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 governa un set limitato di offerte, promozioni o incentivi utilizzando regole di idoneità e vincoli di business, questo modello opera su cataloghi di articoli di grandi dimensioni in continua evoluzione (prodotti, articoli, video) in cui la selezione è guidata da segnali di affinità comportamentale piuttosto che da idoneità regolamentata.
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.
KPI: % vendite incrociate/upselling, ricavi incrementali, valore ciclo di vita cliente
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.
KPI: Tassi di conversione, Conversione lead, Costo per lead
Distribuisci esperienze cliente personalizzate
Personalizza contenuti, offerte e messaggi in base a preferenze, comportamenti e fasi del ciclo di vita individuali.
KPI: coinvolgimento, tassi di conversione, soddisfazione del cliente (CSAT)
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
Generate item-level or content-level recommendations based on behavioral signals, using AJO Decisioning selection strategies and ranking models to serve contextual content.
Function chain: Behavioral Signal Ingestion > Decisioning Strategy Evaluation > Recommendation Delivery > Reporting
See the Pattern Composition section under Implementation Considerations for guidance on combining patterns.
Applicazioni
In questo modello di caso d’uso vengono utilizzate le seguenti applicazioni.
- Adobe Journey Optimizer (AJO) Decisioning – Selection strategies, ranking models, item catalogs, and decision policies that evaluate behavioral signals and return the most relevant items for each visitor
- Adobe Real-Time Customer Data Platform (RT-CDP) – Behavioral profile data accumulation, audience evaluation for recommendation scoping, and computed attributes for behavioral affinity scoring
- Adobe Experience Platform (AEP) – Behavioral event ingestion via Web SDK and Mobile SDK, Edge Network processing, XDM schema management for event and catalog data
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:
- [ Provisioning di ] AJO Decisioning eseguito 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 prodotti o contenuti sono disponibili per l'acquisizione (nome prodotto, categoria, prezzo, URL immagine, disponibilità)
- [ ] Gli schemi di eventi comportamentali includono identificatori di elementi/prodotti 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 consigli e-mail (Opzione C): la superficie del canale e-mail è configurata e convalidata
- [ ] Per consigli e-mail (opzione C): il pubblico di destinazione è definito e sta valutando
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
- Offline behavior tracking requires SDK queue management for deferred event submission
- App store update cycles affect how quickly recommendation rendering changes can be deployed
Vantaggi:
- Native mobile experience with smooth, app-integrated recommendation rendering
- Content cards provide a persistent, browsable recommendation feed
- In-app messages enable contextual, behavior-triggered recommendations
- Leverages device-level signals (location, app usage patterns) for enhanced relevance
Limitazioni:
- Requires Mobile SDK integration and app development resources
- Rendering changes require app updates (unless using code-based experiences with server-driven layouts)
- Offline periods create gaps in behavioral signal collection
Experience League:
Option C: Email behavioral recommendations
Best for: Product recommendations in email campaigns – abandoned browse emails with viewed product recommendations, post-purchase cross-sell emails, periodic "picks for you" digests, and re-engagement emails with personalized product suggestions.
Funzionamento:
Behavioral profile data accumulated from prior sessions informs recommendation selection at email send time or render time. An audience is defined to target the appropriate recipients (e.g., visitors who browsed but did not purchase, customers who made a recent purchase). A campaign or journey is configured to send an email that includes recommendation placements. At send time, AJO Decisioning evaluates each recipient's behavioral profile against the selection strategy and injects the recommended items into the email content.
This option relies on accumulated behavioral history rather than in-session signals. Computed attributes (category affinity scores, recent product views, purchase frequency) significantly improve recommendation quality for email because they distill behavioral history into profile-level signals that the selection strategy can evaluate efficiently.
Considerazioni chiave:
- Email recommendations are evaluated at send time, not open time – the behavioral profile state at the moment of send determines the recommendations
- Computed attributes are strongly recommended to improve ranking quality
- Email rendering limitations (no JavaScript, limited CSS) constrain recommendation display formats
- Requires a configured and validated email channel surface
Vantaggi:
- Leverages full behavioral history across sessions for deeper personalization
- Integrates with existing campaign and journey workflows
- Effective for re-engagement and win-back scenarios where web/app touchpoints are unavailable
- Can include multiple recommendation placements within a single email
Limitazioni:
- Recommendations are static at send time – they do not update when the email is opened
- Email rendering constraints limit recommendation display formats
- Requires audience evaluation and campaign/journey orchestration infrastructure
- Higher implementation complexity due to additional dependencies (channel configuration, audience definition, campaign execution)
Experience League:
Confronto delle opzioni
The following table summarizes the key differences between implementation options.
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)
This phase sets up identity namespaces, primary identity designations, and merge policies that ensure behavioral signals are correctly associated with visitor profiles and available for real-time recommendation delivery.
Decision: Merge policy for Edge decisioning
Does the recommendation use case require real-time Edge evaluation?
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?
Decision: Cold-start strategy
What should be shown for new visitors with no behavioral history?
UI navigation: Journey Optimizer > Components > Decision Management > Decisions; Journey Optimizer > Components > Decision Management > Offers; Journey Optimizer > Components > Decision Management > Placements
Dettagli configurazione chiave:
- Create decision items representing each product or content item in the catalog, with attributes (category, price, image URL, tags)
- Define selection strategies that combine item catalog filtering with behavioral ranking logic
- Configure ranking models – formula-based expressions can reference profile attributes (e.g., category affinity scores from computed attributes)
- Create fallback offers/items that serve as default recommendations for cold-start profiles
- Organize items into collections using collection qualifiers (tags) for logical grouping
- Set up filtering rules within selection strategies to enforce business rules (exclude purchased, in-stock only)
Documentazione di Experience League:
Phase 4: Configure channel and surface
Funzione applicazione: AJO: Configurazione canale
This phase configures the delivery surfaces where recommendations will be rendered. The configuration varies significantly by implementation option.
Decision: Delivery surface type
Where will recommendations be displayed?
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:
Phase 5: Configure content and delivery
Funzione applicazione: AJO: authoring dei messaggi
This phase defines the recommendation rendering templates that control how recommended items are displayed to the visitor. This includes item layout design, personalization expressions that pull item attributes (name, image, price, link), and the overall recommendation experience design.
Decision: Recommendation display format
How should recommended items be rendered?
Decision: Number of recommendations to display
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. Insert recommendation placements using decision-powered content blocks. Configure personalization expressions for item attributes within the email template. Subject line personalization can reference top recommended items.
UI navigation: Content Management > Content Templates; Campaign/Journey > Edit content > Email Designer
Dettagli configurazione chiave:
- Each recommendation placement must reference the decision created in Phase 3
- Personalization expressions use Handlebars syntax to render item attributes
- For web: configure the code-based experience to call the decision and render the response
- For email: embed the decision in the email action within the campaign or journey
- Preview recommendations using test profiles with known behavioral history
Documentazione di Experience League:
Phase 6: Set up audience scoping and campaign/journey (Option C only)
Application Function: RT-CDP: Audience Evaluation, AJO: Campaign Execution or Journey Orchestration
For email-based recommendations (Option C), this phase defines the target audience and configures the campaign or journey that delivers the recommendation email. 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:
- Define the target audience using segment rule expressions referencing behavioral history (e.g., "viewed products in the last 7 days but did not purchase")
- Configure the campaign or journey with the email action referencing the channel surface from Phase 4
- Embed the decision from Phase 3 in the email content
- Set scheduling and frequency rules to avoid over-messaging
Documentazione di Experience League:
Phase 7: Configure reporting and optimization
Application Function: AJO: Reporting & Performance Analysis, S5: Reporting & Analysis
This phase establishes performance monitoring for recommendation click-through, conversion, and revenue metrics. It creates the reporting infrastructure to measure recommendation effectiveness and identify optimization opportunities.
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
Review the following guardrails, pitfalls, best practices, and trade-offs before and during implementation.
Guardrail e limiti
- Maximum of 10,000 approved personalized offers (decision items) per sandbox – Decision Management guardrails
- Massimo 30 posizionamenti per decisione
- Maximum of 30 collection scopes per decision request
- Offer Delivery response time SLA: less than 500ms at P95 for single-scope Edge requests
- I modelli di classificazione IA richiedono almeno 1.000 eventi di conversione per la formazione
- Offer capping counters may have a lag of up to a few seconds in high-throughput scenarios
- Edge decisions are limited to profile attributes available in the edge profile store
- Only one merge policy can be active on Edge per sandbox – Profile guardrails
- Maximum of 25 active computed attributes per sandbox – Computed attributes guardrails
- Maximum of 4,000 segment definitions per sandbox – Segmentation guardrails
- Streaming ingestion: maximum 20,000 records per second per HTTP connection – Ingestion guardrails
Insidie comuni
- Decision returns only fallback items: Verify that personalized decision items are approved, within their validity date range, and that eligibility rules match the visitor's profile attributes. Check that capping limits have not been reached.
- Edge delivery returns empty personalization: Ensure the datastream is configured with the Adobe Journey Optimizer service enabled and that the decision scope is correctly formatted in the Web SDK request.
- Ranking formula not applied: Verify that the formula is syntactically valid and references accessible profile attributes. Formula errors silently fall back to priority-based ranking.
- Stale recommendations: If behavioral event data is not flowing in real time, recommendations will be based on outdated behavioral profiles. Verify Web SDK or Mobile SDK is actively streaming events.
- Cold-start fallback rate is too high: If a large percentage of visitors receive fallback recommendations, consider enriching the cold-start strategy with contextual signals (current page category, referral source) rather than relying solely on behavioral history.
- Recommendations not rendering on page: Verify that the code-based experience surface URI matches the page URL pattern and that the Web SDK is correctly requesting and rendering the decision response.
- Catalog items missing from recommendations: Ensure all catalog items have been ingested as decision items, tagged with the correct collection qualifiers, and included in the appropriate collections referenced by the selection strategy.
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