Gebeurtenissen

Gebeurtenissen zijn een essentieel hulpmiddel om de winkelervaring te verbeteren en conversies te stimuleren door real-time gegevensinzichten te benutten.

Adobe Commerce Optimizer implementeert automatisch storefront-gebeurtenissen op uw site. Deze gebeurtenissen leggen gegevens vast uit de interacties van kopers op uw site. Deze geanonimiseerde gegevensmachten aanbevelingen, productontdekking, en succesmetriek.

De pagina van Gebeurtenissen laat u de gegevens waarnemen van de storefront gebeurtenis die worden verzameld. Met een weergave in de verzameling van gebeurtenisgegevens kunnen handelaren controleren of ze storefront-gebeurtenissen correct hebben geïmplementeerd en of gebeurtenissen correct worden vastgelegd. Op deze pagina kunnen verkopers mogelijke problemen identificeren en stappen ondernemen om gebeurtenisproblemen op te lossen.

Aantal gebeurtenissen

De tellen van de Gebeurtenis lusjesporen winkelinteracties, zoals onderzoeken, klikken, en aankopen, om u te helpen tendensen analyseren en de het winkelen ervaring verbeteren.

{modal="regular"}

Saniteitscontrole

Het lusje van de Controle van de Gezondheid van 0} {biedt inzichten in de gezondheid van elke gedragsgebeurtenis, die nauwkeurige gegevensinzameling en functionaliteit verzekeren. ​

{modal="regular"}

De volgende secties beschrijven gebeurtenisdetails voor productontdekkingen aanbevelingen.

Productdetectie

Bij productdetectie worden gebeurtenissen gebruikt om zoekalgoritmen zoals "Meest bekeken" en "Dit bekeken, bekeken" aan te sturen.

Deze lijst beschrijft de gebeurtenissen die door productontdekking worden gebruikt rangschikkend strategieën.

Vereiste dashboardgebeurtenissen

Sommige gebeurtenissen worden vereist om het dashboard van de onderzoeksprestatieste bevolken

Aanbevelingen

Er zijn twee soorten gegevens die in aanbevelingen worden gebruikt:

Adobe Sensei voegt de gedrags- en catalogusgegevens samen en maakt aanbevelingen voor elk type aanbeveling. De dienst van Aanbevelingen stelt dan die aanbevelingen aan uw opslag in de vorm van een widget op die het geadviseerde product punten bevat.

Sommige soorten aanbevelingen gebruiken gedragsgegevens van uw klanten om machine het leren modellen op te leiden om gepersonaliseerde aanbevelingen te bouwen. Andere soorten aanbevelingen gebruiken alleen catalogusgegevens en gebruiken geen gedragsgegevens. Als u snel wilt beginnen met het gebruik van Aanbevelingen op uw site, kunt u het aanbevolen type More like this gebruiken.

Koude start

Wanneer kunt u beginnen met het gebruiken van aanbevelingen die gedragsgegevens gebruiken? Het hangt ervan af. Dit wordt bedoeld als Koud Begin probleem.

Het Koude 1} probleem van het Begin van het Begin {verwijst naar de tijd het voor een model neemt om te trainen en effectief te worden. Voor aanbevelingen betekent dit dat Adobe Sensei moet wachten om voldoende gegevens te verzamelen voor het trainen van zijn modellen voor machinaal leren voordat het aanbevelingen op uw plaats opstelt. Hoe meer gegevens de modellen hebben, des te nauwkeuriger en nuttiger de aanbevelingen zijn. Aangezien de gegevensinzameling op een levende plaats gebeurt, is het best om dit proces vroegtijdig te beginnen.

De volgende tabel bevat een aantal algemene richtlijnen voor de hoeveelheid tijd die nodig is om voldoende gegevens voor elk type aanbeveling te verzamelen:

Andere variabelen die van invloed kunnen zijn op de tijd die nodig is om te trainen:

Om u te helpen de opleidingsvooruitgang van elk aanbevelingstype visualiseren, creeer aanbevelingde indicatoren van de paginabereidheid.

Terwijl gegevens worden verzameld op uw livesite en de modellen voor het leren van machines een training zijn, kunt u andere test- en configuratietaken voltooien die nodig zijn om aanbevelingen op te stellen. Tegen de tijd dat u met dit werk wordt gedaan, zullen de modellen genoeg gegevens hebben om nuttige aanbevelingen tot stand te brengen, die u toestaan om hen aan uw winkel op te stellen.

Als uw plaats niet genoeg verkeer (meningen, aankopen, tendensen) voor de meeste product SKUs krijgt, zouden er niet genoeg gegevens kunnen zijn om het het leren proces te voltooien. Hierdoor kan de gereedheidsindicator in de werkruimte Aanbevelingen vastzitten. De gereedheidsindicatoren zijn bedoeld om handelaren een ander gegevenspunt te bieden bij het kiezen van het aanbevolen type voor hun winkel. De getallen zijn een leidraad en mogen nooit 100% bedragen. Leer meerover bereidheid indicatoren.

Aanbevelingen voor back-up

Als de invoergegevens onvoldoende zijn voor het verschaffen van alle aangevraagde aanbevolen items in een eenheid, geeft Adobe Commerce Optimizer back-upaanbevelingen om aanbevolen eenheden te vullen. Als u bijvoorbeeld het aanbevolen type Recommended for you op uw homepage plaatst, heeft een eerste winkelprogramma op uw site niet genoeg gedragsgegevens gegenereerd om op de juiste manier gepersonaliseerde producten te kunnen aanbevelen. In dit geval worden in Adobe Commerce Optimizer op het Most viewed -aanbevelingen gebaseerde type oppervlakken aan deze winkelier toegewezen.

In het geval van onvoldoende gegevensverzameling worden de volgende aanbevelingen getypt als fallback naar het aanbevolen type Most viewed :

Aanbevelingsspecifieke gebeurtenissen

De volgende lijst maakt een lijst van de gebeurtenissen die worden teweeggebracht wanneer de kopers met aanbeveling op de storefront in wisselwerking staan. De gebeurtenisgegevens verzamelde bevoegdheden de metriekom te analyseren hoe goed uw aanbevelingen presteren.

Vereiste dashboardgebeurtenissen

De volgende gebeurtenissen worden vereist om het dashboard van de Prestaties van Aanbevelingen te bevolken

De volgende gebeurtenissen zijn niet specifiek voor Aanbevelingen, maar zijn vereist voor Adobe Sensei om winkelgegevens correct te interpreteren:

Type aanbeveling

In deze tabel worden de gebeurtenissen beschreven die door elk type aanbeveling worden gebruikt.

Ondersteuning

Als u om het even welke gegevensdiscrepanties opmerkt of als de aanbevelingen en de onderzoeksresultaten niet zoals verwacht werken, voorlegt een steunkaartje.