Personalização anônima da Web para visitantes

Este guia descreve o padrão de caso de uso de personalização da Web de visitante anônimo, que usa Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) e Adobe Experience Platform (AEP) para fornecer conteúdo da Web personalizado a visitantes anônimos (não identificados) com base em sinais comportamentais na sessão. Ele foi projetado para arquitetos de soluções, tecnólogos de marketing e engenheiros de implementação que precisam entender o que esse padrão faz, os objetivos de negócios que ele aceita, os casos de uso táticos que ele permite e os aplicativos Adobe envolvidos.

O padrão opera com dados limitados — somente o que pode ser observado na sessão atual e qualquer perfil de borda anônimo acumulado de visitas anteriores com o mesmo dispositivo ou cookie. Isso o torna adequado para personalização de topo da funnel, em que o visitante não tem conta ou não foi autenticado.

Padrão do caso de uso

A seguir estão descritos o padrão principal e o plano de execução para esse caso de uso.

Web Personalization de Visitante Anônimo

Forneça conteúdo personalizado com base em sinais comportamentais na sessão para visitantes não identificados por meio do canal da Web do AJO.

Plano de execução: Configuração de superfície da Web > Avaliação de regra comportamental > Entrega de conteúdo > Rastreamento de impressão > Relatórios

Visão geral do caso de uso

O Anonymous Visitor Web Personalization atende à necessidade comercial de fornecer conteúdo relevante e personalizado a visitantes do site que ainda não foram identificados — eles não estão conectados, não têm identidade conhecida e não podem ser resolvidos para um perfil de cliente unificado. Apesar dessa limitação, é possível realizar uma personalização significativa usando sinais comportamentais na sessão: páginas visualizadas, tempo no site, profundidade de rolagem, fonte de referência, localização geográfica, tipo de dispositivo e parâmetros de campanha UTM.

Esse padrão usa as superfícies do canal da Web do AJO e as experiências baseadas em código para modificar o conteúdo da página em tempo real. A segmentação do Edge é o principal método de avaliação, pois as decisões devem ser tomadas com latência de subsegundos enquanto o visitante navega no site. O Web SDK coleta sinais comportamentais e os envia para o AEP Edge Network, onde as regras de público-alvo avaliadas por borda determinam qual variante de conteúdo fornecer.

Ao contrário da personalização da Web/aplicativo de visitante conhecido, que aproveita o perfil totalmente unificado e a associação de segmento, esse padrão é restrito aos dados observáveis na sessão atual e a qualquer perfil de borda anônimo associado à ECID do visitante (Experience Cloud ID). Essa distinção é crítica para o planejamento de implementação: os sinais comportamentais disponíveis para personalização são limitados ao que o Web SDK captura e ao que persiste no armazenamento de perfil de borda nas sessões por meio da ECID baseada em cookies.

Principais objetivos de negócios

Os seguintes objetivos de negócios são compatíveis com esse padrão de caso de uso.

Aumentar o engajamento no site

Melhore o tempo no site, as páginas por sessão e a interação com o conteúdo da Web por meio de experiências relevantes personalizadas para sinais de visitante anônimo.

KPIs
Tempo na página (Web)
Engajamento
Taxas de conversão

Fornecer experiências personalizadas ao cliente

Personalize o conteúdo, as ofertas e as mensagens de acordo com as preferências individuais, os comportamentos e os estágios do ciclo de vida, mesmo para visitantes que ainda não se identificaram.

KPIs
Engajamento
Taxas de conversão
Satisfação do cliente (CSAT)

Aumentar taxas de conversão

Melhore a porcentagem de visitantes e prospetos que concluem as ações desejadas, como compras, inscrições ou envios de formulários, apresentando o conteúdo mais relevante com base no contexto comportamental.

KPIs
Taxas de conversão
Conversão de leads
Custo por lead

Exemplo de casos de uso tático

Os exemplos a seguir ilustram cenários específicos em que esse padrão pode ser aplicado.

  • Teste A/B de título de página de aterrissagem com base na fonte de referência — teste títulos diferentes para visitantes que chegam da Google, de redes sociais ou do tráfego direto para otimizar o envolvimento pelo canal de aquisição
  • Recomendações de afinidade de categorias com base no comportamento de navegação — Exibe recomendações de produto ou conteúdo com base nas páginas exibidas na sessão atual para aumentar a descoberta e a conversão
  • Oferta de intenção de saída para visitantes prestes a sair — apresente uma oferta promocional ou um formulário de captura de cliente potencial quando sinais comportamentais indicarem que o visitante está prestes a abandonar o site
  • Banner promocional direcionado geograficamente — Mostra promoções específicas de localização, conteúdo do localizador de lojas ou ofertas regionais com base na localização geográfica do visitante
  • Otimização do layout de conteúdo específico do dispositivo — Adapte o layout de conteúdo, os tamanhos de imagem e a disposição do CTA com base no fato de o visitante estar em desktop, tablet ou dispositivo móvel
  • Mensagens de boas-vindas de visitante novo vs. recorrente — Diferencie a experiência para visitantes novos versus visitantes anônimos recorrentes usando a persistência ECID em todas as sessões
  • Recomendações de conteúdo com base nas páginas visualizadas na sessão atual — exiba dinamicamente artigos, produtos ou recursos relacionados com as páginas que o visitante já visualizou
  • Banner principal dinâmico com base nos parâmetros de campanha UTM — Personalize o banner principal para corresponder às mensagens ou aos recursos criativos da campanha de referência

Indicadores-chave de desempenho

Use os KPIs a seguir para medir a eficácia desse padrão de caso de uso.

KPI
Descrição
Abordagem de medição
Taxa de impressão do Personalization
Porcentagem de exibições de página qualificadas em que o conteúdo personalizado foi entregue
Relatório de campanha do AJO: impressões / total de exibições de página
Índice de click-through (CTR)
Porcentagem de impressões de conteúdo personalizadas que resultam em um clique
Relatório de campanha do AJO: cliques/impressões
Aumento de engajamento
Aumento no tempo na página, páginas por sessão ou profundidade de rolagem para conteúdo personalizado vs. padrão
Comparação do espaço de trabalho do CJA: coorte personalizada vs. controle
Índice de conversão
Porcentagem de visitantes expostos ao conteúdo personalizado que concluíram a ação desejada
Análise do CJA funnel: impressão > interação > conversão
Redução da taxa de rejeição
Redução nas sessões de página única para visitantes que recebem conteúdo personalizado
Análise de sessão do CJA: delta da taxa de rejeição para personalizado versus padrão
Taxa de Ganhos do Experimento
Porcentagem de testes A/B que produzem um vencedor estatisticamente significativo
Relatório de experimento do AJO: experimentos que atingem o limite de confiança

Aplicativos

Os aplicativos a seguir são usados neste padrão de caso de uso.

  • Adobe Journey Optimizer (AJO) — Configuração da superfície de canal da Web, criação de conteúdo (experiências da Web e baseadas em código), execução de campanha, experimentação de conteúdo (teste A/B), decisão (seleção de conteúdo dinâmico) e relatórios
  • Adobe Real-Time Customer Data Platform (RT-CDP) — Segmentação Edge para avaliação de público-alvo em tempo real com base em sinais comportamentais na sessão; gerenciamento de perfil de borda anônimo
  • Adobe Experience Platform (AEP) — Web SDK para coleta de sinal comportamental, Edge Network para entrega de roteamento e personalização de dados em tempo real e configuração de sequência de dados

Arquitetura

A arquitetura de referência a seguir ilustra como os sinais anônimos de visitantes são coletados na borda, avaliados em relação às regras de público-alvo e usados para fornecer conteúdo personalizado.

Arquitetura de referência para ativação e personalização de público anônimo

Documentação relacionada

Os seguintes recursos do Experience League fornecem detalhes adicionais sobre os recursos usados neste padrão de caso de uso.

Canal da Web e experiências baseadas em código

Públicos-alvo e segmentação

Personalization e conteúdo

Experimentação de conteúdo

Gerenciamento de decisão

Campanhas

Web SDKe coleta de dados

Identidade e perfil

Modelagem de dados

Relatórios e análises

Privacidade e governança de dados

Medidas de proteção

recommendation-more-help
blueprints-learn-help-blueprints