Recomendação comportamental
Este guia descreve o padrão de caso de uso de recomendação comportamental, que usa a Decisão do Adobe Journey Optimizer (AJO), o Real-Time Customer Data Platform (RT-CDP) e o Adobe Experience Platform (AEP) para fornecer experiências de recomendação personalizadas em canais da Web, de aplicativos móveis e de email. 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.
A Recomendação comportamental gera recomendações no nível do item ou do conteúdo usando sinais comportamentais — exibições do produto, compras, interações de conteúdo, consultas de pesquisa — combinados com estratégias de seleção e modelos de classificação do AJO Decisioning. Ao contrário do Offer Decisioning, que rege um conjunto limitado de ofertas, promoções ou incentivos usando regras de elegibilidade e restrições comerciais, esse padrão opera em catálogos de itens grandes e em constante alteração (produtos, artigos, vídeos), em que a seleção é orientada por sinais de afinidade comportamental em vez de elegibilidade regida.
Padrão do caso de uso
Recomendação comportamental
Gerar recomendações no nível do item ou do conteúdo com base em sinais comportamentais, usando estratégias de seleção e modelos de classificação do AJO Decisioning para veicular conteúdo contextual.
Plano de execução: Assimilação de sinal comportamental > Avaliação de estratégia de decisão > Entrega de recomendação > Relatórios
Visão geral do caso de uso
As organizações com catálogos de produtos, bibliotecas de conteúdo ou bibliotecas de mídia precisam exibir os itens mais relevantes para cada visitante com base em seu histórico comportamental e na atividade da sessão. Seja um carrossel “recomendado para você” em uma página inicial, um widget de venda cruzada em uma página de detalhes do produto ou recomendações de produto incorporadas em uma campanha por email, o desafio subjacente é o mesmo: corresponder o perfil comportamental de cada visitante aos itens mais relevantes de um catálogo e, em seguida, fornecer essas recomendações no canal direito no momento certo.
Esse padrão aborda esse desafio ao assimilar sinais comportamentais em tempo real via Web SDK ou Mobile SDK, processando-os por meio de estratégias de seleção do AJO Decisioning que combinam atributos de item com contexto comportamental e entregando os itens recomendados por meio de canais da Web, no aplicativo ou de email. Os modelos de classificação podem ser baseados em fórmulas (por exemplo, classificar por pontuação de afinidade de categoria) ou classificados por IA (por exemplo, modelo de recomendação personalizado). O padrão também lida com cenários de início frio para novos visitantes sem histórico comportamental configurando recomendações de fallback.
O público-alvo para esse padrão inclui equipes de merchandising de comércio eletrônico, equipes de personalização de conteúdo e equipes de experiência digital que buscam melhorar o engajamento, a conversão e o valor médio do pedido por meio de recomendações personalizadas orientadas pelo comportamento real do usuário.
Principais objetivos de negócios
Os seguintes objetivos de negócios são compatíveis com esse padrão de caso de uso.
Impulsionar vendas cruzadas e vendas adicionais
Promova produtos ou serviços complementares e premium para os clientes existentes com base no histórico de comportamento e de compras.
KPIs: % de venda adicional/venda cruzada, Receita incremental, Valor vitalício do cliente
Aumentar taxas de conversão
Melhore a porcentagem de visitantes e prospetos que concluem as ações desejadas, como compras, inscrições ou envios de formulários.
KPIs: Taxas de Conversão, Conversão de Cliente Potencial, Custo por Cliente Potencial
Fornecer experiências personalizadas ao cliente
Personalize conteúdo, ofertas e mensagens para preferências individuais, comportamentos e estágios do ciclo de vida.
KPIs: Compromisso, Taxas de Conversão, Satisfação do Cliente (CSAT)
Exemplo de casos de uso tático
A seguir estão implementações táticas comuns desse padrão:
- Widget de venda cruzada de produto na página de detalhes do produto (“clientes também comprados”)
- Carrossel “Recomendado para você” na página inicial com base no histórico de navegação
- Recomendações de conteúdo no site de mídia com base no comportamento de leitura
- Widget “Visualizados recentemente” combinado com itens semelhantes
- Recomendações de produto complementar pós-compra
- Enviar recomendações de produto por email com base na afinidade comportamental
- Recomendações específicas por categoria com base no comportamento de navegação na sessão
- Reclassificação de resultados de pesquisa com base em sinais comportamentais
Indicadores-chave de desempenho
Os KPIs a seguir ajudam a medir a eficácia das implementações de recomendações comportamentais.
Aplicativos
Os aplicativos a seguir são usados neste padrão de caso de uso.
- Adobe Journey Optimizer (AJO) Decisão — Estratégias de seleção, modelos de classificação, catálogos de itens e políticas de decisão que avaliam sinais comportamentais e retornam os itens mais relevantes para cada visitante
- Adobe Real-Time Customer Data Platform (RT-CDP) — Acúmulo de dados de perfil comportamental, avaliação de público-alvo para escopo de recomendação e atributos computados para pontuação de afinidade comportamental
- Adobe Experience Platform (AEP) — Assimilação comportamental de evento via Web SDK e Mobile SDK, processamento de Edge Network, gerenciamento de esquema XDM para dados de evento e catálogo
Documentação relacionada
Os recursos a seguir fornecem detalhes adicionais sobre as tecnologias e capacidades usadas neste padrão.