Tras pasar casi una década desarrollando el motor de recomendaciones más potente del mercado, echa un vistazo a una descripción general de las capacidades de recomendación actuales disponibles para los clientes de Dynamic Yield.
Publicado: 12 de enero de 2022
En el entorno minorista hipercompetitivo de hoy, los consumidores esperan que todas sus experiencias digitales sean personalizadas y relevantes, incluidas las recomendaciones que reciben de las empresas de comercio electrónico. El aprendizaje automático se ha Become en la clave para personalizar la experiencia de recomendación para los visitantes, ayudando a realizar generalizaciones a partir de los datos observados para encontrar mejores productos u ofertas para cada comprador específico.
Hemos pasado casi una década desarrollando el motor de recomendación más potente del mercado, construido basándonos en los comentarios directos de miles de comerciantes y minoristas de cientos de marcas y sectores globales.
Con Dynamic Yield, puedes ejercer un control de comercialización total sobre tu contenido o recomendaciones de productos; adaptar el diseño de la recomendación según el contexto, combinar varias estrategias en un solo widget de recomendación, probar y optimizar cualquier elemento, incluyendo el diseño, la disposición, la estrategia de recomendación, la ubicación, los encabezados de los widgets y mucho más.
También puedes predecir la próxima compra de los clientes a través de una estrategia de recomendación de aprendizaje profundo autoentrenada para predecir automáticamente el próximo producto que puede interesar a un usuario aprovechando la coincidencia de productos en el historial de navegación de un usuario.
Esta descripción detallada incluye una mirada exhaustiva a todas nuestras capacidades de recomendación existentes, desglosadas en 13 categorías.
Los desarrolladores pueden construir y diseñar plantillas que sean flexibles para que los especialistas en marketing las reutilicen, alteren y escalen en todo el sitio.
Cuando se renderiza el widget - esto permite ver los resultados recomendados en la página sin publicar la experiencia.
Permite una implementación rápida de diseños ya hechos.
Permite guardar el diseño del widget de recomendaciones como plantillas para reutilizarlas en múltiples widgets.
Vea el historial de cambios realizados en el código de las plantillas. Esto puede utilizarse para rastrear el origen de un problema (resolución de problemas) o recuperar una versión anterior de su código.
Programar cuándo deben estar activas las experiencias y cuándo eliminarlas del sitio.
Segmenta a los usuarios que expresaron un alto interés (medido por sus interacciones con los productos: visualizaciones, agregar al carrito y eventos de compra) en una propiedad de producto específica (por ejemplo, color azul, categoría de muestra).
Usuarios que actualmente están en su primera sesión desde que se implementó el script de Dynamic Yield en el sitio.
Permite orientar la experiencia del widget de recomendación por propiedades de comportamiento de la sesión como número de páginas vistas, URL actual, URL anterior, tiempo transcurrido, etc.
Orienta a los usuarios que forman parte de una audiencia de Dynamic Yield de otro sitio de Dynamic Yield.
Permite la segmentación para usuarios que llegan a través de una fuente de tráfico específica.
Segmenta a los usuarios que pertenecen a una audiencia de Dynamic Yield de este sitio de Dynamic Yield.
Permite segmentar la experiencia del widget de recomendaciones por dispositivo, navegador, sistema operativo, marca operativa, resolución de pantalla y agente de usuario.
Habilita la segmentación de la experiencia del widget de recomendaciones según la ubicación actual del usuario.
Permite orientar la experiencia del widget de recomendación según el clima actual o previsto en la ubicación actual del usuario.
Permite dirigir la experiencia del widget de recomendación a las páginas de productos que muestran productos que han recibido una cantidad determinada de visitas y compras.
Permite dirigir la experiencia del widget de recomendación a las páginas de productos que muestran productos que han recibido una cantidad determinada de visitas y compras.
Permite dirigir la experiencia del widget de recomendaciones mediante cualquier propiedad calculada ad hoc utilizando código JS personalizado.
Esta estrategia selecciona el mejor algoritmo basado en las mejores prácticas para el tipo de página elegido.
Selecciona los productos más relevantes en función de todas las interacciones con productos registradas para el usuario. Tiene en cuenta las interacciones de hace 2 años hasta las realizadas en la sesión actual (en tiempo real).
Selecciona productos que suelen comprarse junto con el producto que se está viendo o con el conjunto de productos del carrito del usuario. Puede tener en cuenta las compras realizadas en línea o fuera de línea.
Selecciona productos que se ven con frecuencia junto con el producto que se está viendo en la misma sesión.
Recomienda los últimos artículos vistos por el usuario actual (el más reciente aparece primero).
Recomienda los últimos artículos comprados por el usuario actual (el más reciente aparece primero).
Asigna puntuaciones a los artículos según la suma ponderada de todas las interacciones —como comprar, agregar al carrito y ver un producto—, dando más peso a las interacciones recientes que a las históricas.
Devuelve los artículos por popularidad, pero solo incluye artículos en la categoría especificada en el contexto de la página de la página de categoría.
Recomienda artículos que sean similares al artículo que se está mostrando actualmente, teniendo en cuenta la popularidad del artículo.
Selecciona los productos más relevantes comparando comportamientos similares en todos los usuarios mediante sofisticados modelos de aprendizaje automático.
Recomienda productos que se han comprado sin conexión junto con el artículo que se muestra actualmente o el conjunto de productos en el carrito del usuario.
Recomienda productos que se han comprado juntos sin conexión o en línea con el artículo que se muestra actualmente o el conjunto de productos en el carrito del usuario.
Artículos que generalmente se compran junto con los últimos artículos comprados por el usuario actual.
Presenta el contenido del carrito de la compra más reciente del usuario actual.
Artículos que normalmente se compran junto con los artículos de la compra más reciente realizada por el usuario actual.
En caso de que la estrategia devuelva menos elementos que el número de ranuras, el sistema ejecutará un algoritmo de respaldo respectivo para cada estrategia.
Una estrategia de recomendación basada en el aprendizaje profundo que se autocalibra para predecir automáticamente el siguiente producto en el que un usuario puede estar interesado basándose en la secuencia de interacciones históricas y en tiempo real.
La configuración permite mostrar o excluir recomendaciones de productos que tengan todas o una cantidad seleccionada de propiedades de producto que el producto que se está viendo. Esta capacidad se limita solo a la página del producto.
Elimina los productos vistos recientemente de la visualización.
Evita que se muestren los productos comprados recientemente.
Esta estrategia selecciona el mejor algoritmo basado en las mejores prácticas para el tipo de página elegido.
Permite configurar diferentes algoritmos de recomendación por ranura de widget.
Añade reglas de filtro en tiempo real para filtrar los resultados en función de los datos obtenidos dentro de la sesión (por ejemplo, mostrar productos con un precio superior al producto que se está viendo actualmente, presentar productos basados en la selección explícita de los visitantes, etc.).
Permite establecer reglas que restrinjan los resultados de las recomendaciones.
Permite al usuario forzar la visualización de productos específicos.
Asegúrate de que solo se presente un subconjunto de productos en un widget específico o en un espacio específico.
Permite al usuario restringir qué productos no deben recomendarse en un widget específico o en un espacio específico.
Permite seleccionar productos para fijar / incluir en la lista blanca / incluir en la lista negra mediante un conjunto de condiciones de atributos del producto (por ejemplo, el precio es superior a $100, la categoría es ‘Vestidos’, etc.).
Permite resolver conflictos entre 2 reglas contradictorias.
Permite establecer las condiciones en las que se debe aplicar una regla (a qué usuarios, en qué páginas, etc.).
Permite establecer la fecha y la hora en la que debe aplicarse una regla.
Realice pruebas A/B de diferentes algoritmos de recomendación.
Prueba A/B diferentes diseños y disposiciones de widgets de recomendación (vertical frente a horizontal, número de espacios, mostrar/ocultar el precio, etc.).
Realiza pruebas A/B de diferentes reglas de filtrado de recomendaciones.
Muestra recomendaciones en cualquier parte de la web y del sitio web móvil.
Renderiza recomendaciones en cualquier parte de la aplicación móvil.
Representa recomendaciones en correos electrónicos.
Muestra recomendaciones en cualquier parte de la web y del sitio web móvil.
Muestra cómo las variaciones se ven afectadas por métricas que no son la métrica principal de la prueba. Las métricas secundarias disponibles son CTR (en los tipos de campañas que insertan HTML), vistas de página, compras, ingresos, AOV y cualquier evento personalizado.
En las pruebas A/B, indica la probabilidad de que cada variación de la prueba sea la variación ganadora (en términos de una métrica primaria específica. p. ej. ingresos por compra) basada en el modelo de estadística bayesiana de DY.
Permite comparar el rendimiento de un widget de recomendaciones entre diferentes grupos de audiencia.
Muestra informes granulares detallados para widgets de recomendación. (es decir, mostrar el impacto directo y asistido de las recomendaciones de productos en el rendimiento del sitio con la posibilidad de tener ventanas de atribución flexibles).
Evita que eventos individuales sesguen los resultados y predigan incorrectamente el comportamiento promedio futuro del usuario.
Sugiere automáticamente qué estrategia de recomendación debe aplicarse por audiencia en función del rendimiento previsto.
Las recomendaciones se renderizan en el momento de la apertura para garantizar que los cálculos del algoritmo y las propiedades del producto estén actualizados.
Envía un correo electrónico con producto(s) destacado(s) a los usuarios que abandonaron el sitio (o la aplicación) sin completar una compra. El correo electrónico incluye contenido relevante para la sesión de navegación abandonada.
Envía una notificación push compuesta por productos seleccionados dinámicamente y botones de acción (opcionales) en una fecha programada o si se activa un evento.
Reemplaza los anuncios de recomendación de display estáticos con recomendaciones impulsadas por algoritmos de aprendizaje automático que eligen la mejor variación en tiempo real.
Ofrece variaciones de recomendaciones personalizadas para cada usuario en lugar de una única variación (talla única).
Contiene el catálogo completo de productos (productos, con metadatos del producto) y las recomendaciones de productos energéticos. Puede ingerir y manejar completamente grandes fuentes con millones de SKU de productos para potenciar las recomendaciones.
Envía cambios en tiempo real de artículos al feed de productos.
Permite recibir los resultados de las recomendaciones en formato sin procesar - para aprovecharlas en cualquier sistema externo y mostrarlas con código personalizado, en implementaciones del lado del servidor o del cliente.
Permite configurar dónde debe colocarse un widget de recomendación sin necesidad de codificación.
Combine automáticamente varios archivos o fuentes en una sola fuente.
Permite usar varios valores para un mismo artículo en un feed de datos que representen distintos idiomas, como varios nombres y descripciones de productos.
Permite probar variaciones de recomendación basadas en el porcentaje definido de asignación de tráfico.
Decide automáticamente qué porcentaje de usuarios del sitio recibirá cada variación. Aprovecha una estrategia de bandido multiarmado, lo que significa que las variaciones que tuvieron mejor rendimiento en el pasado reciben más tráfico.
Muestra los productos/artículos más relevantes para cada usuario en función del contexto y el objetivo del widget de recomendación.
Muestra el contenido más relevante para cada usuario en función del contexto y el objetivo del widget de recomendación.