De aanbeveling baseren op een aanbevelingen

Recommendations op basis van algoritmen gebruikt de context van het bezoekersgedrag om relevante resultaten in Adobe Target Recommendations -activiteiten weer te geven.

Elk type algoritme verstrekt verschillende algoritmen aangewezen voor zijn type, zoals aangetoond in de volgende lijst:

Elk criterium wordt gedefinieerd in een eigen tabblad. Het verkeer wordt gelijkmatig verdeeld over uw verschillende criteria testen. Met andere woorden, als je twee criteria hebt, is het verkeer gelijk verdeeld. Als u twee criteria en twee ontwerpen hebt, wordt het verkeer gelijkmatig verdeeld tussen de vier combinaties. U kunt ook een percentage bezoekers van de site opgeven die de standaardinhoud ter vergelijking zien. In dat geval ziet het opgegeven percentage bezoekers de standaardinhoud en worden de rest opgedeeld tussen uw criteria en ontwerpcombinaties.

Voor meer informatie over het creëren van criteria en het bepalen van zijn algoritmenypes en algoritmen, zie criteriacreëren.

Verschillende aanbevelingen voor algoritmen kunnen op verschillende typen pagina's worden geplaatst. Raadpleeg de volgende secties voor meer informatie over elk type algoritme en de beschikbare algoritmen.

Op basis van winkelwagentje cart-based

Met het algoritme Cart-Based kunt u items aanbevelen op basis van de inhoud van het huidige winkelwagentje van de bezoeker. De aanbevelingssleutels worden geleverd door mbox parameter cartIdsin komma-gescheiden waarden. Alleen de eerste tien waarden worden in aanmerking genomen.

De op kunst-gebaseerde aanbeveling logica is gelijkaardig aan "Recommended For You"op gebruiker-gebaseerd algoritme en aan "People Who Viewed These, Bought Those"en "People Who Bought These, Bought Those"op punt-gebaseerde algoritmen.

Target gebruikt samenwerkende filtertechnieken om gelijkenissen voor elk punt in de kar van de bezoeker te bepalen, dan combineert deze gedragsgelijkenissen over elk punt om een samengevoegde lijst te krijgen.

Target biedt marketers ook de keuze om het gedrag van de bezoeker binnen één sessie of over meerdere sessies te bekijken:

Target geeft aanbevelingen voor elke bezoeker op basis van de items in zijn huidige winkelwagentje, ongeacht of u het gedrag van de bezoeker in één sessie of in meerdere sessies bekijkt.

De volgende algoritmen zijn beschikbaar met het algoritme Cart-Based type:

People Who Viewed This, Also Viewed

Hiermee worden items aanbevolen die het vaakst worden weergegeven in dezelfde sessie als waarin het opgegeven item wordt weergegeven.

Deze logica retourneert andere producten die worden weergegeven na het bekijken van deze logica. Het opgegeven product wordt niet opgenomen in de resultatenset.

Met deze logica kunt u aanvullende conversiemogelijkheden creëren door items aan te bevelen die andere bezoekers die een item hebben bekeken, ook hebben weergegeven. Bezoekers die op uw site fietsen bekijken, kunnen bijvoorbeeld ook fietshelmen, fietskits, sloten enzovoort bekijken. U kunt een aanbeveling tot stand brengen gebruikend deze logica die andere producten aanbeveelt u helpen opbrengst verhogen.

Als u dit algoritme selecteert, kunt u de volgende Recommendations-toetsen selecteren:

People Who Viewed This, Also Bought

Hiermee raadt u objecten aan die het vaakst worden aangeschaft in dezelfde sessie als waarin het opgegeven item wordt weergegeven.

Deze logica retourneert andere producten die mensen hebben gekocht na het bekijken van deze logica. Het opgegeven product wordt niet opgenomen in de resultatenset.

Met deze logica kunt u de mogelijkheden voor cross-selling vergroten door bijvoorbeeld een aanbeveling weer te geven op een productpagina die items weergeeft die andere bezoekers hebben bekeken die het object hebben aangeschaft. Als de bezoeker bijvoorbeeld een vispool bekijkt, kan de aanbeveling extra items weergeven die andere bezoekers hebben aangeschaft, zoals hakbalken, golven en blaasjes. Wanneer bezoekers door uw site bladeren, geeft u hun aanvullende aankoopaanbevelingen.

Als u dit algoritme selecteert, kunt u de volgende Recommendations-toetsen selecteren:

People Who Bought This, Also Bought

Aanbevolen objecten die het meest door klanten tegelijk met het opgegeven item worden aangeschaft.

Deze logica retourneert andere producten die mensen hebben gekocht na deze aankoop. Het opgegeven product wordt niet opgenomen in de resultatenset.

Met deze logica kunt u de mogelijkheden voor cross-selling vergroten door bijvoorbeeld een aanbeveling weer te geven op een overzichtspagina van winkelwagentjes waarin objecten worden weergegeven die andere kopers ook hebben gekocht. Als de bezoeker bijvoorbeeld een pak koopt, kan de aanbeveling extra artikelen weergeven die andere bezoekers samen met het pak hebben gekocht, zoals bijvoorbeeld banden, jurkschoenen en knipsels. Wanneer bezoekers hun aankopen bekijken, geeft u aanvullende aanbevelingen aan hen.

Als u dit algoritme selecteert, kunt u de volgende Recommendations-toetsen selecteren:

Popularity-Based

Met het algoritme Popularity-Based kunt u aanbevelingen doen op basis van de algemene populariteit van een item op uw site of op basis van de populariteit van items in de favoriete of meest bekeken categorie, het merk, het genre enzovoort van een gebruiker.

De volgende algoritmen zijn beschikbaar met het algoritme Popularity-Based type:

Most Viewed Across the Site most-viewed

De aanbeveling wordt bepaald door het punt dat het vaakst is bekeken. Dit wordt bepaald aan de hand van de recenentie-/frequentiecriteria die als volgt werken:

Als u bijvoorbeeld surfboard A en daarna surfboard B in één sessie weergeeft, resulteert dit in A: 10, B: 5. Wanneer de sessie wordt beëindigd, hebt u A: 5, B: 2.5. Als u dezelfde items in de volgende sessie bekijkt, veranderen de waarden in A: 15 B: 7.5.

Gebruik dit algoritme op algemene pagina's, zoals startpagina's of bestemmingspagina's en offsite advertenties.

Most Viewed by Category most-viewed-category

De aanbeveling wordt bepaald door de categorie die de meeste activiteit heeft ontvangen, gebruikend de zelfde methode die voor "het meest bekeken punt"wordt gebruikt behalve dat de categorieën in plaats van producten worden gescoord.

Dit wordt bepaald aan de hand van de recenentie-/frequentiecriteria die als volgt werken:

De categorieën die voor het eerst worden bezocht, krijgen 10 punten. 5 punten voor latere bezoeken aan dezelfde categorie. Bij elk bezoek worden niet-huidige categorieën die eerder zijn bekeken, verlaagd met 1.

Als u bijvoorbeeld categorie A en vervolgens categorie B in één sessie weergeeft, resulteert dit in A: 9, B: 10. Als u dezelfde items in de volgende sessie weergeeft, veranderen de waarden in A: 20 B: 9.

Gebruik dit algoritme op algemene pagina's, zoals startpagina's of bestemmingspagina's en offsite advertenties.

Als u het algoritme Meest bekeken door Categorie selecteert, kunt u de volgende Sleutels van Recommendations selecteren:

Most Viewed by Item Attribute

Aanbevolen items of media die vergelijkbaar zijn met de meest bekeken items of media op uw site.

Met dit algoritme kunt u selecteren op welk itemkenmerk u de aanbeveling wilt baseren, bijvoorbeeld "Naam" of "Merk".

Vervolgens selecteert u welke profielkenmerken uit het profiel van de bezoeker overeenkomen, bijvoorbeeld Favoriete merk, Laatste object toegevoegd aan winkelwagentje of Meest bekeken presentatie.

Top Sellers Across the Site top-sellers

Toont de punten die in de meest voltooide orden van over de plaats inbegrepen zijn. Meerdere eenheden van hetzelfde item in één volgorde worden als één volgorde geteld.

Met dit algoritme kunt u aanbevelingen maken voor de meest verkochte items op uw site om de conversie en de inkomsten te verhogen. Deze logica is vooral geschikt voor nieuwe bezoekers van uw site.

Top Sellers by Category

Hiermee geeft u de items weer die zijn opgenomen in de meest voltooide bestellingen per categorie. Meerdere eenheden van hetzelfde item in één volgorde worden als één volgorde geteld.

Met dit algoritme kunt u aanbevelingen maken voor de meest verkochte items op uw site op basis van categorie om de conversie en de omzet te verhogen. Deze logica is vooral geschikt voor nieuwe bezoekers van uw site.

Als u het algoritme Most Viewed by Category selecteert, kunt u het volgende selecteren Recommendations Keys :

Top Sellers by Item Attribute

Aanbevolen objecten of media die vergelijkbaar zijn met de meest aangeschafte items of media op uw site.

Met dit algoritme kunt u selecteren op welk itemkenmerk u de aanbeveling wilt baseren, bijvoorbeeld "Naam" of "Merk".

Vervolgens selecteert u welke profielkenmerken uit het profiel van de bezoeker overeenkomen, bijvoorbeeld Favoriete merk, Laatste object toegevoegd aan winkelwagentje of Meest bekeken presentatie.

Top by Analytics Metric

Toont "Bovenste x"waar x willekeurig Analytics metrisch is. Wanneer u gedragsgegevens uit vakken gebruikt, kunt u Top Sold of Top Viewed (x = "Verkocht" of x = "Weergegeven") gebruiken. Als u gedragsgegevens van Adobe Analytics gebruikt, zou u x = "Kar Adds"of één of andere andere Analytics metrisch kunnen gebruiken.

Item-Based

Het Item-Based aanbevelingen type laat u aanbevelingen doen die op het vinden van gelijkaardige punten aan een punt worden gebaseerd dat de gebruiker momenteel bekijkt of onlangs heeft bekeken.

De volgende algoritmen zijn beschikbaar met het algoritme Item-Based type:

People Who Viewed This, Viewed That viewed-viewed

Hiermee worden items aanbevolen die het vaakst worden weergegeven in dezelfde sessie als waarin het opgegeven item wordt weergegeven.

Deze logica retourneert andere producten die worden weergegeven nadat deze is bekeken. Het opgegeven product is niet opgenomen in de resultatenset.

Met deze logica kunt u aanvullende conversiemogelijkheden creëren door items aan te bevelen die andere bezoekers die een item hebben bekeken, ook hebben weergegeven. Bezoekers die op uw site fietsen bekijken, kunnen bijvoorbeeld ook fietshelmen, fietskits, sloten enzovoort bekijken. U kunt een aanbeveling tot stand brengen gebruikend deze logica die andere producten aanbeveelt u helpen opbrengst verhogen.

Als u dit algoritme selecteert, kunt u het volgende selecteren Recommendations Keys :

People Who Viewed This, Bought That viewed-bought

Hiermee raadt u objecten aan die het vaakst worden aangeschaft in dezelfde sessie als waarin het opgegeven item wordt weergegeven. Dit criterium retourneert andere producten die mensen hebben aangeschaft nadat deze is bekeken. Het opgegeven product is niet opgenomen in de resultatenset.

Deze logica retourneert andere producten die mensen hebben gekocht na het bekijken van deze software. Het opgegeven product is niet opgenomen in de resultatenset.

Met deze logica kunt u de mogelijkheden voor cross-selling vergroten door bijvoorbeeld een aanbeveling weer te geven op een productpagina die items weergeeft die andere bezoekers hebben bekeken die het object hebben aangeschaft. Als de bezoeker bijvoorbeeld een vispool bekijkt, kan de aanbeveling extra items weergeven die andere bezoekers hebben aangeschaft, zoals hakbalken, golven en blaasjes. Wanneer bezoekers door uw site bladeren, geeft u hun aanvullende aankoopaanbevelingen.

Als u dit algoritme selecteert, kunt u het volgende selecteren Recommendations Keys :

People Who Bought This, Bought That bought-bought

Aanbevolen objecten die het meest door klanten tegelijk met het opgegeven item worden aangeschaft.

Deze logica retourneert andere producten die mensen hebben gekocht na deze aankoop. Het opgegeven product wordt niet opgenomen in de resultatenset.

Met deze logica kunt u de mogelijkheden voor cross-selling vergroten door bijvoorbeeld een aanbeveling weer te geven op een overzichtspagina van winkelwagentjes waarin objecten worden weergegeven die andere kopers ook hebben gekocht. Als de bezoeker bijvoorbeeld een pak koopt, kan de aanbeveling extra artikelen weergeven die andere bezoekers samen met het pak hebben gekocht, zoals bijvoorbeeld banden, jurkschoenen en knipsels. Wanneer bezoekers hun aankopen bekijken, geeft u aanvullende aanbevelingen aan hen.

Als u dit algoritme selecteert, kunt u het volgende selecteren Recommendations Keys :

Items with Similar Attributes similar-attributes

Aanbevolen items of media die vergelijkbaar zijn met items of media op basis van de huidige paginageactiviteit of het gedrag van een bezoeker.

Als u Items with Similar Attributes of Media with Similar Attributes selecteert, kunt u regels voor gelijkenis van inhoud instellen.

Het gebruik van gelijkenis in de inhoud om aanbevelingen te genereren is vooral effectief voor nieuwe items. Deze worden waarschijnlijk niet weergegeven in aanbevelingen met People Who Viewed This , Viewed That en andere logica op basis van gedrag in het verleden. U kunt de gelijkenis van de inhoud ook gebruiken om nuttige aanbevelingen voor nieuwe bezoekers te produceren, die geen vroegere aankopen of andere historische gegevens hebben.

Als u dit algoritme selecteert, kunt u het volgende selecteren Recommendations Keys :

Voor meer informatie, zie Vergelijkbaarheid van de Inhoud.

User-Based

Met het type algoritme User-Based kunt u aanbevelingen doen op basis van het gedrag van de gebruiker.

De volgende algoritmen zijn beschikbaar met het algoritme User-Based type:

Recently Viewed Items recently-viewed

Gebruikt de geschiedenis van de bezoeker (overspannend zittingen) om de laatste x punten voor te stellen de bezoeker heeft bekeken, die op het aantal groeven in het ontwerp worden gebaseerd.

Het Recently Viewed Items algoritme keert resultaat specifiek op a bepaalde milieuterug. Als twee sites tot verschillende omgevingen behoren en een bezoeker tussen de twee sites schakelt, worden op elke site alleen recent bekeken items van de desbetreffende site weergegeven. Als twee sites zich in dezelfde omgeving bevinden en een bezoeker schakelt tussen de twee sites, ziet de bezoeker dezelfde onlangs weergegeven items voor beide sites.

Recently Viewed Items of Recently Viewed Media kan worden gefilterd, zodat alleen items met een bepaald kenmerk worden weergegeven.

Mogelijke gebruiksgevallen zijn onder andere: een multinationaal bedrijf met meerdere bedrijven kan bezoekers artikelen laten zien over meerdere digitale eigenschappen. In dit geval kunt u de onlangs weergegeven items beperken tot weergave voor de desbetreffende eigenschap waar deze is weergegeven. Hiermee voorkomt u dat onlangs bekeken items worden weergegeven op de site van een andere digitale eigenschap.

Gebruik dit algoritme op algemene pagina's, zoals startpagina's of bestemmingspagina's en offsite advertenties.

Recommended for You recommended-for-you

Aanbevolen objecten op basis van de browsergeschiedenis, weergavegeschiedenis en aankoopgeschiedenis van elke bezoeker.

Met dit algoritme kunt u persoonlijke inhoud en ervaringen leveren aan zowel nieuwe als geretourneerde bezoekers. De lijst met aanbevelingen is gericht op de meest recente activiteit van de bezoeker en wordt tijdens de sessie bijgewerkt en wordt meer gepersonaliseerd naarmate de gebruiker door uw site bladert.

Zowel weergaven als aankopen worden gebruikt om de aanbevolen items te bepalen. De opgegeven aanbevelingssleutel (bijvoorbeeld Current Item ) wordt gebruikt om filters toe te passen die u voor de invoegregel selecteert.

U kunt bijvoorbeeld:

Als u dit algoritme selecteert, kunt u de volgende Filtrerende Sleutels selecteren:

Aangepaste criteria custom

Met het type algoritme Custom Criteria kunt u aanbevelingen doen op basis van een aangepast bestand dat u uploadt.

De aanbeveling wordt bepaald door een punt dat in het profiel van een bezoeker, gebruikend één van beide gebruiker wordt opgeslagen.x of profiel.x attributen.

Als deze optie is geselecteerd, moet de waarde entity.id aanwezig zijn in het profielkenmerk.

Wanneer u aanbevelingen baseert op douanekenmerken, moet u het douanekenmerk selecteren en dan het aanbevelingstype selecteren.

U kunt filter in real time bovenop uw eigen output van douanecriteria uitvoeren. U kunt bijvoorbeeld de aanbevolen objecten beperken tot objecten van de favoriete rubriek of het favoriete merk van een bezoeker. Dit geeft u de macht om off-line berekeningen met het filtreren in real time te combineren.

Deze functionaliteit houdt in dat u met Target personalisatie kunt toevoegen boven op uw offline berekende aanbevelingen of lijsten met aangepaste cursisten. Dit combineert de kracht van uw gegevenswetenschappers en onderzoek met de beproefde levering van de Adobe, runtime het filtreren, het testen A/B, het richten, het melden, de integratie, en meer.

Met toevoeging van inclusieregels op Custom Criteria, verandert dit anders statische aanbevelingen in dynamische aanbevelingen gebaseerd op de belangen van een bezoeker.

Mogelijke gebruiksgevallen zijn:

Aanbevolen toetsen keys

De volgende aanbevelingen zijn beschikbaar in de vervolgkeuzelijst Recommendation Key :

Current Item current-item

De aanbeveling wordt bepaald door het item dat de bezoeker momenteel bekijkt.

Recommendations geeft andere objecten weer die bezoekers kunnen interesseren voor het opgegeven object.

Als deze optie is geselecteerd, moet de waarde entity.id als parameter in het weergavevak worden doorgegeven.

Kan met de volgende algoritmen worden gebruikt:

Gebruik de toets Current Item recommendations op uw site op:

Last Purchased Item last-purchased

De aanbeveling wordt bepaald door het laatste item dat door elke unieke bezoeker is aangeschaft. Dit wordt automatisch vastgelegd, zodat er geen waarden op de pagina moeten worden doorgegeven.

Kan met de volgende algoritmen worden gebruikt:

Gebruik de toets Last Purchased Item recommendations op uw site op:

Aangepaste aanbevelingen

U kunt aanbevelingen op de waarde van een attribuut van het douaneprofiel baseren. Stel dat u aanbevolen films wilt weergeven op basis van de film die een bezoeker het laatst aan de wachtrij heeft toegevoegd.

Als uw attribuut van het douaneprofiel niet direct met één enkele entiteitidentiteitskaart aanpast, is het noodzakelijk om aan Recommendations uit te leggen hoe u de gelijke aan een entiteit wilt voorkomen. Stel dat u bijvoorbeeld de meest verkochte objecten van het favoriete merk van een bezoeker wilt weergeven.

Last Viewed Item last-viewed

De aanbeveling wordt bepaald door het laatste item dat door elke unieke bezoeker is bekeken. Dit wordt automatisch vastgelegd, zodat er geen waarden op de pagina moeten worden doorgegeven.

Kan met de volgende algoritmen worden gebruikt:

Gebruik de toets Last Viewed Item recommendations op uw site op:

Most Viewed Item most-viewed-logic

Hiermee geeft u de items of media weer die het vaakst op uw site worden weergegeven.

Met deze logica kunt u aanbevelingen weergeven op basis van de meest bekeken items op uw site om de conversies voor andere items te verhogen. Een mediasite kan bijvoorbeeld op haar homepage aanbevelingen weergeven voor de meest bekeken video's om bezoekers aan te moedigen aanvullende video's te bekijken.

Deze advisesleutel kan met de volgende algoritmen worden gebruikt:

Current Category current-category

De aanbeveling wordt bepaald door de productcategorie die de bezoeker momenteel bekijkt.

Recommendations geeft objecten weer in de opgegeven productcategorie.

Als deze optie is geselecteerd, moet de waarde entity.categoryId als parameter aan de weergavekader worden doorgegeven.

Deze advisesleutel kan met de volgende algoritmen worden gebruikt:

Gebruik de toets Current Category recommendations op uw site op:

Favorite Category favorite-category

De aanbeveling wordt bepaald door de favoriete productcategorie van de bezoeker.

Recommendations geeft objecten weer in de opgegeven productcategorie.

Als deze optie is geselecteerd, moet de waarde entity.categoryId als parameter aan de weergavekader worden doorgegeven.

Deze advisesleutel kan met de volgende algoritmen worden gebruikt:

Gebruik de toets Current Category recommendations op uw site op:

Site Affinity site-affinity

Aanbevolen items op basis van de zekerheid van een relatie tussen items. U kunt deze criteria configureren om te bepalen hoeveel gegevens vereist zijn voordat een aanbeveling wordt weergegeven met de schuifregelaar Inclusion Rules . Als u bijvoorbeeld erg sterk selecteert, worden de producten met de grootste zekerheid van een overeenkomst aanbevolen.

Bijvoorbeeld, als u een zeer sterke affiniteit plaatst en uw ontwerp vijf punten omvat, waarvan drie aan de sterkte van verbindingsdrempel voldoen, worden de twee punten die niet aan de minimumsterktevereisten voldoen niet getoond in uw aanbevelingen en door uw bepaalde reservepunten vervangen. De items met de sterkste affiniteit worden eerst weergegeven.

Een online detailhandelaar kan bijvoorbeeld items in volgende bezoeken aanbevelen die een bezoeker in de afgelopen sessies interesseert. De activiteit voor elke sessie van de bezoeker wordt vastgelegd om een affiniteit te berekenen op basis van een recentiemodel en een frequentiemodel. Wanneer deze bezoeker terugkeert naar uw site, wordt de affiniteit van de site gebruikt om aanbevelingen weer te geven op basis van eerdere acties op uw site.

Sommige klanten met diverse productinzamelingen en diverse plaatsgedrag zouden de beste resultaten kunnen krijgen als zij een zwakke plaatsaffiniteit plaatsen.

Deze logica kan met de volgende advisesleutels worden gebruikt: