양식 기반 경험 작성기를 사용하여 추천 만들기

배달 API와 함께 사용할 수 있는 권장 사항을 만들려면 양식 기반 작성기를 사용하십시오.

  1. 먼저 권장 사항에 사용할 JSON 기반 디자인을 작성 및 저장합니다. 샘플 JSON과 양식 기반 활동을 구성할 때 JSON 응답을 반환하는 방법에 대한 배경 정보는 권장 디자인 만들기에 대한 설명서를 참조하십시오. 이 예제에서 디자인 이름은 단순 JSON 입니다.
    server-side-create-recs-json-design.png

  2. Target에서 Activities > Create Activity > Recommendations(으)로 이동한 다음 Form ​을(를) 선택합니다.

    server-side-create-recs.png

  3. 속성을 선택하고 Next ​을(를) 클릭합니다.

  4. 사용자가 권장 사항의 응답을 받을 위치를 정의합니다. 아래 예제에서는 api_charter 위치를 사용합니다. 이전에 만든 단순 JSON 이라는 JSON 기반 디자인을 선택하십시오.
    server-side-create-recs-form.png

  5. 권장 사항을 저장하고 활성화합니다. 그러면 결과가 생성됩니다. 결과가 준비되면 배달 API를 사용하여 결과를 검색할 수 있습니다.

게재 API 사용

배달 API의 구문은 다음과 같습니다.

POST https://{{CLIENT_CODE}}.tt.omtrdc.net/rest/v1/delivery

  1. 클라이언트 코드가 필요합니다. 다시 말해서 Recommendations > Settings(으)로 이동하여 Adobe Target에서 클라이언트 코드를 찾을 수 있습니다. 권장 API 토큰 섹션의 클라이언트 코드 값을 참고하십시오.
    client-code.png

  2. 클라이언트 코드가 있으면 배달 API 호출을 구성합니다. 아래 예제는 배달 API Postman 컬렉션에서 제공된 Web Batched Mboxes Delivery API Call ​에서 시작하여 관련 내용을 수정합니다. 예:

    • browseraddress 개체는 HTML 이외의 사용 사례에 필요하지 않으므로 Body ​에서 제거되었습니다.

    • api_charter ​이(가) 이 예제에서 위치 이름으로 나열됩니다.

    • 이 권장 사항은 현재 항목 키를 Target에 전달해야 하는 콘텐츠 유사성을 기반으로 하므로 entity.id가 지정됩니다.

      server-side-Delivery-API-call.png
      쿼리 매개 변수를 올바르게 구성해야 합니다. 예를 들어 필요에 따라 {{CLIENT_CODE}}을(를) 지정해야 합니다. <!— Q: 업데이트된 호출 구문에서 entity.id는 이전 버전에서와 같이 mboxParameter 대신 profileParameter로 나열됩니다. —> <!— Q: 이전 이미지 server-side-create-recs-post.png 이전 첨부 텍스트: "이 권장 사항은 mboxParameters를 통해 전송된 entity.id를 기반으로 하는 콘텐츠 유사 제품을 기반으로 합니다." —>
      client-code3

  3. 요청을 보냅니다. 권장 엔터티 목록을 출력하는 JSON 디자인으로 정의된 활성 권장 사항이 실행 중인 api_charter 위치에 대해 실행됩니다.

  4. JSON 디자인을 기반으로 응답을 받습니다.
    server-side-create-recs-json-response2.png
    응답에는 키 ID와 권장 엔티티의 엔티티 ID가 포함됩니다.

이러한 방식으로 권장 사항과 함께 배달 API를 사용하면 HTML이 아닌 장치에서 방문자에게 권장 사항을 표시하기 전에 추가 단계를 수행할 수 있습니다. 예를 들어 최종 결과를 표시하기 전에 배달 API의 응답을 가져와서 다른 시스템(예: CMS, PIM 또는 전자 상거래 플랫폼)에서 엔티티 속성 세부 사항(재고, 가격, 등급 등)을 추가로 실시간 조회할 수 있습니다.

이 안내서에 설명된 접근 방식을 사용하면 모든 애플리케이션에서 Target의 응답을 활용하여 개인화된 추천을 제공할 수 있습니다.