Personalization som mål: Komma igång med Recommendations och kategoritillhörighet
Lär dig hur du skapar en stark grund för att komma igång med Recommendations. Få en bättre förståelse för de algoritmer som driver Recs och hur Recs kan utnyttjas.
Viktiga uppgifter
- Recommendations i Rex erbjuder personalisering i stor skala, vilket möjliggör intelligenta rekommendationer av hundratals eller tusentals objekt baserade på valda algoritmer som beteendebaserad, popularitetsbaserad, innehållets likhet med mera.
- Rex erbjuder anpassningsalternativ som sekvensering, viktning, exkluderingsregler med mera, vilket gör det till ett bra verktyg för personaliserad varukontroll.
- Rex är idealiskt för att rekommendera ett stort antal produkter eller innehållsobjekt för tusentals eller miljontals objekt, och ger personaliserade rekommendationer baserade på användarprofiler.
- Rex är kanske inte lämpligt för scenarier med ett litet antal erbjudanden, snabbt föränderliga katalogobjekt, låg interaktionsfrekvens eller när personaliseringen primärt baseras på användaregenskaper som lojalitetssegment eller geografi.
- Att konfigurera rekommendationer i Rex innebär att lära ut produkter eller innehåll i systemet genom att skapa kataloger, hämta in användarbeteendedata och tillhandahålla kontext för rekommendationer som ska visas.
- Kategoritillhörighet fokuserar på att rekommendera kategorier eller grupper av produkter eller innehåll i stället för specifika artiklar, baserat på användarinteraktioner och punkter som tilldelats olika kategorier.
- Kategoritillhörighet kan utnyttjas genom att skapa målgrupper baserat på användarpreferenser, tilldela punkter till kategorier och använda kriterier som favorit eller först för att personalisera rekommendationer.
- Kriteriesekvenser i Rex gör det möjligt att prioritera rekommendationer baserat på besökarens beteende och datamängd, vilket säkerställer en fullständig mall med rekommenderade objekt genom att lagerkriterier baseras på besökarens värde och beteende.
- Flexibiliteten hos Rex-kriteriesekvenser gör att rekommendationer kan prioriteras genom att först tilldela värdefulla kriterier och fylla i mallen med ytterligare kriterier efter behov.
- Att tillämpa kriteriesekvenser är avgörande för att man ska kunna säkerställa djupet i rekommenderade artiklar, särskilt när man hanterar kategorier på olika granularitetsnivåer.
recommendation-more-help
abac5052-c195-43a0-840d-39eac28f4780