Raccomandazioni comportamentali
Questa guida illustra come implementare i consigli sui contenuti e i prodotti comportamentali utilizzando Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) e Adobe Experience Platform (AEP). È progettato per architetti di soluzioni, tecnici di marketing e ingegneri dell’implementazione che devono fornire esperienze di consigli personalizzate su canali web, app mobili ed e-mail.
Presenta tutte le opzioni di implementazione valide, considerazioni sulle decisioni in ogni fase e collegamenti alla documentazione di Adobe Experience League. La funzione Consigli comportamentali genera consigli a livello di elemento o di contenuto utilizzando segnali comportamentali (visualizzazioni di prodotto, acquisti, interazioni di contenuto, query di ricerca) combinati con strategie di selezione e modelli di classificazione di AJO Decisioning. A differenza di offer decisioning, che seleziona da un set curato di offerte di marketing utilizzando regole di idoneità esplicite, questo modello opera su cataloghi di articoli di grandi dimensioni (prodotti, articoli, video) e utilizza segnali di affinità comportamentale e classificazione basata su apprendimento automatico per far emergere gli elementi più rilevanti per ogni visitatore.
Panoramica del caso d’uso
Le organizzazioni con cataloghi di prodotti, librerie di contenuti o librerie multimediali devono rendere visibili a ogni visitatore gli elementi più rilevanti in base alla cronologia comportamentale e all’attività durante la sessione. Che si tratti di un carosello "consigliato per te" su una pagina home, di un widget di cross-selling su una pagina di dettagli del prodotto o di consigli di prodotto incorporati in una campagna e-mail, la sfida di fondo è la stessa: abbinare il profilo comportamentale di ogni visitatore agli elementi più rilevanti di un catalogo, quindi fornire tali consigli nel canale giusto al momento giusto.
Questo modello affronta tale sfida acquisendo segnali comportamentali in tempo reale tramite Web SDK o Mobile SDK, elaborandoli tramite strategie di selezione di AJO Decisioning che combinano gli attributi degli elementi con il contesto comportamentale e distribuendo gli elementi consigliati tramite canali web, in-app o e-mail. I modelli di classificazione possono essere basati su formule (ad esempio, in base al punteggio di affinità tra categorie) o classificati in base all’intelligenza artificiale (ad esempio, modello di consigli personalizzato). Il modello gestisce anche scenari di avvio a freddo per nuovi visitatori senza cronologia comportamentale configurando consigli di fallback.
Il pubblico di destinazione di questo modello include i team di merchandising di e-commerce, i team di personalizzazione dei contenuti e i team di esperienza digitale che desiderano migliorare il coinvolgimento, la conversione e il valore medio dell’ordine attraverso consigli personalizzati basati sul comportamento effettivo degli utenti.
Obiettivi aziendali chiave
I seguenti obiettivi di business sono supportati da questo modello di casi d’uso.
Incrementa le vendite incrociate e incrementa i ricavi
Promuovere prodotti o servizi complementari e di alta qualità ai clienti esistenti in base al comportamento e alla cronologia degli acquisti.
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.
Distribuisci esperienze cliente personalizzate
Personalizza contenuti, offerte e messaggi in base a preferenze, comportamenti e fasi del ciclo di vita individuali.
Esempi di casi d’uso tattici
Di seguito sono riportate le implementazioni tattiche comuni di questo modello:
- Widget di cross-selling del prodotto sulla pagina dei dettagli del prodotto ("anche i clienti hanno acquistato")
- Carosello "Consigliato per te" sulla home page in base alla cronologia dei browser
- Consigli sui contenuti sul sito multimediale in base al comportamento di lettura
- Widget "Visualizzato di recente" combinato con elementi simili
- Consigli sui prodotti complementari post-acquisto
- Invia raccomandazioni di prodotti e-mail in base all’affinità comportamentale
- Raccomandazioni specifiche per categoria in base al comportamento di navigazione nella sessione
- Nuova classificazione dei risultati di ricerca in base ai segnali comportamentali
Indicatori chiave di prestazioni
I KPI seguenti aiutano a misurare l’efficacia delle implementazioni di consigli comportamentali.
Schema del caso d’uso
Consigli comportamentali
Genera consigli a livello di elemento o di contenuto in base ai segnali comportamentali, utilizzando le strategie di selezione di AJO Decisioning e i modelli di classificazione per distribuire i contenuti contestuali.
Catena di funzioni: acquisizione segnale comportamentale > Valutazione strategia di decisione > Consegna consigli > Reporting
Consulta la sezione Composizione pattern in Considerazioni sull’implementazione per indicazioni sulla combinazione dei pattern.
Applicazioni
In questo modello di caso d’uso vengono utilizzate le seguenti applicazioni.
- Adobe Journey Optimizer (AJO) Decisioning — Strategie di selezione, modelli di classificazione, cataloghi di elementi e criteri decisionali che valutano i segnali comportamentali e restituiscono gli elementi più rilevanti per ogni visitatore
- Adobe Real-Time Customer Data Platform (RT-CDP) — Accumulo dei dati del profilo comportamentale, valutazione del pubblico per l'ambito dei consigli e attributi calcolati per il punteggio di affinità comportamentale
- Adobe Experience Platform (AEP) — Acquisizione di eventi comportamentali tramite Web SDK e Mobile SDK, elaborazione di Edge Network, gestione dello schema XDM per i dati evento e catalogo
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.
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:
- AJO Decisioning viene fornito e abilitato nella sandbox di destinazione
- Web SDK o Mobile SDK è distribuito e sta raccogliendo eventi comportamentali con identificatori di prodotto/contenuto
- I dati del catalogo di prodotti o contenuti sono disponibili per l’acquisizione (nome del prodotto, categoria, prezzo, URL immagine, disponibilità)
- Gli schemi di eventi comportamentali includono identificatori di articolo/prodotto collegati agli elementi del catalogo
- Lo stream di dati è configurato con il servizio Adobe Journey Optimizer abilitato (necessario per le decisioni di Edge)
- Il criterio di unione con
isActiveOnEdge: trueè configurato (obbligatorio per i consigli Web/app in tempo reale) - Per i consigli sulle e-mail (opzione C): la superficie del canale e-mail è configurata e convalidata
- Per i consigli sulle e-mail (opzione C): il pubblico target è definito e in fase di valutazione
Opzioni di implementazione
Le opzioni seguenti descrivono diversi approcci per l’implementazione delle raccomandazioni comportamentali. Scegli l’opzione che meglio si adatta ai requisiti dei canali e ai vincoli tecnici.
Opzione A: consigli web in tempo reale
Consigliato per: Consigli per prodotti e contenuti su pagine Web: widget per la cross-selling di pagine di dettagli prodotto, caroselli di consigli per home page, inserzioni personalizzate di pagine categorie e personalizzazione dei risultati di ricerca.
Funzionamento:
I segnali comportamentali vengono raccolti in tempo reale tramite Web SDK mentre i visitatori navigano sul sito. Ogni visualizzazione di pagina, interazione del prodotto o query di ricerca viene trasmessa in streaming ad AEP e associata al profilo del visitatore (tramite ECID per i visitatori anonimi o identità autenticata per i visitatori noti). Quando viene caricata una pagina contenente una superficie di consigli, Web SDK richiede una valutazione del decisioning da AJO tramite Edge Network. Il motore delle decisioni valuta il profilo comportamentale del visitatore in base alla strategia di selezione, applica la logica di classificazione, esclude gli articoli non idonei (già acquistati, esauriti) e restituisce gli articoli consigliati.
I consigli vengono sottoposti a rendering sulla pagina tramite esperienze basate su codice o superfici di canali web. Il rendering può essere un carosello, una griglia, un widget a elemento singolo o qualsiasi layout personalizzato definito nel modello di consigli. Gli eventi di impression e clic vengono tracciati automaticamente in AEP per la generazione di rapporti sulle prestazioni.
Considerazioni chiave:
- Edge Decisioning richiede che il criterio di unione sia attivo su Edge
- La latenza dei consigli dipende dal tempo di risposta Edge Network (SLA inferiore a 500 ms per richieste con ambito singolo)
- I visitatori anonimi ricevono consigli in base al comportamento durante la sessione; i visitatori noti beneficiano della cronologia comportamentale tra sessioni diverse
- I visitatori con avvio a freddo senza cronologia comportamentale ricevono consigli di fallback
Vantaggi:
- Personalizzazione in tempo reale basata sul comportamento durante la sessione
- Consegna dei consigli al secondo secondario tramite Edge Network
- Funziona sia per i visitatori anonimi che per quelli noti
- Impression e tracciamento dei clic automatici
- Non è necessario ricaricare la pagina per aggiornare i consigli
Limitazioni:
- L’archivio profili di Edge contiene un sottoinsieme di attributi di profilo completi
- Modelli di classificazione complessi con molti attributi di profilo possono richiedere una valutazione lato hub
- Richiede l'implementazione di Web SDK con il tracciamento degli eventi comportamentali
Experience League:
Opzione B: consigli per le app mobili
Consigliato per: consigli di prodotti in-app, feed di contenuti personalizzati, consigli basati su notifiche ed esperienze di e-commerce mobile.
Funzionamento:
I segnali comportamentali vengono raccolti tramite Mobile SDK mentre gli utenti interagiscono con l'app. Le visualizzazioni dei prodotti, le interazioni con i contenuti, le ricerche e gli acquisti vengono inviati in streaming ad AEP. Quando viene caricata una schermata contenente una superficie di consigli, Mobile SDK richiede una valutazione del decisioning. I consigli vengono trasmessi tramite messaggi in-app, schede di contenuto o esperienze basate su codice all’interno dell’app mobile.
Le schede di contenuto sono particolarmente indicate per i casi di utilizzo consigliati nelle app mobili, in quanto persistono in un’esperienza simile ai feed, che gli utenti possono consultare quando lo desiderano. I messaggi in-app possono essere utilizzati per consigli contestuali attivati da comportamenti specifici (ad esempio, mostrare prodotti complementari dopo aver aggiunto un elemento al carrello).
Considerazioni chiave:
- Mobile SDK deve essere configurato con il tracciamento degli eventi comportamentali per le interazioni rilevanti
- Le schede di contenuto forniscono una superficie di consigli persistente; i messaggi in-app sono temporanei
- Il tracciamento del comportamento offline richiede la gestione delle code SDK per l’invio differito degli eventi
- I cicli di aggiornamento dell’app store determinano la rapidità con cui è possibile distribuire le modifiche al rendering dei consigli
Vantaggi:
- Esperienza mobile nativa con rendering dei consigli fluido e integrato nell’app
- Le schede di contenuto forniscono un feed di consigli persistente e navigabile
- I messaggi in-app consentono consigli contestuali attivati dal comportamento
- Sfrutta i segnali a livello di dispositivo (posizione, pattern di utilizzo dell’app) per aumentarne la rilevanza
Limitazioni:
- Richiede l'integrazione di Mobile SDK e risorse di sviluppo app
- Le modifiche del rendering richiedono aggiornamenti dell’app (a meno che non si utilizzino esperienze basate su codice con layout basati su server)
- I periodi offline creano lacune nella raccolta dei segnali comportamentali
Experience League:
Opzione C: consigli comportamentali per le e-mail
Consigliato per: Consigli di prodotto nelle campagne e-mail: e-mail di navigazione abbandonate con consigli di prodotto visualizzati, e-mail di cross-selling post-acquisto, digest periodici di "selezioni per te" e e-mail di ricoinvolgimento con suggerimenti di prodotto personalizzati.
Funzionamento:
I dati del profilo comportamentale accumulati dalle sessioni precedenti informano la selezione dei consigli al momento dell’invio dell’e-mail o del rendering. Viene definito un pubblico per il targeting dei destinatari appropriati (ad esempio, visitatori che hanno navigato ma non hanno acquistato, clienti che hanno effettuato un acquisto recente). Una campagna o un percorso è configurato per inviare un messaggio e-mail che include posizionamenti di consigli. Al momento dell’invio, AJO Decisioning valuta il profilo comportamentale di ciascun destinatario in base alla strategia di selezione e inserisce gli elementi consigliati nel contenuto dell’e-mail.
Questa opzione si basa sulla cronologia comportamentale accumulata anziché sui segnali in-session. Gli attributi calcolati (punteggi di affinità tra categorie, visualizzazioni recenti dei prodotti, frequenza di acquisto) migliorano in modo significativo la qualità dei consigli per le e-mail perché distillano la cronologia comportamentale in segnali a livello di profilo che la strategia di selezione può valutare in modo efficiente.
Considerazioni chiave:
- I consigli e-mail vengono valutati al momento dell’invio, non in fase di apertura: lo stato del profilo comportamentale al momento dell’invio determina i consigli
- Gli attributi calcolati sono fortemente consigliati per migliorare la qualità della classificazione
- Le limitazioni del rendering di e-mail (nessun JavaScript, CSS limitato) limitano i formati di visualizzazione dei consigli
- Richiede una superficie di canale e-mail configurata e convalidata
Vantaggi:
- Sfrutta la cronologia comportamentale completa tra le sessioni per una personalizzazione più approfondita
- Si integra con i flussi di lavoro esistenti di campagne e percorsi
- Valido per gli scenari di ricoinvolgimento e riconquista in cui i punti di contatto web/app non sono disponibili
- Può includere più posizionamenti di consigli in un’unica e-mail
Limitazioni:
- I consigli sono statici al momento dell’invio e non vengono aggiornati all’apertura dell’e-mail
- I vincoli di rendering di e-mail limitano i formati di visualizzazione dei consigli
- Richiede valutazione del pubblico e infrastruttura di orchestrazione di campagne/percorsi
- Maggiore complessità di implementazione a causa di dipendenze aggiuntive (configurazione del canale, definizione del pubblico, esecuzione della campagna)
Experience League:
Confronto delle opzioni
La tabella seguente riepiloga le differenze principali tra le opzioni di implementazione.
Scegli l’opzione giusta
Utilizza le seguenti indicazioni per selezionare l’opzione migliore per la tua situazione:
- Inizia con l'opzione A se il tuo obiettivo principale sono i consigli sui prodotti in tempo reale sul tuo sito Web. Si tratta del punto di partenza più comune e fornisce valore immediato con la minore complessità di implementazione.
- Scegli l'opzione B se la tua app mobile è un canale di coinvolgimento primario e i consigli in-app genererebbero un incremento significativo della conversione. L'opzione B può essere eseguita in parallelo con l'opzione A utilizzando le stesse strategie di selezione e gli stessi cataloghi di articoli.
- Aggiungi l'opzione C quando desideri estendere i consigli comportamentali nelle campagne e-mail. Questo viene generalmente sovrapposto all’opzione A o B, utilizzando gli stessi cataloghi di elementi e le stesse strategie di selezione, ma con modelli di rendering specifici per e-mail e targeting basato sul pubblico.
- Combina le opzioni A + C per un pattern comune: consigli Web in tempo reale per i visitatori attivi, più consigli per e-mail abbandonate durante la navigazione o dopo l'acquisto per i visitatori che se ne vanno senza convertirsi.
Fasi di implementazione
Le seguenti fasi ti guidano attraverso l’implementazione end-to-end delle raccomandazioni comportamentali.
Fase 1: configurare lo schema di eventi comportamentali e la raccolta dati
Funzione applicazione: AEP: Modellazione e preparazione dati (F2), AEP: Origini dati e raccolta (F3)
Questa fase stabilisce gli schemi XDM, i set di dati e i meccanismi di raccolta dei dati che acquisiscono segnali comportamentali e dati del catalogo degli elementi. Questa base dati è ciò da cui dipende tutta la logica dei consigli.
Decisione: progettazione schema evento comportamentale
Quali segnali comportamentali dovrebbero guidare i consigli?
Decisione: metodo di acquisizione catalogo articoli
Come verrà acquisito il catalogo di prodotti o contenuti in AEP?
Navigazione interfaccia utente: Gestione dati > Schemi > Crea schema; Raccolta dati > Flussi di dati > Nuovo flusso di dati
Dettagli configurazione chiave:
- Lo schema Evento esperienza deve includere identificatori di prodotto/elemento (SKU, ID prodotto, ID contenuto) nel payload dell’evento
- Lo schema del catalogo articoli deve includere gli attributi utilizzati per filtrare e classificare: categoria, prezzo, URL immagine, stato disponibilità, tag
- Il servizio Adobe Journey Optimizer dello stream di dati deve essere abilitato per le decisioni di Edge
- Le chiamate Web SDK
sendEventdevono includere dati di interazione prodotto mappati ai campi di e-commerce XDM
Documentazione di Experience League:
Fase 2: configurare identità e profilo
Funzione applicazione: AEP: configurazione identità e profilo (F4)
Questa fase imposta gli spazi dei nomi delle identità, le designazioni delle identità primarie e i criteri di unione che garantiscono che i segnali comportamentali siano correttamente associati ai profili dei visitatori e disponibili per la distribuzione di consigli in tempo reale.
Decisione: criterio di unione per Edge Decisioning
Il caso di utilizzo della funzione Consigli richiede una valutazione Edge in tempo reale?
Decisione: identità visitatore anonimo vs. identità visitatore nota
Come devono essere gestiti i segnali comportamentali provenienti da visitatori anonimi?
Navigazione interfaccia utente: Identità > Spazi dei nomi identità; Profili > Criteri di unione
Dettagli configurazione chiave:
- Lo spazio dei nomi ECID è preconfigurato e utilizzato automaticamente da Web SDK e Mobile SDK
- È necessario creare spazi dei nomi di identità personalizzati (ID CRM, ID fedeltà) per l’identità autenticata
- L’identità primaria nello schema Experience Event deve essere ECID per eventi comportamentali web/mobili
- I criteri di unione devono utilizzare Private Device Graph per l’unione delle identità tra dispositivi diversi
Documentazione di Experience League:
Fase 3: Impostare il catalogo articoli e la strategia di selezione
Funzione applicazione: AJO: Decisioning
Questa fase configura il catalogo degli elementi (elementi decisionali), le strategie di selezione che combinano segnali comportamentali con attributi degli elementi per la classificazione, regole di filtro per escludere gli elementi non idonei e consigli di fallback per i profili con avvio a freddo.
Decisione: ambito catalogo articoli
Quali articoli sono disponibili per i consigli?
Decisione: approccio di classificazione
Come devono essere classificati gli articoli idonei per determinare i consigli migliori?
Decisione: regole di filtro
Quali elementi devono essere esclusi dai consigli?
Decisione: strategia di avviamento a freddo
Cosa deve essere mostrato per i nuovi visitatori senza cronologia comportamentale?
Navigazione interfaccia utente: Journey Optimizer > Componenti > Gestione decisioni > Decisioni; Journey Optimizer > Componenti > Gestione decisioni > Offerte; Journey Optimizer > Componenti > Gestione decisioni > Posizionamenti
Dettagli configurazione chiave:
- Crea elementi decisionali che rappresentano ciascun prodotto o contenuto del catalogo, con attributi (categoria, prezzo, URL immagine, tag)
- Definire strategie di selezione che combinano il filtro del catalogo degli articoli con la logica di classificazione comportamentale
- Configurare modelli di classificazione: le espressioni basate su formule possono fare riferimento agli attributi di profilo (ad esempio, punteggi di affinità tra categorie di attributi calcolati)
- Creare offerte/elementi di fallback che fungono da consigli predefiniti per i profili con avviamento a freddo
- Organizzare gli elementi in raccolte utilizzando i qualificatori di raccolta (tag) per il raggruppamento logico
- Imposta le regole di filtro nelle strategie di selezione per applicare le regole business (escludi solo articoli acquistati e in magazzino)
Documentazione di Experience League:
Fase 4: configurare canale e superficie
Funzione applicazione: AJO: Configurazione canale
Questa fase configura le superfici di consegna in cui verrà eseguito il rendering dei consigli. La configurazione varia in modo significativo in base all’opzione di implementazione.
Decisione: tipo di superficie di consegna
Dove verranno visualizzati i consigli?
Opzioni divergenti:
Per L'Opzione A (Consigli Web In Tempo Reale):
Configura una superficie di esperienza basata su codice o una superficie di canale web. Le esperienze basate su codice offrono la massima flessibilità per il rendering personalizzato dei consigli (caroselli, griglie, schede articolo). L’URI della superficie identifica la posizione in cui vengono visualizzati i consigli nella pagina.
Per L'Opzione B (Consigli Per App Mobile):
Configurare le superfici dei messaggi o delle schede di contenuto in-app. Le schede di contenuto sono consigliate per i feed di consigli persistenti. I messaggi in-app funzionano bene per i consigli contestuali attivati dal comportamento.
Per L'Opzione C (Email Behavioral Recommendations):
Configura una superficie di canale e-mail con delega del sottodominio, assegnazione del pool IP e impostazioni del mittente. Assicurati che la superficie sia convalidata per il recapito.
Navigazione interfaccia utente: Amministrazione > Canali > Superfici di canale > Crea superficie
Documentazione di Experience League:
Fase 5: Configurare il contenuto e la consegna
Funzione applicazione: AJO: authoring dei messaggi
Questa fase definisce i modelli di rendering dei consigli che controllano la modalità di visualizzazione degli elementi consigliati al visitatore. Ciò include la progettazione del layout dell’articolo, espressioni di personalizzazione che richiamano gli attributi dell’articolo (nome, immagine, prezzo, collegamento) e la progettazione complessiva dell’esperienza di consigli.
Decisione: formato di visualizzazione dei consigli
Come devono essere renderizzati gli articoli consigliati?
Decisione: numero di consigli da visualizzare
Quanti elementi deve restituire la decisione per posizionamento?
Opzioni divergenti:
Per L'Opzione A (Consigli Web In Tempo Reale):
Progetta il rendering dei consigli utilizzando modelli di esperienza basati su codice. Utilizza HTML/CSS/JavaScript per creare il layout carosello, griglia o widget. Le espressioni Personalization fanno riferimento agli attributi di risposta della decisione (nome articolo, URL immagine, prezzo, URL prodotto). Il rilevamento delle impression e dei clic viene gestito automaticamente da Web SDK.
Per L'Opzione B (Consigli Per App Mobile):
Configura i modelli per schede di contenuto o messaggi in-app con la logica di visualizzazione degli elementi. Utilizza strutture di contenuto basate su JSON riprodotte dall’app mobile in modalità nativa. Includi collegamenti profondi per ogni elemento consigliato.
Per L'Opzione C (Email Behavioral Recommendations):
Progetta i contenuti delle e-mail utilizzando E-mail Designer. Inserisci posizionamenti di consigli utilizzando blocchi di contenuto basati sulle decisioni. Configura espressioni di personalizzazione per gli attributi di elemento nel modello e-mail. La personalizzazione della riga dell’oggetto può fare riferimento ai principali elementi consigliati.
Navigazione interfaccia utente: Gestione contenuto > Modelli di contenuto; Campagna/Percorso > Modifica contenuto > E-mail Designer
Dettagli configurazione chiave:
- Ogni posizionamento di consigli deve fare riferimento alla decisione creata nella Fase 3
- Le espressioni Personalization utilizzano la sintassi Handlebars per eseguire il rendering degli attributi degli elementi
- Per il web: configura l’esperienza basata su codice per chiamare la decisione ed eseguire il rendering della risposta
- Per e-mail: incorpora la decisione nell’azione e-mail nella campagna o nel percorso
- Visualizzare in anteprima i consigli utilizzando profili di test con cronologia comportamentale nota
Documentazione di Experience League:
Fase 6: configurare l’ambito del pubblico e la campagna/il percorso (solo opzione C)
Funzione applicazione: RT-CDP: Audience Evaluation, AJO: Campaign Execution o Journey Orchestration
Per i consigli basati su e-mail (opzione C), questa fase definisce il pubblico target e configura la campagna o il percorso che distribuisce l’e-mail di consigli. Le opzioni A e B saltano questa fase perché i consigli vengono consegnati in tempo reale al caricamento della pagina o dello schermo.
Decisione: metodo di valutazione del pubblico
Come deve essere valutato il pubblico di destinazione delle e-mail di consigli?
Decisione: meccanismo di consegna
L’e-mail deve essere consegnata tramite una campagna o un percorso?
Navigazione interfaccia utente: Cliente > Tipi di pubblico > Crea pubblico > Genera regola; Campagne > Crea campagna; Percorsi > Crea percorso
Dettagli configurazione chiave:
- Definisci il pubblico di destinazione utilizzando le espressioni della regola del segmento che fanno riferimento alla cronologia dei comportamenti (ad esempio, "prodotti visualizzati negli ultimi 7 giorni ma non acquistati")
- Configurare la campagna o il percorso con l’azione e-mail che fa riferimento alla superficie di canale della fase 4
- Incorporare la decisione della Fase 3 nel contenuto dell’e-mail
- Imposta le regole di pianificazione e frequenza per evitare messaggi eccessivi
Documentazione di Experience League:
Fase 7: configurare reporting e ottimizzazione
Funzione applicazione: AJO: Reporting & Performance Analysis, S5: Reporting & Analysis
Questa fase stabilisce il monitoraggio delle prestazioni per le metriche di click-through, conversione e ricavi per i consigli. Crea l’infrastruttura di reporting per misurare l’efficacia dei consigli e identificare le opportunità di ottimizzazione.
Decisione: profondità di reporting
Quale livello di analisi dei rapporti è necessario?
Navigazione interfaccia utente: Campagne > Seleziona campagna > Report tempo totale; Percorsi > Seleziona percorso > Report tempo totale; Customer Journey Analytics > Progetti > Crea nuovo progetto
Dettagli configurazione chiave:
- Rivedi i rapporti sulle campagne e sul percorso AJO per le metriche di consegna e coinvolgimento
- Per l'integrazione con Customer Journey Analytics, crea una connessione che includa i set di dati dell'evento esperienza di AJO (feedback messaggi, tracciamento e-mail, decisioni)
- Crea una visualizzazione dati Customer Journey Analytics con dimensioni specifiche per i consigli (nome elemento, categoria elemento, superficie consiglio) e metriche (impression, clic, conversioni, ricavi)
- Creare metriche calcolate per CTR consigli, tasso di conversione e ricavi per impression
- Crea Customer Journey Analytics pannelli dell'area di lavoro confrontando le prestazioni dei consigli tra superfici, segmenti e periodi di tempo
Documentazione di Experience League:
Considerazioni sull’implementazione
Rivedi i seguenti guardrail, insidie, best practice e compromessi prima e durante l’implementazione.
Guardrail e limiti
- Massimo 10.000 offerte personalizzate approvate (elementi di decisione) per sandbox — Guardrail di gestione delle decisioni
- Massimo 30 posizionamenti per decisione
- Massimo 30 ambiti di raccolta per richiesta di decisione
- Tempi di risposta per la consegna delle offerte SLA: meno di 500 ms a P95 per richieste Edge a ambito singolo
- I modelli di classificazione IA richiedono almeno 1.000 eventi di conversione per la formazione
- I contatori di limite delle offerte possono presentare un ritardo di alcuni secondi in scenari ad alto throughput
- Le decisioni di Edge sono limitate agli attributi di profilo disponibili nell’archivio profili edge
- In Edge può essere attivo un solo criterio di unione per sandbox — Guardrail di profilo
- Massimo 25 attributi calcolati attivi per sandbox: Guardrail attributi calcolati
- Massimo 4.000 definizioni di segmenti per sandbox: Guardrail di segmentazione
- Acquisizione in streaming: massimo 20.000 record al secondo per connessione HTTP — Guardrail di acquisizione
Insidie comuni
- La decisione restituisce solo elementi di fallback: verifica che gli elementi di decisione personalizzati siano approvati, entro il loro intervallo di date di validità, e che le regole di idoneità corrispondano agli attributi di profilo del visitatore. Verificare che i limiti di limitazione non siano stati raggiunti.
- La consegna di Edge restituisce una personalizzazione vuota: Verificare che lo stream di dati sia configurato con il servizio Adobe Journey Optimizer abilitato e che l'ambito della decisione sia formattato correttamente nella richiesta Web SDK.
- Formula di classificazione non applicata: Verificare che la formula sia sintatticamente valida e faccia riferimento ad attributi di profilo accessibili. Gli errori di formula tornano automaticamente alla classificazione basata sulla priorità.
- Consigli non aggiornati: se i dati dell'evento comportamentale non scorrono in tempo reale, i consigli saranno basati su profili comportamentali obsoleti. Verificare che Web SDK o Mobile SDK stia eseguendo lo streaming attivo degli eventi.
- Il tasso di fallback a freddo è troppo alto: Se un'ampia percentuale di visitatori riceve consigli di fallback, è consigliabile arricchire la strategia di avvio a freddo con segnali contestuali (categoria di pagina corrente, origine di riferimento) anziché affidarsi esclusivamente alla cronologia comportamentale.
- Recommendations non esegue il rendering sulla pagina: Verifica che l'URI della superficie di esperienza basato su codice corrisponda al pattern dell'URL della pagina e che Web SDK richieda correttamente ed esegua il rendering della risposta di decisione.
- Elementi del catalogo mancanti nei consigli: Assicurarsi che tutti gli elementi del catalogo siano stati acquisiti come elementi decisionali, taggati con i qualificatori di raccolta corretti e inclusi nelle raccolte appropriate a cui fa riferimento la strategia di selezione.
Best practice
- Inizia con un modello di classificazione basato su formule utilizzando attributi calcolati (affinità tra categorie, recency di interazione) prima di investire in modelli con classificazione basata su IA. I modelli basati su formule sono trasparenti, verificabili e forniscono una base solida per il confronto.
- Implementa il tracciamento delle impression e dei clic dal primo giorno. Senza i dati di interazione, i modelli di classificazione di IA non possono essere addestrati e non è possibile misurare l’efficacia dei consigli.
- Crea strategie di selezione separate per diverse superfici di consigli (homepage, PDP, e-mail) anziché riutilizzare una singola strategia ovunque. Superfici diverse rispondono alle esigenze degli utenti.
- Utilizza attributi calcolati per distillare la cronologia comportamentale in segnali di classificazione. I dati dell’evento non elaborati sono troppo granulari per una classificazione efficace basata su formule; segnali aggregati come "punteggio di affinità tra categorie" e "giorni dall’ultimo acquisto" sono più efficaci.
- Testa i consigli di fallback separatamente dai consigli personalizzati. Assicurati che gli elementi di fallback siano valori predefiniti di alta qualità e appropriati per il brand che forniscano una buona esperienza ai nuovi visitatori.
- Monitora il tasso di fallback a freddo come metrica di integrità chiave. Un tasso di fallback decrescente nel tempo indica una crescente copertura comportamentale.
- Per i consigli e-mail, la pianificazione invia negli orari in cui il profilo comportamentale è più completo (ad esempio, dopo le ore di picco di navigazione, non durante le attività).
Decisioni di compromesso
I seguenti compromessi devono essere valutati in base alle tue esigenze specifiche.
Segnali in tempo reale e cronologia accumulata
I segnali comportamentali durante la sessione forniscono rilevanza immediata ma profondità limitata. L’anamnesi comportamentale accumulata fornisce profondità, ma può essere obsoleta. L’equilibrio tra queste fonti incide sulla qualità dei consigli.
- L'opzione A favorisce: Segnali in tempo reale per rilevanza immediata, integrati dalla cronologia accumulata per i visitatori noti
- L'opzione C favorisce: Cronologia accumulata esclusivamente, poiché le e-mail vengono inviate in modo asincrono
- Consiglio: per web e dispositivi mobili (opzioni A e B), combina i segnali in-session con attributi calcolati derivati dal comportamento storico. Per l’e-mail (opzione C), investi massicciamente in attributi calcolati che riassumono la cronologia comportamentale in segnali a livello di profilo utilizzabili.
Modelli basati su formule e modelli basati su IA
La classificazione basata su formule è trasparente e immediata. I modelli con classificazione AI si adattano automaticamente, ma richiedono dati di formazione e offrono meno visibilità nelle decisioni di classificazione.
- Preferenze basate su formule: Trasparenza, verificabilità, distribuzione immediata e controllo aziendale dettagliato sulla logica di classificazione
- Preferenze basate sull'intelligenza artificiale: ottimizzazione automatizzata, individuazione di pattern non evidenti e riduzione dello sforzo di ottimizzazione manuale
- Consiglio: inizia con una classificazione basata su formule per stabilire una linea di base delle prestazioni e accumulare i dati di conversione. Passare ai modelli classificati in base all’intelligenza artificiale una volta che si dispone di dati di formazione sufficienti (oltre 1.000 eventi di conversione) e si desidera ottimizzare oltre ciò che è possibile ottenere con il tuning manuale delle formule.
Copertura dei consigli e rilevanza
L’allargamento del catalogo degli articoli e l’attenuazione delle regole di filtro aumentano la percentuale di richieste che ricevono consigli personalizzati, ma possono ridurre la rilevanza per ogni consiglio.
- Elevata copertura a favore: massimizzare il numero di visitatori che visualizzano consigli personalizzati; utile quando l'obiettivo principale è il coinvolgimento
- Preferenze di rilevanza elevata: solo elementi altamente rilevanti, anche se per un numero maggiore di visitatori vengono visualizzati consigli di fallback; utile quando l'obiettivo principale è la conversione
- Consiglio: inizia con un filtro moderato (escludi articoli acquistati ed esauriti) e monitora sia il tasso di fallback che il tasso di conversione. Restringi le regole di filtro solo se i dati di conversione lo supportano.
Profondità di Personalization e complessità dell'implementazione
Segnali comportamentali più ricchi e modelli di classificazione più sofisticati migliorano la qualità dei consigli, ma aumentano la complessità dell’implementazione e il carico di manutenzione.
- Un'implementazione più semplice favorisce: un time-to-value più rapido, una manutenzione inferiore, un debug e un'iterazione più semplici
- Personalizzazione più approfondita a favore di: Incremento della conversione, migliore esperienza del cliente, differenziazione della concorrenza
- Consiglio: Implementare in fasi. Inizia con i segnali di visualizzazione del prodotto e la classificazione basata su formule (fase 1). Aggiungere attributi calcolati per l’arricchimento comportamentale (fase 2). Valuta i modelli classificati in base all’intelligenza artificiale una volta che la base è matura e sono disponibili dati di formazione sufficienti (fase 3).
Documentazione correlata
Le risorse seguenti forniscono ulteriori dettagli sulle tecnologie e le funzionalità utilizzate in questo modello.
Gestione delle decisioni
- Panoramica sulla gestione delle decisioni
- Creare i posizionamenti
- Creare regole di decisione
- Creazione di offerte personalizzate
- Creare offerte di fallback
- Creare le raccolte
- Creare qualificatori di raccolta
- Crea decisioni
- Strategie di classificazione
- Consegnare offerte nei messaggi
- Distribuire le offerte tramite l’API Edge Decisioning