Gedragsaanbeveling
In deze handleiding wordt beschreven hoe u gedragsproduct- en inhoudsaanbevelingen kunt implementeren met Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) en Adobe Experience Platform (AEP). Het is ontworpen voor oplossingsarchitecten, marketingtechnici en implementatietechnici die persoonlijke aanbevelingen moeten doen via het web, mobiele apps en e-mailkanalen.
Het bevat alle uitvoerbare implementatieopties, beslissingsoverwegingen in elke fase en koppelingen naar Adobe Experience League -documentatie. De aanbeveling van het gedrag produceert punt-niveau of inhoud-vlakke aanbevelingen gebruikend gedragssignalen — productmeningen, aankopen, inhoudinteractie, onderzoeksvragen — gecombineerd met AJO beslissende selectiestrategieën en rangschikkingsmodellen. In tegenstelling tot de beslissing over aanbiedingen — die een begrensde reeks aanbiedingen, promoties of prikkels regelt aan de hand van toelatingsregels en zakelijke beperkingen — werkt dit patroon op grote, voortdurend veranderende itemcatalogi (producten, artikelen, video's) waar de selectie eerder door gedragsaffiniteitssignalen dan door gerealiseerde geschiktheid wordt bepaald.
Hoofdlettergebruik
Organisaties met productcatalogi, inhoudsbibliotheken of mediabibliotheken moeten de meest relevante items aan elke bezoeker laten zien op basis van hun gedragsgeschiedenis en activiteiten tijdens de sessie. Of het nu gaat om een carrousel "aanbevolen voor u" op een homepage, een widget voor meerdere verkopen op een pagina met productdetails of productaanbevelingen die in een e-mailcampagne zijn ingesloten, de onderliggende uitdaging is hetzelfde: het gedragsprofiel van elke bezoeker aanpassen aan de meest relevante items in een catalogus en deze aanbevelingen vervolgens op het juiste kanaal op het juiste moment uitvoeren.
Dit patroon verhelpt die uitdaging door gedragssignalen in real time via Web SDK of Mobile SDK in te voeren, ze te verwerken via AJO Decisioning-selectiestrategieën die itemkenmerken combineren met gedragscontext, en de aanbevolen items te leveren via internet, in-app of e-mailkanalen. Rangschikkingsmodellen kunnen op formule-gebaseerd zijn (bijvoorbeeld, soort door de score van de categorieaffiniteit) of op AI-niveau gerangschikt (bijvoorbeeld, gepersonaliseerd aanbevelingsmodel). Het patroon behandelt ook koudstartscenario's voor nieuwe bezoekers zonder gedragsgeschiedenis door terugvalaanbevelingen te vormen.
Het doelpubliek voor dit patroon omvat teams voor de handel in elektronische handel, teams voor de verpersoonlijking van inhoud, en teams voor digitale ervaring die de betrokkenheid, conversie en gemiddelde orderwaarde willen verbeteren door gepersonaliseerde aanbevelingen die door echt gebruikersgedrag worden gedreven.
Belangrijkste bedrijfsdoelstellingen
De volgende bedrijfsdoelstellingen worden gesteund door dit gebruiks gevalpatroon.
de dwars-verkoop van de aandrijving en upsell opbrengst
Aanvullende en hoogwaardige producten of services aan bestaande klanten promoten op basis van gedrag en aankoopgeschiedenis.
KPIs: Upsell/Cross-Sell %, Incrementele Inkomsten, de Waarde van het Leven van de Klant
de omzettingspercentages van de Verhoging
Verbeter het percentage bezoekers en de vooruitzichten die de gewenste acties zoals aankopen, inschrijven, of vormverzendingen voltooien.
KPIs: de Tarieven van de Omzetting, Loodomzetting, Kosten per lood
lever gepersonaliseerde klantenervaringen
Inhoud, aanbiedingen en berichten voor individuele voorkeuren, gedrag en levenscyclusfase aanpassen.
KPIs: Betrokkenheid, de Tarieven van de Omzetting, Tevredenheid van de Klant (CSAT)
Voorbeelden van tactische gebruiksgevallen
Hieronder vindt u algemene tactische implementaties van dit patroon:
- Widget voor cross-sell van producten op de pagina met productdetails (klanten hebben ook gekocht)
- Carrousel "Aanbevolen voor u" op homepage op basis van browsergeschiedenis
- Aanbevelingen voor inhoud op mediasite op basis van leesgedrag
- 'Recent bekeken' in combinatie met vergelijkbare objecten-widget
- Aanbevelingen voor aanvullende producten na aankoop
- Aanbevelingen voor e-mailproducten op basis van gedragsaffiniteit
- Categoriespecifieke aanbevelingen op basis van browsergedrag tijdens sessie
- Herwaardering van zoekresultaten op basis van gedragssignalen
Kernprestatie-indicatoren
De volgende KPIs helpen de doeltreffendheid van gedrags adviserende implementaties meten.
Hoofdletterpatroon gebruiken
Aanbeveling van het Gedrag
Genereer aanbevelingen op itemniveau of inhoudsniveau op basis van gedragssignalen, met gebruik van AJO-selectiestrategieën en rangordemodellen voor het weergeven van contextafhankelijke inhoud.
Keten van de Functie: De Ingestie van het Gedrag van het Signaal > de Evaluatie van de Strategie van de Beslissing > de Levering van de Aanbeveling > het Melden
Zie de sectie Patrooncompositie onder Implementatieoverwegingen voor hulp bij het combineren van patronen.
Applicaties
In dit gebruikspatroon worden de volgende toepassingen gebruikt.
- Adobe Journey Optimizer (AJO) Beslissing — De strategieën van de selectie, rangschikkende modellen, puntcatalogi, en besluitvormingsbeleid die gedragssignalen evalueren en de meest relevante punten voor elke bezoeker terugkeren
- Adobe Real-Time Customer Data Platform (rt-CDP) — De accumulatie van de profielgegevens van het Gedrag, publieksevaluatie voor aanbeveling het scoping, en gegevens verwerkte attributen voor het gedrag affiniteitscoring
- Adobe Experience Platform (AEP) — Gedragingen van gebeurtenissen via Web SDK en Mobile SDK , Edge Network verwerking, XDM-schemabeheer voor gebeurtenis- en catalogusgegevens
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:
- [ ] AJO-beslissingen worden ingericht en ingeschakeld in de doelsandbox
- [ ] Web SDK of Mobile SDK wordt geïmplementeerd en gedragsgebeurtenissen worden verzameld met product-/inhoudsidentificatoren
- [ ] Gegevens uit de product- of inhoudscatalogus zijn beschikbaar voor inname (productnaam, categorie, prijs, afbeeldings-URL, beschikbaarheid)
- [ ] De schema's van de gedragsgebeurtenis omvatten punt/productherkenningstekens die met cataloguspunten verbinden
- [ ] DataStream is geconfigureerd met Adobe Journey Optimizer -service ingeschakeld (vereist voor Edge-besluitvorming)
- [ ] Samenvoegen van beleid met
isActiveOnEdge: trueis geconfigureerd (vereist voor realtime aanbevelingen voor web en toepassingen) - [ ] Voor e-mailaanbevelingen (Option C): oppervlak van e-mailkanalen is geconfigureerd en gevalideerd
- [ ] Voor e-mailaanbevelingen (Option C): doelgroep is gedefinieerd en geëvalueerd
Implementatieopties
De volgende opties beschrijven verschillende benaderingen voor het uitvoeren van gedragsaanbevelingen. Kies de optie die het beste aansluit bij uw kanaalvereisten en technische beperkingen.
Optie A: Aanbevelingen in real time voor het web
Best voor: aanbevelingen van het product of van de inhoud op Web-pagina's — de pagina van het productdetail dwars-verkoopwidgets, homepage aanbeveling carrousels, gepersonaliseerde lijsten van de categoriepagina, en de verpersoonlijking van het onderzoeksresultaat.
hoe het werkt:
Gedragssignalen worden in real time via Web SDK verzameld wanneer bezoekers door de site bladeren. Elke paginaweergave, productinteractie of zoekquery wordt gestreamd naar AEP en is gekoppeld aan het profiel van de bezoeker (via ECID voor anonieme bezoekers of een geverifieerde identiteit voor bekende bezoekers). Wanneer een pagina met een aanbevolen oppervlak wordt geladen, vraagt Web SDK AJO om een beslissingsevaluatie via de Edge Network . De beslissingsengine evalueert het gedragsprofiel van de bezoeker op basis van de selectiestrategie, past waarderingslogica toe, filtert niet-subsidiabele items uit (al aangeschaft, niet beschikbaar) en retourneert de aanbevolen items.
Aanbevelingen worden op de pagina weergegeven via op code gebaseerde ervaringen of webkanaaloppervlakken. De rendering kan een carrousel, raster, widget voor één item of een aangepaste indeling zijn die in de aanbevolen sjabloon is gedefinieerd. Impressie- en klikgebeurtenissen worden automatisch teruggezet naar AEP voor prestatierapportage.
Zeer belangrijke overwegingen:
- Edge-beslissingen vereisen dat het fusiebeleid actief is op Edge
- De latentie van de aanbeveling hangt van Edge Network reactietijd (sub-500ms SLA voor enig-werkingsgebied verzoeken) af
- Anonieme bezoekers ontvangen aanbevelingen op basis van gedrag tijdens de sessie; bekende bezoekers profiteren van gedragsgeschiedenis tijdens verschillende sessies
- Koudstartbezoekers zonder gedragsgeschiedenis ontvangen fallback-aanbevelingen
Voordelen:
- Realtime verpersoonlijking die op gedrag in sessie wordt gebaseerd
- Tweede aanbeveling voor levering via Edge Network
- Werkt voor zowel anonieme als bekende bezoekers
- Automatische weergave en klik op bijhouden
- Geen paginaherladen vereist voor nieuwe aanbevelingen
Beperkingen:
- Edge-profielarchief bevat een subset van volledige profielkenmerken
- De complexe rangschikkingsmodellen met vele profielattributen kunnen hubzijevaluatie vereisen
- Vereist Web SDK implementatie met gedragsgebeurtenistracering
Experience League:
Optie B: Aanbevelingen voor mobiele apps
Best voor: In-app productaanbevelingen, gepersonaliseerde inhoudsvoer, bericht-gedreven aanbevelingen, en mobiele handelservaringen.
hoe het werkt:
Gedragssignalen worden via Mobile SDK verzameld terwijl gebruikers met de app communiceren. Productweergaven, interacties met inhoud, zoekopdrachten en aankopen worden gestreamd naar AEP. Wanneer een scherm met een aanbevolen oppervlak wordt geladen, vraagt Mobile SDK om een beslissingsevaluatie. Aanbevelingen worden geleverd via berichten in de app, inhoudskaarten of ervaringen op basis van code in de mobiele app.
Inhoudskaarten zijn bijzonder geschikt voor het gebruik van aanbevolen toepassingen in mobiele apps, omdat ze een feed-achtige ervaring hebben die gebruikers naar eigen goeddunken kunnen doorbladeren. Berichten in de app kunnen worden gebruikt voor contextuele aanbevelingen die worden geactiveerd door specifieke gedragingen (bijvoorbeeld het weergeven van complementaire producten na het toevoegen van een artikel aan de winkelwagen).
Zeer belangrijke overwegingen:
- Mobile SDK moet worden geconfigureerd met gedragsgebeurtenistracering voor relevante interacties
- Inhoudskaarten bieden een aanhoudend aanbevolen oppervlak; in-app-berichten zijn letterlijk
- Offline gedragspatiëring vereist SDK-voorraadbeheer voor uitgestelde gebeurtenisverzending
- Update-cycli van App Store beïnvloeden hoe snel aanbevelingen voor het teruggeven van wijzigingen kunnen worden geïmplementeerd
Voordelen:
- Native mobiele ervaring met vloeiende, toepassingsgeïntegreerde aanbevolen rendering
- Inhoudskaarten bieden een permanente, bladerbare aanbevolen feed
- In-app-berichten maken contextuele, door gedrag geïnitieerde aanbevelingen mogelijk
- Gebruikt apparaatsignalen (locatie, gebruikspatronen van de app) voor verbeterde relevantie
Beperkingen:
- Vereist Mobile SDK bronnen voor integratie en ontwikkeling van apps
- Voor het renderen van wijzigingen zijn app-updates vereist (tenzij u code-gebaseerde ervaringen met servergestuurde lay-outs gebruikt)
- Offlineperioden zorgen voor tussenruimten in gedragssignaalverzameling
Experience League:
Optie C: Aanbevelingen betreffende e-mailgedrag
het Best voor: aanbevelingen van het Product in e-mailcampagnes — verlaten doorbladert e-mail met bekeken productaanbevelingen, post-aankoop dwars-verkoop e-mails, periodieke "plukken voor u"onderverdelingen, en re-engagement e-mails met gepersonaliseerde productsuggesties.
hoe het werkt:
De gegevens van het gedragsprofiel die van vorige zittingen worden verzameld informeren aanbeveling selectie bij e-mail verzendt tijd of geeft tijd terug. Er is een publiek gedefinieerd dat zich richt op de juiste ontvangers (bijvoorbeeld bezoekers die hebben gebladerd maar niet hebben aangeschaft, klanten die onlangs een aankoop hebben gedaan). Een campagne of reis wordt gevormd om een e-mail te verzenden die aanbevelingen plaatsing omvat. Bij het verzenden evalueert AJO Decisioning het gedragsprofiel van elke ontvanger op basis van de selectiestrategie en injecteert de aanbevolen items in de e-mailinhoud.
Deze optie is gebaseerd op de geaccumuleerde gedragsgeschiedenis in plaats van signalen tijdens de sessie. Berekende kenmerken (categoriescores, recente productweergaven, aankoopfrequentie) verbeteren de kwaliteit van aanbevelingen voor e-mail aanzienlijk omdat gedragsgeschiedenis wordt omgezet in signalen op profielniveau die de selectiestrategie efficiënt kan evalueren.
Zeer belangrijke overwegingen:
- E-mailaanbevelingen worden geëvalueerd tijdens het verzenden, niet tijdens het openen. De status van het gedragsprofiel op het moment van verzending bepaalt de aanbevelingen
- Gedetailleerde kenmerken worden ten zeerste aanbevolen om de kwaliteit van de classificatie te verbeteren
- Beperkingen voor weergave via e-mail (geen JavaScript, beperkte CSS) beperken aanbevolen weergaveindelingen
- Vereist een geconfigureerd en gevalideerd oppervlak voor e-mailkanalen
Voordelen:
- Gebruikt volledige gedragsgeschiedenis over zittingen voor diepere verpersoonlijking
- Integreert met bestaande campagne- en reisworkflows
- Geschikt voor terugzetprocedures en terugwinningsscenario's waarbij web-/app-aanraakpunten niet beschikbaar zijn
- Kan meerdere aanbevelingen opnemen in één e-mail
Beperkingen:
- Aanbevelingen zijn statisch tijdens het verzenden. Ze worden niet bijgewerkt wanneer het e-mailbericht wordt geopend
- Beperkingen voor rendering van e-mail beperken aanbevelingen voor weergave-indelingen
- Vereist publieksevaluatie en campagne-/reis-orkestinfrastructuur
- Hogere implementatiecomplexiteit als gevolg van extra afhankelijkheden (kanaalconfiguratie, definitie van het publiek, uitvoering van de campagne)
Experience League:
Optievergelijking
De volgende tabel geeft een overzicht van de belangrijkste verschillen tussen implementatieopties.
Kies de juiste optie
Gebruik de volgende richtlijnen om de beste optie voor uw situatie te selecteren:
- Begin met Optie A als uw primair doel productaanbevelingen in real time op uw website is. Dit is het meest gangbare uitgangspunt en biedt onmiddellijke waarde met de laagste complexiteit bij de implementatie.
- kies Optie B als uw mobiele app een primair betrokkenheidskanaal is en de aanbevelingen in-app zouden leiden tot een zinvolle conversie lichter. Optie B kan parallel lopen met optie A gebruikend de zelfde selectiestrategieën en puntcatalogi.
- voeg Optie C toe wanneer u gedragsaanbevelingen in e-mailcampagnes wilt uitbreiden. Deze laag wordt gewoonlijk boven op Option A of B geplaatst, gebruikend de zelfde puntcatalogi en selectiestrategieën maar met e-mailspecifieke het teruggeven malplaatjes en op publiek-gebaseerd richten.
- combineer Opties A + C voor een gemeenschappelijk patroon: Webaanbevelingen in real time voor actieve bezoekers, plus verlaten doorblader of post-aankoop e-mailaanbevelingen voor bezoekers die zonder het omzetten vertrekken.
Uitvoeringsfasen
De volgende fasen begeleiden u door de implementatie van begin tot eind van gedragsaanbevelingen.
Fase 1: gedragsgebeurtenisschema en gegevensverzameling configureren
de Functie van de Toepassing: AEP: De Modellering en Voorbereiding van gegevens (F2), AEP: Gegevensbronnen & Inzameling (F3)
Deze fase vestigt de schema's XDM, datasets, en mechanismen van de gegevensinzameling die gedragssignalen en de gegevens van de puntcatalogus vangen. Dit gegevensfundament is waar alle aanbevelingen op gericht zijn.
Besluit: ontwerp van gedragsgebeurtenisschema
Welke gedragssignalen zouden aanbevelingen moeten drijven?
Besluit: methode voor het opnemen van objectcatalogi
Hoe wordt de product- of inhoudscatalogus in AEP opgenomen?
navigatie UI: het Beheer van Gegevens > Schema's > creeer schema; de Inzameling van Gegevens > Gegevensstromen > Nieuwe DataStream
Zeer belangrijke configuratiedetails:
- In het gebeurtenisschema van de ervaring moeten product-/item-id's (SKU, product-id, inhoud-id) zijn opgenomen voor de gebeurtenislading
- Het catalogusschema van items moet kenmerken bevatten die worden gebruikt voor filteren en rangschikken: categorie, prijs, afbeeldings-URL, beschikbaarheidsstatus, tags
- DataStream moet de Adobe Journey Optimizer -service hebben ingeschakeld voor Edge-besluitvorming
- Web SDK
sendEventaanroepen moeten productinteractiegegevens bevatten die zijn toegewezen aan XDM-handelsvelden
documentatie van Experience League:
Fase 2: Identiteit en profiel configureren
de Functie van de Toepassing: AEP: Identiteit & de Configuratie van het Profiel (F4)
Deze fase plaatst omhoog identiteitsnamespaces, primaire identiteitsaanduidingen, en fusiebeleid dat ervoor zorgt dat de gedragssignalen correct met bezoekersprofielen en beschikbaar voor de levering van de aanbeveling in real time worden geassocieerd.
Besluit: Samenvoegingsbeleid voor Edge-besluitvorming
Moet in het geval van de aanbeveling Edge-evaluatie in real-time worden uitgevoerd?
Beslissing: Anonieme versus bekende identiteit bezoeker
Hoe moeten gedragssignalen van anonieme bezoekers worden afgehandeld?
navigatie UI: Identiteiten > Identiteitsnamespaces; Profielen > het beleid van de Fusie
Zeer belangrijke configuratiedetails:
- ECID-naamruimte wordt vooraf geconfigureerd en automatisch gebruikt door Web SDK en Mobile SDK
- Aangepaste identiteitsnaamruimten (CRM-id, loyalty-id) moeten worden gemaakt voor geverifieerde identiteit
- Primaire identiteit in het gebeurtenisschema Experience moet worden ingesteld op ECID voor gedraggebeurtenissen voor web/mobiele apparaten
- Het beleid van de fusie moet Privé Grafiek van het Apparaat voor identiteit gebruiken stitching over apparaten
documentatie van Experience League:
Fase 3: Een itemcatalogus en selectiestrategie instellen
Functie van de Toepassing: AJO: Beslissing
Deze fase vormt de puntcatalogus (besluitvormingspunten), selectiestrategieën die gedragssignalen met puntattributen voor het rangschikken, het filtreren regels om niet in aanmerking komende punten uit te sluiten, en terugvalaanbevelingen voor koudstartprofielen combineren.
Besluit: bereik van itemcatalogus
Welke punten zijn beschikbaar voor aanbeveling?
Besluit: Willekeurige aanpak
Hoe moeten in aanmerking komende items worden gerangschikt om de beste aanbevelingen te bepalen?
Besluit: Filtervoorschriften
Welke punten zouden van aanbevelingen moeten worden uitgesloten?
Besluit: Koudstartstrategie
Wat moet worden getoond voor nieuwe bezoekers zonder gedragsgeschiedenis?
navigatie UI: Journey Optimizer > Componenten > Beslissingsbeheer > Besluiten; Journey Optimizer > Componenten > Beslissingsbeheer > Aanbiedingen; Journey Optimizer > Componenten > Beslissingsbeheer > Plaatsingen
Zeer belangrijke configuratiedetails:
- Beslissingsitems maken die elk product of inhoudsitem in de catalogus vertegenwoordigen, met kenmerken (categorie, prijs, afbeeldings-URL, tags)
- Definieer selectiestrategieën die het filteren van de itemcatalogus combineren met logica voor gedragsrangschikking
- Classificatiemodellen configureren — op formule gebaseerde expressies kunnen verwijzen naar profielkenmerken (bijvoorbeeld categoriaffiniteitscores van berekende kenmerken)
- Maak fallback-aanbiedingen/items die als standaardaanbevelingen voor koudstartprofielen dienen
- Items in verzamelingen indelen met behulp van verzamelingsaanduidingen (tags) voor logische groepering
- Opstelling het filtreren regels binnen selectiestrategieën om bedrijfsregels (exclusief gekochte, in voorraad slechts) af te dwingen
documentatie van Experience League:
Fase 4: Kanaal en oppervlak configureren
Functie van de Toepassing: AJO: De Configuratie van het Kanaal
Deze fase vormt de leveringsoppervlakten waar de aanbevelingen zullen worden teruggegeven. De configuratie varieert aanzienlijk per implementatieoptie.
Besluit: Type leveringsoppervlak
Waar worden aanbevelingen weergegeven?
waar de opties uiteenlopen:
voor Optie A (Echte het Web - tijd Aanbevelingen):
Configureer een op code gebaseerd ervaringsoppervlak of een webkanaaloppervlak. Codegebaseerde ervaringen bieden de meeste flexibiliteit voor het renderen van aangepaste aanbevelingen (carrousels, rasters, itemkaarten). De oppervlakte-URI identificeert waar op de paginaaanbevelingen verschijnen.
voor Optie B (Mobiele Aanbevelingen van de Toepassing):
Vorm in-app bericht of inhoudskaartoppervlakken. Inhoudskaarten worden aanbevolen voor doorlopende aanbevelingen. Berichten in de app werken goed voor contextuele, door gedrag gestuurde aanbevelingen.
voor Optie C (de Aanbevelingen van het Gedrag E-mail):
Vorm een oppervlakte van het e-mailkanaal met subdomain delegatie, IP pooltoewijzing, en afzendermontages. Zorg ervoor dat het oppervlak gevalideerd is voor de te leveren items.
navigatie UI: Beleid > Kanalen > de oppervlakten van het Kanaal > Create oppervlakte
documentatie van Experience League:
Fase 5: Inhoud en levering configureren
Functie van de Toepassing: AJO: De Authoring van het bericht
Deze fase bepaalt de aanbeveling die malplaatjes teruggeeft die controleren hoe de geadviseerde punten aan de bezoeker worden getoond. Dit omvat ontwerp van de puntlay-out, verpersoonlijkingsuitdrukkingen die puntattributen (naam, beeld, prijs, verbinding) trekken, en het algemene ontwerp van de aanbeveling ervaren.
Besluit: Weergaveformaat aanbeveling
Hoe moeten aanbevolen items worden gerenderd?
Besluit: Aantal weer te geven aanbevelingen
Hoeveel punten zou de beslissing per plaatsing moeten terugkeren?
waar de opties uiteenlopen:
voor Optie A (Echte het Web - tijd Aanbevelingen):
Ontwerp de aanbeveling die gebruikend code-gebaseerde ervaringsmalplaatjes teruggeeft. Gebruik HTML/CSS/JavaScript om de carrousel-, raster- of widgelay-out te maken. Personalization-expressies verwijzen naar de kenmerken van de besluitreactie (naam, afbeeldings-URL, prijs, product-URL). Indrukken en klikken bijhouden worden automatisch afgehandeld door de Web SDK .
voor Optie B (Mobiele Aanbevelingen van de Toepassing):
Configureer inhoudskaart of berichtsjablonen in de app met de logica voor de itemweergave. Gebruik op JSON gebaseerde inhoudsstructuren die de mobiele app native rendert. Voeg diepe koppelingen toe voor elk aanbevolen item.
voor Optie C (de Aanbevelingen van het Gedrag E-mail):
Ontwerp e-mailinhoud met de e-mailtoepassing Designer. Voeg aanbevelingen toe met behulp van besluitvormende inhoudsblokken. Vorm verpersoonlijkingsuitdrukkingen voor puntattributen binnen het e-mailmalplaatje. De onderwerpregel kan verwijzing naar hoogste geadviseerde punten.
navigatie UI: Inhoudsbeheer > de Malplaatjes van de Inhoud; Campagne/Reis > geeft inhoud uit > E-mail Designer
Zeer belangrijke configuratiedetails:
- Elke plaatsing van de aanbeveling moet verwijzen naar het besluit dat in Fase 3 is genomen
- Personalization-expressies gebruiken Handlebars-syntaxis om itemkenmerken te renderen
- Voor Web: vorm de op code-gebaseerde ervaring om het besluit te roepen en de reactie terug te geven
- Voor e-mail: sluit het besluit in de e-mailactie binnen de campagne of reis in
- Aanbevelingen voorvertonen met testprofielen met bekende gedragsgeschiedenis
documentatie van Experience League:
Fase 6: publieksbereik en campagne/reis instellen (alleen optie C)
Functie van de Toepassing: rt-CDP: De Evaluatie van het publiek, AJO: De Uitvoering van de campagne of Journey Orchestration
Voor op e-mail-gebaseerde aanbevelingen (Optie C), bepaalt deze fase het doelpubliek en vormt de campagne of de reis die de aanbeveling e-mail levert. De opties A en B slaan deze fase over omdat de aanbevelingen in echt - tijd bij pagina/het schermlading worden geleverd.
Besluit: Methode voor de evaluatie van het publiek
Hoe moet het doelpubliek voor e-mails met aanbevelingen worden geëvalueerd?
Besluit: Leveringsmechanisme
Moet de e-mail worden bezorgd via een campagne of een reis?
navigatie UI: Klant > Soorten publiek > leidt tot publiek > de regel van de Bouwstijl; Campagnes > creeer campagne; De Schavens > creëren reis
Zeer belangrijke configuratiedetails:
- Bepaal het doelpubliek gebruikend de uitdrukkingen van de segmentregel die op gedragsgeschiedenis verwijzen (b.v. "bekeken producten in de afgelopen 7 dagen maar niet gekocht")
- Vorm de campagne of de reis met de e-mailactie die de kanaaloppervlakte van Fase 4 van verwijzingen voorzien
- Het besluit uit fase 3 insluiten in de e-mailinhoud
- Plaats het plannen en de frequentieregels om over overseinen te vermijden
documentatie van Experience League:
Fase 7: Rapportage en optimalisatie configureren
Functie van de Toepassing: AJO: Rapportering & Analyse van Prestaties, S5: Rapportering & Analyse
Deze fase vestigt prestatiescontrole voor aanbeveling klikthrough, omzetting, en opbrengstmetriek. Het creëert de rapportinfrastructuur om de doeltreffendheid van aanbevelingen te meten en optimaliseringsmogelijkheden te identificeren.
Besluit: rapportagediepte
Welk niveau van rapporteringsanalyse is nodig?
navigatie UI: Campagnes > de Uitgezochte campagne > Alle tijdrapport; De reizen > Uitgezochte reis > Alle tijdrapport; Customer Journey Analytics > Projecten > Nieuw project creëren
Zeer belangrijke configuratiedetails:
- AJO campagne- en reisrapporten voor levering en betrokkenheid bekijken
- Voor Customer Journey Analytics integratie maakt u een verbinding met gegevenssets voor ervaringen met AJO-ervaringen (Berichtfeedback, E-mailtracking, besluitvorming)
- Maak een Customer Journey Analytics gegevensweergave met aanbevelingen (itemnaam, itemcategorie, aanbevolen oppervlak) en metriek (afbeeldingen, klikken, conversies, inkomsten)
- Berekende maatstaven maken voor aanbeveling CTR, conversiekoers en inkomsten per indruk
- Deelvensters in de werkruimte Customer Journey Analytics maken waarin de prestaties van aanbevelingen voor oppervlakken, segmenten en tijdsperioden worden vergeleken
documentatie van Experience League:
Implementatieoverwegingen
Bekijk de volgende instructies, valkuilen, beste praktijken en compromissen voor en tijdens de implementatie.
Guardrails en limieten
- Maximum van 10.000 goedgekeurde gepersonaliseerde aanbiedingen (besluitvormingspunten) per zandbak - de guardrails van het Beheer van het Besluit
- Maximaal 30 stages per besluit
- Maximaal 30 verzamelingsbereiken per beslissingsverzoek
- Aanbieding leveringstijd SLA: minder dan 500 ms bij P95 voor Edge-aanvragen met één bereik
- Voor AI-classificatiemodellen is een minimum van 1.000 conversieevenementen vereist voor training
- Aanbiedings het begrenzen tellers kunnen een vertraging van tot een paar seconden in hoge productiescenario's hebben
- Edge-beslissingen zijn beperkt tot profielkenmerken die beschikbaar zijn in de winkel met randprofielen
- Slechts één samenvoegingsbeleid kan op Edge per zandbak actief zijn - de gidsen van het Profiel
- Maximum van 25 actieve gegevens verwerkte attributen per zandbak — verwerkte attributengidsen
- Maximum van 4.000 segmentdefinities per zandbak - de gidsen van de Segmentatie
- Streaming opname: maximum 20.000 verslagen per seconde per verbinding van HTTP - Ingestiegeldrails
Veelvoorkomende valkuilen
- het Besluit keert slechts reservepunten terug: verifieer dat de gepersonaliseerde besluitvormingspunten, binnen hun waaier van de geldigheidsdatum worden goedgekeurd, en dat de geschiktheidsregels de het profielattributen van de bezoeker aanpassen. Controleer of de plafondlimiet niet is bereikt.
- de levering van Edge keert lege verpersoonlijking terug: zorg ervoor de gegevensstroom met de Adobe Journey Optimizer toegelaten dienst wordt gevormd en dat het beslissingswerkingsgebied correct in het Web SDK verzoek wordt geformatteerd.
- het Rangschikken formule niet toegepast: verifieer dat de formule syntactisch geldig is en verwijzingen toegankelijke profielattributen. Formulatiefouten vallen zonder meer terug op prioriteitsclassificatie.
- de aanbevelingen van de Schaal: als gedragsgebeurtenisgegevens niet in echt stromen - tijd, zullen de aanbevelingen op verouderde gedragsprofielen worden gebaseerd. Controleer of Web SDK of Mobile SDK actief streaming gebeurtenissen is.
- Cold-start fallback tarief is te hoog: als een groot percentage bezoekers fallback aanbevelingen ontvangt, denk na verrijkend de koudstartstrategie met contextuele signalen (huidige paginacategorie, verwijzingsbron) eerder dan het baseren uitsluitend op gedragsgeschiedenis.
- Aanbevelingen die niet op pagina teruggeven: verifieer dat de op code-gebaseerde de ervaringsoppervlakte URI het patroon van pagina URL aanpast en dat Web SDK correct om de besluitreactie verzoekt en teruggeeft.
- de punten van de Catalogus missen van aanbevelingen: zorg ervoor alle cataloguspunten als besluitvormingspunten zijn opgenomen, geëtiketteerd met de correcte inzamelingsbepalers, en inbegrepen in de aangewezen inzamelingen die door de selectiestrategie van verwijzingen worden voorzien.
Aanbevolen procedures
- Begin met een op formule gebaseerd rangordemodel met behulp van berekende kenmerken (categorievijnheid, interactierente) voordat u in op AI gerangschikte modellen investeert. Op formule-gebaseerde modellen zijn transparant, controleerbaar, en verstrekken een stevige basislijn voor vergelijking.
- Importeer de indruk en klik vanaf de eerste dag op Tekstspatiëring. Zonder interactiegegevens kunnen AI-classificatiemodellen niet trainen en u kunt de doeltreffendheid van aanbevelingen niet meten.
- Maak afzonderlijke selectiestrategieën voor verschillende aanbevolen oppervlakken (homepage, PDP, e-mail) in plaats van één strategie overal opnieuw te gebruiken. Verschillende oppervlakken hebben verschillende gebruikersinzichten.
- Gebruik berekende kenmerken om de gedragsgeschiedenis om te zetten in classificatiesignalen. Onbewerkte gebeurtenisgegevens zijn te korrelig voor een effectieve op formule gebaseerde rangschikking; geaggregeerde signalen zoals "categoriaffiniteitsscore" en "dagen sinds laatste aankoop" zijn effectiever.
- De aanbevelingen van de testreserve los van gepersonaliseerde aanbevelingen. Zorg ervoor dat de terugvalitems van hoge kwaliteit zijn en de standaardwaarden die geschikt zijn voor het merk, zorgen voor een goede ervaring voor nieuwe bezoekers.
- Controleer de fallbacksnelheid bij koude start als een belangrijke maatstaf voor de gezondheid. Een afnemende fallbacksnelheid in de loop der tijd geeft een toenemende gedragsdekking aan.
- Voor e-mailaanbevelingen verzendt het programma op momenten dat het gedragsprofiel het volledigst is (bijvoorbeeld na piekbladeruren, niet tijdens hen).
Handelsbesluiten
De volgende compromissen moeten op basis van uw specifieke vereisten worden beoordeeld.
Realtime signalen vs. geaccumuleerde geschiedenis
Gedragssignalen tijdens sessies bieden onmiddellijke relevantie maar hebben een beperkte diepte. De geaccumuleerde gedragsgeschiedenis verstrekt diepte maar kan stuitend zijn. Het evenwicht tussen deze bronnen beïnvloedt de kwaliteit van de aanbevelingen.
- Optie A gunt: signalen in real time voor directe relevantie, die door geaccumuleerde geschiedenis voor bekende bezoekers wordt aangevuld
- Optie C gunt: Gecumuleerde geschiedenis uitsluitend, aangezien de e-mails asynchroon worden verzonden
- Aanbeveling: voor Web en mobiel (Opties A, B), combineer in-zittingssignalen met gegevens verwerkte attributen die uit historisch gedrag worden afgeleid. Voor e-mail (Optie C), investeer zwaar in gegevens verwerkte attributen die gedragsgeschiedenis in actionable profiel-vlakke signalen samenvatten.
Op basis van formule versus modellen met een AI-classificatie
Op formule gebaseerde rangschikking is transparant en onmiddellijk. Op AI gerangschikte modellen passen zich automatisch aan, maar vereisen trainingsgegevens en bieden minder zichtbaarheid bij rangschikkingsbesluiten.
- op formule-Gebaseerde gunsten: Transparantie, controleerbaarheid, directe plaatsing, en gealigneerde bedrijfscontrole over rangschikkende logica
- AI-gerangschikte voorkeur: Geautomatiseerde optimalisering, ontdekking van niet voor de hand liggende patronen, en verminderde handmatige het stemmen inspanning
- Aanbeveling: Begin met op formule-gebaseerde rangschikking om een prestatiesbasislijn te vestigen en omzettingsgegevens te accumuleren. De overgang naar modellen met de AI-classificatie zodra u voldoende trainingsgegevens hebt (1.000+ conversiegebeurtenissen) en u wilt verder optimaliseren dan wat handmatige regelafstelling kan bereiken.
Rapportage van aanbevelingen versus relevantie
Door de itemcatalogus uit te breiden en de filterregels te versoepelen wordt het percentage aanvragen dat gepersonaliseerde aanbevelingen ontvangt, verhoogd, maar kan de relevantie voor een aanbeveling afnemen.
- Hoge dekking gunst: Maximaliserend het aantal bezoekers die gepersonaliseerde aanbevelingen zien; nuttig wanneer het primaire doel overeenkomst is
- Hoge relevantie gunst: die slechts hoogst relevante punten tonen, zelfs als het betekent meer bezoekers terugvalaanbevelingen zien; nuttig wanneer het primaire doel omzetting is
- Aanbeveling: Begin met gematigd filtreren (sluit aangekochte punten, uit-van-voorraad punten) uit en controleer zowel fallback tarief als omzettingspercentage. Verbeter filterregels slechts als de omzettingsgegevens het steunen.
Personalization-diepte versus complexiteit van implementatie
Betere gedragssignalen en meer geavanceerde rangordemodellen verbeteren de kwaliteit van aanbevelingen, maar verhogen de complexiteit van de implementatie en de onderhoudsbelasting.
- Eenvoudige implementatie gunt: Snellere tijd aan waarde, lager onderhoud, gemakkelijker om te zuiveren en te herhalen
- diepere verpersoonlijking gunt: Hogere omzettingslift, betere klantenervaring, concurrerende differentiatie
- Aanbeveling: voer in fasen uit. Begin met de signalen van de productmening en op formule-gebaseerde rangschikking (Fase 1). Berekende kenmerken toevoegen voor verrijking van gedrag (fase 2). Evalueer modellen met een AI-classificatie zodra de basis rijp is en er voldoende trainingsgegevens beschikbaar zijn (fase 3).
Gerelateerde documentatie
De volgende bronnen bieden aanvullende informatie over de technologieën en mogelijkheden die in dit patroon worden gebruikt.
Beslissingsbeheer
- Overzicht van Beslissingsbeheer
- Plaatsingen maken
- Beslissingsregels maken
- Gepersonaliseerde aanbiedingen maken
- Alternatieve aanbiedingen maken
- Verzamelingen maken
- Verzamelingsaanduidingen maken
- Beslissingen maken
- Rangorde van strategieën
- Aanbiedingen in berichten leveren
- Aanbiedingen leveren met de Edge-API voor besluitvorming