Beteenderekommendation
I den här guiden beskrivs hur beteenderekommendation använder sig av fallmönster, som använder Adobe Journey Optimizer (AJO) Decisioning, Real-Time Customer Data Platform (RT-CDP) och Adobe Experience Platform (AEP) för att leverera personaliserade rekommendationsupplevelser i webben, mobilappar och e-postkanaler. 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.
Beteenderekommendation genererar rekommendationer på objektnivå eller på innehållsnivå med hjälp av beteendesignaler - produktvyer, inköp, innehållsinteraktioner, sökfrågor - i kombination med urvalsstrategier och rangordningsmodeller för AJO Decisioning. Till skillnad från beslut om erbjudanden - som styr en avgränsad uppsättning erbjudanden, kampanjer eller incitament med hjälp av regler för behörighet och affärsbegränsningar - fungerar det här mönstret på stora, ständigt föränderliga artikelkataloger (produkter, artiklar, videor) där urvalet styrs av beteendesignaler snarare än styrd behörighet.
Använd skiftlägesmönster
Beteenderekommendation
Generera rekommendationer på objektnivå eller innehållsnivå baserade på beteendesignaler, med AJO Decisioning-markeringsstrategier och rankningsmodeller för att leverera kontextuellt innehåll.
Körningsplan: Behavioral signalintag > Utvärdering av beslutsstrategi > Rekommendationsleverans > Rapportering
Använd ärendeöversikt
Organisationer med produktkataloger, innehållsbibliotek eller mediebibliotek måste visa de mest relevanta objekten för varje besökare utifrån deras beteendehistorik och sessionsaktivitet. Vare sig det är en karusell som"rekommenderas för dig" på en hemsida, en korsförsäljningswidget på en produktinformationssida eller produktrekommendationer som är inbäddade i en e-postkampanj är den underliggande utmaningen densamma: matcha varje besökares beteendeprofil med de mest relevanta objekten från en katalog och leverera sedan dessa rekommendationer i rätt kanal vid rätt tillfälle.
Det här mönstret åtgärdar den utmaningen genom att inhämta beteendesignaler i realtid via Web SDK eller Mobile SDK, bearbeta dem via AJO Decisioning-markeringsstrategier som kombinerar objektattribut med beteendekontext och levererar de rekommenderade objekten via webben, i appen eller via e-postkanaler. Rankningsmodeller kan vara formelbaserade (t.ex. sortera efter kategoritillhörighetspoäng) eller AI-rankade (t.ex. personaliserad rekommendationsmodell). Mönstret hanterar också kallstartsscenarier för nya besökare utan beteendehistorik genom att konfigurera reservrekommendationer.
Målgruppen för det här mönstret är bland annat e-handelsteamen, team för innehållspersonalisering och team för digitala upplevelser som vill förbättra engagemanget, konverteringen och det genomsnittliga ordervärdet genom personaliserade rekommendationer som bygger på verkliga användarbeteenden.
Viktiga verksamhetsmål
Följande affärsmål stöds av det här användningsmönstret.
Öka korsförsäljning och merförsäljning
Marknadsför kompletterande och premiumbaserade produkter eller tjänster till befintliga kunder baserat på beteenden och inköpshistorik.
KPI Merförsäljning/korsförsäljning %, Inkrementell intäkt, Kundens livstidsvärde
Öka konverteringsgraden
Förbättra andelen besökare och presumtiva som utför önskade åtgärder, t.ex. inköp, registreringar eller inskickade formulär.
KPI Konverteringshastigheter, Leadkonvertering, kostnad per lead
Leverera personaliserade kundupplevelser
Skräddarsy innehåll, erbjudanden och budskap efter enskilda preferenser, beteenden och livscykelsteg.
KPI engagemang, konverteringsgrader, kundnöjdhet (CSAT)
Exempel på taktiska användningsfall
Nedan följer några vanliga taktiska implementeringar av det här mönstret:
- Produktens korsförsäljningswidget på produktinformationssidan (“kunder som också köpt”)
- “Recommended for you”-karusell på hemsidan baserat på webbläsarhistorik
- Innehållsrekommendationer för mediewebbplats baserat på läsbeteende
- “Nyligen visade” i kombination med liknande objektwidget
- Kompletterande produktrekommendationer efter köp
- E-postproduktrekommendationer baserade på beteendetillhörighet
- Kategorispecifika rekommendationer baserade på webbläsarbeteende under session
- Sökresultat omrangordnas baserat på beteendesignaler
Nyckeltal för prestanda
Följande nyckeltal hjälper till att mäta effekten av implementeringar av beteenderekommendationer.
Tillämpningar
Följande program används i det här fallmönstret.
- Adobe Journey Optimizer (AJO) Beslut - Urvalsstrategier, rangordningsmodeller, objektkataloger och beslutsprofiler som utvärderar beteendesignaler och returnerar de mest relevanta objekten för varje besökare
- Adobe Real-Time Customer Data Platform (RT-CDP) - ackumulering av beteendeprofildata, målgruppsutvärdering för rekommendationsomfattning och beräknade attribut för beteendeaffinitetsklassificering
- Adobe Experience Platform (AEP) - Inmatning av beteendehändelser via Web SDK och Mobile SDK, Edge Network bearbetning, XDM-schemahantering för händelse- och katalogdata
Relaterad dokumentation
Följande resurser innehåller ytterligare information om de tekniker och funktioner som används i det här mönstret.