Webbanpassning för anonyma besökare

Denna referensplan ger implementeringsvägledning för att leverera personaliserat webbinnehåll till anonyma (oidentifierade) besökare baserat på sessionsbeteendesignaler. Den täcker hela implementeringens livscykel - från Web SDK-konfiguration och edge-målgruppsdefinition till innehållsleverans och resultatrapportering - och är utformad för lösningsarkitekter, marknadsföringsteknologer och implementeringstekniker som arbetar med Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) och Adobe Experience Platform (AEP).

Använd den här planen för att förstå arkitekturen, utvärdera implementeringsalternativ, fatta välgrundade konfigurationsbeslut och hitta relevant Experience League-dokumentation för varje implementeringsfas.

Mönstret fungerar med begränsade data - bara det som kan observeras i den aktuella sessionen och alla anonyma kantprofiler som samlats in från tidigare besök på samma enhet eller cookie. Detta gör det lämpligt för personalisering på topp-of-funnel där besökaren inte har något konto eller inte har autentiserats.

Använd ärendeöversikt

Ett anonymt besöks-Personalization på webben som tar upp behovet av att leverera relevant, personaliserat innehåll till besökare som ännu inte har identifierats - de har inte loggat in, saknar känd identitet och kan inte matchas mot en enhetlig kundprofil. Trots den här begränsningen kan meningsfull personalisering uppnås med beteendesignaler i sessioner: visade sidor, tid på plats, rullningsdjup, hänvisningskälla, geografisk plats, enhetstyp och UTM-kampanjparametrar.

Det här mönstret använder AJO webbkanalsytor och kodbaserade upplevelser för att ändra sidinnehåll i realtid. Edge segmentering är den primära utvärderingsmetoden eftersom beslut måste fattas med en mindre fördröjning när besökaren navigerar på webbplatsen. Web SDK samlar in beteendesignaler och skickar dem till AEP Edge Network, där utvärderade målgruppsregler avgör vilken innehållsvariant som ska levereras.

Till skillnad från webbpersonalisering/appanpassning för kända besökare, som utnyttjar den fullständiga enhetliga profilen och segmentmedlemskapet, begränsas det här mönstret till data som kan observeras i den aktuella sessionen och alla anonyma kantprofiler som är kopplade till besökarens ECID (Experience Cloud ID). Den här skillnaden är viktig för implementeringsplanering: de beteendesignaler som är tillgängliga för personalisering är begränsade till vad Web SDK hämtar och vad som finns kvar i edge-profilarkivet för sessioner via den cookie-baserade ECID:t.

Viktiga verksamhetsmål

Följande affärsmål stöds av det här användningsmönstret.

Öka webbplatsengagemanget

Förbättra tiden på plats, sidor per session och interaktion med webbinnehåll genom relevanta upplevelser som är skräddarsydda för anonyma besökarsignaler.

Leverera personaliserade kundupplevelser

Skräddarsy innehåll, erbjudanden och budskap efter individuella preferenser, beteenden och livscykelsteg - även för besökare som ännu inte har identifierat sig själva.

Öka konverteringsgraden

Förbättra andelen besökare och presumtiva som slutför önskade åtgärder som inköp, registreringar eller inskickade formulär genom att presentera det mest relevanta innehållet baserat på beteendesammanhang.

Exempel på taktiska användningsfall

I följande exempel visas specifika scenarier där mönstret kan användas.

Nyckeltal för prestanda

Använd följande nyckeltal för att mäta effektiviteten för det här användningsmönstret.

Använd skiftlägesmönster

Nedan beskrivs kärnmönstret och funktionskedjan för det här användningsexemplet.

Anonym besökare på Personalization

Leverera personaliserat innehåll baserat på sessionsbeteendesignaler för oidentifierade besökare via AJO webbkanal.

Funktionskedja: Webbplatskonfiguration > Beteenderegelutvärdering > Innehållsleverans > Impression Tracking > Reporting

Tillämpningar

Följande program används i det här fallmönstret.

Foundationsfunktioner

Följande grundläggande funktioner måste finnas för det här användningsmönstret. För varje funktion anger statusen om den vanligtvis är obligatorisk, antas vara förkonfigurerad eller inte tillämplig.

Stödfunktioner

Följande funktioner förstärker det här användningsmönstret, men behövs inte för att köra kärnan.

Programfunktioner

I den här planen används följande funktioner från programfunktionskatalogen. Funktioner mappas till implementeringsfaser i stället för till numrerade steg.

Journey Optimizer (AJO)

Real-Time CDP (RT-CDP)

Förutsättningar

Slutför följande innan du börjar implementera.

Implementeringsalternativ

I det här avsnittet beskrivs tre implementeringsmetoder. Välj det alternativ som bäst passar dina personaliseringskrav.

Alternativ A: Regelbaserad webbanpassning

Passar bäst för: Enkel, deterministisk personalisering - geomriktade banners, hänvisningsrubriker, enhetsspecifika layouter, nya jämfört med att returnera besökarmeddelanden. Välj det här alternativet när innehållsvarianten kan bestämmas av okomplicerad villkorlig logik (om villkor X, visa innehåll Y).

Så här fungerar det:

Regelbaserad personalisering använder kvalificerade målgruppssegment för att avgöra vilken innehållsvariant en besökare ser. Varje målgruppssegment mappas till en viss innehållsvariant via villkorsregler som definierats i kampanjen. När en besökare läser in en sida skickar Web SDK beteendesignaler till Edge Network, som utvärderar besökarens kantprofil mot de definierade målgruppsreglerna i millisekunder. Den matchande innehållsvarianten returneras i svaret Edge Network och återges på sidan.

Strategin kräver att man definierar distinkta målgruppssegment i RT-CDP (t.ex."besökare från Google","besökare i Kalifornien","mobilbesökare") och skapar motsvarande innehållsvarianter i AJO. Kampanjen binder varje målgrupp till dess innehållsvariant med hjälp av regler för villkorat innehåll eller separata kampanjer per segment. Ingen AI-rankning eller trafikdelning är inblandad - relationen mellan målgrupp och innehåll är avgörande.

Viktiga överväganden:

Fördelar:

Begränsningar:

Experience League:

Alternativ B: Experimentationsbaserad webbanpassning

Bäst för: A/B-tester och multivariata tester - testa rubrikvarianter, CTA knappfärger, layoutalternativ, kampanjerbjudanden - med statistisk signifikansmätning. Välj det här alternativet när du behöver validera vilken innehållsvariant som fungerar bäst innan du implementerar en permanent personaliseringsregel.

Så här fungerar det:

Experimentationsbaserad personalisering använder AJO Content Experimentation för att slumpvis tilldela besökare till innehållsbehandlingsgrupper och mäta vilken variant som fungerar bäst i förhållande till ett definierat framgångsmått. Trafiken delas upp på olika varianter (t.ex. 50/50 för A/B, 33/33/34 för A/B/C) och prestanda spåras tills statistisk signifikans uppnås.

Experimentet är inbäddat i en webbkampanj från AJO. När en besökare läser in en sida tilldelar Edge Network dem till en behandlingsgrupp baserat på den konfigurerade trafikallokeringen. Besökaren får konsekvent samma behandling under hela försöket (sessionnivå eller besöksnivå beroende på konfiguration). Resultatstatistik (klickningar, konverteringar, engagemangshändelser) spåras via Web SDK och rapporteras i AJO experimentrapport.

Det här alternativet kräver inte fördefinierade målgruppssegment för målinriktning - alla besökare (eller en målinriktad delmängd) deltar i experimentet. Målet är att identifiera vilket innehåll som fungerar bäst, inte att inrikta sig på kända segment med fördefinierat innehåll.

Viktiga överväganden:

Fördelar:

Begränsningar:

Experience League:

Alternativ C: Beslutsbaserad webbanpassning

Passar bäst för: Val av dynamiskt innehåll - kategoritillhörighetsrekommendationer, erbjudanden om avslutning, beteenderekommendationer - där en beslutsprincip utvärderar sessionssignaler och väljer det optimala innehållet från en katalog med valbara objekt. Välj det här alternativet när logiken för innehållsval är för komplex för enkla regler, när du vill ha AI-rankad optimering eller när uppsättningen av valbara innehållsobjekt är stor och dynamisk.

Så här fungerar det:

Beslutsbaserad personalisering använder AJO Decisioning för att utvärdera beteendesignaler och välja den bästa innehållsvarianten för varje besökare från en hanterad katalog med innehållsobjekt (erbjudanden). Varje innehållsobjekt har regler för behörighet (vem som kvalificerar), representationer (hur innehållet ser ut i varje placering) och valfria begränsningar för att sätta fast innehåll (hur ofta det kan visas). En beslutspolicy länkar placeringar (där innehåll visas på sidan) till samlingar av innehållsobjekt och tillämpar en rangordningsstrategi för att välja det bästa alternativet.

När en besökare läser in en sida skickar Web SDK en Edge Network-begäran som innehåller beslutsomfånget. Beslutsmotorn utvärderar besökarens edge-profil mot reglerna för berättigande av innehållsobjekt, tillämpar rangordningsstrategin (prioritetsbaserad, formelbaserad eller AI-rankad) och returnerar det vinnande innehållsobjektet. Detta sker vid kanten med en mindre fördröjning.

Rankningsstrategin avgör hur valbara innehållsobjekt beställs. Prioritetsbaserad rankning använder manuellt tilldelade prioritetsvärden. Formelbaserad rankning använder ett anpassat uttryck (t.ex. viktningsfrekvensen för sidvyer). AI-rankad rankning använder en maskininlärningsmodell som optimerar för det valda framgångsmåttet över tiden, men kräver minst 1 000 konverteringshändelser för utbildning.

Viktiga överväganden:

Fördelar:

Begränsningar:

Experience League:

Jämförelse av alternativ

I följande tabell jämförs de tre implementeringsalternativen över de viktigaste kriterierna.

Välj rätt alternativ

Använd följande beslutslogik för att välja lämpligt implementeringsalternativ:

Kombinationsalternativ: Dessa alternativ utesluter inte varandra. Ett vanligt framsteg är att börja med alternativ B (Experimentation) för att hitta vinnande innehåll och sedan distribuera vinnare med alternativ A (Regelbaserad) för kontinuerlig leverans. Alternativ C (beslut) kan placeras ovanpå om du vill använda dynamiska katalogbaserade markeringar, medan alternativ A hanterar enklare deterministiska regler.

Implementeringsfaser

I följande faser beskrivs arbetsflödet för implementering från början till slut.

Fas 1: Konfigurera webbytor

Programfunktion: AJO: Kanalkonfiguration

Definiera de webbkanalsytor som anger var på din webbplats personaliserat innehåll ska levereras. En webbyta identifierar ett specifikt sidans URL- eller URL-mönster och platsen på sidan (CSS-väljare eller kodbaserad upplevelseyta) där AJO kan mata in eller ersätta innehåll.

Beslutspunkter i den här fasen:

Gränssnittsnavigering: Journey Optimizer > Administration > Kanaler > Webbkonfiguration

Information om nyckelkonfiguration:

Experience League-dokumentation:

Fas 2: Definiera beteendemässiga målgrupper

Programfunktion: RT-CDP: Målgruppsutvärdering

Definiera högkvalitativa målgruppssegment baserat på sessionsbeteendesignaler som driver personalisering. Dessa målgrupper avgör vilka besökare som kvalificerar sig för varje personaliserad upplevelse. Edge-utvärdering är obligatoriskt för det här mönstret eftersom personaliseringsbeslut måste fattas i delsekundersintervall när besökaren navigerar på webbplatsen.

Beslutspunkter i den här fasen:

Gränssnittsnavigering: Kund > Målgrupper > Skapa målgrupp > Skapa regel

Information om nyckelkonfiguration:

Var alternativen skiljer sig:

För alternativ A (regelbaserad):
Skapa distinkta målgruppssegment för varje innehållsvariant. Varje segment representerar ett visst beteendeförhållande (t.ex. "Referens = Google AND Geo = US" mappar till innehållsvariant A). Antalet målgrupper är lika med antalet personaliseringsregler.

För alternativ B (experimentering):
Målgruppsdefinitionen är valfri. Om experimentet riktar sig till alla besökare krävs ingen målgrupp - trafikdelningen hanterar varianttilldelningen. Om experimentet avser en viss delmängd (t.ex. endast mobilbesökare), definierar du en målgrupp för att experimentera med rätt till det.

För alternativ C (beslut):
Definiera målgrupper som kan användas som regler för behörighet för innehållsobjekt. Dessa målgrupper avgör vilka besökare som är kvalificerade för vilka innehållsobjekt i beslutspolicyn. Beslutsmotorn hanterar val av innehåll bland valbara objekt.

Experience League-dokumentation:

Fas 3: Skapa innehåll och skapa varianter

Programfunktion: AJO: Message Authoring, AJO: Content Experimentation (Option B), AJO: Decisioning (Option C)

Skapa de anpassade varianter av innehåll som ska levereras till besökarna baserat på målgruppsmedlemskap (alternativ A), experimenttilldelning (alternativ B) eller beslutslogik (alternativ C). I den här fasen beskrivs hur du skapar innehåll med AJO webbdesigner eller kodsbaserade upplevelseredigerare, liksom hur du använder det experimentella gränssnittet eller den beslutskonfiguration som styr hur innehåll väljs.

Beslutspunkter i den här fasen:

Gränssnittsnavigering: Journey Optimizer > Kampanjer > Välj kampanj > Redigera innehåll

Information om nyckelkonfiguration:

Var alternativen skiljer sig:

För alternativ A (regelbaserad):
Skapa en distinkt innehållsvariant för varje målgruppssegment som definieras i fas 2. Bind varje variant till målgruppen med hjälp av regler för villkorat innehåll i kampanjkonfigurationen. Kontrollera att det finns en standardvariant för innehåll för besökare som inte matchar någon målgruppsregel.

För alternativ B (experimentering):
Författarbehandlingsvarianter (A, B, C osv.) för experimentet. Aktivera innehållsexperimenterande i kampanjen, definiera behandlingsvarianter med deras innehåll, ange procentsatser för trafikallokering och konfigurera framgångsmåttet.

För alternativ C (beslut):
Konfigurera Beslutskomponentstacken och integrera den i kampanjen.

Experience League-dokumentation:

Fas 4: Konfigurera kampanj och leverans

Programfunktion: AJO: Kampanjkörning

Skapa och aktivera AJO webbkampanj som binder webbytan (fas 1), målgruppsanpassningen eller experimentkonfigurationen (fas 2-3) och innehållsvarianterna (fas 3) till en slutprodukt. Kampanjen styr när och hur personaliserat innehåll skickas till besökare.

Beslutspunkter i den här fasen:

Gränssnittsnavigering: Journey Optimizer > Kampanjer > Skapa kampanj

Information om nyckelkonfiguration:

Var alternativen skiljer sig:

För alternativ A (regelbaserad):
Skapa en kampanj per personaliseringsregel, som alla riktar sig till olika målgrupper med motsvarande innehållsvariant. Du kan också använda en enda kampanj med villkorsstyrda innehållsregler som mappar målgruppsmedlemskap till innehållsvarianter inom en kampanj.

För alternativ B (experimentering):
Skapa en enda kampanj med innehållsexperimenterande aktiverat. Experimentkonfigurationen (varianter, trafikallokering, framgångsmått) definierades i fas 3. Aktivera kampanjen för att starta experimentet.

För alternativ C (beslut):
Skapa en kampanj som bäddar in den beslutsprincip som konfigurerats i fas 3. Kampanjens innehållsåtgärd refererar till beslutsomfånget, som utlöser beslutsmotorn i förgrunden. Aktivera kampanjen för att påbörja beslutsbaserad innehållsleverans.

Experience League-dokumentation:

Fas 5: Rapportera och analysera prestanda

Programfunktion: AJO: Rapporterings- och prestandaanalys

Övervaka personaliseringsprestanda med inbyggda rapporter från AJO och utöka analysen med CJA för djupare insikter över olika kanaler. Den här fasen handlar om att få tillgång till livesändningar och historiska kampanjrapporter, granska experimentresultat och bygga anpassade analysarbetsytor.

Beslutspunkter i den här fasen:

Gränssnittsnavigering: Journey Optimizer > Kampanjer > Välj kampanj > Visa rapport

Information om nyckelkonfiguration:

Var alternativen skiljer sig:

För alternativ A (regelbaserad):
Granska kampanjrapporter för varje målgruppssegment för att jämföra leverans- och engagemangsmått för personaliserade innehållsvarianter. Använd CJA för att skapa en jämförelsearbetsyta som mäter konverteringseffekten för personaliserat och standardinnehåll.

För alternativ B (experimentering):
Granska experimentrapporten för statistisk säkerhet, behandlingshöjning och identifiering av vinnare. Vänta på att tröskelvärdet för förtroende nås innan du deklarerar en vinnare. Använd vinnande innehåll som permanent variant (övergång till alternativ A för kontinuerlig leverans).

För alternativ C (beslut):
Granska resultatvärden för beslutsfattande, inklusive antal erbjudanden, urvalsfrekvens och konverteringsattribuering per innehållsobjekt. Analysera hur rangordningsstrategier fungerar och om reservinnehåll hanteras för ofta (vilket anger att reglerna för behörighet är för restriktiva).

Experience League-dokumentation:

Implementeringsöverväganden

I det här avsnittet beskrivs hur man kan lösa säkerhetsproblem, vanliga fallgropar, bästa praxis och beslut om avvägning för det här användningsmönstret.

Gardrutor och begränsningar

Granska följande skyddsutkast före och under implementeringen.

Vanliga fallgropar

Undvik följande vanliga implementeringsmisstag.

God praxis

Följ dessa rekommendationer för en lyckad implementering.

Avvecklingsbeslut

Tänk på följande när du planerar implementeringen.

Relaterad dokumentation

Följande Experience League-resurser innehåller ytterligare information om de funktioner som används i det här användningsmönstret.

Webbkanal och kodbaserade upplevelser

Målgrupper och segmentering

Personalization och innehåll

Experimentera med innehåll

Beslutshantering

Kampanjer

Web SDKoch datainsamling

Identitet och profil

Datamodellering

Rapportering och analys

Datastyrning och sekretess

Guardrails