Personalizzazione web visitatore anonimo
Questo piano di riferimento fornisce indicazioni sull’implementazione per la distribuzione di contenuti web personalizzati a visitatori anonimi (non identificati) sulla base di segnali comportamentali durante la sessione. Copre l'intero ciclo di vita dell'implementazione, dalla configurazione di Web SDK alla definizione del pubblico perimetrale fino alla distribuzione dei contenuti e al reporting delle prestazioni, ed è progettato per architetti di soluzioni, tecnici di marketing e tecnici di implementazione che lavorano con Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) e Adobe Experience Platform (AEP).
Utilizza questo piano per comprendere l’architettura, valutare le opzioni di implementazione, prendere decisioni di configurazione informate e individuare la documentazione Experience League pertinente per ogni fase di implementazione.
Il modello funziona con dati limitati, solo ciò che può essere osservato nella sessione corrente e qualsiasi profilo edge anonimo accumulato da visite precedenti con lo stesso dispositivo o cookie. Questo lo rende adatto per la personalizzazione top-of-funnel in cui il visitatore non ha un account o non è stato autenticato.
Panoramica del caso d’uso
Visitatore anonimo Web Personalization risponde all'esigenza aziendale di fornire contenuti pertinenti e personalizzati ai visitatori del sito Web che non sono ancora stati identificati: non hanno effettuato l'accesso, non hanno un'identità nota e non possono essere risolti in un profilo cliente unificato. Nonostante questo limite, è possibile ottenere una personalizzazione significativa utilizzando segnali comportamentali durante la sessione: pagine visualizzate, tempo sul sito, profondità di scorrimento, origine di riferimento, posizione geografica, tipo di dispositivo e parametri della campagna UTM.
Questo modello utilizza le superfici dei canali web di AJO e le esperienze basate su codice per modificare il contenuto della pagina in tempo reale. La segmentazione di Edge è il metodo di valutazione principale, in quanto le decisioni devono essere prese con latenza di secondo secondario mentre il visitatore naviga nel sito. Web SDK raccoglie i segnali comportamentali e li invia a AEP Edge Network, dove le regole del pubblico valutate Edge determinano la variante di contenuto da distribuire.
A differenza della personalizzazione web/app per visitatore noto, che sfrutta l'appartenenza completa unificata a profilo e segmento, questo modello è vincolato ai dati osservabili nella sessione corrente e a qualsiasi profilo Edge anonimo associato all'ECID del visitatore (Experience Cloud ID). Questa distinzione è fondamentale per la pianificazione dell'implementazione: i segnali comportamentali disponibili per la personalizzazione sono limitati a ciò che Web SDK acquisisce e a ciò che persiste nell'archivio dei profili edge nelle sessioni tramite l'ECID basato su cookie.
Obiettivi aziendali chiave
I seguenti obiettivi di business sono supportati da questo modello di casi d’uso.
Aumenta coinvolgimento sito Web
Migliora il tempo sul sito, le pagine per sessione e l’interazione con i contenuti web attraverso esperienze rilevanti personalizzate in base ai segnali dei visitatori anonimi.
Distribuisci esperienze cliente personalizzate
Personalizza contenuti, offerte e messaggi in base alle preferenze, ai comportamenti e alla fase del ciclo di vita dei singoli utenti, anche per i visitatori che non si sono ancora identificati.
Aumentare i tassi di conversione
Migliora la percentuale di visitatori e potenziali clienti che completano le azioni desiderate, ad esempio acquisti, iscrizioni o invii di moduli, presentando i contenuti più rilevanti in base al contesto comportamentale.
Esempi di casi d’uso tattici
Gli esempi seguenti illustrano scenari specifici in cui è possibile applicare questo modello.
- Test A/B del titolo della pagina di destinazione basato sull'origine di riferimento — Test di titoli diversi per i visitatori provenienti da Google, social media o traffico diretto per ottimizzare il coinvolgimento tramite il canale di acquisizione
- Consigli di affinità tra categorie in base al comportamento di navigazione: visualizzazione di consigli su prodotti o contenuti in base alle pagine visualizzate nella sessione corrente per aumentare l'individuazione e la conversione
- Offerta con intento di uscita per i visitatori che stanno per uscire — Presenta un'offerta promozionale o un modulo di acquisizione lead quando i segnali comportamentali indicano che il visitatore sta per abbandonare il sito
- Banner promozionale con targeting geografico: mostra promozioni specifiche per la località, contenuto del localizzatore dello store o offerte regionali in base alla posizione geografica del visitatore
- Ottimizzazione del layout del contenuto specifico per il dispositivo: adatta il layout del contenuto, le dimensioni delle immagini e il posizionamento del CTA in base al fatto che il visitatore si trovi su desktop, tablet o dispositivi mobili
- Messaggi di benvenuto nuovi rispetto a visitatori di ritorno: differenzia l'esperienza per i nuovi visitatori rispetto ai visitatori anonimi di ritorno utilizzando la persistenza ECID nelle sessioni
- Consigli sui contenuti basati sulle pagine visualizzate nella sessione corrente: superficie dinamica di articoli, prodotti o risorse correlati in base alle pagine già visualizzate dal visitatore
- Banner hero dinamico basato sui parametri della campagna UTM — Personalizza il banner hero in modo che corrisponda al messaggio o alla creatività della campagna di riferimento
Indicatori chiave di prestazioni
Utilizza i seguenti KPI per misurare l’efficacia di questo modello di caso d’uso.
Schema del caso d’uso
Di seguito sono descritti il pattern principale e la catena di funzioni per questo caso d’uso.
Visitatore anonimo Web Personalization
Distribuisci contenuti personalizzati in base a segnali comportamentali durante la sessione per visitatori non identificati tramite il canale web AJO.
Catena di funzioni: Configurazione superficie web > Valutazione regole comportamentali > Consegna contenuto > Tracciamento impression > Reporting
Applicazioni
In questo modello di caso d’uso vengono utilizzate le seguenti applicazioni.
- Adobe Journey Optimizer (AJO): configurazione della superficie del canale web, authoring dei contenuti (esperienze web e basate su codice), esecuzione di campagne, sperimentazione dei contenuti (test A/B), decisioning (selezione dinamica dei contenuti) e reporting
- Adobe Real-Time Customer Data Platform (RT-CDP) — Segmentazione di Edge per la valutazione del pubblico in tempo reale basata su segnali comportamentali durante la sessione; gestione anonima dei profili edge
- Adobe Experience Platform (AEP) — Web SDK per la raccolta di segnali comportamentali, Edge Network per il routing dei dati in tempo reale e la consegna della personalizzazione, configurazione dello stream di dati
Funzioni fondamentali
Per questo modello di caso d’uso devono essere disponibili le seguenti funzionalità fondamentali. Per ogni funzione, lo stato indica se in genere è obbligatorio, se si presume che sia preconfigurato o meno applicabile.
isActiveOnEdge: true per risolvere i dati di profilo anonimi nel server Edge di. Su Edge può essere attivo un solo criterio di unione per sandbox.Funzioni di supporto
Le seguenti funzionalità incrementano questo modello di caso d’uso, ma non sono necessarie per l’esecuzione di base.
Funzioni dell’applicazione
Questo piano esegue le seguenti funzioni dal catalogo delle funzioni dell'applicazione. Le funzioni sono mappate su fasi di implementazione anziché su passaggi numerati.
Journey Optimizer (AJO)
Real-Time CDP (RT-CDP)
Prerequisiti
Completa quanto segue prima di iniziare l’implementazione.
- [ ] Web SDK è implementato in tutte le proprietà web di destinazione con
sendEventchiamate che acquisiscono visualizzazioni di pagina, clic e interazioni comportamentali rilevanti - [ Lo stream di dati ] è configurato nell'interfaccia utente di Data Collection con i servizi Adobe Experience Platform e Adobe Journey Optimizer abilitati
- [ Lo schema ] Experience Event esiste con gruppi di campi di interazione web (visualizzazioni di pagina, dati di riferimento, parametri UTM, contesto del dispositivo) ed è abilitato per il profilo
- [ Lo spazio dei nomi dell'identità ECID ] è configurato e designato come identità primaria nello schema dell'evento comportamentale Web
- [ Il criterio di unione di ] Edge è configurato con
isActiveOnEdge: truenella sandbox di destinazione - [ Il provisioning e l'accesso al canale web di AJO ] sono disponibili nella sandbox di destinazione
- [ ] Le varianti di contenuto (copia, immagini, CTA) sono progettate e approvate per ogni caso d'uso di personalizzazione
- [ ] Le metriche di successo sono definite (che cosa costituisce un evento di conversione o di coinvolgimento per la misurazione)
- [ Il meccanismo di consenso dei cookie ] è implementato sul sito Web per rispettare le normative sulla privacy prima di raccogliere i dati comportamentali
Opzioni di implementazione
Questa sezione descrive tre approcci di implementazione. Seleziona l’opzione che meglio si adatta ai tuoi requisiti di personalizzazione.
Opzione A: personalizzazione web basata su regole
Ideale per: Personalizzazione semplice e deterministica: banner con targeting geografico, titoli specifici per l'origine di riferimento, layout specifici per il dispositivo, messaggi nuovi e di ritorno per i visitatori. Scegli questa opzione quando la variante di contenuto può essere determinata da una logica condizionale diretta (se la condizione X mostra il contenuto Y).
Funzionamento:
La personalizzazione basata su regole utilizza segmenti di pubblico valutati Edge per determinare quale variante di contenuto visualizzare. Ogni segmento di pubblico viene mappato su una specifica variante di contenuto attraverso regole condizionali definite nella campagna. Quando un visitatore carica una pagina, Web SDK invia segnali comportamentali a Edge Network, che valuta il profilo Edge del visitatore in base alle regole definite per il pubblico in millisecondi. La variante di contenuto corrispondente viene restituita nella risposta Edge Network ed è sottoposta a rendering sulla pagina.
Questo approccio richiede la definizione di segmenti di pubblico distinti in RT-CDP (ad esempio, "visitatori da Google search", "visitatori in California", "visitatori da dispositivi mobili") e la creazione di varianti di contenuto corrispondenti in AJO. La campagna associa ogni pubblico alla rispettiva variante di contenuto utilizzando regole di contenuto condizionale o campagne separate per segmento. Non è coinvolta alcuna classificazione di IA o suddivisione del traffico; la relazione tra pubblico e contenuto è deterministica.
Considerazioni chiave:
- Richiede criteri di pubblico ben definiti che possono essere espressi come espressioni di regole di segmento idonee per Edge
- Le varianti di contenuto devono essere precreate per ciascun segmento di pubblico
- L’aggiunta di nuove regole di personalizzazione richiede la creazione di nuovi segmenti di pubblico e varianti di contenuto
- Non fornisce misurazioni statistiche sull’efficacia delle varianti di contenuto
Vantaggi:
- Semplice da implementare e comprendere: chiara relazione causa-effetto tra pubblico e contenuto
- Non è necessario alcun sovraccarico di sperimentazione o suddivisione del traffico
- Il comportamento deterministico rende semplici i test e il controllo qualità
- Latenza bassa perché la valutazione Edge è puramente basata su regole
- Funziona bene quando l’azienda sa già quale contenuto funziona meglio per ogni segmento
Limitazioni:
- Nessun meccanismo integrato per misurare se la personalizzazione migliora i risultati rispetto al contenuto predefinito
- Richiede un processo decisionale manuale per quanto riguarda il contenuto da visualizzare in ogni segmento
- Non si adatta o si ottimizza nel tempo — regole statiche fino a quando non vengono modificate manualmente
- La scalabilità a molti segmenti e varianti aumenta la complessità della configurazione
Experience League:
Opzione B: Personalizzazione web basata sulla sperimentazione
Ideale per: test A/B e multivariati — test delle varianti dei titoli, colori dei pulsanti CTA, alternative di layout, offerte promozionali — con misurazione della significatività statistica. Scegli questa opzione quando devi convalidare la variante di contenuto con le prestazioni migliori prima di confermare una regola di personalizzazione permanente.
Funzionamento:
La personalizzazione basata sulla sperimentazione utilizza la sperimentazione dei contenuti di AJO per allocare in modo casuale i visitatori ai gruppi di trattamento dei contenuti e misurare quale variante funziona meglio rispetto a una metrica di successo definita. Il traffico viene suddiviso tra le varianti (ad esempio, 50/50 per A/B, 33/33/34 per A/B/C) e le prestazioni vengono tracciate fino al raggiungimento della significatività statistica.
L’esperimento è incorporato in una campagna web AJO. Quando un visitatore carica una pagina, Edge Network le assegna a un gruppo di trattamento in base all'allocazione del traffico configurata. Il visitatore vede costantemente lo stesso trattamento per la durata dell’esperimento (persistenza a livello di sessione o di visitatore a seconda della configurazione). Le metriche di successo (clic, conversioni, eventi di coinvolgimento) vengono tracciate tramite Web SDK e riportate nel rapporto dell'esperimento di AJO.
Questa opzione non richiede segmenti di pubblico predefiniti per il targeting: tutti i visitatori (o un sottoinsieme di destinazione) partecipano all’esperimento. L’obiettivo è scoprire quale contenuto offre prestazioni migliori, non eseguire il targeting di segmenti noti con contenuti predeterminati.
Considerazioni chiave:
- Richiede un volume di traffico sufficiente per raggiungere la rilevanza statistica in un arco di tempo ragionevole
- Gli esperimenti utilizzano un modello statistico bayesiano con intervalli di affidabilità validi in qualsiasi momento
- Per misurare l’incremento incrementale, si consiglia un gruppo di attesa (che non riceve contenuti personalizzati)
- Può essere attivo un solo esperimento per campagna alla volta
- Le modifiche dell’esperimento richiedono l’arresto e il riavvio della campagna
Vantaggi:
- Misurazione statisticamente rigorosa dell’efficacia delle varianti di contenuto
- Rimuove le supposizioni dalle decisioni di personalizzazione: selezione di contenuti basati sui dati
- Supporta i gruppi di attesa per la misurazione incrementale effettiva dell'incremento
- Generazione di rapporti sugli esperimenti incorporati con intervalli di affidabilità e dichiarazione dei vincitori
- I risultati possono informare la futura personalizzazione basata su regole (opzione A) identificando le varianti vincenti
Limitazioni:
- Richiede un volume di traffico significativo; per raggiungere la significatività le pagine a traffico ridotto possono richiedere settimane
- La suddivisione del traffico fa sì che alcuni visitatori visualizzino contenuti non ottimali durante il periodo di test
- Impossibile personalizzare per segmento durante l’esperimento (tutti i visitatori o un sottoinsieme partecipano allo stesso modo)
- Massimo 10 varianti di trattamento per esperimento
- Nessuna ottimizzazione continua: gli esperimenti sono discreti con un inizio e una fine
Experience League:
Opzione C: personalizzazione web basata su decisioni
Ideale per: Selezione dinamica dei contenuti: consigli di affinità tra categorie, offerte con intento di uscita, consigli comportamentali, in cui i criteri decisionali valutano i segnali di sessione e selezionano il contenuto ottimale da un catalogo di elementi idonei. Scegli questa opzione quando la logica di selezione del contenuto è troppo complessa per regole semplici, quando desideri un’ottimizzazione con classificazione AI o quando il set di elementi di contenuto idonei è ampio e dinamico.
Funzionamento:
La personalizzazione basata sulle decisioni utilizza AJO Decisioning per valutare i segnali comportamentali e selezionare la variante di contenuto migliore per ogni visitatore da un catalogo gestito di elementi di contenuto (offerte). Ogni elemento di contenuto dispone di regole di idoneità (chi è idoneo), rappresentazioni (come si presenta il contenuto in ogni posizionamento) e vincoli di limitazione facoltativi (con quale frequenza può essere visualizzato). Un criterio di decisione collega i posizionamenti (dove il contenuto viene visualizzato nella pagina) alle raccolte di elementi di contenuto e applica una strategia di classificazione per selezionare l’opzione migliore.
Quando un visitatore carica una pagina, Web SDK invia una richiesta Edge Network che include l'ambito della decisione. Il motore delle decisioni valuta il profilo Edge del visitatore in base alle regole di idoneità per gli elementi di contenuto, applica la strategia di classificazione (basata su priorità, basata su formula o classificata in base all’intelligenza artificiale) e restituisce l’elemento di contenuto vincente. Ciò avviene al perimetro con latenza al secondo secondario.
La strategia di classificazione determina il modo in cui vengono ordinati gli elementi di contenuto idonei. La classificazione basata su priorità utilizza valori di priorità assegnati manualmente. La classificazione basata su formule utilizza un’espressione personalizzata (ad esempio, la ponderazione dell’attualità delle visualizzazioni di pagina). La classificazione con classificazione basata su IA utilizza un modello di apprendimento automatico che ottimizza nel tempo per la metrica di successo selezionata, ma richiede almeno 1.000 eventi di conversione per l’apprendimento.
Considerazioni chiave:
- Richiede la configurazione dei componenti Decisioning: posizionamenti, regole di idoneità, elementi di contenuto, elementi di fallback, raccolte e criteri di decisione
- Le strategie classificate in base all’intelligenza artificiale richiedono un volume di conversione sufficiente (oltre 1.000 eventi) per addestrare il modello
- Le decisioni di Edge sono limitate agli attributi di profilo disponibili nell’archivio profili edge
- Gli elementi di contenuto devono essere gestiti e mantenuti nella libreria Decisioning
- Il contenuto di fallback deve essere definito per i casi in cui nessun elemento personalizzato è idoneo
Vantaggi:
- Scalabilità a cataloghi di contenuti di grandi dimensioni senza richiedere la mappatura individuale tra pubblico e contenuto
- Le strategie classificate in base all’intelligenza artificiale ottimizzano continuamente la selezione dei contenuti in base alle prestazioni osservate
- Le regole di idoneità e i vincoli di limitazione forniscono un controllo dettagliato sulla distribuzione dei contenuti
- Supporta una logica di business complessa difficile da esprimere come segmenti di pubblico
- Riutilizzabile su più canali: lo stesso criterio decisionale può alimentare la personalizzazione web, e-mail e mobile
Limitazioni:
- Maggiore complessità di implementazione: richiede la configurazione dello stack di componenti Decisioning completo
- La classificazione basata su IA richiede un volume di conversione significativo e tempo di formazione efficace
- Le limitazioni relative ai dati di profilo di Edge limitano la complessità delle regole di idoneità per i visitatori anonimi
- Costi comuni di gestione degli elementi di contenuto: ogni elemento necessita di rappresentazioni, regole di idoneità e manutenzione
- La logica decisionale di debug è più complessa degli approcci basati su regole
Experience League:
Confronto delle opzioni
La tabella seguente confronta le tre opzioni di implementazione tra i diversi criteri chiave.
Scegli l’opzione giusta
Utilizza la seguente logica di decisione per selezionare l’opzione di implementazione appropriata:
-
Sapete già quale contenuto mostrare a ogni segmento di visitatori?
- Sì: inizia con Opzione A (basata su regole). Hai definito strategie di contenuto per segmento e hai bisogno di una distribuzione deterministica.
- No: passare alla domanda 2.
-
È necessario testare un numero limitato di varianti di contenuto per trovare l'utente con le prestazioni migliori?
- Sì: Scegliere Opzione B (Sperimentazione). Desideri la convalida statistica prima di adottare una strategia per i contenuti.
- No: passare alla domanda 3.
-
Disponi di un ampio catalogo di elementi di contenuto con requisiti di idoneità e classificazione complessi?
- Sì: Scegliere Opzione C (Decisioning). È necessaria una selezione dinamica dei contenuti che vada oltre le semplici regole.
- No: inizia con l'opzione A (basata su regole) per semplicità, quindi passa all'opzione B o C con l'aumento dei requisiti.
Opzioni di combinazione: Queste opzioni non si escludono a vicenda. Una progressione comune consiste nell’iniziare con l’opzione B (sperimentazione) per individuare i contenuti vincenti, quindi distribuire i vincitori utilizzando l’opzione A (basata su regole) per la distribuzione continua. L’opzione C (Decisioning) può essere sovrapposta per i casi d’uso che richiedono una selezione dinamica basata sul catalogo, mentre l’opzione A gestisce regole deterministiche più semplici.
Fasi di implementazione
Le fasi seguenti descrivono il flusso di lavoro di implementazione end-to-end.
Fase 1: Configurare le superfici web
Funzione applicazione: AJO: Configurazione canale
Definisci le superfici dei canali web che specificano dove verrà distribuito il contenuto personalizzato sul sito web. Una superficie web identifica un URL specifico della pagina o un pattern di URL e la posizione sulla pagina (selettore CSS o superficie di esperienza basata su codice) in cui AJO può inserire o sostituire il contenuto.
Punti decisionali in questa fase:
sendEvent chiamate per modifiche alla visualizzazione. Le definizioni delle superfici utilizzano il nome della vista SPA (applicazione a pagina singola) anziché l’URL.Navigazione interfaccia utente: Journey Optimizer > Amministrazione > Canali > Configurazione Web
Dettagli configurazione chiave:
- Definire l’URL della pagina o il pattern URL per la superficie
- Specifica il selettore CSS o l’URI della superficie per il posizionamento del contenuto
- Per le esperienze basate su codice, definisci il nome della superficie a cui farà riferimento il codice dell’applicazione
- Associa la superficie alla sandbox di AJO in cui verranno create le campagne
Documentazione di Experience League:
Fase 2: definire i tipi di pubblico comportamentali
Funzione applicazione: RT-CDP: Audience Evaluation
Definisci segmenti di pubblico valutati edge in base ai segnali comportamentali durante la sessione su cui si basa il targeting di personalizzazione. Questi tipi di pubblico determinano i visitatori idonei per ogni esperienza personalizzata. Per questo modello è obbligatoria la valutazione Edge, in quanto le decisioni di personalizzazione devono essere prese in intervalli di tempo di secondi secondari mentre il visitatore naviga nel sito.
Punti decisionali in questa fase:
Navigazione interfaccia utente: Cliente > Tipi di pubblico > Crea pubblico > Genera regola
Dettagli configurazione chiave:
- Utilizza Segment Builder (Generatore di segmenti) per definire le regole del pubblico utilizzando gli attributi comportamentali
- Verificare l’idoneità Edge confermando che l’espressione della regola del segmento utilizzi solo funzioni supportate (confronti di attributi semplici, appartenenza a segmenti)
- Imposta il criterio di unione sul criterio di unione attivo-bordo configurato in F4
- Anteprima della popolazione del pubblico per convalidare il segmento e restituire i risultati previsti
- Per i tipi di pubblico basati sulle visualizzazioni di pagina nella sessione, utilizza gli attributi a livello di evento della sessione corrente anziché le query della serie temporale
Opzioni divergenti:
Per L'Opzione A (Basata Su Regole):
Crea segmenti di pubblico distinti per ogni variante di contenuto. Ogni segmento rappresenta una condizione comportamentale specifica (ad esempio, "Referral = Google AND Geo = US" corrisponde alla variante di contenuto A). Il numero di tipi di pubblico è uguale al numero di regole di personalizzazione.
Per L'Opzione B (Sperimentazione):
La definizione del pubblico è facoltativa. Se l’esperimento ha come target tutti i visitatori, non è necessario alcun pubblico; la suddivisione del traffico gestisce l’assegnazione delle varianti. Se l’esperimento ha come target un sottoinsieme specifico (ad esempio, solo i visitatori mobili), definisci un singolo pubblico di targeting per l’idoneità all’esperimento.
Per L'Opzione C (Decisioning):
Definisci i tipi di pubblico da utilizzare come regole di idoneità per gli elementi di contenuto. Questi tipi di pubblico determinano quali visitatori sono idonei per ciascun elemento di contenuto nel criterio decisionale. Il motore delle decisioni gestisce la selezione del contenuto tra gli elementi idonei.
Documentazione di Experience League:
Fase 3: Creare contenuti e varianti
Funzione dell'applicazione: AJO: Message Authoring, AJO: Content Experimentation (opzione B), AJO: Decisioning (opzione C)
Crea le varianti di contenuto personalizzato che verranno consegnate ai visitatori in base all’iscrizione al pubblico (opzione A), all’assegnazione di esperimenti (opzione B) o alla logica decisionale (opzione C). Questa fase riguarda la creazione di contenuti tramite il web designer AJO o l’editor di esperienze basato su codice, nonché la configurazione dell’esperimento o del processo decisionale che determina come viene selezionato il contenuto.
Punti decisionali in questa fase:
{{profile.homeAddress.city}} con gli helper.Navigazione interfaccia utente: Journey Optimizer > Campagne > Seleziona campagna > Modifica contenuto
Dettagli configurazione chiave:
- Creare contenuti utilizzando il designer web (modifiche visive) o l’editor di esperienze basato su codice (payload JSON)
- Utilizza l’editor delle espressioni di personalizzazione per inserire token dinamici dagli attributi del profilo edge
- Configurare il contenuto di fallback per i token di personalizzazione che potrebbero essere vuoti nei profili anonimi
- Anteprima di contenuti con profili di test per verificare il rendering tra scenari
Opzioni divergenti:
Per L'Opzione A (Basata Su Regole):
Crea una variante di contenuto distinta per ogni segmento di pubblico definito nella fase 2. Associa ogni variante al relativo pubblico di destinazione utilizzando le regole di contenuto condizionale nella configurazione della campagna. Assicurati che esista una variante di contenuto predefinita per i visitatori che non corrispondono ad alcuna regola di pubblico.
Per L'Opzione B (Sperimentazione):
Creare varianti di trattamento (A, B, C, ecc.) per l’esperimento. Abilita la sperimentazione dei contenuti nella campagna, definisci le varianti di trattamento con il loro contenuto, imposta le percentuali di allocazione del traffico e configura la metrica di successo.
- Definire 2-10 varianti di trattamento con contenuto distinto
- Imposta l’allocazione del traffico (ad esempio, 50/50 per A/B o suddivisione ponderata per test a rischio ridotto)
- Facoltativamente, includi un gruppo di sospensione (ad esempio, il 10% riceve il contenuto predefinito) per misurare l’incremento incrementale
- Seleziona la metrica di successo: aperture univoche, clic univoci, conversioni o metrica personalizzata
- Imposta la soglia di affidabilità: 95% per i test standard, 99% per le decisioni ad alta posta, 90% per l’apprendimento direzionale
- Navigazione interfaccia utente: Campaign > Esperimento contenuti > Aggiungi trattamento > Allocazione traffico > Metrica di successo
Per L'Opzione C (Decisioning):
Imposta lo stack di componenti Decisioning e integralo nella campagna.
- Crea posizionamenti — Definisci dove verranno visualizzati gli elementi del contenuto della pagina (Web HTML, Web JSON, immagine Web)
- Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Posizionamenti
- Definire le regole di idoneità — Creare regole basate sugli attributi del profilo Edge che determinano quali visitatori sono idonei per ciascun elemento di contenuto
- Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Regole
- Crea elementi di contenuto (offerte): crea elementi di contenuto personalizzati con rappresentazioni per ogni posizionamento, regole di idoneità, priorità e limite facoltativo
- Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Offerte > Crea offerta
- Crea contenuto di fallback — Definisci un elemento di fallback restituito quando nessun elemento personalizzato è idoneo
- Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Offerte > Crea offerta di fallback
- Organizza in raccolte: raggruppa gli elementi di contenuto utilizzando i qualificatori di raccolta (tag) e crea raccolte
- Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Qualificatori raccolta/Raccolte
- Crea criterio di decisione — Collega i posizionamenti alle raccolte e seleziona la strategia di classificazione (basata su priorità, basata su formula o con classificazione basata su IA)
- Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Decisioni > Crea decisione
Documentazione di Experience League:
Fase 4: Configurare la campagna e la consegna
Funzione dell'applicazione: AJO: Esecuzione della campagna
Crea e attiva la campagna web di AJO che associa la superficie web (fase 1), la configurazione dell’esperimento o del targeting di pubblico (fasi 2-3) e le varianti di contenuto (fase 3) in un’unità consegnabile. La campagna controlla quando e come il contenuto personalizzato viene distribuito ai visitatori.
Punti decisionali in questa fase:
Navigazione interfaccia utente: Journey Optimizer > Campagne > Crea campagna
Dettagli configurazione chiave:
- Seleziona il canale web e la superficie web configurati nella fase 1
- Associa il pubblico target (per l’opzione A) o configura le impostazioni dell’esperimento (per l’opzione B) o incorpora la decisione (per l’opzione C)
- Imposta la pianificazione della campagna (data di inizio, data di fine o sempre attiva)
- Configurare il limite di frequenza a livello di campagna, se applicabile
- Controlla tutte le configurazioni e attiva la campagna
Opzioni divergenti:
Per L'Opzione A (Basata Su Regole):
Crea una campagna per regola di personalizzazione, ogni volta indirizzata a un pubblico Edge diverso con la corrispondente variante di contenuto. In alternativa, utilizza una singola campagna con regole di contenuto condizionale che mappano l’iscrizione al pubblico alle varianti di contenuto all’interno di una campagna.
Per L'Opzione B (Sperimentazione):
Crea una singola campagna con la sperimentazione dei contenuti abilitata. La configurazione dell’esperimento (varianti, allocazione del traffico, metrica di successo) è stata definita nella Fase 3. Attiva la campagna per avviare l’esperimento.
Per L'Opzione C (Decisioning):
Crea una campagna che incorpora il criterio di decisione configurato nella fase 3. L’azione di contenuto della campagna fa riferimento all’ambito della decisione, che attiva il motore Decisioning al limite. Attiva la campagna per iniziare la distribuzione dei contenuti basata su decisioni.
Documentazione di Experience League:
Fase 5: rapporto e analisi delle prestazioni
Funzione applicazione: AJO: Reporting e analisi delle prestazioni
Monitora le prestazioni di personalizzazione utilizzando i rapporti incorporati di AJO e, facoltativamente, estende l’analisi con CJA per ottenere informazioni più approfondite su più canali. Questa fase tratta argomenti quali l’accesso ai rapporti live e storici sulle campagne, la revisione dei risultati degli esperimenti e la creazione di aree di lavoro di analisi personalizzate.
Punti decisionali in questa fase:
Navigazione interfaccia utente: Journey Optimizer > Campagne > Seleziona campagna > Visualizza report
Dettagli configurazione chiave:
- Accedi al rapporto live durante le campagne attive per monitorare la consegna in tempo reale (si aggiorna ogni 60 secondi, mostra le ultime 24 ore).
- Accedi al rapporto cronologico (tutto il tempo) dopo il completamento della campagna per un’analisi completa (il completamento del popolamento potrebbe richiedere fino a 2 ore)
- Per l’opzione B (Sperimentazione): esaminare il rapporto dell’esperimento per il confronto delle prestazioni del trattamento, gli intervalli di affidabilità e la dichiarazione del vincitore
- Per l’analisi CJA: assicurati che una connessione CJA includa i set di dati dell’evento esperienza AJO e che una visualizzazione dati sia configurata con le metriche di personalizzazione web
Opzioni divergenti:
Per L'Opzione A (Basata Su Regole):
Rivedi i rapporti sulle campagne per ogni segmento di pubblico per confrontare le metriche di consegna e coinvolgimento tra le varianti di contenuto personalizzato. Utilizza CJA per creare un’area di lavoro di confronto che misuri l’impatto della conversione di contenuti personalizzati rispetto a quelli predefiniti.
Per L'Opzione B (Sperimentazione):
Esamina il rapporto dell’esperimento per verificare l’affidabilità statistica, l’incremento del trattamento e l’identificazione del vincitore. Attendi che venga raggiunta la soglia di affidabilità prima di dichiarare un vincitore. Applicare i contenuti vincenti come variante permanente (transizione all’opzione A per una distribuzione continua).
- Navigazione interfaccia utente: Campagna > Esperimento contenuti > Visualizza rapporto
- Experience League: Rapporto sull'esperimento sui contenuti
Per L'Opzione C (Decisioning):
Rivedi le metriche delle prestazioni di decisioning, inclusi i tassi di impression delle offerte, la frequenza di selezione e l’attribuzione di conversione per elemento di contenuto. Analizza le prestazioni delle strategie di classificazione e se il contenuto di fallback viene trasmesso troppo spesso (indicando che le regole di idoneità sono troppo restrittive).
Documentazione di Experience League:
Considerazioni sull’implementazione
Questa sezione descrive guardrail, insidie comuni, best practice e decisioni di compromesso per questo modello di casi d’uso.
Guardrail e limiti
Rivedi i seguenti guardrail prima e durante l’implementazione.
- I segmenti Edge sono limitati a semplici controlli degli attributi e appartenenza ai segmenti, ovvero nessuna query di serie temporali o aggregazione complessa. Idoneità alla segmentazione di Edge
- È possibile attivare un solo criterio di unione su Edge per sandbox: Guardrail di profilo
- Massimo 4.000 definizioni di segmenti per sandbox: Guardrail di segmentazione
- Massimo 500 campagne live attive per sandbox: guardrail Journey Optimizer
- Massimo 10 varianti di trattamento per esperimento di contenuti — Limiti per esperimento di contenuti
- Massimo 10.000 offerte personalizzate approvate per sandbox (opzione C) — Guardrail di gestione delle decisioni
- Massimo 30 posizionamenti per decisione (opzione C): guardrail Journey Optimizer
- I modelli di classificazione IA richiedono almeno 1.000 eventi di conversione per l’apprendimento (opzione C)
- Edge Network tempo di risposta SLA: < 200 ms per i segmenti valutati edge
- Scadenza profilo pseudonimo: configurabile da 14 a 365 giorni per profili solo ECID
- I rapporti live vengono aggiornati ogni 60 secondi e mostrano le ultime 24 ore di dati
- I rapporti cronologici possono richiedere fino a 2 ore per essere compilati completamente dopo il completamento della campagna
Insidie comuni
Evita i seguenti errori di implementazione comuni.
- Web SDKnon invia segnali comportamentali ad AEP: Verificare che lo stream di dati abbia il servizio Adobe Experience Platform abilitato e che il set di dati dell'evento sia mappato correttamente. In caso contrario, i profili edge non vengono popolati e la valutazione del pubblico non riesce in modo silenzioso: il visitatore riceve il contenuto predefinito senza alcuna indicazione di errore.
- Il pubblico di Edge che restituisce zero qualifiche: La segmentazione di Edge ha dei requisiti di idoneità rigidi. Le query di serie temporali, le funzioni di aggregazione e le query con più entità non sono idonee per Edge. Riscrivi l’espressione della regola di segmento utilizzando confronti di attributi semplici o controlli di appartenenza ai segmenti.
- Criterio di unione non attivo sul server Edge: Se il criterio di unione utilizzato dal segmento di pubblico non contiene
isActiveOnEdge: true, le ricerche dei profili Edge non riusciranno e la personalizzazione non verrà recapitata. Su Edge può essere attivo un solo criterio di unione per sandbox, verifica che non esista alcun conflitto. - Sfarfallio di Personalization al caricamento della pagina: La chiamata Web SDK
sendEventche recupera le proposte di personalizzazione deve essere eseguita prima che la pagina esegua il rendering dell'area del contenuto di destinazione. Implementa snippet per nascondere il contenuto o rendering asincrono per evitare che il contenuto predefinito lampeggi prima del caricamento del contenuto personalizzato. - Modifiche alla route SPA del contenuto non sottoposte a rendering: Le applicazioni a pagina singola richiedono
sendEventchiamate esplicite con informazioni di visualizzazione aggiornate quando la route cambia. In caso contrario, Edge Network non rivaluta la personalizzazione per la nuova visualizzazione. - Esperimento che non raggiunge la significatività statistica: Volume di traffico insufficiente o troppe varianti di trattamento diluiscono la dimensione del campione per variante. Riduci il numero di varianti o aumenta la durata dell’esperimento. Non interrompere gli esperimenti prematuramente — i risultati possono essere fuorvianti.
- Decisioning restituisce solo contenuto di fallback: Verifica che gli elementi di contenuto personalizzato siano approvati, entro il loro intervallo di date di validità e che le regole di idoneità corrispondano agli attributi di profilo edge del visitatore anonimo. Verificare inoltre che i limiti di limitazione non siano stati raggiunti.
Best practice
Segui queste raccomandazioni per un’implementazione corretta.
- Inizia semplice, quindi ripeti: Inizia con l'opzione A (basata su regole) per la personalizzazione iniziale, quindi utilizza l'opzione B (sperimentazione) per convalidare le ipotesi e l'opzione C (decisioning) per i casi d'uso avanzati. Ogni opzione si basa sull’infrastruttura fondamentale.
- Utilizza il pre-hiding per prevenire lo sfarfallio: implementa il frammento pre-hiding di AEP nelle pagine in cui verrà distribuita la personalizzazione. In questo modo l’area del contenuto di destinazione viene nascosta fino a quando il contenuto personalizzato non è pronto per il rendering, impedendo la visualizzazione momentanea di altri contenuti.
- Progetta deliberatamente il contenuto di fallback: Il contenuto predefinito (non personalizzato) deve essere un'esperienza di alta qualità. I visitatori che non si qualificano per la personalizzazione, o quando la risposta Edge Network viene ritardata, non devono ricevere un'esperienza degradata.
- Convalidare l'idoneità Edge prima di creare i tipi di pubblico: Prima di investire nello sviluppo di regole del pubblico, verificare che l'espressione della regola del segmento sia idonea per Edge esaminando i criteri di idoneità in Experience League. Le espressioni non idonee torneranno automaticamente alla valutazione in batch o in streaming con latenza non accettabile per questo modello.
- Monitoraggio delle prestazioni di recapito Edge: Configurazione degli avvisi di monitoraggio per Edge Network tempi di risposta e errori di recapito della personalizzazione. I problemi di consegna in Edge sono invisibili al visitatore (visualizzano il contenuto predefinito) e possono non essere rilevati senza un monitoraggio proattivo.
- Configura scadenza profilo pseudonimo: Imposta i periodi di scadenza appropriati per i profili edge anonimi in modo da bilanciare la personalizzazione tra sessioni diverse (riconoscimento dei visitatori di ritorno) con la conformità in materia di privacy e la gestione dell'archiviazione.
- Test con profili rappresentativi: Quando visualizzi l'anteprima di contenuti personalizzati, utilizza profili di test che rappresentano gli scenari effettivi di visitatori anonimi (nessun dato CRM, cronologia comportamentale limitata, varie posizioni geografiche e dispositivi).
Decisioni di compromesso
Quando pianifichi l’implementazione, considera i seguenti compromessi.
- Ampia personalizzazione favorisce: semplicità, tempi di commercializzazione più rapidi, costi di produzione inferiori dei contenuti. Un numero limitato di tipi di pubblico e varianti copre la maggior parte dei visitatori con una personalizzazione significativa.
- La personalizzazione granulare favorisce: Massima rilevanza, incremento del coinvolgimento maggiore, tassi di conversione migliori. Molti tipi di pubblico e varianti trattano segnali comportamentali specifici con contenuti personalizzati.
- Consiglio: inizia con 3-5 regole di personalizzazione ad alto impatto indirizzate ai segmenti di visitatori più comuni (ad esempio origine di riferimento, tipo di dispositivo, area geografica). Misura l’impatto, quindi espandi fino a regole più granulari in base alle prestazioni osservate e al valore aziendale.
- Preferenze basate su regole: Predittività, verificabilità, controllo aziendale. I team di marketing sanno esattamente quale contenuto riceve ogni segmento e possono spiegare la logica alle parti interessate.
- Preferenze basate sull'intelligenza artificiale: Ottimizzazione delle prestazioni, scalabilità, miglioramento continuo. Il modello di intelligenza artificiale rileva le affinità contenuto-visitatore che la scrittura di regole umane potrebbe perdere.
- Consiglio: utilizza le decisioni basate su regole per i contenuti ad alto rischio in cui la coerenza del brand e la trasparenza delle parti interessate sono di importanza fondamentale. Utilizza la classificazione basata sull’intelligenza artificiale per i cataloghi di contenuti di grandi dimensioni in cui la gestione manuale delle regole diventa ingombrante e l’ottimizzazione continua offre un incremento misurabile.
- Scadenza più lunga favorisce: profili anonimi più ricchi, un migliore riconoscimento dei visitatori di ritorno, più dati per le decisioni di personalizzazione. Imposta scadenza su 90-365 giorni.
- Scadenza più breve a favore: Conformità in materia di privacy (RGPD, CCPA), riduzione dei costi di archiviazione, riduzione del rischio di dati di profilo non aggiornati. Imposta la scadenza su 14-30 giorni.
- Consiglio: Allinea la scadenza ai criteri di consenso dei cookie e ai requisiti di privacy della tua organizzazione. Per la maggior parte delle implementazioni, 30-90 giorni forniscono un ragionevole equilibrio tra il valore della personalizzazione e la conformità alla privacy.
Documentazione correlata
Le seguenti risorse di Experience League forniscono ulteriori dettagli sulle funzionalità utilizzate in questo modello di caso d’uso.
Canale web ed esperienze basate su codice
Tipi di pubblico e segmentazione
Personalization e contenuto
Sperimentazione dei contenuti
Gestione delle decisioni
Campagne
Web SDKe raccolta dati
Identità e profilo
Modellazione dati
Reporting e analisi
Governance dei dati e privacy
Guardrail