Tras pasar casi una década desarrollando el motor de recomendación más potente del mercado, echa un vistazo a una visión general de las capacidades de recomendación actuales disponibles para los clientes de Dynamic Yield.
Publicado: 12 de enero de 2022
En el entorno minorista actual, de alta competencia, 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 has become el núcleo de la personalización de la experiencia de recomendación para los visitantes, lo que ayuda a hacer generalizaciones a partir de los datos observados para encontrar mejor los productos o las ofertas que ofrecer a cada comprador específico.
Hemos pasado casi una década desarrollando el motor de recomendaciones más potente del mercado, creado a partir de los comentarios directos de miles de comerciantes y minoristas de cientos de marcas y sectores globales.
Con Dynamic Yield, puedes ejercer un control total de merchandising sobre tu contenido o recomendaciones de productos; adaptar el diseño de recomendación según el contexto, fusionar varias estrategias en un solo widget de recomendación, probar y optimizar cualquier elemento —incluidos el diseño, el formato, la estrategia de recomendación, la ubicación, los encabezados de los widgets y mucho más—.
También puedes predecir la próxima compra de los clientes mediante una estrategia de recomendación de aprendizaje profundo de autoentrenamiento para predecir automáticamente el siguiente producto que le pueda interesar a un usuario al explotar la coocurrencia de productos en su historial de navegación.
Esta visión general detallada incluye un análisis exhaustivo de todas nuestras capacidades de recomendaciones existentes, divididas en 13 categorías.
Los desarrolladores pueden crear y diseñar plantillas que los profesionales del marketing puedan reutilizar, modificar y adaptar fácilmente en todo el sitio.
Cuando el widget se procesa, esto ofrece la posibilidad de ver los resultados recomendados en la página sin publicar la experiencia.
Permite una implementación rápida de diseños ya creados.
Permite guardar el diseño del widget de recomendación como plantillas para reutilizarlas en varios widgets.
Ver el historial de cambios realizados en el código de las plantillas. Esto se puede utilizar para rastrear el origen de un problema (solución de problemas) o recuperar una versión anterior de tu código.
Programa cuándo las experiencias deben publicarse y retirarse del sitio.
Dirígete a usuarios que hayan mostrado un alto interés —medido mediante sus interacciones con los productos (visualizaciones, adiciones al carrito y eventos de compra)— en una propiedad de producto específica (p. ej., color azul, mostrar categoría).
Segmentar a los usuarios que se encuentran actualmente en su primera sesión (desde que se implementó el script de Dynamic Yield en el sitio).
Permite segmentar la experiencia del widget de recomendaciones según las propiedades de comportamiento de la sesión, como el número de páginas vistas, la URL actual, la URL anterior, el tiempo transcurrido, etc.
Segmenta a los usuarios que pertenecen a una audiencia de Dynamic Yield de un sitio de Dynamic Yield diferente.
Permite la segmentación para los usuarios que llegan a través de una fuente de tráfico específica.
Dirígete a usuarios que pertenezcan a una audiencia de Dynamic Yield desde este sitio de Dynamic Yield.
Permite segmentar la experiencia del widget de recomendaciones por dispositivo, navegador, sistema operativo, marca del sistema operativo, resolución de pantalla y agente de usuario.
Permite segmentar la experiencia del widget de recomendación según la ubicación actual del usuario.
Permite segmentar la experiencia del widget de recomendaciones según el clima actual o pronosticado en la ubicación actual del usuario.
Permite segmentar la experiencia del widget de recomendaciones en páginas de productos que muestran artículos que han recibido una cantidad determinada de visualizaciones y compras.
Permite segmentar la experiencia del widget de recomendaciones en páginas de productos que muestran artículos que han recibido una cantidad determinada de visualizaciones y compras.
Permite segmentar la experiencia del widget de recomendaciones mediante cualquier propiedad calculada de forma ad hoc utilizando código JS personalizado.
Esta estrategia selecciona el mejor algoritmo en función de las prácticas recomendadas para el tipo de página elegido.
Selecciona los productos más relevantes según todas las interacciones con productos registradas para el usuario. Tiene en cuenta las interacciones realizadas desde hace dos años hasta las realizadas en la sesión actual (en tiempo real).
Selecciona los productos que se compran con frecuencia junto con el producto que se está viendo o el conjunto de productos del carrito del usuario. Puede tener en cuenta las compras realizadas en línea o fuera de línea.
Selecciona los productos vistos 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).
Puntúa los artículos basándose en la suma ponderada de todas las interacciones —como compras, adiciones al carrito y visualizaciones de productos—, dando preferencia a las interacciones recientes sobre las históricas.
Devuelve los artículos por popularidad, pero solo incluye los artículos de la categoría especificada en el contexto de la página de la categoría.
Recomienda artículos que son similares al artículo que se muestra actualmente, teniendo en cuenta la popularidad del artículo.
Selecciona los productos más relevantes mediante la comparación de comportamientos similares en todos los usuarios con sofisticados modelos de aprendizaje automático.
Recomienda productos que se hayan comprado sin conexión junto con el artículo que se muestra actualmente o el conjunto de productos del carrito del usuario.
Recomienda productos que se han comprado juntos, ya sea online u offline, con el artículo que se muestra actualmente o con el conjunto de productos del carrito del usuario.
Artículos que suelen comprarse junto con los últimos artículos comprados por el usuario actual.
Muestra el contenido del carrito de la compra más reciente realizada por el usuario actual.
Artículos que normalmente se compran junto con los artículos de la compra más reciente del usuario actual.
En caso de que la estrategia devuelva menos elementos que el número de espacios, el sistema ejecutará un algoritmo de alternativa respectivo para cada estrategia.
Una estrategia de recomendación de aprendizaje profundo autoentrenable para predecir automáticamente el próximo producto que le puede interesar a un usuario en función de la secuencia de interacciones históricas y en tiempo real.
La configuración ofrece la opción de que las recomendaciones muestren o excluyan los productos que tienen todas las propiedades de producto o una cantidad seleccionada de estas en comparación con el producto que se está viendo. Esta capacidad se limita únicamente a la página del producto.
Evita que se muestren los productos vistos recientemente.
Evita que se muestren los productos comprados recientemente.
Esta estrategia selecciona el mejor algoritmo en función de las prácticas recomendadas para el tipo de página elegido.
Permite configurar diferentes algoritmos de recomendación por espacio de widget.
Añade reglas de filtrado en tiempo real para filtrar los resultados según los datos obtenidos durante la sesión (p. ej., mostrar productos con un precio superior al producto que se está viendo actualmente, presentar productos según la selección explícita de los visitantes, etc.).
Permite establecer reglas que restringen 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 o espacio específico.
Permite seleccionar productos para fijar, incluir en listas blancas o excluir en listas negras utilizando un conjunto de condiciones de atributos de productos (p. ej., el precio es superior a 100 $, la categoría es «Dresses», etc.).
Permite resolver conflictos entre dos reglas contradictorias.
Permite establecer las condiciones en las que debe aplicarse una regla (a qué usuarios, en qué páginas, etc.).
Permite establecer la fecha y la hora en las que se debe aplicar una regla.
Prueba diferentes algoritmos de recomendación mediante pruebas A/B.
Prueba diferentes diseños y distribuciones de widgets de recomendación (vertical frente a horizontal, número de espacios, mostrar u ocultar el precio, etc.).
Realiza pruebas A/B con diferentes reglas de filtrado de recomendaciones.
Genera recomendaciones en cualquier parte de la web y del sitio web móvil.
Genera recomendaciones en cualquier lugar de la aplicación móvil.
Genera recomendaciones en los correos electrónicos.
Genera 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 el CTR (en los tipos de campaña que inyectan HTML), las páginas vistas, las compras, los ingresos, el AOV y cualquier evento personalizado.
En las pruebas A/B, indica la probabilidad de que cada variante de prueba sea la variante ganadora (en términos de una métrica principal específica. p. ej. ingresos por compras) basado en el modelo de estadística bayesiana de DY.
Permite comparar el rendimiento de un widget de recomendación entre diferentes grupos de audiencia.
Muestra informes granulares detallados para los widgets de recomendación. (es decir, muestra el impacto directo y asistido de las recomendaciones de productos en el rendimiento del sitio, con la posibilidad de contar con ventanas de atribución flexibles).
Evita que los eventos individuales sesguen los resultados y predigan incorrectamente el comportamiento futuro medio de los usuarios.
Sugiere automáticamente qué estrategia de recomendación se debe aplicar por audiencia en función del rendimiento previsto.
Las recomendaciones se generan 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 productos destacados a los usuarios que han abandonado 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 uno o varios productos seleccionados dinámicamente y botones de acción (opcionales) a una hora programada o si se activa un evento.
Reemplaza los anuncios estáticos de recomendación de visualización 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 (solución única para todos).
Contiene todo el catálogo de productos (productos con metadatos de productos) y alimenta recomendaciones de productos potentes. Puede asimilar por completo y gestionar fuentes de gran tamaño con millones de SKU de productos para potenciar las recomendaciones.
Envía cambios de artículos en tiempo real a la fuente de productos.
Permite recibir los resultados de las recomendaciones en formato raw —para aprovechar las recomendaciones en cualquier sistema externo y representarlas mediante código personalizado, utilizando implementaciones tanto del lado del servidor como del cliente—.
Permite configurar dónde debe colocarse un widget de recomendaciones sin necesidad de programar.
Combina automáticamente varios archivos o fuentes en una sola fuente de datos.
Permite múltiples valores para el mismo elemento en una fuente de datos que representen diferentes idiomas, tales como varios nombres y descripciones de productos.
Permite probar variaciones de recomendación basadas en el porcentaje de asignación de tráfico definido.
Determina automáticamente qué porcentaje de los usuarios del sitio recibirá cada variación. Aprovecha una estrategia de bandidos de múltiples brazos, lo que significa que a las variaciones que funcionaron mejor en el pasado se les asigna más tráfico.
Muestra los productos o artículos más relevantes para cada usuario basándose en el contexto y el objetivo del widget de recomendación.
Muestra el contenido más relevante para cada usuario según el contexto y el objetivo del widget de recomendación.