Basera rekommendationen på en rekommendationsnyckel

Recommendations baserat på algoritmer använder besökarbeteendekontext för att visa relevanta resultat i Adobe Target Recommendations-aktiviteter.

Varje algoritmtyp innehåller olika algoritmer som passar för dess typ, vilket visas i följande tabell:

Varje villkor definieras på en egen flik. Trafiken fördelas jämnt mellan olika kriterietester. Med andra ord, om du har två kriterier, delas trafiken lika mellan dem. Om du har två kriterier och två designer, delas trafiken jämnt mellan de fyra kombinationerna. Du kan också ange en procentandel besökare som ser standardinnehållet för jämförelse. I så fall ser den angivna procentandelen besökare standardinnehållet och resten delas mellan dina kriterier och designkombinationer.

Mer information om hur du skapar villkor och definierar dess algoritmtyper och algoritmer finns i Skapa villkor.

Olika rekommendationsalgoritmer passar in på olika typer av sidor. Mer information om varje algoritmtyp och dess tillgängliga algoritmer finns i följande avsnitt.

Cart-baserad cart-based

Algoritmtypen Cart-Based gör att du kan rekommendera objekt baserat på innehållet i besökarens aktuella kundvagn. Rekommendationstangenterna anges med mbox-parametern cartIds i kommaavgränsade värden. Endast de första 10 värdena beaktas.

Den kundbaserade rekommendationslogiken liknar den användarbaserade algoritmen Recommended For You och de objektbaserade algoritmerna People Who Viewed These, Bought Those och People Who Bought These, Bought Those.

I Target används tekniker för att tillsammans filtrera för att fastställa likheter för varje objekt i besökarens kundvagn. Sedan kombineras dessa beteendelikheter för varje objekt för att skapa en sammanfogad lista.

Target ger även marknadsförare möjlighet att se besökarnas beteende i en eller flera sessioner:

Target gör rekommendationer för varje besökare baserat på artiklarna i den aktuella kundvagnen, oavsett om du tittar på besökarbeteendet i en session eller i flera sessioner.

Följande algoritmer är tillgängliga med algoritmtypen Cart-Based:

People Who Viewed This, Also Viewed

Rekommenderar objekt som oftast visas i samma session som det angivna objektet visas.

Den här logiken returnerar andra produkter som visas när du har tittat på den här. Den angivna produkten ingår inte i resultatuppsättningen.

Med den här logiken kan du skapa ytterligare konverteringsmöjligheter genom att rekommendera objekt som andra besökare som tittade på ett objekt också kan se. Besökare som tittar på cyklar på er webbplats kan till exempel också titta på cykelhjälmar, cykelkit, lås osv. Du kan skapa en rekommendation med hjälp av den här logiken som föreslår att andra produkter hjälper dig att öka intäkterna.

Om du väljer den här algoritmen kan du välja följande Recommendations-nycklar:

People Who Viewed This, Also Bought

Rekommenderar artiklar som oftast köps i samma session som det angivna objektet visas.

Den här logiken returnerar andra produkter som köpts efter att ha tittat på den här. Den angivna produkten ingår inte i resultatuppsättningen.

Med den här logiken kan du öka möjligheterna till korsförsäljning genom att visa en rekommendation på en produktsida, som till exempel visar objekt som andra besökare som visade det köpta objektet. Om besökaren till exempel tittar på en fiskepunkt kan rekommendationen visa ytterligare saker som andra besökare har köpt, som t.ex. kryssrutor för taggar, skölder och fiskekurser. När besökarna besöker er webbplats kan ni ge dem ytterligare inköpsrekommendationer.

Om du väljer den här algoritmen kan du välja följande Recommendations-nycklar:

People Who Bought This, Also Bought

Rekommenderar artiklar som oftast köps av kunder samtidigt som det angivna objektet.

Den här logiken returnerar andra produkter som köpts efter att ha köpt den här. Den angivna produkten ingår inte i resultatuppsättningen.

Med den här logiken kan du öka möjligheterna till korsförsäljning genom att visa en rekommendation på en kundvagnssammanfattning, som t.ex. visar artiklar som andra köpare också har köpt. Om besökaren till exempel köper en kostym kan rekommendationen visa ytterligare objekt som andra besökare har köpt tillsammans med kostymen, som slipsar, klädskor och kufflänkar. När besökarna granskar sina inköp ger ni dem ytterligare rekommendationer.

Om du väljer den här algoritmen kan du välja följande Recommendations-nycklar:

Popularity-Based

Algoritmtypen Popularity-Based gör att du kan göra rekommendationer baserat på den övergripande populariteten för ett objekt på webbplatsen eller baserat på populariteten för objekt i en användares favoritkategori eller mest visade kategori, märke, genre o.s.v.

Följande algoritmer är tillgängliga med algoritmtypen Popularity-Based:

Most Viewed Across the Site most-viewed

Rekommendationen avgörs av det objekt som har visats oftast. Detta bestäms av de kriterier för senaste frekvens/frekvens som fungerar enligt följande:

Om du till exempel visar surfbräda A och sedan surfbräda B i en session blir resultatet A: 10, B: 5. När sessionen avslutas har du A: 5, B: 2.5. Om du visar samma objekt i nästa session ändras värdena till A: 15 B: 7.5.

Använd den här algoritmen på allmänna sidor, som startsidor, landningssidor och annonser utanför webbplatsen.

Most Viewed by Category most-viewed-category

Rekommendationen avgörs av den kategori som har fått mest aktivitet, med samma metod som används för"mest visade objekt" förutom att kategorier räknas i stället för produkter.

Detta bestäms av de kriterier för senaste frekvens/frekvens som fungerar enligt följande:

De kategorier som besöktes för första gången får 10 poäng. Fem poäng ges för efterföljande besök i samma kategori. Vid varje besök minskas inaktuella kategorier som har visats tidigare med 1.

Om du till exempel visar kategori A och sedan kategori B i en session får du resultatet A: 9, B: 10. Om du visar samma objekt i nästa session ändras värdena till A: 20 B: 9.

Använd den här algoritmen på allmänna sidor, som startsidor, landningssidor och annonser utanför webbplatsen.

Om du väljer algoritmen Mest visade av kategori kan du välja följande Recommendations-nycklar:

Most Viewed by Item Attribute

Rekommenderar objekt eller media som liknar de mest visade objekten eller medierna på din webbplats.

Med den här algoritmen kan du välja vilket objektattribut du vill basera rekommendationen på, till exempel "Namn" eller "Varumärke".

Sedan väljer du vilka profilattribut som ska matchas i besökarens profil, till exempel "Favorit Brand", "Last Item Added to Cart" eller "Most Viewed Show."

Top Sellers Across the Site top-sellers

Visar de artiklar som ingår i de mest slutförda beställningarna från hela webbplatsen. Flera enheter av samma artikel i en enda order räknas som en order.

Med den här algoritmen kan du skapa rekommendationer för toppförsäljningsartiklar på webbplatsen för att öka konverteringen och intäkterna. Den här logiken passar särskilt bra för förstagångsbesökare på er webbplats.

Top Sellers by Category

Visar de artiklar som ingår i de mest slutförda beställningarna per kategori. Flera enheter av samma artikel i en enda order räknas som en order.

Med den här algoritmen kan du skapa rekommendationer för toppförsäljningsartiklar på din webbplats baserat på kategori för att öka konverteringen och intäkterna. Den här logiken passar särskilt bra för förstagångsbesökare på er webbplats.

Om du väljer algoritmen Most Viewed by Category kan du välja följande Recommendations Keys:

Top Sellers by Item Attribute

Rekommenderar objekt eller media som liknar de mest köpta objekten eller medierna på din webbplats.

Med den här algoritmen kan du välja vilket objektattribut du vill basera rekommendationen på, till exempel "Namn" eller "Varumärke".

Sedan väljer du vilka profilattribut som ska matchas i besökarens profil, till exempel "Favorit Brand", "Last Item Added to Cart" eller "Most Viewed Show."

Top by Analytics Metric

Visar "Övre x" där x är ett godtyckligt Analytics-mått. När du använder beteendedata från rutor kan du använda Top Sold eller Top Viewed (x = "Sold" eller x = "Viewed"). Om du använder beteendedata från Adobe Analytics kan du använda x = "kundvagnstillägg" eller något annat Analytics-mått.

Item-Based

Rekommendationstypen Item-Based gör att du kan göra rekommendationer baserat på om du vill hitta liknande objekt som ett objekt som användaren visar eller nyligen har visat.

Följande algoritmer är tillgängliga med algoritmtypen Item-Based:

People Who Viewed This, Viewed That viewed-viewed

Rekommenderar objekt som oftast visas i samma session som det angivna objektet visas.

Den här logiken returnerar andra produkter som visas när du har tittat på den här. Den angivna produkten ingår inte i resultatuppsättningen.

Med den här logiken kan du skapa ytterligare konverteringsmöjligheter genom att rekommendera objekt som andra besökare som tittade på ett objekt också kan se. Besökare som tittar på cyklar på er webbplats kan till exempel också titta på cykelhjälmar, cykelkit, lås osv. Du kan skapa en rekommendation med hjälp av den här logiken som föreslår att andra produkter hjälper dig att öka intäkterna.

Om du väljer den här algoritmen kan du välja följande Recommendations Keys:

People Who Viewed This, Bought That viewed-bought

Rekommenderar artiklar som oftast köps i samma session som det angivna objektet visas. Detta villkor returnerar andra produkter som köpts efter att ha tittat på den här produkten. Den angivna produkten ingår inte i resultatmängden.

Den här logiken returnerar andra produkter som köpts efter att ha tittat på den här. Den angivna produkten ingår inte i resultatuppsättningen.

Med den här logiken kan du öka möjligheterna till korsförsäljning genom att visa en rekommendation på en produktsida, som till exempel visar objekt som andra besökare som visade det köpta objektet. Om besökaren till exempel tittar på en fiskepunkt kan rekommendationen visa ytterligare saker som andra besökare har köpt, som t.ex. kryssrutor för taggar, skölder och fiskekurser. När besökarna besöker er webbplats kan ni ge dem ytterligare inköpsrekommendationer.

Om du väljer den här algoritmen kan du välja följande Recommendations Keys:

People Who Bought This, Bought That bought-bought

Rekommenderar artiklar som oftast köps av kunder samtidigt som det angivna objektet.

Den här logiken returnerar andra produkter som köpts efter att ha köpt den här. Den angivna produkten ingår inte i resultatuppsättningen.

Med den här logiken kan du öka möjligheterna till korsförsäljning genom att visa en rekommendation på en kundvagnssammanfattning, som t.ex. visar artiklar som andra köpare också har köpt. Om besökaren till exempel köper en kostym kan rekommendationen visa ytterligare objekt som andra besökare har köpt tillsammans med kostymen, som slipsar, klädskor och kufflänkar. När besökarna granskar sina inköp ger ni dem ytterligare rekommendationer.

Om du väljer den här algoritmen kan du välja följande Recommendations Keys:

Items with Similar Attributes similar-attributes

Rekommenderar objekt eller media som liknar objekt eller media baserat på den aktuella sidaktiviteten eller tidigare besökares beteende.

Om du väljer Items with Similar Attributes eller Media with Similar Attributes kan du ange likhetsregler för innehåll.

Att använda innehållets likhet för att generera rekommendationer är särskilt effektivt för nya objekt, som troligen inte visas i rekommendationer med People Who Viewed This, Viewed That och annan logik som baseras på tidigare beteende. Ni kan också använda innehållets likhet för att generera användbara rekommendationer för nya besökare som inte har några tidigare inköp eller andra historiska data.

Om du väljer den här algoritmen kan du välja följande Recommendations Keys:

Mer information finns i Likhet för innehåll.

User-Based

Algoritmtypen User-Based gör att du kan göra rekommendationer baserat på användarens beteende.

Följande algoritmer är tillgängliga med algoritmtypen User-Based:

Recently Viewed Items recently-viewed

Använder besökarens historik (spridningssessioner) för att presentera de x senaste objekten som besökaren har visat, baserat på antalet platser i designen.

Algoritmen Recently Viewed Items returnerar resultat som är specifika för en given miljö. Om två platser tillhör olika miljöer och en besökare växlar mellan de två platserna, visar varje plats endast nyligen visade objekt från rätt plats. Om två platser finns i samma miljö och en besökare växlar mellan de två platserna, ser besökaren samma nyligen visade objekt för båda platserna.

Recently Viewed Items eller Recently Viewed Media kan filtreras så att endast objekt med ett visst attribut visas.

Möjliga användningsfall kan vara att ett flernationellt företag med flera företag kan ha besökarvyobjekt över flera digitala resurser. I det här fallet kan du begränsa antalet senast visade objekt så att de bara visas för respektive egenskap som de visades i. Detta förhindrar att nyligen visade objekt visas på en annan digital egenskaps webbplats.

Använd den här algoritmen på allmänna sidor, som startsidor, landningssidor och annonser utanför webbplatsen.

Recommended for You recommended-for-you

Rekommenderar objekt baserat på besökarens webbsurfning, visning och köphistorik.

Med den här algoritmen kan ni leverera personaliserat innehåll och personaliserade upplevelser till både nya och återkommande besökare. Listan med rekommendationer vägs mot besökarens senaste aktivitet och uppdateras under sessionen och anpassas mer när användaren bläddrar på webbplatsen.

Både vyer och inköp används för att avgöra vilka objekt som rekommenderas. Den angivna rekommendationsnyckeln (till exempel Current Item) används för att tillämpa eventuella inkluderingsregelfilter som du väljer.

Du kan till exempel:

Om du väljer den här algoritmen kan du välja följande filtreringsnycklar:

Anpassade villkor custom

Algoritmtypen Custom Criteria gör att du kan göra rekommendationer baserat på en anpassad fil som du överför.

Rekommendationen bestäms av ett objekt som lagras i en besökarprofil, med hjälp av någon av användarna.x eller profil.x-attribut.

När det här alternativet är markerat måste värdet entity.id finnas i profilattributet.

När du baserar rekommendationer på anpassade attribut måste du välja det anpassade attributet och sedan välja rekommendationstypen.

Du kan filtrera i realtid ovanpå dina egna villkor. Du kan t.ex. begränsa dina rekommenderade objekt till endast de som finns i en besökares favoritkategori eller varumärke. Detta ger dig möjlighet att kombinera offlineberäkningar med realtidsfiltrering.

Den här funktionen innebär att du kan använda Target för att lägga till personalisering ovanpå dina offlineberäknade rekommendationer eller anpassade kuraterade listor. Detta kombinerar styrkan hos era datavetare och er forskning med Adobe provad och sann leverans, filtrering vid körning, A/B-testning, målgruppsanpassning, rapportering, integreringar med mera.

Med tillägg av inkluderingsregler på Custom Criteria förvandlas annars statiska rekommendationer till dynamiska rekommendationer baserade på en besökares intressen.

Möjliga användningsområden:

Rekommendationsnycklar keys

Följande rekommendationsnycklar är tillgängliga i listrutan Recommendation Key:

Current Item current-item

Rekommendationen avgörs av det objekt som besökaren för närvarande visar.

Recommendations visar andra objekt som kan intressera besökare som är intresserade av det angivna objektet.

När det här alternativet är markerat måste värdet entity.id skickas som en parameter i visningsrutan.

Kan användas med följande algoritmer:

Använd rekommendationsnyckeln Current Item på din webbplats:

Last Purchased Item last-purchased

Rekommendationen avgörs av den sista artikeln som köptes av varje unik besökare. Detta hämtas automatiskt, så inga värden måste skickas till sidan.

Kan användas med följande algoritmer:

Använd rekommendationsnyckeln Last Purchased Item på din webbplats:

Anpassad rekommendationsnyckel

Du kan basera rekommendationer på värdet för ett anpassat profilattribut. Anta till exempel att du vill visa rekommenderade filmer baserat på den film som en besökare senast lade till i kön.

Om ditt anpassade profilattribut inte direkt matchar ett enda enhets-ID måste du förklara för Recommendations hur du vill att matchningen till en entitet ska ske. Anta till exempel att du vill visa de främsta säljartiklarna från en besökares favoritvarumärke.

Last Viewed Item last-viewed

Rekommendationen avgörs av det sista objektet som visades av varje unik besökare. Detta hämtas automatiskt, så inga värden måste skickas till sidan.

Kan användas med följande algoritmer:

Använd rekommendationsnyckeln Last Viewed Item på din webbplats:

Most Viewed Item most-viewed-logic

Visar de objekt eller medier som visas oftast på platsen.

Med den här logiken kan du visa rekommendationer baserat på de mest visade objekten på webbplatsen för att öka konverteringsgraden för andra objekt. En mediewebbplats kan till exempel visa rekommendationer på sin hemsida för sina mest visade videor för att uppmuntra besökarna att titta på ytterligare videor.

Den här rekommendationsnyckeln kan användas med följande algoritmer:

Current Category current-category

Rekommendationen avgörs av den produktkategori som besökaren för närvarande visar.

Recommendations visar objekt i den angivna produktkategorin.

När det här alternativet är markerat måste värdet entity.categoryId skickas som en parameter till visningsrutan.

Den här rekommendationsnyckeln kan användas med följande algoritmer:

Använd rekommendationsnyckeln Current Category på din webbplats:

Favorite Category favorite-category

Rekommendationen avgörs av besökarens favoritproduktkategori.

Recommendations visar objekt i den angivna produktkategorin.

När det här alternativet är markerat måste värdet entity.categoryId skickas som en parameter till visningsrutan.

Den här rekommendationsnyckeln kan användas med följande algoritmer:

Använd rekommendationsnyckeln Current Category på din webbplats:

Site Affinity site-affinity

Rekommenderar objekt baserat på säkerheten för en relation mellan objekt. Du kan konfigurera det här villkoret för att avgöra hur mycket data som krävs innan en rekommendation presenteras med skjutreglaget Inclusion Rules. Om du t.ex. väljer väldigt stark så rekommenderas de produkter som ger störst säkerhet för en matchning.

Om du till exempel anger en mycket stark tillhörighet och din design innehåller fem objekt, varav tre uppfyller tröskelvärdet för anslutningsstyrkan, visas inte de två objekten som inte uppfyller kraven på minsta styrka i dina rekommendationer och ersätts av dina definierade säkerhetskopieringsobjekt. Objekt med den starkaste tillhörigheten visas först.

En webbutik kan t.ex. rekommendera artiklar i efterföljande besök som en besökare har visat intresse för under tidigare sessioner. Aktivitet för varje besökares session hämtas för att beräkna en tillhörighet baserat på en nyhet och frekvensmodell. När den här besökaren återgår till din webbplats används tillhörighet för att visa rekommendationer baserat på tidigare åtgärder på din webbplats.

Vissa kunder med olika produktsamlingar och olika webbplatsbeteenden kan få det bästa resultatet om de ställer in en svag webbplatstillhörighet.

Den här logiken kan användas med följande rekommendationsnycklar: