Reklamekampagne og tilbudsanbefalinger

Hvorfor reklamekampagner har brug for et andet sæt af signaler

Kampagnekataloger fungerer anderledes end produktkataloger på flere måder.

• Tilbud har livscyklusser. Tilbyder start, kører i et bestemt tidsvindue og trækker sig derefter tilbage. Engagementhistorik er sparsom af natur.
• Brugerengagement er begrænset. De fleste brugere engagerer sig med langt færre tilbud end produkter.
• Relevans afhænger af berettigelsen. Et tilbud, der passer til en bruger, gælder ikke altid for en anden.

På grund af disse forskelle tilknytter du tilbudsspecifikke engagementssignaler og kampagnekataloget til anbefaleren i stedet for produktkataloget.

Sådan fungerer en reklamekampagneanbefaler

DLPR følger den samme anbefal-observe-reward-learn-feedback-løkke som elementanbefalinger, men lærer fra, hvordan brugere interagerer med kampagner og de elementer, som disse kampagner målretter mod. Anbefalingen trækker på brugerens seneste aktivitet, kampagnekataloget og relationen mellem tilbud og de elementer, de gælder for. Anbefalingen rangerer derefter tilbud på en måde, der afspejler både relevans for brugeren og justering med dit forretningsmål.

Engagementsignaler

Hvis du vil have mest muligt ud af en reklamekampagneanbefaling, skal du angive signaler på tværs af to relaterede områder:

• Anbud engagement: Hvordan brugere interagerer med reklamekampagner selv, f.eks. visninger, klik, indløsninger og tilpassede signaler, der er knyttet til din tilbudslivscyklus.
• Målrettet elementengagement: Hvordan brugere interagerer med de elementer, som hvert tilbud gælder for, f.eks. produktvisninger, tilføjelseshandlinger og køb.

Tilknytning af signaler for begge områder giver anbefaleren et tydeligere billede af, hvilke tilbud der faktisk styrer adfærden forbundet med dit mål.

Du kan også angive yderligere signaler, der hjælper med at forme relevans, f.eks. engagement med relateret indhold (artikler, kampagner, destinationssider) og profilmetadata (præferencer, segmenter, loyalitetsstatus). Jo mere avanceret signalmikset er, desto bedre kan anbefaleren skræddersy tilbud til hver kunde.

Kold start for reklamekampagner

Kampagneengagement er ofte sparsomt. Af denne årsag er kold start ofte normen snarere end undtagelsen. Anbefalingen bruger en eller flere indholdsbaserede strategier til at vise relevante tilbud, selv når engagementsdata er begrænset.

Lighed mellem reklamekampagne og reklamekampagne

DLPR lærer fra kampagnemetadata, herunder tilbudsnavn, beskrivelse, type, kategori og udtryk for at generere semantiske integrationer for hver kampagne i dit katalog. Ved konklusion identificerer anbefaleren brugerens senest engagerede reklamekampagne og returnerer lignende.

Du kan starte tilbudsanbefalinger med minimal engagementhistorik, forudsat dit kampagnekatalog har beskrivende metadata.

Lighed mellem reklamekampagne og produkt

Anbefalingen kan også anbefale reklamekampagner baseret på de produkter, som en bruger har engageret sig i, og bygge bro mellem produkt- og reklamekampagnemetadata til at vise tilbud, der er relateret til elementer, som brugeren allerede er interesseret i.

Modelinput

En reklamekampagneanbefaler bruger følgende input til at rangere tilbud:

• Metadata fra kampagnekatalog. Tilbyd navne, beskrivelser, tilbudstyper, kategorier, berettigelse og eventuelle attributter, du angiver.
• Reklame engagement signaler. Visninger, klik, indløsninger og andre interaktioner med tilbud.
• Objektiv konfiguration. Det forretningsmål, som anbefalinger optimerer for.

Vejledning i dit kampagnekatalog

Et velstruktureret kampagnekatalog er grundlaget for kold start-kvalitet. Følg disse bedste fremgangsmåder for at maksimere anbefalingsrelevans fra dag et.

• Angiv komplette, beskrivende navne og beskrivelser for hvert tilbud.
• Angiv ensartede tilbudstyper og -kategorier.
• Angiv berettigelsesattributter, hvor det er relevant.