익명 방문자 웹 개인화

이 참조 플랜은 세션 내 동작 신호를 기반으로 개인화된 웹 콘텐츠를 익명(미확인) 방문자에게 제공하기 위한 구현 지침을 제공합니다. Web SDK 구성 및 에지 대상 정의부터 콘텐츠 전달 및 성능 보고를 통한 전체 구현 라이프사이클을 포함하며 Adobe Journey Optimizer​(AJO), Adobe Real-Time Customer Data Platform​(RT-CDP) 및 Adobe Experience Platform​(AEP)과(와) 함께 작업하는 솔루션 설계자, 마케팅 기술자 및 구현 엔지니어를 위해 설계되었습니다.

이 플랜을 사용하여 아키텍처를 이해하고, 구현 옵션을 평가하고, 정보에 입각한 구성 결정을 내리고, 각 구현 단계에 대한 관련 Experience League 설명서를 찾을 수 있습니다.

패턴은 제한된 데이터로 작동합니다. 즉, 동일한 장치나 쿠키를 사용한 이전 방문에서 누적된 익명 에지 프로필과 현재 세션에서 관찰할 수 있는 항목만 해당됩니다. 이렇게 하면 방문자가 계정이 없거나 인증되지 않은 funnel의 최상위 개인화에 적합합니다.

사용 사례 개요

익명 방문자 웹 Personalization은 아직 식별되지 않음(로그인하지 않음, 알려진 ID가 없음, 통합 고객 프로필로 해결할 수 없음)인 웹 사이트 방문자에게 관련성 있고 개인화된 콘텐츠를 제공해야 하는 비즈니스 요구를 해결합니다. 이러한 제한에도 불구하고 페이지 보기, 사이트에서 보낸 시간, 스크롤 깊이, 참조 소스, 지리적 위치, 장치 유형 및 UTM 캠페인 매개변수와 같은 세션 내 동작 신호를 사용하여 의미 있는 개인화를 달성할 수 있습니다.

이 패턴은 AJO의 웹 채널 표면과 코드 기반 경험을 사용하여 페이지 콘텐츠를 실시간으로 수정합니다. 방문자가 사이트를 탐색할 때 1초 미만의 지연 시간으로 결정을 내려야 하므로 Edge 세그먼테이션은 기본 평가 방법입니다. Web SDK은(는) 동작 신호를 수집하여 AEP Edge Network​(으)로 보냅니다. 여기서 에지 평가 대상 규칙은 전달할 콘텐츠 변형을 결정합니다.

전체 통합 프로필 및 세그먼트 멤버십을 활용하는 알려진 방문자 웹/앱 개인화와 달리, 이 패턴은 현재 세션에서 관찰할 수 있는 데이터와 방문자의 ECID(Experience Cloud ID)와 연결된 모든 익명 에지 프로필로 제한됩니다. 이러한 구분은 구현 계획에 중요합니다. 개인화에 사용할 수 있는 동작 신호는 Web SDK이(가) 캡처하는 내용과 쿠키 기반 ECID를 통해 세션 간 Edge 프로필 저장소에서 지속되는 것으로 제한됩니다.

주요 비즈니스 목표

이 사용 사례 패턴에서는 다음 비즈니스 목표가 지원됩니다.

웹 사이트 참여 늘리기

익명 방문자 신호에 맞춘 적절한 경험을 통해 사이트에서 보낸 시간, 세션당 페이지 수 및 웹 콘텐츠와의 상호 작용을 개선합니다.

개인화된 고객 경험 제공

아직 자신을 식별하지 않은 방문자에게도 개별 환경 설정, 동작 및 라이프사이클 단계에 맞게 콘텐츠, 오퍼 및 메시지를 맞춤화할 수 있습니다.

전환율 증가

행동 컨텍스트에 따라 가장 관련성이 높은 콘텐츠를 제시하여 구매, 등록 또는 양식 제출과 같은 원하는 작업을 완료하는 방문자 및 잠재 고객의 비율을 향상시킵니다.

예시 전술 사용 사례

다음 예제는 이 패턴을 적용할 수 있는 특정 시나리오를 보여 줍니다.

주요 성과 지표

다음 KPI를 사용하여 이 사용 사례 패턴의 효과를 측정합니다.

사용 사례 패턴

다음은 이 사용 사례의 핵심 패턴 및 함수 체인에 대해 설명합니다.

익명 방문자 웹 Personalization

AJO 웹 채널을 통해 미확인된 방문자에 대한 세션 내 행동 신호를 기반으로 개인화된 콘텐츠를 제공합니다.

함수 체인: 웹 표면 구성 > 행동 규칙 평가 > 콘텐츠 게재 > 노출 추적 > 보고

애플리케이션

이 사용 사례 패턴에는 다음 응용 프로그램이 사용됩니다.

기본 함수

이 사용 사례 패턴을 사용하려면 다음 기본 기능이 있어야 합니다. 각 함수에 대해 상태는 일반적으로 필요한지, 사전 구성되어 있다고 가정할지 또는 적용할 수 없는지 여부를 나타냅니다.

기능 지원

다음 기능은 이 사용 사례 패턴을 강화하지만 코어 실행에는 필요하지 않습니다.

애플리케이션 기능

이 계획은 응용 프로그램 함수 카탈로그에서 다음 함수를 실행합니다. 함수는 번호가 매겨진 단계가 아닌 구현 단계에 매핑됩니다.

Journey Optimizer​(AJO)

Real-Time CDP​(RT-CDP)

필요 조건

구현을 시작하기 전에 다음을 완료하십시오.

구현 옵션

이 섹션에서는 세 가지 구현 접근 방식에 대해 설명합니다. 개인화 요구 사항에 가장 적합한 옵션을 선택합니다.

옵션 A: 규칙 기반 웹 개인화

추천 항목: 지리적 타겟팅 배너, 참조 소스별 헤드라인, 장치별 레이아웃, 새 방문자와 재방문자 메시지 비교 등 간단하고 결정론적인 개인화 간단한 조건부 논리(조건 X인 경우 컨텐츠 Y 표시)로 컨텐츠 변형을 결정할 수 있는 경우 이 옵션을 선택합니다.

작동 방식:

규칙 기반 개인화는 에지 평가 대상 세그먼트를 사용하여 방문자에게 표시되는 콘텐츠 변형을 결정합니다. 각 대상 세그먼트는 캠페인에 정의된 조건부 규칙을 통해 특정 콘텐츠 변형에 매핑됩니다. 방문자가 페이지를 로드할 때 Web SDK은(는) Edge Network에 동작 신호를 보내 정의된 대상 규칙에 대해 방문자의 Edge 프로필을 밀리초 단위로 평가합니다. 일치하는 콘텐츠 변형이 Edge Network 응답에서 반환되고 페이지에서 렌더링됩니다.

이 접근 방식을 사용하려면 RT-CDP에서 고유한 대상 세그먼트(예: "Google 검색의 방문자", "캘리포니아에 있는 방문자", "모바일 장치 방문자")를 정의하고 AJO에서 해당 콘텐츠 변형을 생성해야 합니다. 캠페인은 조건부 콘텐츠 규칙 또는 세그먼트당 별도의 캠페인을 사용하여 각 대상을 콘텐츠 변형에 바인딩합니다. AI 등급이나 트래픽 분할은 포함되지 않습니다. 대상과 콘텐츠 간의 관계는 결정적입니다.

주요 고려 사항:

장점:

제한 사항:

Experience League:

옵션 B: 실험 기반 웹 개인화

A/B 및 다변량 테스트 — 통계적 중요도 측정이 포함된 헤드라인 변형, CTA 단추 색상, 레이아웃 대체 요소, 프로모션 오퍼 테스트​영구 개인화 규칙에 커밋하기 전에 성과가 가장 좋은 콘텐츠 변형을 확인해야 하는 경우 이 옵션을 선택합니다.

작동 방식:

실험 기반 개인화는 AJO 콘텐츠 실험을 사용하여 콘텐츠 처리 그룹에 방문자를 임의로 할당하고 정의된 성공 지표에 대해 가장 성과가 좋은 변형을 측정합니다. 트래픽은 변형 간에 분할되고(예: A/B의 경우 50/50, A/B/C의 경우 33/33/34) 통계적 중요도에 도달할 때까지 성능이 추적됩니다.

이 실험은 AJO 웹 캠페인에 임베드되어 있습니다. 방문자가 페이지를 로드할 때 Edge Network은(는) 구성된 트래픽 할당을 기반으로 처리 그룹에 이 페이지를 할당합니다. 방문자는 실험 기간 동안 일관되게 동일한 처리를 봅니다(구성에 따라 세션 수준 또는 방문자 수준의 지속성). 성공 지표(클릭 수, 전환 수, 참여 이벤트)는 Web SDK을(를) 통해 추적되고 AJO 실험 보고서에 보고됩니다.

이 옵션은 타깃팅에 대해 사전 정의된 대상 세그먼트가 필요하지 않으며, 모든 방문자(또는 타깃팅된 하위 집합)는 실험에 참여합니다. 목표는 미리 결정된 콘텐츠로 알려진 세그먼트를 타겟팅하지 않고 성과가 가장 좋은 콘텐츠를 찾는 것입니다.

주요 고려 사항:

장점:

제한 사항:

Experience League:

옵션 C: 의사 결정 기반 웹 개인화

가장 적합한 대상: 의사 결정 정책이 세션 신호를 평가하고 적격 항목 카탈로그에서 최적의 콘텐츠를 선택하는 동적 콘텐츠 선택(범주 선호도 권장 사항, 종료 목적 오퍼, 행동 권장 사항). 콘텐츠 선택 로직이 단순 규칙에 비해 너무 복잡하거나, AI 등급 최적화를 원하거나, 적격한 콘텐츠 항목 집합이 크고 동적인 경우 이 옵션을 선택합니다.

작동 방식:

Decisioning 기반 개인화는 AJO Decisioning을 사용하여 동작 신호를 평가하고 관리되는 콘텐츠 항목(오퍼) 카탈로그에서 각 방문자에 대한 최상의 콘텐츠 변형을 선택합니다. 각 컨텐츠 항목에는 자격 규칙(자격 부여), 표시(각 배치에서 컨텐츠가 보이는 모양) 및 선택적 제한 조건(표시 빈도)이 있습니다. 의사 결정 정책은 배치(콘텐츠가 페이지에 표시되는 위치)를 콘텐츠 항목 컬렉션에 연결하고 등급 전략을 적용하여 최상의 옵션을 선택합니다.

방문자가 페이지를 로드할 때 Web SDK이(가) 결정 범위를 포함하는 Edge Network 요청을 보냅니다. Decisioning 엔진은 콘텐츠 항목 자격 규칙에 대해 방문자의 에지 프로필을 평가하고 등급 전략(우선 순위 기반, 공식 기반 또는 AI 등급)을 적용한 다음 우승 콘텐츠 항목을 반환합니다. 이 작업은 1초 미만의 지연 시간이 있는 에지에서 발생합니다.

순위 전략에 따라 적합한 콘텐츠 항목의 순서가 결정됩니다. 우선 순위 기반 등급은 수동으로 할당된 우선 순위 값을 사용합니다. 공식 기반 등급은 사용자 정의 표현식(예: 페이지 조회수의 최근성 가중치 부여)을 사용합니다. AI 등급 순위는 시간이 지남에 따라 선택한 성공 지표에 대해 최적화하는 기계 학습 모델을 사용하지만, 교육을 위해서는 최소 1,000개의 전환 이벤트가 필요합니다.

주요 고려 사항:

장점:

제한 사항:

Experience League:

옵션 비교

다음 표에서는 주요 기준에서 세 가지 구현 옵션을 비교합니다.

적절한 옵션 선택

다음 의사 결정 논리를 사용하여 적절한 구현 옵션을 선택합니다.

옵션 결합: 이러한 옵션은 함께 사용할 수 없습니다. 일반적인 진행은 옵션 B(실험)로 시작하여 우승 콘텐츠를 검색한 다음, 지속적인 전달을 위해 옵션 A(규칙 기반)를 사용하여 우승자를 배포하는 것입니다. 옵션 A가 간단한 결정론적 규칙을 처리하는 반면, 옵션 C(의사 결정)는 동적 카탈로그 기반 선택이 필요한 사용 사례의 경우 맨 위에 계층화될 수 있습니다.

구현 단계

다음 단계에서는 전체 구현 워크플로에 대해 설명합니다.

1단계: 웹 표면 구성

응용 프로그램 함수: AJO: 채널 구성

웹 사이트에서 개인화된 콘텐츠가 전달될 위치를 지정하는 웹 채널 표면을 정의합니다. 웹 표면은 특정 페이지 URL 또는 URL 패턴과 AJO이 콘텐츠를 삽입하거나 바꿀 수 있는 페이지에서의 위치(CSS 선택기 또는 코드 기반 경험 표면)를 식별합니다.

이 단계의 결정 지점:

UI 탐색: Journey Optimizer > 관리 > 채널 > 웹 구성

키 구성 세부 정보:

Experience League 설명서:

2단계: 행동 대상자 정의

응용 프로그램 함수: RT-CDP: 대상 평가

개인화 타깃팅을 유도하는 세션 내 행동 신호를 기반으로 에지 평가 대상 세그먼트를 정의합니다. 이러한 대상은 각 개인화된 경험에 적합한 방문자를 결정합니다. 이 패턴은 방문자가 사이트를 탐색할 때 1초 이내에 개인화를 결정해야 하므로 Edge 평가가 필수입니다.

이 단계의 결정 지점:

UI 탐색: 고객 > 대상 > 대상 만들기 > 규칙 빌드

키 구성 세부 정보:

옵션이 나뉘는 위치:

옵션 A(규칙 기반)의 경우:
각 콘텐츠 변형에 대해 고유한 대상 세그먼트를 만듭니다. 각 세그먼트는 특정 행동 조건을 나타냅니다(예: "레퍼러 = Google AND 지역 = US" 맵이 콘텐츠 변형 A로 매핑됨). 대상자 수는 개인화 규칙 수와 같습니다.

옵션 B(실험)의 경우:
대상 정의는 선택 사항입니다. 실험이 모든 방문자를 타깃팅하는 경우 대상이 필요하지 않습니다. 트래픽 분할은 변형 할당을 처리합니다. 실험이 특정 하위 집합을 타깃팅하는 경우(예: 모바일 방문자만) 실험 적격성에 대한 단일 타깃팅 대상을 정의합니다.

옵션 C(Decisioning)의 경우:
콘텐츠 항목에서 자격 규칙으로 사용할 대상을 정의합니다. 이러한 대상은 결정 정책에서 어떤 콘텐츠 항목에 대한 자격이 있는지 방문자를 결정합니다. 의사 결정 엔진은 적격 항목 중에서 콘텐츠 선택을 처리합니다.

Experience League 설명서:

3단계: 콘텐츠 작성 및 변형 만들기

응용 프로그램 함수: AJO: 메시지 작성, AJO: 콘텐츠 실험(옵션 B), AJO: 의사 결정(옵션 C)

대상 멤버십(옵션 A), 실험 할당(옵션 B) 또는 의사 결정 논리(옵션 C)를 기반으로 방문자에게 전달되는 개인화된 콘텐츠 변형을 만듭니다. 이 단계에서는 AJO 웹 디자이너 또는 코드 기반 경험 편집기를 사용한 컨텐츠 작성과 컨텐츠 선택 방법을 제어하는 실험 또는 의사 결정 구성을 다룹니다.

이 단계의 결정 지점:

UI 탐색: Journey Optimizer > 캠페인 > 캠페인 선택 > 콘텐츠 편집

키 구성 세부 정보:

옵션이 나뉘는 위치:

옵션 A(규칙 기반)의 경우:
2단계에서 정의된 각 대상 세그먼트에 대해 고유한 콘텐츠 변형을 작성합니다. 캠페인 구성에서 조건부 콘텐츠 규칙을 사용하여 각 변형을 타겟 대상에 바인딩합니다. 대상 규칙과 일치하지 않는 방문자에 대해 기본 콘텐츠 변형이 있는지 확인하십시오.

옵션 B(실험)의 경우:
작성자 처리 변형(A, B, C 등) 실험용. 캠페인에 대한 콘텐츠 실험을 활성화하고, 해당 콘텐츠로 처리 변형을 정의하고, 트래픽 할당 백분율을 설정하고, 성공 지표를 구성합니다.

옵션 C(Decisioning)의 경우:
Decisioning 구성 요소 스택을 설정하고 캠페인에 통합합니다.

Experience League 설명서:

4단계: 캠페인 및 게재 구성

응용 프로그램 함수: AJO: 캠페인 실행

웹 표면(1단계), 대상 타기팅 또는 실험 구성(2~3단계) 및 콘텐츠 변형(3단계)을 제공 가능한 단위로 바인딩하는 AJO 웹 캠페인을 만들고 활성화합니다. 캠페인은 개인화된 콘텐츠가 방문자에게 제공되는 시기와 방법을 제어합니다.

이 단계의 결정 지점:

UI 탐색: Journey Optimizer > 캠페인 > 캠페인 만들기

키 구성 세부 정보:

옵션이 나뉘는 위치:

옵션 A(규칙 기반)의 경우:
개인화 규칙당 하나의 캠페인을 만들고 각 캠페인은 해당 콘텐츠 변형을 통해 서로 다른 에지 대상을 타겟팅합니다. 또는 대상자 멤버십을 하나의 캠페인 내의 콘텐츠 변형에 매핑하는 조건부 콘텐츠 규칙이 있는 단일 캠페인을 사용할 수 있습니다.

옵션 B(실험)의 경우:
콘텐츠 실험이 활성화된 단일 캠페인을 만듭니다. 실험 구성(변형, 트래픽 할당, 성공 지표)은 3단계에서 정의되었습니다. 캠페인을 활성화하여 실험을 시작하십시오.

옵션 C(Decisioning)의 경우:
3단계에서 구성된 결정 정책을 임베드하는 캠페인을 만듭니다. 캠페인의 콘텐츠 작업은 의사 결정 범위를 참조하며, 이는 에지에서 의사 결정 엔진을 트리거합니다. 캠페인을 활성화하여 의사 결정 기반 콘텐츠 전달을 시작합니다.

Experience League 설명서:

5단계: 성과 보고 및 분석

응용 프로그램 함수: AJO: 보고 및 성능 분석

AJO 기본 제공 보고서를 사용하여 개인화 성능을 모니터링하고 선택적으로 CJA을 사용하여 분석을 확장하여 더 심층적인 크로스 채널 통찰력을 얻습니다. 이 단계에서는 라이브 및 내역 캠페인 보고서에 액세스하고, 실험 결과를 검토하고, 사용자 정의 분석 작업 공간을 구축하는 작업을 다룹니다.

이 단계의 결정 지점:

UI 탐색: Journey Optimizer > 캠페인 > 캠페인 선택 > 보고서 보기

키 구성 세부 정보:

옵션이 나뉘는 위치:

옵션 A(규칙 기반)의 경우:
각 대상 세그먼트에 대한 캠페인 보고서를 검토하여 개인화된 콘텐츠 변형에 대한 게재 및 참여 지표를 비교하십시오. CJA을 사용하여 개인화된 컨텐츠와 기본 컨텐츠의 전환 영향을 측정하는 비교 작업 영역을 구축할 수 있습니다.

옵션 B(실험)의 경우:
실험 보고서를 검토하여 통계적 신뢰, 치료 상승도 및 승자 식별을 확인하십시오. 우승자를 선언하기 전에 신뢰 임계값에 도달할 때까지 기다립니다. 우승 콘텐츠를 영구 변형으로 적용합니다(지속적인 전달을 위해 옵션 A로 전환).

옵션 C(Decisioning)의 경우:
오퍼 노출률, 선택 빈도 및 콘텐츠 항목별 전환 속성을 포함한 의사 결정 성능 지표를 검토합니다. 등급 전략의 수행 방법과 대체 컨텐츠가 너무 자주 제공되는지 여부를 분석합니다(자격 규칙이 너무 제한적임을 나타냄).

Experience League 설명서:

구현 시 고려 사항

이 섹션에서는 이 사용 사례 패턴에 대한 보호, 일반적인 위험, 우수 사례 및 보상 결정을 다룹니다.

보호 기능 및 제한 사항

구현 전 및 구현 중에 다음 보호 기능을 검토하십시오.

일반적인 함정

다음과 같은 일반적인 구현 실수를 방지하십시오.

우수 사례

성공적인 구현을 위해 다음 권장 사항을 따르십시오.

절충안 결정

구현을 계획할 때 다음 절충안을 고려하십시오.

관련 설명서

다음 Experience League 리소스는 이 사용 사례 패턴에 사용되는 기능에 대한 추가 세부 정보를 제공합니다.

웹 채널 및 코드 기반 경험

대상 및 세분화

Personalization 및 컨텐츠

콘텐츠 실험

의사 결정 관리

캠페인

Web SDK및 데이터 수집

ID 및 프로필

데이터 모델링

보고 및 분석

데이터 거버넌스 및 개인 정보 보호

보호 기능