A personalização baseada em afinidade da Dynamic Yield permite que você traduza as interações do usuário com seus produtos (visualizações de produtos, compras) e engajamento em pontuações de preferência simples para os atributos do seu catálogo de produtos. Essa pontuação pode ajudar você a apresentar as recomendações e promoções de produtos com base nas preferências do usuário. Por exemplo, recomende produtos rosa para usuários cuja cor favorita é rosa ou segmente a promoção da nova coleção de sapatos para usuários interessados em sapatos.
Afinidade inferida vs. explícita
A Dynamic Yield cria e atualiza o perfil de afinidade de cada usuário em tempo real, com base em sinais históricos de engajamento que são coletados e analisados, bem como o comportamento e preferências em tempo real exibidos durante a sessão atual. Embora os cálculos do perfil dependam principalmente dos padrões de engajamento e comportamento exibidos pelo usuário (visualizações de produtos e categorias, adições ao carrinho e lista de desejos, compras, e assim por diante), o perfil também pode ser informado por informações pessoais que são voluntariadas explicitamente por cada usuário durante as experiências on-line (zero-party data). Isso inclui o preenchimento de pesquisas e questionários, adesão a clubes de fidelidade, ou simplesmente expressando preferências pressionando um botão "curtir". Visto que isso representa informações de afinidade de alta certeza em que se pode confiar para a personalização, a Dynamic Yield oferece modelos prontos para uso adaptados especialmente para a coleta desses dados, como o Affinity Onboarding Questionnaire e o Product Finder.
Selecionando atributos para adicionar ao seu perfil de afinidade do usuário
- Clique em Assets (ativos) na navegação superior e clique em Data Feeds (feeds de dados).
- Clique no ícone View Feed (ver feed) na linha do Product Feed (feed de produtos).
- Selecione os atributos a partir do menu suspenso Affinity Profile Attributes (atributos do perfil de afinidade) e clique em Save (salvar).
Dica profissional: melhores práticas
Embora seu feed de produtos inclua muitos atributos, recomendamos que você se concentre em até 4 atributos que melhor caracterizam seus usuários. Dito isso, damos suporte a até 10 atributos. Uma boa regra geral: se houver mais de 50 valores diferentes para esse atributo, provavelmente não seja um bom atributo para usar.
Como funciona
Passo 1: coleta
Para cada tipo de engajamento, a Dynamic Yield coleta todos os valores de atributos do produto com o qual o usuário interagiu. Começamos coletando a interação com o produto a partir da primeira visualização de página do produto ou categoria, adição ao carrinho ou compra.No contexto de um único visitante, podemos imaginar a seguinte tabela:
Atributo: |
Cor |
Estilo |
Gênero |
Faixa de preço |
||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|
Valor: |
verde |
preto |
azul |
T |
regata |
camisola |
Masc. |
Fem. |
Meninos |
Meninas |
<$50 |
>$50 |
Ver o produto |
4 |
6 |
2 |
12 |
0 |
0 |
12 |
0 |
0 |
0 |
12 |
0 |
Adicionar ao carrinho |
1 |
1 |
0 |
2 |
0 |
0 |
2 |
0 |
0 |
0 |
2 |
0 |
Comprar |
0 |
1 |
0 |
1 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
0 |
Essa tabela descreve a seguinte sessão: um visitante gerou 4 visualizações de página em que a cor do produto era verde, 6 em que o produto era preto e 2 em que era azul. Todos os itens vistos eram camisetas masculinas com preço abaixo de R$ 50. O usuário adicionou dois itens ao carrinho (camisetas pretas e verdes), mas acabou comprando uma única camiseta preta.
Observação: um conjunto limitado de atributos do produto é usado em cálculos de afinidade para garantir que os cálculos sejam realizados de forma eficiente. Você pode ver os atributos incluídos no cálculo na parte superior da página do seu feed de produtos. Para modificar a lista de atributos, fale com o seu Gerente de Sucesso do Cliente.
Passo 2: cálculo
A pontuação resume o total de engajamentos para cada valor, ponderada pelo tipo de engajamento e recência do engajamento.
Peso do tipo de engajamento
Cada tipo de interação (como visualização do produto ou adição à lista de desejos) recebe um coeficiente determinado por um "nível de intenção" assumido dessa interação. Por exemplo, uma compra recebe mais peso do que um evento add-to-cart, que recebe mais peso do que uma visualização de produto. Ao calcular a pontuação do valor do atributo, o número de ocorrências de cada tipo de engajamento é multiplicado pelo coeficiente do tipo de engajamento.
∑ peso do tipo de engajamento * contagem do valor do atributo = pontuação
Você pode ajustar o peso calculado automaticamente do coeficiente para atender às necessidades específicas dos seus negócios. Se você precisar ajustar os pesos dessas interações, fale com o seu Gerente de Sucesso do Cliente.
Vamos supor os seguintes coeficientes: o peso da compra é 4, o peso de adição ao carrinho é 2 e o peso da visualização do produto é 1. A pontuação total para o valor do atributo "cor:preto" é (1x6)+(2x1)+(4x1) = 12
Peso |
Cor |
|||
---|---|---|---|---|
verde |
preto |
azul |
||
Visualizações do produto |
1 |
4 |
6 |
2 |
Adicionar ao carrinho |
2 |
1 |
1 |
0 |
Comprar |
4 |
0 |
1 |
0 |
Pontuação |
6 |
12 |
2 |
Peso da recência do engajamento
Para identificar a intenção do usuário em tempo real, bem como as mudanças de preferência ao longo do tempo, cada interação recebe um coeficiente de recência, para favorecer a atividade recente em vez da atividade histórica. Existem três períodos de recência suportados:
- Real-time (tempo real): as últimas 48 horas, incluindo a atual sessão de navegação.
- Recent history (histórico recente): os últimos 30 dias.
- Old history (histórico antigo): os últimos 12 meses.
Ao calcular uma pontuação de valor do atributo, a pontuação também é multiplicada pelo peso da recência.
∑ peso recente (peso do tipo de engajamento x contagem do valor do atributo) = pontuação
Vamos supor que o usuário do nosso exemplo anterior volte ao site 2 semanas depois e compre a camiseta verde que ele abandonou no carrinho da última vez. Supondo que os coeficientes de recência sejam 8 para interação em tempo real e 2 para interações recentes, o cálculo de uma pontuação total para a cor verde é agora: 2(1x4)+2(2x1)+2(4x0) + 8(4x1)= 44
Atributo: |
Cor |
||||
---|---|---|---|---|---|
Recência |
Valor: |
Peso: |
verde |
preto |
azul |
Histórico recente (peso = 2) |
Ver o produto |
1 |
4 |
6 |
2 |
Adicionar ao carrinho |
2 |
1 |
1 |
0 |
|
Comprar |
4 |
0 |
1 |
0 |
|
Pontuação |
6×2=12 |
12×2=24 |
2×2=4 |
||
Tempo real (peso = 8) |
Comprar |
4 |
1 |
0 |
0 |
Pontuação |
4×8=32 |
0 |
0 |
||
Pontuação total |
44 |
24 |
4 |
Normalização de incidência do tipo engajamento
Cada evento adicional de adição ao carrinho e de compra feito após uma visualização de página também é normalizado com base em sua incidência na seção. Isso é feito multiplicando-se o evento pela proporção desse tipo de engajamento em comparação com o número de páginas visualizadas no website. O raciocínio é pesar adequadamente com base em quantos dos eventos estão no website. Por exemplo, os websites de moda têm muitos eventos add-to-cart (adição ao carrinho), enquanto uma loja de móveis de alta qualidade tem menos. Portanto, um add-to-cart no primeiro tem menor significância em comparação ao último. Em outras palavras, o objetivo é considerar a raridade do tipo de interação (em comparação com as visualizações de página).Cada pontuação de afinidade é então multiplicada por um fator de incidência relevante.
Continuando o mesmo exemplo, supondo que houvesse 100 visualizações de página, 20 adições ao carrinho e 5 eventos de compra, a pontuação total seria alterada:
Recência |
Engajamento |
Peso | Verde |
Fator de incidência |
Pontuação final |
---|---|---|---|---|---|
Histórico recente (peso = 2) |
Ver o produto |
1 | 4 |
1 |
1*4*1=4 |
Adicionar ao carrinho |
2 | 1 |
100/20=5 |
2*1*5=10 | |
Comprar |
4 | 0 |
100/5=20 |
4**0*20=0 | |
Pontuação |
|
14*2=28 | |||
Tempo real (peso = 8) |
Comprar |
4 | 1 |
100/5=20 |
4*1*20=80 |
Pontuação |
|
80*8=640 | |||
Pontuação total |
|
|
640 |
Observação:
- Uma visualização do produto sempre tem um fator de incidência de 1.
- As estatísticas da seção são calculadas com base em um período de 1 ano.
- Para todos os períodos, as mesmas métricas são usadas para calcular o fator de incidência (como no exemplo).
Para usuários identificados em vários dispositivos, o perfil de afinidade é calculado com base no comportamento entre dispositivos.
Como você pode aproveitar a afinidade do usuário?
O perfil de afinidade de um usuário pode ser usado de várias maneiras:
- Recommendations: um algoritmo do Recommendations que permite recomendar produtos de acordo com o comportamento passado de cada usuário. Por exemplo, se o usuário comprou muitas camisas pretas - o algoritmo recomendará mais camisas pretas.
- Alocação de afinidade: segmente usuários pelo que você sabe que eles gostam, com base em seu perfil de afinidade, em um processo mais preciso do que a segmentação baseada em regras.
- Audiences: públicos baseados em afinidade permitem que você segmente usuários com uma forte afinidade a um valor específico de um atributo específico (por exemplo, uma alta afinidade com calçados pretos).
- Recuperar dados de afinidade do usuário via API: use o Profile Anywhere para obter dados de afinidade gerados pela Dynamic Yield. Use-os para oferecer aos usuários experiências personalizadas em todos os seus pontos de contato, on-line e off-line.