notez que le préfixe recsAttribute lui-même n’est pas affiché dans la liste déroulante.

Meilleurs vendeurs par attribut de profil

Recommande les articles les plus vendus regroupés par attribut de profil d’un visiteur plutôt que par informations d’article, comme le font Meilleurs vendeurs par catégorie et Meilleurs vendeurs par attribut d’article. Target conserve une liste des meilleurs vendeurs distincte par valeur d’attribut et, au moment de la livraison, affiche à chaque visiteur la liste correspondant à sa propre valeur stockée.

Comme pour Les plus consultés par l’attribut de profil, cet algorithme dépend d’un script de profil pour renseigner l’attribut, et le nom du script doit commencer par le préfixe recsAttribute afin Target le stocke comme user.recsAttribute<Name>. Vous pouvez écrire un script pour toute caractéristique de visiteur pertinente à votre cas d’utilisation. En savoir plus sur la définition d’attributs de profil à l’aide de scripts de profil dans cette page.

Par exemple, un script nommé recsAttributeLoyaltyTier qui base les recommandations sur le niveau de fidélité du visiteur peut ressembler à ceci :

var tier = mbox.param('visitorLoyaltyTier');
if (tier) return tier;

Une fois le script créé et activé, l’entrée Niveau de fidélité correspondante est disponible dans le menu déroulant Attribut de profil de la fenêtre de création de critères. Notez que le préfixe recsAttribute lui-même n’est pas affiché dans la liste déroulante.

En tête par mesure Analytics

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 Meilleures ventes ou Meilleures vues (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.

Basé sur un élément

Le type de recommandation Basé sur un élément vous 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 Basé sur l’élément :

Les personnes qui ont consulté ceci ont consulté cela 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 clés Recommendations suivantes :

Les personnes qui ont consulté ceci ont acheté cela 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 clés Recommendations suivantes :

Les personnes qui ont acheté ceci ont acheté cela 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 clés Recommendations suivantes :

Éléments avec des attributs similaires 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 Éléments avec des attributs similaires ou Média avec des attributs similaires, 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 de s’afficher dans les recommandations utilisant Personnes qui ont consulté ceci, qui ont consulté cela 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 clés Recommendations suivantes :

Pour plus d’informations, voir Similarité de contenu.

Basé sur l’utilisateur

Le type d’algorithme Basé sur l’utilisateur permet de faire des recommandations en fonction du comportement de l’utilisateur.

Les algorithmes suivants sont disponibles avec le type d’algorithme Basé sur l’utilisateur :

Éléments récemment consultés 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 Éléments récemment consultés 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.

Éléments récemment consultés ou Médias récemment consultés peuvent être filtrés afin que seuls les éléments dotés d’un attribut particulier s’affichent.

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.

Recommandé 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, Élément actuel) est utilisée pour appliquer les filtres de règle d’inclusion que vous sélectionnez.

Par exemple, vous pouvez effectuer les opérations suivantes :

Si vous sélectionnez cet algorithme, vous pouvez sélectionner les clés de filtrage suivantes :

Critères personnalisés custom

Le type d’algorithme Critères personnalisés vous permet de faire des recommandations en fonction d’un fichier personnalisé que vous téléchargez.

La recommandation est déterminée par un élément stocké dans le profil d’un visiteur, à l’aide des attributs user.x ou profile.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 Critères personnalisés, les recommandations statiques se transforment en recommandations dynamiques basées sur les intérêts d’un visiteur.

Les cas d’utilisation possibles incluent :

Clés de recommandation keys

Les clés de recommandation suivantes sont disponibles à partir de la liste déroulante Clé de recommandation :

Élément actuel current-item

La recommandation est déterminée par l’article que le visiteur consulte actuellement.

Les recommandations présentent d’autres articles susceptibles d’intéresser les personnes 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 :

Utilisez la clé de recommandations Élément actuel sur votre site sur :

Dernier article acheté 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 :

Utilisez la clé de recommandations Dernier achat sur votre site à l’adresse suivante :

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.

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.

Dernier article consulté 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 :

Utilisez la clé de recommandations Dernier élément consulté sur votre site sur :

Article le plus consulté 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 :

Catégorie en cours 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 :

Utilisez la clé de recommandations Catégorie actuelle sur votre site sur :

Catégorie préférée 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 :

Utilisez la clé de recommandations Catégorie actuelle sur votre site sur :

Affinité du site site-affinity

Recommande des éléments selon la certitude d’une relation entre ceux-ci. Vous pouvez configurer ce critère pour déterminer la quantité de données requises avant qu’une recommandation ne soit présentée à l’aide du curseur Règles d’inclusion. 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 retailer en ligne peut recommander des éléments 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 :