As estratégias do Recommendations fornecem a lógica por trás da seleção de itens para suas recomendações para web e dispositivos móveis. A estratégia determina quais itens exibir do seu feed com base em um algoritmo que você seleciona e em filtros adicionais que você define para incluir ou excluir itens específicos.
- Para websites, acesse as estratégias em Assets › Strategies (recursos › estratégias).
- Para sites móveis, acesse as estratégias em App Personalization › Recommendations (personalização de aplicativo › recomendações).
Criar uma estratégia
Configuração | Descrição |
---|---|
Name, Notes, and Labels | Essas configurações ajudam você a organizar e rotular suas estratégias, mas não afetam o desempenho ou comportamento da estratégia de forma alguma. Para mais detalhes, consulte notas e rótulos. |
Algoritmo | Os algoritmos determinam quais itens recomendar (como os itens mais populares, itens que o usuário visualizou no passado e assim por diante). Para mais detalhes, consulte Algoritmos. |
Shuffle Results | Para melhores resultados do Recommendations, você pode definir o widget para mudar os itens a cada visualização de página. Recupere mais produtos do que o solicitado e selecione um subconjunto desses produtos aleatoriamente (4x o número de itens solicitados, mas um máximo de 50, são selecionados e embaralhados). Por exemplo, se o widget tiver 4 espaços, em vez de mostrar os mesmos 4 produtos principais a cada visualização de página, mostre 4 produtos populares dos 16 principais. A seleção é aleatória, com pesos baseados na pontuação dos produtos. Isso está disponível para os algoritmos Popularity (popularidade) e Collaborative Filter (filtro colaborativo). |
Filters | Um conjunto de regras de exclusão/inclusão:
Observação: As categorias são selecionadas apenas no filtro designado e não como parte do filtro de propriedades. Para mais detalhes, consulte filtros do Recommendations |
Activate Using API |
Use uma API do lado do cliente para obter as recomendações da Dynamic Yield e renderizar o widget com seu CMS. Essa opção também permite usar filtros em tempo real para filtrar resultados com base nos dados obtidos na sessão (por exemplo, mostrar produtos com preços mais altos do que o produto atualmente visualizado, ou apresentar produtos com base na seleção explícita do visitante). Para mais detalhes, consulte API do Recommendations – lado do cliente. |
Custom Filter Rules |
Filtros adicionais que você pode aplicar com base nas propriedades do produto, para todos os widgets ou para a soma deles:
Para mais detalhes, consulte regras personalizadas de filtros do Recommendations |
Algorithms
A Dynamic Yield oferece uma ampla gama de algoritmos, adequados para vários casos de uso.
Algoritmo | Descrição |
---|---|
Automatic |
Deixe o Experience OS selecionar o melhor algoritmo para você com base nas melhores práticas para o tipo de página que você selecionar. Algorithms per page type:
|
Similarity | Recomenda itens semelhantes ao item exibido atualmente, levando em conta a popularidade do item. O algoritmo usa categorias e palavras-chave do feed de dados para pontuar semelhanças entre itens, atribuindo pontuações mais altas para palavras-chave raras compartilhadas entre um par de itens e pontuações mais baixas para termos mais comuns. Esse algoritmo é adequado para páginas de produtos/publicações. As pontuações de semelhanças são recalculadas sempre que o feed de produtos é atualizado. |
Visual Similarity | Um algoritmo de recomendação de aprendizagem profunda projetado para identificar e recomendar itens que sejam visualmente semelhantes ao item atualmente exibido, combinando coisas que o usuário não pode descrever e que os profissionais de marketing não marcaram nos metadados. |
Viewed Together |
Recomenda itens que foram visualizados na mesma sessão que o item exibido no momento. Ele pontua os itens com base no número de ocorrências em que foram vistos juntos na mesma sessão, mas rebaixa itens que normalmente são visualizados com muitos outros itens, implicando uma conexão mais fraca. As pontuações são recalculadas a cada 24 horas. Esse algoritmo é adequado para páginas de produtos/publicações. |
Purchased Together |
Recomenda produtos que foram comprados em conjunto com o item exibido no momento. Ele pontua os itens com base no número de vezes em que foram comprados em conjunto na mesma transação, mas rebaixa produtos que normalmente são comprados com muitos outros itens. Consequentemente, recomenda produtos que são fortemente vinculados uns aos outros, em vez de produtos que têm uma conexão com um produto popular. As recomendações são baseadas em dados dos últimos 6 meses. As pontuações são recalculadas a cada 24 horas. Esse algoritmo é adequado para páginas de produtos e carrinhos, e não está disponível para seções de mídia ou instituições financeiras. |
Purchased Together Offline |
Recomenda produtos que foram comprados off-line em conjunto com o com o item exibido no momento. Ele pontua itens com base no número de vezes que foram comprados em conjunto na mesma transação, enquanto rebaixa produtos que normalmente são comprados com muitos outros itens. Consequentemente, recomenda produtos que estão fortemente ligados uns aos outros, em vez de produtos que têm uma conexão arbitrária com um produto popular. As pontuações são recalculados a cada 24 horas. Esse algoritmo é adequado para páginas de produtos e não está disponível para seções de mídia ou instituições financeiras. Esse algoritmo exige a importação de dados de compras off-line. Para obter detalhes, contate o seu Gerente de Sucesso do Cliente. |
Purchased Together Offline or Online |
Recomenda produtos que foram comprados on-line ou off-line em conjunto com o item exibido no momento. Ele pontua itens com base no número de vezes que foram comprados em conjunto na mesma transação, enquanto rebaixa produtos que normalmente são comprado com muitos outros itens. Consequentemente, recomenda produtos que estão fortemente ligados uns aos outros, em vez de produtos que têm uma conexão arbitrária com um produto popular. As pontuações são recalculadas a cada 24 horas. Esse algoritmo é adequado para páginas de produtos e não está disponível para seções de mídia ou instituições financeiras. Esse algoritmo exige a importação de dados de compras off-line. Para obter detalhes, contate o seu Gerente de Sucesso do Cliente. |
Popularity |
Pontua os itens com base na soma ponderada de todas as interações – como compras on-line e off-line, adicionar ao carrinho e visualização do produto – favorecendo interações recentes em vez das históricas. As pontuações são recalculadas sempre que o feed de produtos é atualizado. Esse algoritmo é adequado para todos os tipos de página. |
Most Popular in Category |
Retorna artigos por popularidade, mas inclui apenas artigos na categoria especificada no contexto de página da página de categoria. As pontuações são atualizadas sempre que o feed de produtos é atualizado. Esse algoritmo é adequado apenas para páginas de categoria em seções de mídia. Não está disponível para seções de instituições financeiras. |
Popular in location |
Atribui pontuações aos itens calculando uma soma ponderada de interações que ocorreram nos últimos 30 dias em um local específico. As ações incluem compras, adicionar ao carrinho e visualizar produtos. "Location" (localização) se refere a uma subdivisão dentro do endereço IP de um país, que pode corresponder a várias regiões administrativas, como províncias ou estados, dependendo da estrutura regional do país (você pode entrar em contato com o suporte para obter uma lista de localizações para seus países). Esse algoritmo funciona de forma eficaz mesmo em situações em que o usuários não tenha dado consentimento para cookies. |
Recently Viewed | Recomenda os últimos itens visualizados pelo usuário atual (mais recentes aparecem primeiro). As recomendações são baseadas em dados dos últimos 90 dias. Ao contrário de outros algoritmos, esse veicula itens fora de estoque. O algoritmo é atualizado em tempo real, sempre que há uma nova solicitação de recomendação. |
Viewed with Recently Viewed | Itens que geralmente são visualizados na mesma sessão que os últimos itens visualizados pelo usuário atual. |
Recently Purchased |
Os últimos itens comprados pelo usuário atual (os mais recentes aparecem primeiro). Os resultados são baseados em dados do último ano. O algoritmo é atualizado em tempo real, sempre que há uma nova solicitação de recomendação. Esse algoritmo não está disponível para seções de mídia nem instituições financeiras. |
Recently Submitted |
As últimas candidaturas enviadas pelo utilizador atual (mais recentes aparecem primeiro). Os resultados são baseados em dados do último ano. O algoritmo é atualizado em tempo real, sempre que há uma nova solicitação de recomendação. Esse algoritmo não está disponível para seções de mídia ou comércio eletrônico. |
Purchased with Recently Purchased |
Itens que geralmente são comprados em conjunto com os últimos itens comprados pelo usuário atual. Esse algoritmo não está disponível para seções de mídia ou instituições financeiras. |
Last Purchase |
Apresenta o conteúdo do carrinho de compra mais recente pelo usuário atual. O algoritmo é atualizado em tempo real, sempre que há uma nova solicitação de recomendação. Esse algoritmo não está disponível para seções de mídia ou instituições financeiras. |
Last Submitted |
Apresenta a candidatura mais recente enviada pelo atual usuário. O algoritmo é atualizado em tempo real, sempre que há uma nova solicitação de recomendação. Esse algoritmo não está disponível para seções de mídia ou comércio eletrônico. |
Purchased with Last Purchase |
Itens que geralmente são comprados em conjunto com os itens presentes na compra mais recente pelo usuário atual. Esse algoritmo não está disponível para seções de mídia ou instituições financeiras. |
User Affinity |
Personalizado para cada usuário individual, pontuando itens com base na preferência derivada do usuário e na popularidade do item. O algoritmo baseia sua recomendação nas interações do visitante com os itens (visualizações, adicionar ao carrinho, compras on-line e off-line) e suas pontuações ponderadas. Em seguida, analisa os atributos do item (marca, cor, estilo, categoria e assim por diante) e calcula o perfil de afinidade do usuário. A estratégia funciona em tempo real e consegue detectar mudanças de preferência ao longo do tempo. Esse algoritmo é adequado para todos os tipos de página. |
Collaborative Filtering |
Itens visualizados, comprados ou adicionados ao carrinho por usuários que são semelhantes ao usuário atual. Esse algoritmo é adequado para todos os tipos de página, mas é suportado apenas para feeds pequenos (menos de 50.000 produtos). As pontuações são recalculadas a cada 24 horas. Esse algoritmo não está disponível para seções de mídia. Ele está disponível para clientes selecionados usando seções de comércio eletrônico, mediante solicitação ao seu Gerente de Sucesso do Cliente. |
Deep Learning |
Prevê o próximo item com o qual o usuário tem maior probabilidade de interagir, com base em padrões de engajamento semelhantes de seus usuários na mesma localidade. O algoritmo é recalculado em tempo real, sempre que há uma nova solicitação de recomendação. Esse algoritmo está disponível para os seguintes tipos de página: Homepage (página inicial), Category (categoria) e Any (qualquer), para clientes com seções de comércio eletrônico. Para habilitar, contate o seu Gerente de Sucesso do Cliente. |
Alguns dos algoritmos são relevantes para tipos específicos de página (por exemplo, Similarity não é relevante para as recomendações da página inicial), então a lista é atualizada depois de se selecionar um tipo de página.
Observação: os algoritmos selecionam para exibir um "líder" de cada conjunto de identificadores de grupo (groupID), que tem a maior pontuação com base no algoritmo. Isso não é relevante para os algoritmos Recently Viewed ou Recently Purchased, que mostram a SKU visualizada/comprada pelo usuário, mesmo que esteja fora de estoque. Também não é relevante para produtos fixados .
Fallbacks
Se a estratégia retornar menos itens do que o número de espaços, as opções "only include items with similar properties" (somente incluir itens com propriedades semelhantes) e "exclude items with similar properties" (excluir itens com propriedades semelhantes) são gradualmente ignoradas.
Por exemplo, se a estratégia é servir apenas itens da mesma cor, e não há itens com a mesma cor – o filtro é ignorado e o widget preenche todos os espaços. Se o filtro incluir vários atributos (digamos, recomendar apenas itens da mesma cor e categoria), os atributos são gradualmente ignorados – primeiro ignorando a categoria (pois é o último atributo da lista), e só então, se ainda não houver itens suficientes para servir, a filtragem de "cor" é ignorada.
Além disso, algumas recomendações podem resultar em fallback por razões que não estão relacionadas ao filtro. Por exemplo, User Affinity para usuários sem comportamento anterior, ou Viewed Together para itens que nunca foram visualizados com outros itens na mesma sessão. Para esses casos, esta é a lógica de fallback:
- User Affinity → Viewed with Recently Viewed → Popularity (resultados embaralhados)
- Collaborative Filtering → User Affinity → Viewed with Recently Viewed → Popularity (resultados embaralhados)
- Similarity → Viewed with Recently Viewed → Popularity (resultados embaralhados)
- Purchased Together → Viewed Together (páginas de carrinho e produtos) → Similarity (páginas de carrinho e produtos)→ Popularity (resultados embaralhados)
- Viewed Together → Similarity → Popularity (resultados embaralhados)
- Viewed with Recently Viewed → Viewed Together (páginas de carrinho e produtos) → Popularity (resultados embaralhados)
- Purchased with Last Purchase → Purchased Together → Viewed with Recently Viewed → Viewed Together (páginas de carrinho e produtos) → Similarity (páginas páginas de carrinho e produtos) → Popularity (resultados embaralhados)
- Purchased with Recently Purchased → Purchased Together → Similarity (páginas páginas de carrinho e produtos) → Popularity (resultados embaralhados)
- Deep Learning → User Affinity → Viewed with Recently Viewed → Popularity (resultados embaralhados)
Observações:
- As seguintes estratégias não têm fallback: Recently Viewed, Last Purchase e Recently Purchased.
- Fallbacks não substituem um filtro de propriedades do produto. Por exemplo, se você excluiu produtos com propriedade de gênero diferente da do produto atualmente visualizado – respeitaremos a restrição, mesmo se não houver produtos suficientes para exibir em todos os espaços disponíveis. No entanto, se não houver itens com base no filtro, vamos remover o último filtro e ignorá-lo para evitar que o widget retorne vazio.
Dimensões de propriedade e categoria
Widgets do Recommendations carregados em páginas de produtos ou publicações podem ter dimensões aplicadas, que ditam que as recomendações devem ter ou não devem ter propriedades específicas em comum com o item que é visualizado atualmente na página. Essa dimensões eliminam a necessidade de aplicar regras de "inclusão" ou "exclusão" e são mais flexíveis, pois os valores da propriedade não precisam ser explicitamente especificados, mas devem corresponder ou não devem corresponder ao atual valor de propriedade do item exibido. Se não encontrarmos produtos suficientes que correspondam a essa propriedade, removeremos a última dimensão na lista relevante e a ignoraremos para evitar widgets vazios.
A dimensão pode ser aplicada a todas as estratégias da seguinte forma:
- Com a mesma propriedade: as recomendações precisam ter algumas propriedades em comum com o item exibido.
- Com propriedades diferentes: as recomendações precisam ter algumas propriedades em comum com o item exibido.
-
Com a mesma categoria: os itens recomendados precisam corresponder às mesmas categorias ou à categoria principal do item exibido.
- Mesma categoria: somente produtos com exatamente as mesmas categorias no feed de produtos são recomendados. Então, por exemplo, se as categorias de produtos visualizadas forem "homens|regatas|camisas", somente produtos que correspondam a "homens|regatas|camisas" serão exibidos. Um produto com as categorias "homens|regatas|jaquetas" não será uma correspondência.
- Mesma categoria principal: os produtos recomendados têm as mesmas categorias que o produto visualizado, exceto pela última categoria na lista. Então, por exemplo, para um produto visualizado com a categoria "homens|regatas|camisas", os produtos com a categoria "homens|regatas|jaquetas" podem ser recomendados.
Copiar estratégias entre seções
Você pode copiar uma estratégia para uma seção diferente na mesma conta. A estratégia copiada não está conectada à original. Campanhas do Recommendations usando a estratégia original não são copiadas nem afetadas de forma alguma. Para copiar suas campanhas do Recommendations para uma seção diferente, consulte copiar campanhas entre seções.
- Acesse Assets <›></›> Strategies e clique no ícone adicional de ação
. Selecione Copy to Another Site (copiar para outra seção).
- Marque as seções de destino. Seções que compartilham a mesma vertical e plataforma que a seção atual ficam disponível para copiar.
- Clique em Copy to Site (copiar para a seção).
Perguntas frequentes
Por que os dados de estratégia no Relatório de Estratégia (Strategy Report) parecem diferentes dos dados de variação nos Relatórios de Experimentos (Experiment Reports) para variações que veiculam a mesma estratégia?
Relatórios de estratégia e relatórios de experimentos oferecem duas perspectivas diferentes sobre dados de recomendação, e às vezes podem parecer inconsistentes.
Isso pode ser explicado por três diferenças:
-
As estratégias podem ser utilizadas por diversas variações
O Relatório de Estratégia rastreia as interações e os resultados das estratégias, independentemente de qual campanha, experiência ou variação possa estar veiculando-as. Se a mesma estratégia for utilizada por variações em diferentes experimentos, cada Relatório de Experimento apresentará apenas dados relevantes para a respectiva variação, enquanto o Relatório de Estratégia considerará a estratégia como um todo, desconsiderando qual variação a veiculou. -
Os dois relatórios rastreiam entidades diferentes
Os relatórios de estratégia rastreiam as renderizações de estratégias, independentemente das variações que as veicularam. Os relatórios de experimento rastreiam renderizações de variações. -
Os dois relatórios são baseados em diferentes lógicas de atribuição
Os relatórios de estratégia atribuem receita a uma estratégia somente depois do clique em um item recomendado (veja acima as definições de Receita Direta e Assistida). Os relatórios de experiências atribuem receita com base nas configurações de atribuição que você definiu.
Esta tabela resume como as mesmas métricas são calculadas para os dois relatórios:
Relatório de estratégia | Resultados do experimento | |
---|---|---|
Impressions | Conta renderizações da estratégia | Conta renderizações da variação |
Clicks | Conta cliques nos itens recomendados pela estratégia | Conta cliques em qualquer parte do html injetado |
Revenue | Com base na receita do item realizada após um clique no item recomendado. | Com base na configuração de atribuição no experimento. P. ex.: com a atribuição a partir de "Variation is served" (variação veiculada), todas as compras e suas receitas serão atribuídas à variação, independentemente de um clique no item recomendado. |
O que acontece se eu fixar um item que está esgotado? Ou se eu fixar 2 espaços com SKUs do mesmo groupID?
Exibimos os itens mesmo que estejam esgotados ou tenham SKUs do mesmo groupID.
E se eu criar um filtro que inclua apenas itens que estão esgotados?
Nenhum item será exibido.
Existe um limite para o número de itens vistos recentemente (Recently Viewed) que uma estratégia retornará?
Nossa estratégia dos itens vistos recentemente retornará apenas um máximo de 30 produtos, porque o terminal em que o algoritmo Recently Viewed se baseia armazena apenas os 30 produtos mais recentes que o ID do usuário visualizou.