개인화 추천: 사용자가 귀하가 설정한 목표를 달성하도록 도와주십시오.

사용자를 위한 예측 목표를 파악한 후에는 사용자가 해당 목표를 달성하는 데 가장 도움이 될 가능성이 높은 개인화 추천을 생성하십시오. Amplitude의 AutoML은 각 사용자의 예측 목표를 극대화할 가능성이 가장 높은 항목을 결정한 다음 해당 항목을 사용자 앞에 배치합니다.

Amplitude의 머신러닝 알고리즘은 선택한 사용자를 유사한 사용자 그룹으로 분류합니다. 공유된 사용자 속성과 과거의 행동이 이러한 유사성을 결정합니다. 다음으로, Amplitude는 과거 데이터를 분석하여 각 클러스터의 전환 성향을 높일 가능성이 가장 높은 항목을 식별합니다. 마지막으로, Amplitude는 각 사용자에게 클러스터를 기반으로 순위가 매겨진 항목 목록을 할당합니다.

이 알고리즘은 매 시간마다 재학습되므로 새로운 속성 및 동작 정보를 결과에 통합합니다.

개인화 추천에 가장 적합

개인화 추천은 계정 기반 개인화가 아닌 사용자 기반 개인화에 가장 적합합니다. 이 기능은 제품 캐러셀, 제품 목록 또는 장바구니 흐름에 제품, 기사 또는 쇼와 같은 다양한 항목을 표시해야 하는 기업에 가장 유용합니다. 이커머스, 마켓플레이스, B2C 및 구독 소프트웨어 기업은 추천으로부터 가장 많은 가치를 얻습니다.

반면 엔터프라이즈 B2B 기업은 개인화 추천으로부터 거의 이익을 얻지 못합니다.

권장되는 활용 사례

개인화 추천은 분석 기능이 아닙니다. 이는 제품 내 및 디지털 경험을 개선하여 효과를 극대화하는 데 도움을 주는 개인화 기능입니다. 개인화 추천은 세 가지 사용자 기반 디지털 상거래 개인화 유형(분류, 차선책 및 교차 판매)에 가장 적합합니다.

• 어쏘트먼트: 홈페이지 또는 범주 페이지에 표시할 항목의 순위를 지정합니다. 이러한 항목은 SKU, 기사, 쇼 및 유사한 콘텐츠일 수 있습니다. 분류는 참여도를 높이는 데 적합합니다.
• 다음으로 최선의 조치: 이 체계는 사용자가 관심을 가질 수 있는 두 번째 항목을 식별하여 결제 또는 캐러셀 흐름에 배치하거나 구매 후 이메일에 배치합니다. 여기서 목표는 전환율을 높이는 것입니다.
• 교차 판매: 사용자가 아직 달성하지 못한 생애주기 단계를 나타내는 품목의 순위를 매깁니다. 이러한 항목은 일반적으로 범주, 제품 또는 구독 유형입니다. 가장 중요한 목표는 LTV를 높이는 것입니다.

Amplitude는 세션 중 개인화 추천 및 신규 아이템 개인화 추천과 같은 다른 사용 사례에 대한 지원을 개발 중입니다.

추천에 대한 데이터 요구 사항

추천은 결과 이벤트, 노출 이벤트 및 이벤트 속성의 세 가지 데이터 구성 요소로 구성됩니다. 개인화 추천이 작동하려면 택소노미에서 이러한 구성 요소 뒤에 있는 데이터를 계측해야 합니다.

• 결과 이벤트는 귀하의 추천에 대한 객관적인 목표입니다. 종종 결과 이벤트는 ‘구매’ 또는 ‘구독’과 같은 것입니다. 이 결과를 Amplitude 애널리틱스에서 이벤트로 추적하십시오.
• 노출 이벤트는 결과 이벤트 이전에 사용자가 취하는 행동입니다. 일반적인 노출 이벤트로는 ‘장바구니에 추가’, ‘제품 클릭’ 또는 추천 항목을 구성하는 이벤트 속성을 가진 다른 이벤트가 있습니다. 결과 이벤트의 전환 퍼널 상위 단계에서 이 이벤트를 추적하십시오.
• 이벤트 속성은 추천에 나타나는 “항목”입니다. 이 속성은 종종 “SKU”, “ID”, “이름”, “범주” 또는 “브랜드”와 같은 이름을 갖습니다. 이 정보를 노출 이벤트의 이벤트 속성으로 저장합니다.

Amplitude CSM과 긴밀히 협력하여 귀하의 택소노미가 이러한 조건을 충족하는지 확인하십시오.

자세한 내용은 추천 작성 및 개인화 캠페인에서 개인화 추천 사용을 참조하십시오.