Webbanpassning för anonyma besökare
Den här guiden beskriver det anonyma besökarens mönster för webbpersonalisering, som använder Adobe Journey Optimizer (AJO), Adobe Real-Time Customer Data Platform (RT-CDP) och Adobe Experience Platform (AEP) för att leverera personaliserat webbinnehåll till anonyma (oidentifierade) besökare baserat på sessionsbeteendesignaler. Det är utformat för lösningsarkitekter, marknadsföringsteknologer och implementeringstekniker som behöver förstå vad mönstret gör, vilka affärsmål det stöder, vilka taktiska användningsfall det möjliggör och vilka Adobe-program det gäller.
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 skiftlägesmönster
Nedan beskrivs kärnmönstret och körningsplanen för det här användningsfallet.
Anonym besökare på Personalization
Leverera personaliserat innehåll baserat på sessionsbeteendesignaler för oidentifierade besökare via AJO webbkanal.
Körningsplan: Webbplatskonfiguration > Utvärdering av beteenderegel > Leverans av innehåll > Impression Tracking > Rapportering
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 denna begränsning kan man uppnå meningsfull personalisering med hjälp av beteendesignaler under sessionen: 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 implementeringsplaneringen: De beteendesignaler som är tillgängliga för personalisering är begränsade till vad Web SDK hämtar och vad som finns i edge-profilarkivet mellan sessioner via den cookie-baserade ECID:t.
Viktiga verksamhetsmål
Följande affärsmål stöds av det här användningsmönstret.
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.
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.
- A/B-test på landningssida baserat på hänvisningskälla - Testa olika rubriker för besökare som kommer från Google, sociala medier eller direkttrafik för att optimera engagemanget genom förvärvskanalen
- Rekommendationer för kategoritillhörighet baserade på webbläsarbeteende - Visa rekommendationer för produkt eller innehåll baserat på sidor som visas i den aktuella sessionen för att öka identifiering och konvertering
- Avsluta avsiktligt erbjudande för besökare som ska lämna - Visa ett kampanjerbjudande eller lead-formulär när beteendesignaler indikerar att besökaren håller på att överge webbplatsen
- Geografisk marknadsföringsbanderoll - Visa platsspecifika kampanjer, butiksplaceringsinnehåll eller regionala erbjudanden baserat på besökarens geografiska plats
- Enhetsspecifik innehållslayoutoptimering - Anpassa innehållslayout, bildstorlekar och CTA-placering baserat på om besökaren befinner sig på skrivbordet, surfplattan eller mobilen
- Nytt jämfört med att returnera besökarens välkomstmeddelande - Differentiera upplevelsen för förstagångsbesökare jämfört med att returnera anonyma besökare med hjälp av ECID-beständighet mellan sessioner
- Innehållsrekommendationer baserade på visade sidor i den aktuella sessionen - Visa relaterade artiklar, produkter eller resurser dynamiskt baserat på de sidor som besökaren redan har visat
- Dynamisk hjältebanderoll baserad på UTM-kampanjparametrar - Anpassa hjältebanderollen så att den matchar meddelandet eller kreativiteten från den refererande kampanjen
Nyckeltal för prestanda
Använd följande nyckeltal för att mäta effektiviteten för det här användningsmönstret.
Tillämpningar
Följande program används i det här fallmönstret.
- Adobe Journey Optimizer (AJO) - Konfiguration av webbkanalsyta, innehållsutveckling (webb- och kodbaserade upplevelser), kampanjkörning, innehållsexperiment (A/B-testning), beslut (dynamiskt innehållsval) och rapportering
- Adobe Real-Time Customer Data Platform (RT-CDP) - Edge-segmentering för målgruppsutvärdering i realtid baserat på sessionsbeteendesignaler; anonym hantering av kantprofiler
- Adobe Experience Platform (AEP) - Web SDK för beteendesignalinsamling, Edge Network för dataroutning och personalisering i realtid, datastream-konfiguration
Arkitektur
Följande referensarkitektur visar hur anonyma besökssignaler samlas in vid sidan om, utvärderas mot målgruppsregler och används för att leverera personaliserat innehåll.
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