Anonieme webpersonalisatie voor bezoekers

Dit referentieplan biedt implementatierichtlijnen voor het leveren van gepersonaliseerde webinhoud aan anonieme (niet-geïdentificeerde) bezoekers op basis van gedragssignalen tijdens de sessie. Het bestrijkt de volledige levenscyclus van de implementatie — van Web SDK configuratie en randpublieksdefinitie tot levering van inhoud en prestatierapportering — en is ontworpen voor oplossingsarchitecten, marketingtechnologen en implementatietechnici die werken met Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) en Adobe Experience Platform (AEP).

Gebruik dit plan om de architectuur te begrijpen, implementatieopties te evalueren, geïnformeerde configuratiebesluiten te nemen, en van de relevante documentatie van Experience League voor elke fase van implementatie de plaats te bepalen.

Het patroon werkt met beperkte gegevens — alleen wat kan worden waargenomen in de huidige sessie en elk anoniem randprofiel dat is verzameld bij eerdere bezoeken met hetzelfde apparaat of cookie. Dit maakt het geschikt voor top-of-funnel personalisatie waar de bezoeker geen rekening heeft of niet voor authentiek verklaard.

Hoofdlettergebruik

Anonieme bezoeker Web Personalization richt zich op de zakelijke behoefte om relevante, gepersonaliseerde inhoud te leveren aan websitebezoekers die nog niet zijn geïdentificeerd — ze hebben zich niet aangemeld, hebben geen bekende identiteit en kunnen niet worden opgelost in een gezamenlijk klantprofiel. Ondanks deze beperking is een zinvolle personalisatie mogelijk met gedragssignalen tijdens de sessie: weergegeven pagina's, weergegeven tijd op locatie, schuifdiepte, verwijzingsbron, geografische locatie, apparaattype en UTM-campagneparameters.

Dit patroon gebruikt AJO-oppervlakken van webkanalen en code-gebaseerde ervaringen om pagina-inhoud in real-time te wijzigen. De segmentatie van Edge is de primaire evaluatiemethode aangezien de besluiten met sub-second latency moeten worden genomen aangezien de bezoeker de plaats navigeert. Web SDK verzamelt gedragssignalen en verzendt hen naar AEP Edge Network, waar de rand-beoordeelde publieksregels bepalen welke inhoudvariant om te leveren.

In tegenstelling tot bekende-bezoeker Web/app verpersoonlijking, die het volledige verenigde profiel en segmentlidmaatschap gebruikt, wordt dit patroon beperkt tot gegevens waarneembaar in de huidige zitting en om het even welk anoniem randprofiel verbonden aan ECID van de bezoeker (Experience Cloud ID). Dit onderscheid is essentieel voor implementatieplanning: de gedragssignalen die beschikbaar zijn voor personalisatie zijn beperkt tot wat de Web SDK vastlegt en wat er in de opslag van het randprofiel blijft bestaan over sessies via de op cookie gebaseerde ECID.

Belangrijkste bedrijfsdoelstellingen

De volgende bedrijfsdoelstellingen worden gesteund door dit gebruiks gevalpatroon.

de websiteovereenkomst van de verhoging

Verbeter de tijd op de site, de pagina's per sessie en de interactie met webinhoud door relevante ervaringen op maat van anonieme bezoekerssignalen.

lever gepersonaliseerde klantenervaringen

Inhoud, aanbiedingen en berichten op maat maken voor individuele voorkeuren, gedrag en levenscyclusfase, zelfs voor bezoekers die zich nog niet hebben geïdentificeerd.

de omzettingspercentages van de Verhoging

Verbeter het percentage bezoekers en de vooruitzichten die de gewenste acties zoals aankopen, inschrijven of het indienen van formulieren voltooien door de meest relevante inhoud te presenteren op basis van gedragscontext.

Voorbeelden van tactische gebruiksgevallen

In de volgende voorbeelden worden specifieke scenario's geïllustreerd waarop dit patroon kan worden toegepast.

Kernprestatie-indicatoren

Gebruik de volgende KPIs om de doeltreffendheid van dit gebruiks gevalpatroon te meten.

Hoofdletterpatroon gebruiken

Hieronder worden het kernpatroon en de functieketen voor dit gebruik beschreven.

Anonieme Personalization van het Web van de Bezoeker

Aangepaste inhoud leveren op basis van gedragssignalen tijdens de sessie voor niet-geïdentificeerde bezoekers via het AJO-webkanaal.

de ketting van de Functie: Configuratie van het Oppervlak van het Web > de Evaluatie van de Regel van het Gedrag > Inhoudslevering > het Volgen van de Indrukking > het Melden

Applicaties

In dit gebruikspatroon worden de volgende toepassingen gebruikt.

Foundbootfuncties

Voor dit gebruikspatroon moeten de volgende basisfuncties aanwezig zijn. Voor elke functie, wijst de status erop of het typisch wordt vereist, verondersteld om vooraf te worden gevormd, of niet van toepassing.

Ondersteunende functies

De volgende mogelijkheden vergroten dit gebruikspatroon, maar zijn niet vereist voor kernuitvoering.

Toepassingsfuncties

Dit plan oefent de volgende functies van de Catalogus van de Functie van de Toepassing uit. Functies worden toegewezen aan implementatiefasen in plaats van aan genummerde stappen.

Journey Optimizer (AJO)

Real-Time CDP (RT-CDP)

Vereisten

Voltooi het volgende voordat u begint met de implementatie.

Implementatieopties

In dit gedeelte worden drie implementatiebenaderingen beschreven. Selecteer de optie die het beste aansluit bij uw vereisten voor personalisatie.

Optie A: Op regels gebaseerde webpersonalisatie

Best voor: Eenvoudige, deterministische verpersoonlijking — geo-gerichte banners, verwijzing-bron-specifieke koppen, apparaat-specifieke lay-outs, nieuw vs. het terugkeren van bezoekersoverseinen. Kies deze optie wanneer de inhoudvariant kan worden bepaald door eenvoudige voorwaardelijke logica (als voorwaarde X inhoud Y weergeeft).

hoe het werkt:

Op regel-gebaseerde verpersoonlijking gebruikt rand-geëvalueerde publiekssegmenten om te bepalen welke inhoudvariant een bezoeker ziet. Elk publiekssegment brengt aan een specifieke inhoudvariant door voorwaardelijke die regels in de campagne worden bepaald in kaart. Wanneer een bezoeker een pagina laadt, verzendt Web SDK gedragssignalen naar Edge Network , die het de randprofiel van de bezoeker tegen de bepaalde publieksregels in milliseconden evalueert. De overeenkomstige inhoudvariant wordt geretourneerd in het Edge Network -antwoord en op de pagina weergegeven.

Deze benadering vereist het bepalen van verschillende publiekssegmenten in RT-CDP (bijvoorbeeld "bezoekers van het onderzoek van Google,"bezoekers in Californië,"mobiele apparatenbezoekers") en het creëren van overeenkomstige inhoudvarianten in AJO. De campagne bindt elk publiek aan zijn inhoudvariant gebruikend voorwaardelijke inhoudsregels of afzonderlijke campagnes per segment. Er is geen sprake van een AI-classificatie of verkeerssplitsing — de relatie tussen publiek en inhoud is deterministisch.

Zeer belangrijke overwegingen:

Voordelen:

Beperkingen:

Experience League:

Optie B: Experimentatiegebaseerde webpersonalisatie

het Best voor: A/B en multivariate het testen — het testen van krantenvarianten, de knoopkleuren van CTA, lay-outalternatieven, promotionele aanbiedingen — met statistische significantiemeting. Kies deze optie wanneer u moet bevestigen welke inhoudvariant het best presteert alvorens aan een permanente verpersoonlijkingsregel te begaan.

hoe het werkt:

Bij personalisatie op basis van experimenten wordt gebruikgemaakt van AJO Content Experimentation om bezoekers willekeurig toe te wijzen aan inhoudsbehandelingsgroepen en te meten welke variant het beste presteert in vergelijking met een gedefinieerde succesmaatstaf. Het verkeer wordt opgesplitst over verschillende varianten (bv. 50/50 voor A/B, 33/33/34 voor A/B/C) en de prestaties worden bijgehouden totdat de statistische significantie is bereikt.

Het experiment is ingebed in een AJO-webcampagne. Wanneer een bezoeker een pagina laadt, wijst Edge Network hen aan een behandelingsgroep toe die op de gevormde verkeerstoewijzing wordt gebaseerd. De bezoeker ziet altijd dezelfde behandeling gedurende het experiment (sessieniveau of blijvend bezoekersniveau, afhankelijk van de configuratie). Succeswaarden (klikken, conversies, betrokkenheidsgebeurtenissen) worden bijgehouden via Web SDK en gerapporteerd in het AJO-testrapport.

Voor deze optie is geen vooraf gedefinieerde doelsegmenten vereist. Alle bezoekers (of een doelsubset) nemen deel aan het experiment. Het doel is te ontdekken welke inhoud het best presteert, niet om bekende segmenten met vooraf bepaalde inhoud te richten.

Zeer belangrijke overwegingen:

Voordelen:

Beperkingen:

Experience League:

Optie C: Op beslissingen gebaseerde webpersonalisatie

Best voor: Dynamische inhoudselectie — de aanbevelingen van de categorierechtheid, uitgang-intent aanbiedingen, gedragsaanbevelingen — waar een besluitvormingsbeleid zittingssignalen evalueert en de optimale inhoud van een catalogus van in aanmerking komende punten selecteert. Kies deze optie als de logica voor het selecteren van inhoud te complex is voor eenvoudige regels, als u geoptimaliseerd wilt worden met een AI-positie of als de set in aanmerking komende inhoudsitems groot en dynamisch is.

hoe het werkt:

Op beslissing-gebaseerde verpersoonlijking gebruikt AJO Beslissing om gedragssignalen te evalueren en de beste inhoudvariant voor elke bezoeker van een beheerde catalogus van inhoudspunten (aanbiedingen) te selecteren. Elk inhoudspunt heeft geschiktheidsregels (die kwalificeert), representaties (hoe de inhoud eruit ziet in elke plaatsing) en optionele begrenzingsbeperkingen (hoe vaak deze kan worden weergegeven). Een beslissingsbeleid koppelt plaatsingen (waar inhoud op de pagina wordt weergegeven) aan verzamelingen van inhoudsitems en past een rangschikkingsstrategie toe om de beste optie te selecteren.

Wanneer een bezoeker een pagina laadt, verzendt Web SDK een Edge Network -aanvraag die het beslissingsbereik bevat. De beslissingsengine evalueert het Edge-profiel van de bezoeker op basis van de geschiktheidsregels voor inhoudsitems, past de classificatiestrategie (op basis van prioriteit, op basis van formule of op basis van AI) toe en retourneert het winnende inhoudsitem. Dit gebeurt aan de rand met subtweede latentie.

De rangschikkingsstrategie bepaalt hoe in aanmerking komende inhoudsitems worden geordend. Bij rangschikking op basis van prioriteit worden handmatig toegewezen prioriteitswaarden gebruikt. Bij op formule gebaseerde rangschikking wordt een aangepaste expressie gebruikt (bijvoorbeeld een wegingsfrequentie van paginaweergaven). In de classificatie AI-gerangschikt wordt een model voor machinaal leren gebruikt dat optimaliseert voor de geselecteerde succesmetrische methode in de loop der tijd, maar een minimum van 1.000 conversiegebeurtenissen voor opleiding vereist.

Zeer belangrijke overwegingen:

Voordelen:

Beperkingen:

Experience League:

Optievergelijking

In de volgende tabel worden de drie implementatieopties vergeleken met de belangrijkste criteria.

Kies de juiste optie

Gebruik de volgende besluitvormingslogica om de aangewezen implementatieoptie te selecteren:

Combinerend opties: Deze opties zijn niet wederzijds exclusief. Een algemene vooruitgang is om met Optie B (Experimentatie) te beginnen het winnen van inhoud te ontdekken, dan winnaars op te stellen gebruikend Optie A (regel-Gebaseerd) voor aan de gang zijnde levering. De optie C (Beslissing) kan op bovenkant voor gebruiksgevallen worden gelaagd die dynamische op catalogus-gebaseerde selectie vereisen, terwijl Optie A de eenvoudigere deterministische regels behandelt.

Uitvoeringsfasen

De volgende fasen beschrijven de implementatieworkflow van begin tot eind.

Fase 1: Weboppervlakken configureren

functie van de Toepassing: AJO: De Configuratie van het Kanaal

Definieer de oppervlakken van het webkanaal die aangeven waar op uw website gepersonaliseerde inhoud wordt geleverd. Een weboppervlak identificeert een specifiek pagina-URL- of URL-patroon en de locatie op de pagina (CSS-kiezer of op code gebaseerd ervaringsoppervlak) waar AJO inhoud kan injecteren of vervangen.

de punten van het Besluit in deze fase:

navigatie UI: Journey Optimizer > Beleid > Kanalen > de configuratie van het Web

Zeer belangrijke configuratiedetails:

documentatie van Experience League:

Fase 2: Gedragssoorten definiëren

functie van de Toepassing: rt-CDP: de Evaluatie van het publiek

Bepaal rand-beoordeelde publiekssegmenten die op in-zittingsgedragssignalen worden gebaseerd die verpersoonlijking richten. Deze doelgroepen bepalen welke bezoekers in aanmerking komen voor elke persoonlijke ervaring. Edge-evaluatie is verplicht voor dit patroon, aangezien beslissingen over personalisatie moeten worden genomen in subseconden als de bezoeker door de site navigeert.

de punten van het Besluit in deze fase:

navigatie UI: Klant > Soorten publiek > leidt tot publiek > bouwt regel

Zeer belangrijke configuratiedetails:

waar de opties uiteenlopen:

voor Optie A (regel-Gebaseerd):
Maak afzonderlijke publiekssegmenten voor elke inhoudvariant. Elk segment vertegenwoordigt een specifieke gedragsconditie (bijv. "Referral = Google AND Geo = US" wordt toegewezen aan inhoudvariant A). Het aantal doelgroepen is gelijk aan het aantal regels voor personalisatie.

voor Optie B (Experimentation):
De definitie van het publiek is optioneel. Als het experiment op alle bezoekers gericht is, wordt geen publiek vereist — het splitsen van het verkeer behandelt varianttoewijzing. Als het experiment gericht is op een specifieke subset (bv. alleen mobiele bezoekers), definieert u één doelgroep voor de subsidiabiliteit van het experiment.

voor Optie C (Beslissing):
Bepaal publiek voor gebruik als geschiktheidsregels voor inhoudsitems. Deze doelgroepen bepalen welke bezoekers in aanmerking komen voor welke inhoudsitems in het besluitvormingsbeleid. De beslissingsengine handelt de selectie van inhoud uit in aanmerking komende items af.

documentatie van Experience League:

Fase 3: Inhoud van auteur maken en varianten maken

de functie van de Toepassing: AJO: De Authoring van het Bericht, AJO: De Experimentatie van de inhoud (Optie B), AJO: Beslissing (Optie C)

Maak de varianten van gepersonaliseerde inhoud die aan bezoekers worden geleverd op basis van het lidmaatschap van het publiek (Option A), experimentele toewijzing (Option B) of beslissingslogica (Option C). Deze fase gaat over het maken van inhoud met behulp van de AJO-webontwerper of de op code gebaseerde ervaringseditor, maar ook over de test- of beslissingsconfiguratie die bepaalt hoe inhoud wordt geselecteerd.

de punten van het Besluit in deze fase:

navigatie UI: Journey Optimizer > Campagnes > Uitgezochte campagne > geef inhoud uit

Zeer belangrijke configuratiedetails:

waar de opties uiteenlopen:

voor Optie A (regel-Gebaseerd):
Auteur een verschillende inhoudsvariant voor elk publiekssegment dat in Fase 2 wordt bepaald. Bind elke variant aan zijn doelpubliek gebruikend voorwaardelijke inhoudsregels in de campagneconfiguratie. Zorg ervoor dat er een standaardinhoudsvariant bestaat voor bezoekers die geen publieksregel overeenkomen.

voor Optie B (Experimentation):
Varianten voor de behandeling van auteurs (A, B, C, enz.) voor het experiment. Laat inhoud experimenteren op de campagne toe, bepaal behandelingsvarianten met hun inhoud, plaats de percentages van de verkeerstoewijzing, en vorm succesmetrisch.

voor Optie C (Beslissing):
Opstelling de de componentenstapel van de Beslissing en integreert het in de campagne.

documentatie van Experience League:

Fase 4: Campagne en levering configureren

functie van de Toepassing: AJO: De Uitvoering van de campagne

Maak en activeer de AJO-webcampagne die het weboppervlak (fase 1), de doelgroep of de testconfiguratie (fase 2-3) en de inhoudvarianten (fase 3) in een te leveren eenheid bindt. De campagne bepaalt wanneer en hoe persoonlijke inhoud aan bezoekers wordt aangeboden.

de punten van het Besluit in deze fase:

navigatie UI: Journey Optimizer > Campagnes > tot Campagne leiden

Zeer belangrijke configuratiedetails:

waar de opties uiteenlopen:

voor Optie A (regel-Gebaseerd):
Creeer één campagne per verpersoonlijkingsregel, elk gericht op een verschillend randpubliek met zijn overeenkomstige inhoudvariant. U kunt ook één campagne met voorwaardelijke inhoudsregels gebruiken die het lidmaatschap van het publiek aan inhoudvarianten binnen één campagne toewijzen.

voor Optie B (Experimentation):
Maak één campagne met toegelaten experimenteren met inhoud. De experimentele configuratie (varianten, verkeerstoewijzing, succesmetrisch) werd gedefinieerd in fase 3. Activeer de campagne om het experiment te starten.

voor Optie C (Beslissing):
Creeer een campagne die het besluitvormingsbeleid inbedt dat in Fase 3 wordt gevormd. De inhoudshandeling van de campagne verwijst naar het beslissingsbereik, dat de beslissingsengine aan de rand activeert. Activeer de campagne om te beginnen met het leveren van inhoud op basis van beslissingen.

documentatie van Experience League:

Fase 5: Prestaties rapporteren en analyseren

functie van de Toepassing: AJO: Rapportering & de Analyse van Prestaties

Bewaak de personalisatieprestaties met behulp van ingebouwde AJO-rapporten en breid desgewenst de analyse uit met CJA voor diepere interkanaalinzichten. Deze fase omvat de toegang tot levende en historische campagnerapporten, het herzien van experimentatieresultaten, en het bouwen van de werkruimten van de douaneanalyse.

de punten van het Besluit in deze fase:

navigatie UI: Journey Optimizer > Campagnes > Uitgezochte campagne > het rapport van de Mening

Zeer belangrijke configuratiedetails:

waar de opties uiteenlopen:

voor Optie A (regel-Gebaseerd):
De campagnerapporten van het overzicht voor elk publiekssegment om levering en betrokkenheidsmetriek over gepersonaliseerde inhoudsvarianten te vergelijken. Gebruik CJA om een vergelijkingswerkruimte te maken die het conversieeffect meet van gepersonaliseerde versus standaardinhoud.

voor Optie B (Experimentation):
Bekijk het experimentatierapport voor statistisch vertrouwen, behandelingslift en identificatie van de winnaars. Wacht tot de betrouwbaarheidsdrempel is bereikt voordat u de winnaar declareert. U kunt winnende inhoud toepassen als de permanente variant (overschakeling naar Option A voor doorlopende levering).

voor Optie C (Beslissing):
Bekijk de maatstaven voor de beslissingsprestaties, zoals de beeldfrequentie, de selectiefrequentie en de conversietoewijzing per inhoudsitem. Analyseren hoe classificatiestrategieën presteren en of er te vaak fallback-inhoud wordt gebruikt (met vermelding van de subsidiabiliteitsregels zijn te restrictief).

documentatie van Experience League:

Implementatieoverwegingen

In deze sectie worden hulplijnen, valkuilen, beste praktijken en afwegingsbeslissingen voor dit gebruikspatroon besproken.

Guardrails en limieten

Controleer de volgende instructies voor en tijdens de implementatie.

Veelvoorkomende valkuilen

Vermijd de volgende algemene implementatiefouten.

Aanbevolen procedures

Volg deze aanbevelingen voor een succesvolle implementatie.

Handelsbesluiten

Houd rekening met de volgende compromissen wanneer u uw implementatie plant.

Gerelateerde documentatie

De volgende Experience League-bronnen bieden aanvullende informatie over de mogelijkheden die in dit gebruikspatroon worden gebruikt.

het kanaal van het Web en op code-gebaseerde ervaringen

Soorten publiek en segmentatie

Personalization en inhoud

experimenteren van de Inhoud

Beheer van het Besluit

Campagnes

Web SDKen gegevensverzameling

Identiteit en profiel

modellering van Gegevens

het Melden en de analyses

het bestuur van Gegevens en privacy

Guardrails