Raccomandazioni comportamentali

Questa guida descrive il modello di caso d’uso per i consigli comportamentali, che utilizza Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) e Adobe Experience Platform (AEP) per fornire esperienze di consigli personalizzate tra canali web, app mobili ed e-mail. È progettato per architetti di soluzioni, tecnici di marketing e tecnici di implementazione che devono comprendere il funzionamento di questo modello, gli obiettivi aziendali supportati, i casi di utilizzo tattici che consente e le applicazioni Adobe coinvolte.

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.

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.

Piano di esecuzione: acquisizione segnale comportamentale > Valutazione strategia di decisione > Consegna consigli > Reporting

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:

Indicatori chiave di prestazioni

I KPI seguenti aiutano a misurare l’efficacia delle implementazioni di consigli comportamentali.

Applicazioni

In questo modello di caso d’uso vengono utilizzate le seguenti applicazioni.

Documentazione correlata

Le risorse seguenti forniscono ulteriori dettagli sulle tecnologie e le funzionalità utilizzate in questo modello.

Gestione delle decisioni

Raccolta dati e Web/Mobile SDK

XDM e modellazione dati

Identità e profilo

Tipi di pubblico e segmentazione

Attributi calcolati e arricchimento dei profili

Configurazione dei canali

Authoring e personalizzazione dei messaggi

Reporting e analisi

Governance dei dati e ciclo di vita

Monitoraggio e osservabilità

Guardrail

Tutorial e guide