En rekommendationsmotor använder datafiltreringsalgoritmer för att föreslå innehåll, erbjudanden och produkter baserat på enskilda profiler eller målgruppsprofiler. De använder samverkande, innehållsbaserade och personlighetsbaserade regler för att urskilja rekommendationer.
Det är dags att ta personaliseringen till nästa nivå. Läs rapporten ›
Om ni vill skapa bättre användarupplevelser och få högre avkastning kommer ni att möta flera utmaningar. För att lyckas måste ni lita på era data och hantera innehållet effektivt.
Dåligt integrerade verktyg.
Manuella processer.
Marknadsförare utan kontroll.
Undermålig datakvalitet.
Med rekommendationsmotorer blir det lättare för användarna att hitta musik, filmer eller nyheter som de tycker om, och på så sätt stärker ni relationen till kunderna.
Självlärande algoritmer hittar snabbt relationer mellan produkter och kopplar sedan användarbeteende till dessa för att avgöra sannolikheten för att en konsument kommer att konvertera. Detta leder till att kunderna hittar produkten snabbare.
Rekommendationer kan öka innehållskonsumtionen, korta vägen till relevant innehåll och öka tiden då en kund interagerar med ert varumärke.
När användarna interagerar med rekommenderat innehåll byggs mer detaljerade kundprofiler och personlig information upp automatiskt, vilket gör det lättare för er att inrikta er på liknande målgrupper. Historiska data och realtidsdata kombineras för att ge kontinuerliga uppdateringar.
Rekommenderade produkter leder till större köp och lyfter kundens livstidsvärde med förbättrade personaliserade upplevelser.
Med rekommendationsfunktionerna i Adobe Target får ni oöverträffad kontroll, inklusive automatisk innehållsoptimering och anpassningsbara algoritminställningar. Target hjälper er att dirigera användarna till det mest relevanta innehållet och de mest relevanta produkterna.
Se hur Adobe hjälper dagens varumärken att bygga fullständiga personaliserade upplevelser.
”Det är viktigt att vi först förstår hur kundresorna fungerar, så att vi kan se till att optimera dem.”
– Will Harmer,
chef för insikter och optimering, EE
Det är viktigt för oss att vi ger kunden en bra upplevelse före en resa och ger dem information om platser de är intresserade av.”
– Marlies Roberts,
chef för marknadsföring, Overseas Adventure Travel
Hur fungerar en rekommendationsmotor?
De flesta rekommendationsalgoritmer går igenom tre faser: feedbackinsamling, inlärning och förutsägelse. De datauppsättningar som samlas in under feedbackinsamlingen kan vara minnesbaserade, modellbaserade eller observationsbaserade.
Använder rekommendationsmotorn realtidsdata?
Ja. Systemen kan konfigureras för att analysera realtidsdata. En del motorer utför dock batchbearbetning, vilket innebär att rekommendationerna uppdateras med vissa intervall.
Hur väljer rekommendationsmotorerna de produkter som ska visas?
Systemen använder filtreringsalgoritmer för att visa ett produkturval. Filtren innehåller samverkande, innehållsbaserade och hybrida rekommendationer som letar efter likheter i objekt eller användarbeteenden.
Vad innebär explicit och implicit feedback?
Explicit feedback samlas in när användarna interagerar med rekommendationerna. Implicit feedback drar slutsatser utifrån användaren genom att analysera åtgärder som inköpshistorik, navigeringshistorik och hur länge besökare stannar på webbsidor.
Finns det rekommendationsmotorer för mobila miljöer?
Ja. Automatiserade mobilrekommendationer erbjuder personaliserade, sammanhangskänsliga rekommendationer, som kan baseras på plats, årstid, tidpunkt på dagen och mer.
Hur mäter vi hur väl rekommendationsmotorn fungerar?
A/B-testning kan avslöja hur väl ett system fungerar. Marknadsförarna använder flera mätvärden, inklusive kundens livstidsvärde, klickfrekvens, konverteringsgrad och avkastning, för att mäta resultat.