La personnalisation basée sur l’affinité Dynamic Yield vous permet de traduire les interactions des utilisateurs avec vos produits (vues de produits, achats) et leur engagement par des scores de préférence simples correspondant aux attributs de votre catalogue de produits. Ce score peut vous aider à présenter des recommandations de produits et des promotions en fonction des préférences de l’utilisateur. Par exemple, recommandez des produits roses aux utilisateurs dont la couleur préférée est rose, ou présentez la promotion sur la nouvelle collection de chaussures aux utilisateurs intéressés par les chaussures.
Affinité déduite ou explicite
Dynamic Yield crée et met à jour le profil d’affinité de chaque utilisateur en temps réel, sur la base des signaux d’engagement historiques qui sont collectés et analysés, ainsi que du comportement et des préférences en temps réel affichés au cours de la session. Alors que les calculs de profil reposent principalement sur le comportement et les modèles d’engagement affichés par l’utilisateur (vues des produits et des catégories, ajouts au panier et à la liste de souhaits, achats, et ainsi de suite), le profil peut également être informé par des informations personnelles qui sont divulguées volontairement par chaque utilisateur lors d’expériences en ligne (données zéro partie). Cela comprend les réponses aux enquêtes et questionnaires, l’abonnement au club fidélité, ou simplement le fait d’exprimer des préférences en appuyant sur un bouton « J’aime ». Étant donné que cela représente des informations d’affinité de haute certitude qui peuvent être utilisées pour la personnalisation, Dynamic Yield propose des modèles prêts à l’emploi spécialement conçus pour la collecte de ces données, comme le questionnaire d’intégration Affinity et l’outil de recherche de produits.
Sélection des attributs à ajouter à votre profil d’affinité de l’utilisateur
- Cliquez sur Assets (Ressources) dans la barre de navigation supérieure puis sur Data Feeds (Flux de données).
- Cliquez sur l’icône View Feed (Afficher le flux) dans la ligne Product Feed (Flux de produits).
- Sélectionnez les attributs dans le menu déroulant Affinity Profile Attributes (Attributs du profil d’affinité), puis cliquez sur Save (Enregistrer).
Conseil de pro : bonnes pratiques
Bien que votre flux de produits comprenne de nombreux attributs, nous vous recommandons de vous concentrer sur un maximum de quatre attributs qui caractérisent le mieux vos utilisateurs. Cela dit, nous prenons en charge jusqu’à 10 attributs. Une bonne règle de base : s’il y a plus de 50 différentes valeurs pour cet attribut, ce n’est probablement pas un bon attribut à utiliser.
Fonctionnement
Étape 1 : collecte
Pour chaque type d’engagement, Dynamic Yield collecte toutes les valeurs d’attribut des produits avec lequel l’utilisateur a interagi. Nous commençons à collecter les interactions avec les produits à partir de la première page vue de produit ou de catégorie, du premier ajout au panier ou du premier achat. Dans le contexte d’un seul visiteur, on peut imaginer le tableau suivant :
Attribut : |
Couleur |
Style |
Sexe |
Fourchette de prix |
||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|
Valeur : |
vert |
rouge |
bleu |
T |
débardeur |
caraco |
Hommes |
Femmes |
Garçons |
Filles |
<$50 |
$50> |
Vue produit |
4 |
6 |
2 |
12 |
0 |
0 |
12 |
0 |
0 |
0 |
12 |
0 |
Ajouter au panier |
1 |
1 |
0 |
2 |
0 |
0 |
2 |
0 |
0 |
0 |
2 |
0 |
Achat |
0 |
1 |
0 |
1 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
0 |
Ce tableau décrit la session suivante : un visiteur a généré quatre vues de page pour lesquelles la couleur du produit était le vert, six dont le produit était rouge et deux dont le produit était bleu. Tous les articles consultés étaient des tee-shirts pour hommes d’un prix de moins de 50 $ . L’utilisateur a ajouté deux articles au panier (tee-shirts rouges et verts), mais a finalement acheté un seul tee-shirt rouge.
Remarque : un ensemble limité d’attributs de produits est utilisé dans les calculs d’affinité pour s’assurer qu’ils sont effectués efficacement. Vous pouvez afficher les attributs inclus dans le calcul en haut de votre page de flux de produits. Pour modifier la liste des attributs, contactez votre Customer Success Manager.
Étape 2 : calcul
Le score résume le total des engagements pour chaque valeur, pondéré par le type d’engagement et la récence d’engagement.
Poids du type d’engagement
Chaque type d’interaction (comme une vue de produit ou un ajout à la liste de souhaits) reçoit un coefficient déterminé par un « niveau d’intention » supposé de l’interaction en question. Par exemple, un achat reçoit plus de poids qu’un ajout au panier, qui reçoit plus de poids qu’une vue de produit. Lors du calcul du score de valeur d’attribut, le nombre d’occurrences de chaque type d’engagement est multiplié par le coefficient du type d’engagement.
Poids du type d’engagement ∑ * nombre de valeurs d’attributs = score
Vous pouvez ajuster le poids calculé automatiquement du coefficient pour répondre aux besoins particuliers de votre activité. Si vous devez ajuster le poids de ces interactions, contactez votre Customer Success Manager.
Supposons les coefficients suivants : le poids d’un achat est de 4, celui d’un ajout au panier est de 2 et celui d’une vue de produit est 1. Le score total pour la valeur de l’attribut « couleur :rouge » est (1x6)+(2x1)+(4x1) = 12
Poids |
Couleur |
|||
---|---|---|---|---|
vert |
rouge |
bleu |
||
Vue de produit |
1 |
4 |
6 |
2 |
Ajout au panier |
2 |
1 |
1 |
0 |
Achat |
4 |
0 |
1 |
0 |
Score |
6 |
12 |
2 |
Poids de la récence d’un engagement
Pour identifier l’intention de l’utilisateur en temps réel ainsi que ses changements de préférences au fil du temps, chaque interaction reçoit un coefficient de récence, pour favoriser l’activité récente par rapport à l’activité historique. Il y a trois périodes de récence prises en charge :
- Temps réel : les dernières 48 heures, y compris la navigation en cours session
- Historique récent : les 30 derniers jours
- Historique ancien : les 12 derniers mois
Lors du calcul d’un score de valeur d’attribut, le score est également multiplié par le poids de la récence.
Poids de la récence ∑ (poids du type d’engagement x nombre de valeurs d’attribut) = score
Supposons que l’utilisateur de notre exemple précédent revienne sur le site deux semaines plus tard et achète le tee-shirt vert qu’il a abandonné dans le panier la dernière fois. En supposant que les coefficients de récence sont de 8 pour l’interaction en temps réel et de 2 pour les interactions récentes, le calcul d’un score total pour la couleur verte est maintenant : 2(1x4)+2(2x1)+2(4x0) + 8(4x1)= 44
Attribut : |
Couleur |
||||
---|---|---|---|---|---|
Récence |
Valeur : |
Poids : |
vert |
rouge |
bleu |
Historique récent (poids = 2) |
Vue de produit |
1 |
4 |
6 |
2 |
Ajout au panier |
2 |
1 |
1 |
0 |
|
Achat |
4 |
0 |
1 |
0 |
|
Score |
6×2=12 |
12×2=24 |
2×2=4 |
||
Temps réel (poids = 8) |
Achat |
4 |
1 |
0 |
0 |
Score |
4×8=32 |
0 |
0 |
||
Score total |
44 |
24 |
4 |
Normalisation de l’incidence du type d’engagement
Chaque événement supplémentaire d’ajout au panier et d’achat effectué après une vue de page est également normalisé en fonction de son incidence dans la section. Cela se calcule en multipliant l’événement par le ratio de ce type d’engagement par rapport au nombre de pages vues sur le site Web. Le raisonnement est de pondérer correctement en fonction du nombre d’événements sur le site. Par exemple, les sites de mode ont de nombreux événements d’ajout au panier, alors qu’un magasin de meubles haut de gamme en a moins ; donc un ajout au panier dans le premier car a une signification plus faible par rapport au second cas. En d’autres termes, l’objectif est de tenir compte de la rareté du type d’interaction (par rapport aux vues de pages). Chaque score d’affinité est ensuite multiplié par un facteur d’incidence pertinent.
En reprenant le même exemple, en supposant qu’il y ait eu 100 vues de pages, 20 ajouts au panier et 5 événements d’achat, le score total est modifié :
Récence |
Engagement |
Poids | Vert |
Facteur d’incidence |
Score final |
---|---|---|---|---|---|
Historique récent (poids = 2) |
Vue de produit |
1 | 4 |
1 |
1*4*1=4 |
Ajout au panier |
2 | 1 |
100/20=5 |
2*1*5=10 | |
Achat |
4 | 0 |
100/5=20 |
4**0*20=0 | |
Score |
|
14*2=28 | |||
Temps réel (poids = 8) |
Achat |
4 | 1 |
100/5=20 |
4*1*20=80 |
Score |
|
80*8=640 | |||
Score total |
|
|
640 |
Remarque :
- Une vue de produit a toujours un facteur d’incidence de 1.
- Les statistiques de la section sont calculées sur une période d’un an.
- Pour toutes les périodes, les mêmes métriques sont utilisées pour calculer le facteur d’incidence (comme dans l’exemple fourni).
Pour les utilisateurs identifiés sur plusieurs appareils, le profil d’affinité est calculé selon le comportement inter-appareils.
Comment pouvez-vous tirer parti de l’affinité de l’utilisateur ?
Le profil d’affinité d’un utilisateur peut être utilisé de plusieurs façons :
- Recommandations : un algorithme, qui vous permet de recommander des produits en fonction du comportement passé de chaque utilisateur. Par exemple, si l’utilisateur a acheté beaucoup de chemises noires - l’algorithme lui recommandera plus de chemises noires.
- Allocation par affinité : ciblez les utilisateurs selon ce qu’ils aiment, en fonction de leur profil d’affinité, dans un processus plus précis que le ciblage basé sur des règles.
- Audiences : les audiences basées sur l’affinité vous permettent de cibler des utilisateurs ayant une forte affinité avec une valeur spécifique d’un attribut particulier (par exemple, une forte affinité pour les chaussures noires).
- Récupérer les données d’affinité d’utilisateur par API : utilisez Profile Anywhere pour obtenir des données d’affinité générées par Dynamic Yield ; utilisez-les pour offrir aux utilisateurs des expériences personnalisées améliorées pour tous vos points de contact, en ligne et hors ligne.