Aproveche una nueva clase de audiencias basadas en afinidades para experiencias hiperespecíficas

Cada interacción del usuario con un sitio o aplicación proporciona señales valiosas sobre sus preferencias e intención. Si un usuario añade un artículo a su carrito, podemos deducir un interés en algunos o en todos los atributos asociados con el producto en cuestión. Y combinado con la importancia y la recencia del compromiso, puede permitir a las empresas crear experiencias con las que el usuario es más probable que interactúe y reconocer mejor los cambios en las preferencias del usuario con el tiempo.

Sin embargo, gran parte de los datos de navegación enriquecidos descritos anteriormente han quedado completamente sin utilizar. Demasiado complejo de desenredar y actuar a medida que los visitantes Become expuestos a una gama más amplia de marcas, colores, estilos, precios y más, las correlaciones importantes entre el producto con el que un usuario interactúa y sus muchos atributos terminan perdiéndose.

Para solucionar este problema, Dynamic Yield recopila, analiza y calcula automáticamente estos datos para crear perfiles de afinidad únicos para cada usuario en tiempo real. A su vez, los responsables de marketing pueden utilizar estos nuevos y sofisticados segmentos de usuarios en la web, el móvil, las aplicaciones y el correo electrónico, así como en plataformas externas de terceros como DMP, herramientas de BI, DSP y otros.

Llevamos tiempo en este ámbito y nuestras capacidades de personalización basadas en afinidades están creciendo para apoyar nuevas aplicaciones emergentes a medida que el proceso de modelado de afinidades evoluciona.

Nuestro motor de recomendaciones aprovecha la interacción directa con los atributos del feed de productos y utiliza datos agregados mediante perfiles de afinidad enriquecidos para ofrecer a cada visitante las variaciones de experiencia y los productos más adecuados. También ofrecemos múltiples métodos y algoritmos para potenciar cómo se personalizan estas recomendaciones, permitiendo a los equipos emplear aprendizaje profundo y redes neuronales, así como probar y optimizar continuamente una combinación de puntuaciones de afinidad y popularidad para adaptarse mejor a sus necesidades.

Y las puntuaciones de afinidad que impulsan estas recomendaciones no están tras muros de acceso restringido. Con nuestra API de perfil de cliente unificado, este historial de actividad en línea puede canalizarse a través de Dynamic Yield o hacia cualquier otro sistema, como un chatbot, un televisor inteligente, una aplicación de asesoramiento personalizado y otros, para crear experiencias altamente personalizadas. 

Por ejemplo, al usar nuestra herramienta Affinity Profile, un usuario nuevo que visita un sitio por primera vez tendría un estado de afinidad vacío.

Durante la sesión, la puntuación de afinidad del usuario comenzaría a poblarse, con acciones y comportamientos importantes como visitar una página de producto o agregar un artículo al carrito contribuyendo al cálculo. Los valores principales se agrupan de acuerdo con las diversas señales de intención para obtener una vista de alto nivel que representa qué interacciones tuvieron la mayor importancia.

Además, los especialistas en marketing pueden optar por profundizar en el perfil completo del usuario, analizando cada uno de los valores y atributos capturados para comprender mejor la naturaleza de las interacciones realizadas a lo largo del tiempo. Por ejemplo, cómo se ve la puntuación de un individuo para productos de mujer en comparación con los del hogar.

Y dado que la creación de perfiles de afinidad está vinculada a un feed de productos, facilitamos la exploración del catálogo de una marca, ofreciendo sugerencias útiles para las recomendaciones basadas en un algoritmo personalizado o en un enfoque basado en la popularidad. 

Hasta ahora, si un especialista en marketing quería dirigirse a una audiencia de personas con una alta afinidad por, digamos, la categoría «running», tendría que definir arbitrariamente la composición de ese segmento a través de una serie de condiciones de segmentación. Basado en las interacciones históricas, podrían ser visitantes que vieron 3 artículos o productos de running en la última semana y cuyo valor promedio de pedido (AOV) fue superior a 75 $.

Con las condiciones basadas en la afinidad, los visitantes con preferencias por marcas, colores, categorías y otros atributos específicos del catálogo de productos pueden segmentarse y dirigirse automáticamente sin tener que crear la audiencia manualmente.

Algunos casos de uso de cómo los equipos aprovechan los perfiles de afinidad para crear experiencias altamente específicas incluyen:

• Promocionar productos relevantes en el banner de la página de inicio para usuarios con afinidad por las botas marrones
• Reordenar los elementos del menú dentro de la navegación en función de la afinidad del usuario con los pantalones de hombre
• Mover las filas de productos hacia arriba en la página de categoría de calzado para mostrar Nike antes que cualquier otra marca
• Envío de notificaciones de descuento específicas a usuarios con afinidad por las mujeres y/o los accesorios.

Además, puedes desglosar cualquier informe de campaña por segmentos de afinidad y hacer que la solución Predictive Targeting de Dynamic Yield analice e identifique continuamente oportunidades para ofrecer el contenido más relevante a cada segmento de audiencia por afinidad.