Personalização anônima da Web para visitantes
Este plano de referência fornece orientação de implementação para fornecer conteúdo personalizado da Web para visitantes anônimos (não identificados) com base em sinais comportamentais na sessão. Ele abrange o ciclo de vida completo da implementação — desde a configuração do Web SDK e a definição do público-alvo da borda até a entrega de conteúdo e a geração de relatórios de desempenho — e foi projetado para arquitetos de soluções, tecnólogos de marketing e engenheiros de implementação que trabalham com o Adobe Journey Optimizer (AJO), o Adobe Real-Time Customer Data Platform (RT-CDP) e o Adobe Experience Platform (AEP).
Use este plano para entender a arquitetura, avaliar as opções de implementação, tomar decisões de configuração bem fundamentadas e localizar a documentação relevante do Experience League para cada fase da implementação.
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.
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.
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.
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.
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.
Padrão do caso de uso
A seguir estão descritos o padrão principal e a cadeia de função 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.
Cadeia de funções: Configuração de Superfície da Web > Avaliação de Regra Comportamental > Entrega de Conteúdo > Rastreamento de Impressão > Relatórios
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
Funções básicas
Os seguintes recursos básicos devem estar em vigor para esse padrão de caso de uso. Para cada função, o status indica se ele é tipicamente necessário, se presume ser pré-configurado ou se não é aplicável.
isActiveOnEdge: true para resolver dados de perfil anônimos na borda. Somente uma política de mesclagem pode estar ativa na borda por sandbox.Funções de suporte
Os recursos a seguir aumentam esse padrão de caso de uso, mas não são necessários para a execução principal.
Funções do aplicativo
Este plano exerce as seguintes funções do Catálogo de Funções da Aplicação. As funções são mapeadas para fases de implementação em vez de etapas numeradas.
Journey Optimizer (AJO)
Real-Time CDP (RT-CDP)
Pré-requisitos
Conclua o seguinte antes de iniciar a implementação.
- [ ] Web SDK é implementado em todas as propriedades da Web de destino com
sendEventchamadas que capturam exibições de página, cliques e interações comportamentais relevantes - [ A sequência de dados ] está configurada na interface da Coleção de dados com os serviços Adobe Experience Platform e Adobe Journey Optimizer habilitados
- [ O esquema Evento de Experiência ] existe com grupos de campos de interação da web (exibições de página, dados de referência, parâmetros UTM, contexto do dispositivo) e está habilitado para o Perfil
- [ ] O namespace de identidade da ECID está configurado e designado como identidade primária no esquema de evento comportamental da Web
- [ A política de mesclagem do Edge ] está configurada com
isActiveOnEdge: truena sandbox de destino - [ O canal da Web do AJO ] foi provisionado e está acessível na sandbox de destino
- [ ] As variantes de conteúdo (cópia, imagens, CTAs) foram projetadas e aprovadas para cada caso de uso de personalização
- [ ] Métricas de sucesso são definidas (o que constitui um evento de conversão ou envolvimento para medição)
- [ ] O mecanismo de consentimento de cookies é implementado no site para cumprir as regras de privacidade antes de coletar dados comportamentais
Opções de implementação
Esta seção descreve três abordagens de implementação. Selecione a opção que melhor se adapta aos seus requisitos de personalização.
Opção A: personalização da Web com base em regras
Recomendado para: Personalização determinística simples: banners direcionados geograficamente, títulos específicos de origem de referência, layouts específicos de dispositivos, mensagens novas vs. de visitantes recorrentes. Escolha esta opção quando a variante de conteúdo puder ser determinada por uma lógica condicional simples (se a condição X, mostrar conteúdo Y).
Como funciona:
A personalização baseada em regras usa segmentos de público-alvo avaliados por borda para determinar qual variante de conteúdo um visitante vê. Cada segmento de público mapeia para uma variante de conteúdo específica por meio de regras condicionais definidas na campanha. Quando um visitante carrega uma página, o Web SDK envia sinais comportamentais para o Edge Network, que avalia o perfil de borda do visitante em relação às regras de público-alvo definidas em milissegundos. A variante de conteúdo correspondente é retornada na resposta Edge Network e renderizada na página.
Essa abordagem requer a definição de segmentos de público-alvo distintos na RT-CDP (por exemplo, "visitantes da pesquisa do Google", "visitantes na Califórnia", "visitantes de dispositivos móveis") e a criação de variantes de conteúdo correspondentes no AJO. A campanha vincula cada público-alvo à sua variante de conteúdo usando regras de conteúdo condicionais ou campanhas separadas por segmento. Não há classificação de IA ou divisão de tráfego envolvida — a relação entre público e conteúdo é determinística.
Principais considerações:
- Requer critérios de público-alvo bem definidos que podem ser expressos como expressões de regra de segmento qualificadas para borda
- As variantes de conteúdo devem ser pré-criadas para cada segmento de público-alvo
- A adição de novas regras de personalização requer a criação de novos segmentos de público-alvo e variantes de conteúdo
- Não fornece medição estatística da eficácia das variantes de conteúdo
Vantagens:
- Simples de implementar e entender — relação clara de causa e efeito entre público e conteúdo
- Não é necessária nenhuma sobrecarga de experimentação ou divisão de tráfego
- O comportamento determinístico torna os testes e o controle de qualidade simples
- Baixa latência, pois a avaliação de borda é puramente baseada em regras
- Funciona bem quando a empresa já sabe qual conteúdo tem o melhor desempenho para cada segmento
Limitações:
- Nenhum mecanismo integrado para medir se a personalização melhora os resultados em relação ao conteúdo padrão
- Requer tomada de decisão manual sobre qual conteúdo mostrar para cada segmento
- Não se adapta ou otimiza ao longo do tempo — regras estáticas até serem alteradas manualmente
- O dimensionamento para muitos segmentos e variantes aumenta a complexidade da configuração
Experience League:
Opção B: personalização da Web com base em experimentação
Recomendado para: testes A/B e multivariados — teste de variantes de títulos, cores de botões do CTA, alternativas de layout, ofertas promocionais — com medição de significância estatística. Escolha essa opção quando precisar validar qual variante de conteúdo tem melhor desempenho antes de confirmar uma regra de personalização permanente.
Como funciona:
A personalização baseada em experimentação usa a Experimentação de conteúdo do AJO para alocar visitantes aleatoriamente em grupos de tratamento de conteúdo e medir qual variante tem melhor desempenho em relação a uma métrica de sucesso definida. O tráfego é dividido em variantes (por exemplo, 50/50 para A/B, 33/33/34 para A/B/C) e o desempenho é rastreado até que a significância estatística seja alcançada.
O experimento é incorporado a uma campanha da Web do AJO. Quando um visitante carrega uma página, o Edge Network os atribui a um grupo de tratamento com base na alocação de tráfego configurada. O visitante vê consistentemente o mesmo tratamento durante o experimento (persistência no nível da sessão ou no nível do visitante, dependendo da configuração). As métricas de sucesso (cliques, conversões, eventos de envolvimento) são rastreadas via Web SDK e relatadas no relatório de experimento do AJO.
Essa opção não requer segmentos de público-alvo predefinidos para direcionamento — todos os visitantes (ou um subconjunto direcionado) participam do experimento. O objetivo é descobrir qual conteúdo tem melhor desempenho, não direcionar segmentos conhecidos com conteúdo predeterminado.
Principais considerações:
- Requer um volume de tráfego suficiente para atingir significância estatística num prazo razoável
- Experimentos usam um modelo estatístico bayesiano com intervalos de confiança válidos a qualquer momento
- Um grupo de controle (não recebe nenhum conteúdo personalizado) é recomendado para medir o aumento incremental
- Somente um experimento pode estar ativo por campanha de cada vez
- Modificações no experimento exigem que a campanha seja interrompida e reiniciada
Vantagens:
- Fornece mensuração estatisticamente rigorosa da eficácia das variantes de conteúdo
- Remove a adivinhação das decisões de personalização — seleção de conteúdo orientada por dados
- Oferece suporte a grupos de controle para medição de aumento incremental real
- Relatórios de experimento incorporados com intervalos de confiança e declaração de vencedor
- Os resultados podem informar a personalização futura baseada em regras (Opção A) identificando variantes vencedoras
Limitações:
- Requer volume de tráfego significativo — páginas de tráfego baixo podem levar semanas para atingir significado
- A divisão de tráfego significa que alguns visitantes veem conteúdo abaixo do ideal durante o período de teste
- Não é possível personalizar por segmento durante o experimento (todos os visitantes ou um subconjunto participam igualmente)
- Máximo de 10 variantes de tratamento por experimento
- Sem otimização contínua — os experimentos são discretos com início e fim
Experience League:
Opção C: Personalização da Web com base em decisão
Recomendado para: Seleção de conteúdo dinâmico — recomendações de afinidade de categoria, ofertas de intenção de saída, recomendações comportamentais — em que uma política de decisão avalia os sinais da sessão e seleciona o conteúdo ideal de um catálogo de itens qualificados. Escolha essa opção quando a lógica de seleção de conteúdo for muito complexa para regras simples, quando você desejar otimização classificada por IA ou quando o conjunto de itens de conteúdo elegíveis for grande e dinâmico.
Como funciona:
A personalização baseada em decisão usa o AJO Decisioning para avaliar sinais comportamentais e selecionar a melhor variante de conteúdo para cada visitante de um catálogo gerenciado de itens de conteúdo (ofertas). Cada item de conteúdo tem regras de elegibilidade (quem se qualifica), representações (como o conteúdo se parece em cada posicionamento) e restrições de limite opcionais (com que frequência pode ser exibido). Uma política de decisão vincula disposições (onde o conteúdo aparece na página) a coleções de itens de conteúdo e aplica uma estratégia de classificação para selecionar a melhor opção.
Quando um visitante carrega uma página, o Web SDK envia uma solicitação Edge Network que inclui o escopo da decisão. O mecanismo de decisão avalia o perfil de borda do visitante em relação às regras de elegibilidade do item de conteúdo, aplica a estratégia de classificação (com base em prioridade, com base em fórmula ou com classificação de IA) e retorna o item de conteúdo vencedor. Isso acontece na borda com latência de subsegundos.
A estratégia de classificação determina como os itens de conteúdo elegíveis são ordenados. A classificação baseada em prioridade usa valores de prioridade atribuídos manualmente. A classificação baseada em fórmulas usa uma expressão personalizada (por exemplo, recenticidade de ponderação de exibições de página). A classificação classificada por IA usa um modelo de aprendizado de máquina que otimiza para a métrica de sucesso selecionada ao longo do tempo, mas requer no mínimo 1.000 eventos de conversão para treinamento.
Principais considerações:
- Requer a configuração dos componentes do Decisioning: disposições, regras de elegibilidade, itens de conteúdo, itens de fallback, coleções e políticas de decisão
- As estratégias classificadas por IA exigem volume de conversão suficiente (mais de 1.000 eventos) para treinar o modelo
- As decisões do Edge são limitadas aos atributos de perfil disponíveis na loja de perfis de borda
- Os itens de conteúdo devem ser gerenciados e mantidos na biblioteca de decisões
- O conteúdo de fallback deve ser definido para os casos em que nenhum item personalizado é qualificado
Vantagens:
- Pode ser dimensionado para grandes catálogos de conteúdo sem exigir mapeamento individual de público para conteúdo
- As estratégias classificadas em IA otimizam continuamente a seleção de conteúdo com base no desempenho observado
- Regras de elegibilidade e restrições de limite fornecem controle refinado sobre a entrega de conteúdo
- Suporta lógica de negócios complexa que seria difícil de expressar como segmentos de público-alvo
- Reutilizável em canais — a mesma política de decisão pode potencializar a personalização da Web, de e-mails e de dispositivos móveis
Limitações:
- Maior complexidade de implementação — requer a configuração da pilha completa de componentes do Decisioning
- A classificação de IA requer um volume de conversão e um tempo de treinamento significativos
- As limitações de dados de perfil do Edge restringem a complexidade da regra de elegibilidade para visitantes anônimos
- Despesas gerais de gerenciamento de itens de conteúdo — cada item precisa de representações, regras de elegibilidade e manutenção
- A lógica de decisão de depuração é mais complexa do que as abordagens baseadas em regras
Experience League:
Comparação de opções
A tabela a seguir compara as três opções de implementação entre os principais critérios.
Escolha a opção certa
Use a seguinte lógica de decisão para selecionar a opção de implementação apropriada:
-
Você já sabe qual conteúdo deve ser exibido para cada segmento de visitante?
- Sim: Comece com Opção A (Baseada em Regras). Você estabeleceu estratégias de conteúdo por segmento e precisa de uma entrega determinística.
- Não: siga para a pergunta 2.
-
Você precisa testar um pequeno número de variantes de conteúdo para encontrar o melhor desempenho?
- Sim: Escolha Opção B (Experimentação). Você deseja a validação estatística antes de confirmar uma estratégia de conteúdo.
- Não: siga para a pergunta 3.
-
Você tem um grande catálogo de itens de conteúdo com qualificação complexa e requisitos de classificação?
- Sim: Escolha Opção C (Decisão). Você precisa de uma seleção de conteúdo dinâmico que seja dimensionável além de regras simples.
- Não: comece com a Opção A (com base em regras) para simplificar, depois evolua para a Opção B ou C conforme as necessidades aumentam.
Combinando opções: Estas opções não são mutuamente exclusivas. Uma progressão comum é começar com a opção B (experimentação) para descobrir o conteúdo vencedor e, em seguida, implantar os vencedores usando a opção A (baseada em regras) para a entrega contínua. A opção C (Decisão) pode ser colocada em camadas na parte superior para casos de uso que exigem seleção dinâmica baseada em catálogo, enquanto a opção A lida com regras determinísticas mais simples.
Fases de implementação
As fases a seguir descrevem o fluxo de trabalho de implementação completo.
Fase 1: configurar superfícies da Web
Função do aplicativo: AJO: configuração de canal
Defina as superfícies de canal da Web que especificam onde o conteúdo personalizado do site será entregue. Uma superfície da Web identifica um URL de página ou padrão de URL específico e o local na página (seletor de CSS ou superfície de experiência baseada em código) em que o AJO pode injetar ou substituir conteúdo.
Pontos de decisão nesta fase:
sendEvent chamadas em alterações de exibição. As definições de superfície usam o nome da exibição do SPA em vez do URL.Navegação da UI: Journey Optimizer > Administração > Canais > Configuração da Web
Detalhes de configuração da chave:
- Definir o URL da página ou o padrão de URL da superfície
- Especificar o seletor de CSS ou o URI de superfície para posicionamento de conteúdo
- Para experiências baseadas em código, defina o nome da superfície que o código do aplicativo referenciará
- Associe a superfície à sandbox da AJO em que as campanhas serão criadas
Documentação do Experience League:
Fase 2: definir públicos comportamentais
Função do aplicativo: RT-CDP: Avaliação de Público-Alvo
Defina segmentos de público-alvo avaliados por borda com base em sinais comportamentais na sessão que impulsionam o direcionamento de personalização. Esses públicos-alvo determinam quais visitantes se qualificam para cada experiência personalizada. A avaliação do Edge é obrigatória para esse padrão, pois as decisões de personalização devem ser tomadas em intervalos de subsegundos conforme o visitante navega no site.
Pontos de decisão nesta fase:
Navegação da interface do usuário: Cliente > Públicos-alvo > Criar público-alvo > Criar regra
Detalhes de configuração da chave:
- Use o Construtor de segmentos para definir regras de público-alvo usando atributos comportamentais
- Verifique a elegibilidade da borda confirmando se a expressão de regra de segmento usa apenas funções compatíveis (comparações de atributos simples, associação de segmento)
- Definir a política de mesclagem para a política de mesclagem edge-ative configurada em F4
- Visualize a população do público-alvo para validar se o segmento retorna os resultados esperados
- Para públicos-alvo com base em exibições de página na sessão, use atributos de nível de evento da sessão atual em vez de consultas de série temporal
Onde as opções divergem:
Para a Opção A (Baseada em Regras):
Crie segmentos distintos de público-alvo para cada variante de conteúdo. Cada segmento representa uma condição comportamental específica (por exemplo, "Referência = Google E Geo = US" é mapeado para a variante de conteúdo A). O número de públicos é igual ao número de regras de personalização.
Para Opção B (Experimentação):
A definição de público-alvo é opcional. Se o experimento segmentar todos os visitantes, nenhum público será necessário — a divisão de tráfego lida com a atribuição de variantes. Se o experimento segmentar um subconjunto específico (por exemplo, somente visitantes móveis), defina um único público-alvo de direcionamento para a qualificação do experimento.
Para Opção C (Decisão):
Defina os públicos-alvo para serem usados como regras de qualificação em itens de conteúdo. Esses públicos-alvo determinam quais visitantes se qualificam para quais itens de conteúdo na política de decisão. O mecanismo de decisão lida com a seleção de conteúdo entre os itens elegíveis.
Documentação do Experience League:
Fase 3: Criar conteúdo e variantes
Função do aplicativo: AJO: Criação de Mensagens, AJO: Experimentação de Conteúdo (Opção B), AJO: Decisão (Opção C)
Crie as variantes de conteúdo personalizadas que serão entregues aos visitantes com base na associação de público-alvo (Opção A), atribuição de experimento (Opção B) ou lógica de decisão (Opção C). Essa fase abrange a criação de conteúdo usando o web designer do AJO ou o editor de experiência baseado em código, bem como a configuração de experimento ou decisão que determina como o conteúdo é selecionado.
Pontos de decisão nesta fase:
{{profile.homeAddress.city}} com auxiliares.Navegação da interface do usuário: Journey Optimizer > Campanhas > Selecionar campanha > Editar conteúdo
Detalhes de configuração da chave:
- Criar conteúdo usando o web designer (modificações visuais) ou o editor de experiência baseado em código (carga JSON)
- Usar o editor de expressão de personalização para inserir tokens dinâmicos de atributos de perfil de borda
- Configurar conteúdo de fallback para tokens de personalização que podem estar vazios em perfis anônimos
- Pré-visualização de conteúdo com perfis de teste para verificar a renderização entre cenários
Onde as opções divergem:
Para a Opção A (Baseada em Regras):
Crie uma variante de conteúdo distinta para cada segmento de público definido na Fase 2. Vincule cada variante ao público-alvo usando regras de conteúdo condicional na configuração da campanha. Verifique se existe uma variante de conteúdo padrão para visitantes que não correspondem a nenhuma regra de público-alvo.
Para Opção B (Experimentação):
Variantes de tratamento do autor (A, B, C etc.) para a experiência. Ative a experimentação de conteúdo na campanha, defina variantes de tratamento com seu conteúdo, defina porcentagens de alocação de tráfego e configure a métrica de sucesso.
- Definir 2-10 variantes de tratamento com conteúdo distinto
- Definir a alocação de tráfego (por exemplo, 50/50 para A/B ou divisão ponderada para testes de menor risco)
- Opcionalmente, inclua um grupo de controle (por exemplo, 10% recebe conteúdo padrão) para medir o aumento incremental
- Selecione a métrica de sucesso: aberturas exclusivas, cliques únicos, conversões ou métrica personalizada
- Defina o limite de confiança: 95% para testes padrão, 99% para decisões de alta complexidade, 90% para aprendizado direcional
- Navegação da interface do usuário: Campanha > Experimento de conteúdo > Adicionar tratamento > Alocação de tráfego > Métrica de sucesso
Para Opção C (Decisão):
Configure a pilha de componentes do Decisioning e integre-a à campanha.
- Criar inserções — Defina onde os itens de conteúdo da página aparecerão (Web HTML, JSON da Web, imagem da Web)
- Navegação da UI: Journey Optimizer > Componentes > Gerenciamento de decisão > Posicionamentos
- Definir regras de qualificação — Crie regras com base nos atributos do perfil de borda que determinam quais visitantes se qualificam para cada item de conteúdo
- Navegação da UI: Journey Optimizer > Componentes > Gerenciamento de decisão > Regras
- Criar itens de conteúdo (ofertas) — Crie itens de conteúdo personalizados com representações para cada posicionamento, regras de elegibilidade, prioridade e limite opcional
- Navegação da UI: Journey Optimizer > Componentes > Gerenciamento de decisão > Ofertas > Criar oferta
- Criar conteúdo de fallback — Defina um item de fallback retornado quando nenhum item personalizado for qualificado
- Navegação da UI: Journey Optimizer > Componentes > Gerenciamento de decisão > Ofertas > Criar oferta substituta
- Organizar em coleções — Agrupe itens de conteúdo usando qualificadores de coleção (marcas) e crie coleções
- Navegação da IU: Journey Optimizer > Componentes > Gerenciamento de decisão > Qualificadores de coleção / Coleções
- Criar política de decisão — Vincule posicionamentos a coleções e selecione a estratégia de classificação (com base em prioridade, fórmula ou AI)
- Navegação da interface do usuário: Journey Optimizer > Componentes > Gerenciamento de decisão > Decisões > Criar decisão
Documentação do Experience League:
Fase 4: configurar a campanha e o delivery
Função do aplicativo: AJO: Execução de Campanha
Crie e ative a campanha da Web do AJO que vincula a superfície da Web (Fase 1), o direcionamento de público-alvo ou a configuração de experimento (Fases 2-3) e as variantes de conteúdo (Fase 3) em uma unidade de entrega. A campanha controla quando e como o conteúdo personalizado é distribuído aos visitantes.
Pontos de decisão nesta fase:
Navegação da interface do usuário: Journey Optimizer > Campanhas > Criar campanha
Detalhes de configuração da chave:
- Selecione o canal da Web e a superfície da Web configurados na Fase 1
- Vincule o público-alvo (para a Opção A) ou defina as configurações do experimento (para a Opção B) ou incorpore a decisão (para a Opção C)
- Definir o agendamento da campanha (data inicial, data final ou sempre ativa)
- Configurar limite de frequência no nível da campanha, se aplicável
- Revisar todas as configurações e ativar a campanha
Onde as opções divergem:
Para a Opção A (Baseada em Regras):
Crie uma campanha por regra de personalização, cada uma direcionada a um público de borda diferente com sua variante de conteúdo correspondente. Como alternativa, use uma única campanha com regras de conteúdo condicionais que mapeiam a associação do público-alvo às variantes de conteúdo em uma campanha.
Para Opção B (Experimentação):
Crie uma única campanha com a experimentação de conteúdo ativada. A configuração do experimento (variantes, alocação de tráfego, métrica de sucesso) foi definida na Fase 3. Ative a campanha para iniciar o experimento.
Para Opção C (Decisão):
Crie uma campanha que incorpore a política de decisão configurada na Fase 3. A ação de conteúdo da campanha faz referência ao escopo de decisão, que aciona o mecanismo de decisão na borda. Ative a campanha para iniciar a entrega de conteúdo com base em decisão.
Documentação do Experience League:
Fase 5: relatar e analisar o desempenho
Função do aplicativo: AJO: Relatórios e análise de desempenho
Monitore o desempenho da personalização usando relatórios integrados do AJO e, opcionalmente, estenda a análise com o CJA para obter insights mais profundos entre canais. Essa fase abrange acessar relatórios de campanha dinâmicos e históricos, revisar resultados de experimentos e criar espaços de trabalho de análise personalizados.
Pontos de decisão nesta fase:
Navegação da interface do usuário: Journey Optimizer > Campanhas > Selecionar campanha > Exibir relatório
Detalhes de configuração da chave:
- Acesse o relatório ao vivo durante campanhas ativas para monitorar a entrega em tempo real (atualizações a cada 60 segundos, programas das últimas 24 horas)
- Acesse o relatório histórico (sempre) após a conclusão da campanha para obter uma análise abrangente (pode levar até 2 horas para ser totalmente preenchido)
- Para a Opção B (Experimentação): revise o relatório do experimento para obter comparação do desempenho do tratamento, intervalos de confiança e declaração do vencedor
- Para análise do CJA: verifique se uma conexão com o CJA inclui conjuntos de dados de eventos de experiência do AJO e se uma visualização de dados está configurada com métricas de personalização da Web
Onde as opções divergem:
Para a Opção A (Baseada em Regras):
Analise os relatórios de campanha de cada segmento de público-alvo para comparar as métricas de entrega e envolvimento entre variantes de conteúdo personalizadas. Use o CJA para criar um espaço de trabalho de comparação que mede o impacto da conversão de conteúdo personalizado em relação ao padrão.
Para Opção B (Experimentação):
Revise o relatório do experimento para obter confiança estatística, aumento do tratamento e identificação do vencedor. Aguarde o limite de confiança ser atingido antes de declarar um vencedor. Aplicar conteúdo vencedor como a variante permanente (transição para a Opção A para entrega contínua).
- Navegação da interface do usuário: Campanha > Experimento de conteúdo > Exibir relatório
- Experience League: Relatório de experimento de conteúdo
Para Opção C (Decisão):
Revise as métricas de desempenho de decisão, incluindo taxas de impressão da oferta, frequência de seleção e atribuição de conversão por item de conteúdo. Analise o desempenho das estratégias de classificação e se o conteúdo de fallback está sendo distribuído com muita frequência (indicando que as regras de elegibilidade são muito restritivas).
Documentação do Experience League:
Considerações de implantação
Esta seção aborda medidas de proteção, armadilhas comuns, práticas recomendadas e decisões de compensação para esse padrão de caso de uso.
Medidas de proteção e limites
Revise as seguintes medidas de proteção antes e durante a implementação.
- Os segmentos do Edge estão limitados a verificações de atributos simples e associação de segmentos — sem consultas de série temporal ou agregações complexas — Elegibilidade da segmentação do Edge
- Somente uma política de mesclagem pode estar ativa na borda por sandbox — Medidas de proteção do perfil
- Máximo de 4.000 definições de segmento por sandbox — Medidas de proteção de segmentação
- Máximo de 500 campanhas ativas por sandbox — medidas de proteção do Journey Optimizer
- Máximo de 10 variantes de tratamento por experimento de conteúdo — Limites de experimento de conteúdo
- Máximo de 10.000 ofertas personalizadas aprovadas por sandbox (Opção C) — Medidas de proteção do Gerenciamento de decisão
- Máximo de 30 disposições por decisão (Opção C) — medidas de proteção do Journey Optimizer
- Os modelos de classificação de IA exigem um mínimo de 1.000 eventos de conversão para treinamento (opção C)
- SLA de tempo de resposta do Edge Network: < 200 ms para segmentos avaliados de borda
- Expiração de perfil pseudônimo: configurável de 14 a 365 dias para perfis somente ECID
- Os relatórios ao vivo são atualizados a cada 60 segundos e mostram as últimas 24 horas de dados
- Os relatórios históricos podem levar até 2 horas para serem totalmente preenchidos após a conclusão da campanha
Armadilhas comuns
Evite os seguintes erros comuns de implementação.
- Web SDKnão está enviando sinais comportamentais para a AEP: Verifique se a sequência de dados tem o serviço Adobe Experience Platform habilitado e se o conjunto de dados do evento está mapeado corretamente. Sem isso, os perfis de borda do não são preenchidos e a avaliação do público-alvo falha silenciosamente — o visitante recebe o conteúdo padrão sem nenhuma indicação de erro.
- Público-alvo do Edge retornando zero qualificação: a segmentação do Edge tem requisitos de qualificação estritos. Consultas de série temporal, funções de agregação e consultas de várias entidades não são qualificadas para borda. Substitua a expressão de regra de segmento usando comparações de atributos simples ou verificações de associação de segmento.
- Política de mesclagem não ativa na borda: Se a política de mesclagem usada pelo segmento de público-alvo não tiver
isActiveOnEdge: true, as pesquisas de perfil de borda falharão e a personalização não será entregue. Somente uma política de mesclagem por sandbox pode estar ativa na borda — verifique se não existe conflito. - Cintilação do Personalization no carregamento da página: A chamada Web SDK
sendEventque recupera propostas de personalização deve ser executada antes que a página renderize a área de conteúdo de destino. Implemente a pré-ocultação de trechos ou a renderização assíncrona para impedir que o conteúdo padrão pisque antes que o conteúdo personalizado seja carregado. - Conteúdo não renderizado nas alterações de rota de SPA: aplicativos de página única exigem chamadas
sendEventexplícitas com informações de exibição atualizadas quando a rota é alterada. Sem isso, o Edge Network não reavalia a personalização da nova exibição. - O experimento não está atingindo significância estatística: Volume de tráfego insuficiente ou muitas variantes de tratamento diluem o tamanho da amostra por variante. Reduza o número de variantes ou aumente a duração do experimento. Não pare os experimentos prematuramente - os resultados podem ser enganosos.
- Decisão de retornar somente o conteúdo de fallback: verifique se os itens de conteúdo personalizados estão aprovados, dentro de seu intervalo de datas de validade, e se as regras de elegibilidade correspondem aos atributos de perfil de borda do visitante anônimo. Verifique também se os limites de limite não foram atingidos.
Práticas recomendadas
Siga estas recomendações para uma implementação bem-sucedida.
- Comece simples e depois repita: Comece com a Opção A (Baseada em Regras) para personalização inicial e use a Opção B (Experimentação) para validar as hipóteses e a Opção C (Decisão) para casos de uso avançados. Cada opção se baseia na infraestrutura básica.
- Usar pré-ocultação para prevenção de cintilação: Implemente o trecho pré-ocultação do AEP nas páginas em que a personalização será entregue. Isso oculta a área de conteúdo de destino até que o conteúdo personalizado esteja pronto para ser renderizado, evitando cintilação visual.
- Criar conteúdo de fallback deliberadamente: o conteúdo padrão (não personalizado) deve ser uma experiência de alta qualidade por conta própria. Os visitantes que não se qualificam para personalização — ou quando a resposta do Edge Network é atrasada — não devem receber uma experiência degradada.
- Valide a qualificação de borda antes de criar públicos-alvo: Antes de investir no desenvolvimento de regras de público-alvo, confirme se a expressão de regras de segmento é qualificada para borda revisando os critérios de qualificação no Experience League. As expressões não qualificadas retornarão silenciosamente para a avaliação em lote ou por transmissão com latência inaceitável para esse padrão.
- Monitorar desempenho de entrega de borda: Configure alertas de monitoramento para Edge Network tempos de resposta e falhas de entrega de personalização. Problemas de entrega do Edge são invisíveis para o visitante (eles veem conteúdo padrão) e podem não ser detectados sem o monitoramento pró-ativo.
- Configurar a expiração de perfis com pseudônimos: Defina os períodos de expiração apropriados para perfis de borda anônimos para equilibrar a personalização entre sessões (reconhecendo visitantes recorrentes) com a conformidade de privacidade e o gerenciamento de armazenamento.
- Testar com perfis representativos: ao visualizar conteúdo personalizado, use perfis de teste que representem os cenários de visitante anônimo reais (sem dados de CRM, histórico comportamental limitado, várias localizações geográficas e dispositivos).
Decisões de compensação
Considere as seguintes compensações ao planejar sua implementação.
- A ampla personalização favorece: simplicidade, tempo de entrega mais rápido, menor custo de produção de conteúdo. Um pequeno número de públicos-alvo e variantes abrange a maioria dos visitantes com personalização significativa.
- A personalização granular favorece: relevância máxima, aumento de engajamento maior, melhores taxas de conversão. Muitos públicos-alvo e variantes abordam sinais comportamentais específicos com conteúdo personalizado.
- Recomendação: comece com 3 a 5 regras de personalização de alto impacto direcionadas aos segmentos de visitantes mais comuns (por exemplo, fonte de referência, tipo de dispositivo, região geográfica). Avalie o impacto e, em seguida, amplie para regras mais granulares com base no desempenho e no valor comercial observados.
- Vantagens baseadas em regras: Previsibilidade, auditoria, controle comercial. As equipes de marketing sabem exatamente qual conteúdo cada segmento recebe e podem explicar a lógica às partes interessadas.
- Favoritos orientados por IA: Otimização de desempenho, escalabilidade, aprimoramento contínuo. O modelo de IA descobre afinidades de conteúdo-visitante que a escrita de regras humanas pode perder.
- Recomendação: use baseada em regras para decisões de conteúdo de alto risco, nas quais a consistência da marca e a transparência das partes interessadas são fundamentais. Use a classificação de IA para grandes catálogos de conteúdo em que o gerenciamento manual de regras se torna difícil e a otimização contínua fornece um aumento mensurável.
- A expiração mais longa favorece: perfis anônimos mais avançados, melhor reconhecimento de visitantes, mais dados para decisões de personalização. Defina a expiração para 90-365 dias.
- A expiração mais curta favorece: conformidade com a privacidade (GDPR, CCPA), custos de armazenamento reduzidos, risco minimizado de dados de perfil obsoletos. Defina a expiração para 14-30 dias.
- Recomendação: Alinhe a expiração com a política de consentimento de cookies e os requisitos de privacidade de sua organização. Para a maioria das implementações, de 30 a 90 dias fornecem um equilíbrio razoável entre o valor de personalização e a conformidade com a privacidade.
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