Händelser

Händelser är ett viktigt verktyg för att förbättra shoppingupplevelsen och öka konverteringsgraden genom att utnyttja datainsikter i realtid.

Adobe Commerce Optimizer distribuerar butikshändelser till din plats automatiskt. Dessa händelser hämtar in data från kundernas interaktioner på er webbplats. Dessa anonyma data driver rekommendationer, produktidentifiering och framgångsmått.

På sidan Händelser kan du observera de data för händelsen storefront som samlas in. Med en översikt över händelsedatainsamlingen kan handlare verifiera att de har implementerat butikshändelser korrekt och att händelser har hämtats. Handlare kan använda den här sidan för att identifiera potentiella problem och vidta åtgärder för att lösa eventuella händelseproblem.

Antal händelser

Fliken Antal händelser spårar kundinteraktioner, som sökningar, klick och köp, så att du kan analysera trender och förbättra shoppingupplevelsen.

{modal="regular"}

Sanitetskontroll

Fliken Sanitetskontroll ger dig insikt i hälsotillståndet för varje beteendehändelse och säkerställer korrekt datainsamling och funktionalitet. ​

{modal="regular"}

I följande avsnitt beskrivs händelseinformation för produktidentifiering och rekommendationer.

Produktupptäckt

Vid produktupptäckt används händelser för att driva sökalgoritmer som"Mest visade" och"Viewed This, Viewed That".

Den här tabellen beskriver de händelser som används av produktidentifieringsstrategierna rankning.

Nödvändiga instrumentpanelshändelser

Vissa händelser krävs för att fylla i kontrollpanelen för sökprestanda

Rekommendationer

Det finns två typer av data som används i rekommendationerna:

Adobe Sensei samlar in beteendedata och katalogdata och skapar rekommendationer för varje rekommendationstyp. Rekommendationstjänsten distribuerar sedan dessa rekommendationer till din butik i form av en widget som innehåller den rekommenderade produkten items.

Vissa rekommendationstyper använder beteendedata från era kunder för att utbilda maskininlärningsmodeller för att skapa personaliserade rekommendationer. Andra rekommendationstyper använder bara katalogdata och använder inga beteendedata. Om du snabbt vill börja använda rekommendationer på din webbplats kan du använda rekommendationstypen More like this.

Cold start

När kan du börja använda rekommendationstyper som använder beteendedata? Det beror på. Detta kallas för problemet med kallstart.

Problemet med kallstart avser den tid det tar för en modell att träna och börja gälla. För rekommendationer innebär detta att man måste vänta på att Adobe Sensei ska samla in tillräckligt med data för att utbilda sina maskininlärningsmodeller innan rekommendationsenheter distribueras på er webbplats. Ju mer data modellerna har, desto mer exakt och användbar är rekommendationerna. Eftersom datainsamling sker på en aktiv webbplats är det bäst att börja den här processen tidigt.

I följande tabell visas några allmänna riktlinjer för hur lång tid det tar att samla in tillräckligt med data för varje rekommendationstyp:

Andra variabler som kan påverka den tid som krävs för att utbilda:

På sidan Skapa rekommendation visas beredskapsindikatorer så att du kan visualisera utbildningsförloppet för varje rekommendationstyp.

Medan data samlas in på din webbplats och maskininlärningsmodellerna håller på att tränas kan du slutföra andra test- och konfigureringsuppgifter som behövs för att skapa rekommendationer. När du är klar med det här arbetet har modellerna tillräckligt med data för att skapa användbara rekommendationer, så att du kan distribuera dem till butiken.

Om din webbplats inte får tillräckligt med trafik (visningar, köp, trender) för de flesta SKU:er kanske det inte finns tillräckligt med data för att slutföra inlärningsprocessen. Detta kan göra att beredskapsindikatorn på arbetsytan Rekommendationer verkar fastna. Beredskapsindikatorerna är avsedda att förse handlarna med en annan datapunkt när de väljer vilken typ av rekommendationer som är bäst för deras butik. Siffrorna är en stödlinje som kanske aldrig når 100 %. Läs mer om beredskapsindikatorer.

Rekommendationer för säkerhetskopiering

Om indata inte räcker till för att tillhandahålla alla begärda rekommendationsobjekt i en enhet ger Adobe Commerce Optimizer säkerhetskopieringsrekommendationer för att fylla i rekommendationsenheter. Om du till exempel distribuerar rekommendationstypen Recommended for you till din hemsida, har en förstagångskund på din webbplats inte genererat tillräckligt med beteendedata för att korrekt rekommendera anpassade produkter. I det här fallet ytor Adobe Commerce Optimizer objekt baserat på rekommendationstypen Most viewed till den här kunden.

Om indatainsamlingen inte är tillräcklig återgår följande rekommendationstyper till rekommendationstypen Most viewed:

Rekommendationsspecifika händelser

I följande tabell visas de händelser som utlöses när kunderna interagerar med rekommendationsenheter i butiken. De händelsedata som samlas in gör att måtten kan analysera hur bra dina rekommendationer fungerar.

Nödvändiga instrumentpanelshändelser

Följande händelser krävs för att fylla i kontrollpanelen Rekommendationer ​

Följande händelser är inte specifika för Rekommendationer, men krävs för att Adobe Sensei ska tolka kunddata korrekt:

Rekommendationstyp

I den här tabellen beskrivs de händelser som används av varje rekommendationstyp.

Support

Om du märker att det finns avvikelser i data eller om rekommendationer och sökresultat inte fungerar som förväntat, skickar du en supportanmälan.