Eventos

Os eventos são uma ferramenta essencial para aprimorar a experiência de compra e gerar conversões aproveitando insights de dados em tempo real.

O Adobe Commerce Optimizer implanta os eventos da vitrine eletrônica no site automaticamente. Esses eventos capturam dados das interações dos compradores no site. Estes dados anônimos alimentam as recomendações, a descoberta de produtos e as métricas de sucesso.

A página Events permite observar os dados do evento da loja que está sendo coletado. Ter uma visualização na coleção de dados do evento permite que os comerciantes verifiquem se implementaram os eventos de vitrine corretamente e se os eventos estão sendo capturados com sucesso. Os comerciantes podem usar esta página para identificar possíveis problemas e tomar medidas para resolver quaisquer problemas de evento.

Contagem de eventos

A guia Contagens de eventos rastreia as interações do comprador, como pesquisas, cliques e compras, para ajudá-lo a analisar tendências e melhorar a experiência de compras.

{modal="regular"}

Verificação de integridade

A guia Verificação de integridade oferece insights sobre a integridade de cada evento comportamental, garantindo uma coleta e funcionalidade precisas de dados. ​

{modal="regular"}

As seções a seguir descrevem detalhes do evento para descoberta de produto e recomendações.

Descoberta de produto

A descoberta de produtos usa eventos para potencializar algoritmos de pesquisa, como "Mais visualizados" e "Mais visualizados isto, visualizados aquilo".

Esta tabela descreve os eventos usados pela descoberta de produtos estratégias de classificação.

Eventos de painel obrigatórios

Alguns eventos são necessários para preencher o painel de desempenho de pesquisa

Recommendations

Há dois tipos de dados usados nas recomendações:

O Adobe Sensei agrega os dados comportamentais e de catálogo, criando Recommendations para cada tipo de recomendação. O serviço de recomendações implanta essas recomendações na vitrine eletrônica em um widget que contém o produto recomendado itens.

Alguns tipos de recomendações usam dados comportamentais de seus compradores para treinar modelos de aprendizado de máquina para criar recomendações personalizadas. Outros tipos de recomendações usam apenas dados de catálogo e não usam dados comportamentais. Se você quiser começar rapidamente a usar o Recommendations em seu site, poderá usar o tipo de recomendação More like this.

Arranque a frio

Quando você pode começar a usar tipos de recomendação que usam dados comportamentais? Depende. Isso é conhecido como o problema Cold Start.

O problema Cold Start refere-se ao tempo que um modelo leva para ser treinado e se tornar efetivo. Para recomendações, isso significa aguardar que o Adobe Sensei colete dados suficientes para treinar seus modelos de aprendizado de máquina antes de implantar unidades de recomendação em seu site. Quanto mais dados os modelos tiverem, mais precisas e úteis serão as recomendações. Como a coleta de dados acontece em um site ativo, é melhor iniciar esse processo antecipadamente.

A tabela a seguir fornece algumas orientações gerais sobre o tempo necessário para coletar dados suficientes para cada tipo de recomendação:

Outras variáveis que podem afetar o tempo necessário para treinar:

Para ajudá-lo a visualizar o progresso do treinamento de cada tipo de recomendação, a página criar recomendação exibe indicadores de preparação.

Enquanto os dados estão sendo coletados em seu site ativo e os modelos de aprendizado de máquina estão sendo treinados, você pode concluir outras tarefas de teste e configuração necessárias para definir as recomendações. Quando você terminar este trabalho, os modelos terão dados suficientes para criar recomendações úteis, permitindo que você os implante em sua loja.

Se o site não receber tráfego suficiente (exibições, compras, tendências) para a maioria dos SKUs de produtos, talvez não haja dados suficientes para concluir o processo de aprendizado. Isso pode fazer com que o indicador de prontidão no espaço de trabalho do Recommendations pareça travado. Os indicadores de prontidão devem fornecer aos comerciantes outro ponto de dados para escolher qual tipo de recomendações é melhor para sua loja. Os números são um guia e podem nunca chegar a 100%. Saiba mais sobre os indicadores de preparação.

Recomendações de backup

Se os dados de entrada forem insuficientes para fornecer todos os itens de recomendação solicitados em uma unidade, o Adobe Commerce Optimizer fornecerá recomendações de backup para preencher as unidades de recomendação. Por exemplo, se você implantar o tipo de recomendação Recommended for you na sua página inicial, um comprador novo no site não terá gerado dados comportamentais suficientes para recomendar com precisão os produtos personalizados. Neste caso, Adobe Commerce Optimizer exibe itens baseados no tipo de recomendação Most viewed para este comprador.

No caso de coleta de dados de entrada insuficiente, os seguintes tipos de recomendação fazem fallback para o tipo de recomendação Most viewed:

Eventos específicos de recomendação

A tabela a seguir lista os eventos que são acionados quando os compradores interagem com as unidades de recomendação na loja. Os dados coletados do evento alimentam as métricas para analisar o desempenho de suas recomendações.

Eventos de painel obrigatórios

Os seguintes eventos são necessários para preencher o painel de Desempenho do Recommendations

Os seguintes eventos não são específicos do Recommendations, mas são necessários para que o Adobe Sensei interprete os dados do comprador corretamente:

Tipo de recomendação

Esta tabela descreve os eventos usados por cada tipo de recomendação.

Suporte

Se você observar discrepâncias de dados ou se as recomendações e os resultados da pesquisa não estiverem funcionando como esperado, envie um tíquete de suporte.