Zum Inhalt springen

Artikel-Empfehlungen

Verbessern Sie Ihr Empfehlungssystem mit Braze, indem Sie ein Empfehlungssystem erstellen, das Ihren Nutzer:innen Artikel und Inhalte vorschlägt, die sie tatsächlich interessieren. Von der Anpassung von Erlebnissen mit KI bis zum Aufbau eigener Systeme mit Liquid oder Connected-Content finden Sie alles, was Sie brauchen, damit jede Empfehlung zählt.

Voraussetzungen

Bevor Sie Artikelempfehlungen in Braze erstellen oder verwenden können, müssen Sie mindestens einen Katalog erstellen—nur Artikel aus diesem Katalog werden den Nutzer:innen empfohlen.

Typen und Anwendungsfälle

KI-personalisiert

Im Rahmen des Features KI-Artikelempfehlungen nutzen KI-personalisierte Empfehlungen Deep Learning, um vorherzusagen, woran Ihre Nutzer:innen als Nächstes am wahrscheinlichsten interessiert sind – basierend auf dem, woran sie in der Vergangenheit Interesse gezeigt haben. Diese Methode bietet ein dynamisches und maßgeschneidertes Empfehlungssystem, das sich an das Nutzer:innenverhalten anpasst.

KI-personalisierte Empfehlungen verwenden die Interaktionsdaten der letzten 6 Monate mit Artikeln, wie Käufe oder angepasste Events, um das Empfehlungsmodell aufzubauen. Für Nutzer:innen ohne ausreichend Daten für eine personalisierte Liste dienen die beliebtesten Artikel als Fallback, sodass Ihre Nutzer:innen dennoch relevante Vorschläge erhalten.

Mit KI-Artikelempfehlungen können Sie die verfügbaren Artikel auch mit Selections weiter filtern. Allerdings können Selections mit Liquid nicht in KI-Empfehlungen verwendet werden – beachten Sie dies beim Erstellen Ihrer Katalog-Selections.

Anwendungsfälle

Basierend auf den erfassten Interaktionsdaten können Anwendungsfälle für dieses Modell Folgendes umfassen:

Sagen Sie die Artikel vorher, die Nutzer:innen am wahrscheinlichsten als Nächstes kaufen werden, basierend auf Kauf-Events oder angepassten Events im Zusammenhang mit Käufen, und empfehlen Sie diese. Zum Beispiel:

  • Eine Reise-Website könnte Urlaubspakete, Flüge oder Hotelübernachtungen basierend auf dem Browserverlauf und früheren Buchungen vorschlagen und so das nächste Reiseziel antizipieren, um die Reiseplanung zu erleichtern.
  • Eine Streaming-Plattform kann Sehgewohnheiten analysieren, um Serien oder Filme zu empfehlen, die Nutzer:innen am wahrscheinlichsten als Nächstes ansehen werden, um sie engagiert zu halten und die Churn-Rate zu reduzieren.
Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Eine Methode zur Nachverfolgung von Käufen: ein Kauf-Objekt, ein angepasstes Event oder ein Bestellungs-Event
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf KI-personalisiert.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie aus, wie Sie derzeit Kauf-Events erfassen, und die entsprechende Event-Eigenschaft.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Das Empfehlungsmodell „Beliebteste“ zeigt Artikel, mit denen Nutzer:innen am häufigsten interagieren.

Anwendungsfälle

Basierend auf den erfassten Interaktionsdaten können Anwendungsfälle für dieses Modell folgende Empfehlungen umfassen:

Ermutigen Sie Nutzer:innen, beliebte Artikel in Ihrem Katalog basierend auf Käufen zu entdecken. Um sicherzustellen, dass nur relevante Inhalte angezeigt werden, empfehlen wir das Filtern mit einer Selection. Zum Beispiel könnte ein Essenslieferdienst die am besten bewerteten Gerichte oder Restaurants im Umkreis von Nutzer:innen hervorheben, basierend auf der Beliebtheit der Bestellungen auf der Plattform, um zum Ausprobieren und Entdecken anzuregen.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Ein Kauf-Objekt, ein Bestellungs-Event oder ein beliebiges angepasstes Event
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Beliebteste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern. Der Essenslieferdienst könnte beispielsweise eine Selection haben, um nach Restaurantstandort oder Art des Gerichts zu filtern.
  5. Wählen Sie aus, wie Sie derzeit Events erfassen, und die entsprechende Event-Eigenschaft.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Ermutigen Sie Nutzer:innen, Artikel zu entdecken, die sie kürzlich geliked haben oder die allgemein beliebt sind, basierend auf einem angepassten Event für Likes. Zum Beispiel könnte eine Musik-Streaming-App personalisierte Playlists erstellen oder neue Albenveröffentlichungen basierend auf Genres oder Künstler:innen vorschlagen, die Nutzer:innen in der Vergangenheit geliked haben, um das Engagement und die in der App verbrachte Zeit zu steigern.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für Likes
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Neueste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für Likes aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Heben Sie Artikel hervor, die in Ihrer Nutzerbasis durch Aufrufe Aufmerksamkeit erlangt haben, um Engagement oder Käufe zu fördern. Zum Beispiel könnte eine Immobilien-Website die am häufigsten angesehenen Angebote im Suchgebiet von Nutzer:innen anzeigen, um Objekte hervorzuheben, die viel Aufmerksamkeit auf sich ziehen und möglicherweise gute Angebote oder begehrte Standorte anzeigen.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für Aufrufe
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Beliebteste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für Aufrufe aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Präsentieren Sie Artikel, die von vielen anderen Käufer:innen in den Warenkorb gelegt werden, und geben Sie Nutzer:innen einen Einblick in die aktuellen Trends Ihres Angebots.

Zum Beispiel könnte ein Modehändler Kleidung und Accessoires bewerben, die basierend auf beliebten Warenkorb-Ergänzungen anderer Kund:innen im Trend liegen. Er kann dann einen dynamischen „Jetzt im Trend“-Bereich auf der Startseite und in der mobilen App erstellen, der sich in Echtzeit aktualisiert und Käufer:innen dazu ermutigt, zuzuschlagen, bevor Artikel ausverkauft sind.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für „In den Warenkorb gelegt“
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Beliebteste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für „In den Warenkorb gelegt“ aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Neuester Artikel

Das Empfehlungsmodell „Neueste“ zeigt Artikel, mit denen Nutzer:innen zuletzt interagiert haben. Verwenden Sie dieses Modell, um Churn zu reduzieren, indem Sie passive Nutzer:innen dazu ermutigen, sich erneut mit relevanten Inhalten zu beschäftigen.

Anwendungsfälle

Basierend auf den erfassten Interaktionsdaten können Anwendungsfälle für dieses Modell folgende Empfehlungen umfassen:

Ermutigen Sie Nutzer:innen, Artikel erneut zu besuchen, die sie kürzlich angeklickt haben, basierend auf einem angepassten Event für Klicks. Zum Beispiel könnte ein Online-Modehändler eine Empfehlung erstellen, um Follow-up-E-Mails oder Push-Benachrichtigungen mit Kleidungsstücken zu versenden, an denen Nutzer:innen durch Klicken Interesse gezeigt haben, und sie dazu ermutigen, den Artikel erneut aufzurufen und einen Kauf zu tätigen.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für Klicks
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Neueste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für Klicks aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Ermutigen Sie Nutzer:innen, Artikel zu entdecken, die sie kürzlich geliked haben oder die allgemein beliebt sind, basierend auf einem angepassten Event für Likes. Zum Beispiel könnte eine Musik-Streaming-App personalisierte Playlists erstellen oder neue Albenveröffentlichungen basierend auf Genres oder Künstler:innen vorschlagen, die Nutzer:innen in der Vergangenheit geliked haben, um das Engagement und die in der App verbrachte Zeit zu steigern.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für Likes
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Neueste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für Likes aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Bewerben Sie Artikel, mit denen Nutzer:innen kürzlich interagiert haben, einschließlich Aufrufe, Klicks oder Käufe. Dieser Ansatz hält Ihre Empfehlungen aktuell und auf die neuesten Interessen der Nutzer:innen abgestimmt. Zum Beispiel:

  • Bildung: Eine Online-Bildungsplattform könnte Nutzer:innen, die kürzlich ein Lernvideo angesehen, sich aber noch nicht für einen Kurs angemeldet haben, dazu ermutigen, ähnliche Kurse oder Themengebiete zu erkunden, um sie engagiert und motiviert zum Lernen zu halten.
  • Fitness: Eine Fitness-App kann Workouts oder Challenges vorschlagen, die den kürzlich abgeschlossenen oder betrachteten ähneln, um das Training abwechslungsreich und ansprechend zu halten.
  • Baumarkt: Nachdem Kund:innen ein Elektrowerkzeug gekauft haben, kann ein Baumarkt basierend auf dem letzten Kauf passendes Zubehör oder Sicherheitsausrüstung empfehlen, um das Nutzungserlebnis und die Sicherheit zu verbessern.
Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Ein Kauf-Objekt, Bestellungs-Event oder ein beliebiges angepasstes Event für eine Engagement-Interaktion
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Neueste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für Klicks aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Erinnern Sie Nutzer:innen an Artikel, die sie kürzlich in den Warenkorb gelegt, aber noch nicht gekauft haben. Zum Beispiel könnte ein Online-Händler Erinnerungen versenden oder zeitlich begrenzte Rabatte auf Artikel im Warenkorb anbieten, um Nutzer:innen dazu zu ermutigen, ihren Kauf abzuschließen, bevor die Angebote ablaufen.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für „In den Warenkorb gelegt“
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Neueste.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Custom Event und wählen Sie Ihr angepasstes Event für „In den Warenkorb gelegt“ aus der Liste.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Das Empfehlungsmodell „Trending“ zeigt Artikel, die die stärkste positive Dynamik bei den jüngsten Nutzer:innen-Interaktionen aufweisen. Wir berechnen dies mithilfe einer gewichteten Analyse von etwa 10 Wochen Event-Verlauf, wobei die stärkste Gewichtung auf die letzten ca. 2 Wochen angewendet wird. Um zu verhindern, dass kleine Schwankungen die Empfehlungsqualität beeinträchtigen, wenden wir einen Aktivitätsschwellenwert und statistische Glättungsverfahren an.

Im Gegensatz zum Modell „Beliebteste“, das Artikel mit konstant hohen Interaktionen zeigt, hebt dieses Modell Artikel hervor, die einen Anstieg bei den Interaktionen verzeichnet haben. Sie können es nutzen, um aufkommende Produkte zu empfehlen, die derzeit verstärkt an Zugkraft gewinnen.

Anwendungsfälle

Basierend auf den erfassten Interaktionsdaten können Anwendungsfälle für dieses Modell folgende Empfehlungen umfassen:

Heben Sie Artikel hervor, die Ihre Nutzer:innen in letzter Zeit mit steigender Häufigkeit gekauft haben. Zum Beispiel könnte ein E-Commerce-Unternehmen saisonale Artikel empfehlen, die Nutzer:innen in Vorbereitung auf die nächste Saison zunehmend einkaufen.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Eine Methode zur Nachverfolgung von Käufen (entweder ein Kauf-Objekt, ein Bestellungs-Event oder ein angepasstes Event)
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Trending.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie entweder ein Kauf-Event oder ein angepasstes Event, das Käufe erfasst, zusammen mit der entsprechenden Eigenschaft.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Heben Sie Artikel hervor, die Ihre Nutzer:innen in letzter Zeit mit steigender Häufigkeit geliked haben. Zum Beispiel könnte eine Musik-App aufstrebende Künstler:innen hervorheben, die kürzlich einen Anstieg an Nutzer:innen-Likes verzeichnet haben.

Voraussetzungen
  • KI-Artikelempfehlungen
  • Katalog mit relevanten Artikeln
  • Angepasstes Event für die Nachverfolgung von Likes
Einrichtung
  1. Erstellen Sie eine KI-Artikelempfehlung.
  2. Setzen Sie den Typ auf Trending.
  3. Wählen Sie Ihren Katalog aus.
  4. (Optional) Fügen Sie eine Selection hinzu, um Ihre Empfehlung auf nur relevante Artikel zu filtern.
  5. Wählen Sie Ihr angepasstes Event für die Nachverfolgung von Likes zusammen mit der entsprechenden Eigenschaft.
  6. Trainieren Sie die Empfehlung.
  7. Verwenden Sie die Empfehlung im Messaging.

Selections-basiert

Selections sind bestimmte Gruppen von Katalogdaten. Wenn Sie eine Selection verwenden, richten Sie im Wesentlichen benutzerdefinierte Filter basierend auf bestimmten Spalten in Ihrem Katalog ein. Dies kann Filter für Marke, Größe, Standort, Hinzufügungsdatum und mehr umfassen. So haben Sie die Kontrolle darüber, was Sie empfehlen, indem Sie Kriterien definieren, die Artikel erfüllen müssen, um Nutzer:innen angezeigt zu werden.

Die vorherigen drei Typen beinhalten alle das Einrichten und Trainieren eines Empfehlungsmodells in Braze. Obwohl Sie Selections auch in diesen Modellen verwenden können, lassen sich einige Empfehlungs-Anwendungsfälle auch allein mit Katalog-Selections und Liquid-Personalisierung umsetzen.

Anwendungsfälle

Basierend auf den erfassten Interaktionsdaten können Anwendungsfälle für dieses Modell folgende Empfehlungen umfassen:

Dieses Szenario stützt sich nicht direkt auf Nutzer:innenaktionen, sondern auf Katalogdaten. Sie können nach neuen Artikeln basierend auf ihrem Hinzufügungsdatum zum Katalog filtern und diese über gezielte Campaigns oder Canvases bewerben, ohne ein Empfehlungsmodell trainieren zu müssen.

Zum Beispiel könnte eine Technologie-E-Commerce-Plattform Technik-Begeisterte über die neuesten Gadgets oder bevorstehende Vorbestellungen informieren, indem Filter auf Artikel angewendet werden, die kürzlich zum Katalog hinzugefügt wurden.

Voraussetzungen
  • Katalog mit relevanten Artikeln mit einem Feld für das Hinzufügungsdatum
Einrichtung
  1. Erstellen Sie eine Selection basierend auf Ihrem Katalog. Stellen Sie sicher, dass Ihr Katalog ein Zeitfeld (Feld mit dem Datentyp Zeit) hat, das dem Hinzufügungsdatum des Artikels entspricht.
  2. (Optional) Fügen Sie gewünschte Filter hinzu.
  3. Stellen Sie sicher, dass Zufällige Sortierreihenfolge deaktiviert ist.
  4. Wählen Sie als Sortierfeld Ihr Feld für das Hinzufügungsdatum.
  5. Setzen Sie die Sortierreihenfolge auf absteigend.
  6. Verwenden Sie die Selection im Messaging.

Für ein vielfältiges Nutzungserlebnis können zufällige Artikelempfehlungen Abwechslung bieten und potenziell Interesse an weniger besuchten Katalogbereichen wecken. Diese Methode erfordert keine spezifischen Modelle oder Events, sondern verwendet eine Katalog-Selection, um sicherzustellen, dass Artikel zufällig angezeigt werden.

Zum Beispiel könnte ein Online-Buchladen ein „Überrasch mich“-Feature anbieten, das basierend auf früheren Käufen oder dem Browserverlauf von Nutzer:innen ein zufälliges Buch empfiehlt und dazu anregt, außerhalb der gewohnten Lesegenres zu stöbern.

Voraussetzungen
  • Katalog mit relevanten Artikeln
  • Selection mit aktivierter zufälliger Sortierreihenfolge
Einrichtung
  1. Erstellen Sie eine Selection basierend auf Ihrem Katalog.
  2. (Optional) Fügen Sie gewünschte Filter hinzu.
  3. Aktivieren Sie Zufällige Sortierreihenfolge.
  4. Verwenden Sie die Selection im Messaging.

Regelbasiert

Ein regelbasiertes Empfehlungssystem nutzt Nutzerdaten und Produktinformationen, um Nutzer:innen relevante Artikel innerhalb von Nachrichten vorzuschlagen. Es verwendet Liquid und entweder Braze-Kataloge oder Connected-Content, um Inhalte basierend auf Nutzer:innenverhalten und Attributen dynamisch zu personalisieren.

Regelbasierte Empfehlungen basieren auf fester Logik, die Sie manuell festlegen müssen. Das bedeutet, dass sich Ihre Empfehlungen nicht automatisch an die individuelle Kaufhistorie und Vorlieben von Nutzer:innen anpassen, es sei denn, Sie aktualisieren die Logik. Daher eignet sich diese Methode am besten für Empfehlungen, die keine häufigen Aktualisierungen erfordern.

Anwendungsfälle

Basierend auf den erfassten Interaktionsdaten können Anwendungsfälle für dieses Modell Folgendes umfassen:

  • Nachbestellerinnerungen: Versenden Sie Nachbestellerinnerungen für Artikel mit einem vorhersehbaren Verbrauchszyklus, wie monatliche Vitamine oder wöchentliche Lebensmittel, basierend auf dem letzten Kaufdatum.
  • Erstkäufer:innen: Empfehlen Sie Starter-Sets oder Einführungsangebote an Erstkäufer:innen, um einen zweiten Kauf zu fördern.
  • Kundenbindungs-Programme: Heben Sie Produkte hervor, die den Punktestand oder die Rewards von Kund:innen basierend auf ihrem aktuellen Punktestand maximieren würden.
  • Bildungsinhalte: Schlagen Sie neue Kurse oder Inhalte basierend auf den Themen zuvor konsumierter oder gekaufter Materialien vor.

Planspezifische KI-Features

Die folgende Tabelle beschreibt die Unterschiede zwischen der kostenlosen und der Pro-Version der Empfehlungstypen KI-Personalisiert, Beliebteste, Neueste und Im Trend:

Bereich Kostenlose Version Pro-Version
Update-Häufigkeit für Nutzer:innen1 Wöchentlich Täglich
Häufigkeit des Modell-Retrainings Monatlich Wöchentlich
Maximale Empfehlungsmodelle 1 Modell pro Typ2 100 Modelle pro Typ2

1. Dies ist die Häufigkeit, mit der nutzerspezifische Artikelempfehlungen aktualisiert werden (nur KI-Personalisiert und Neueste). Beliebteste und Im Trend sind globale Empfehlungen, die aktualisiert werden, wenn das Modell neu trainiert wird. Wenn beispielsweise ein:e Nutzer:in einen Artikel kauft, der auf KI-Artikelempfehlungen basiert, werden die empfohlenen Artikel gemäß dieser Häufigkeit aktualisiert.
2. Verfügbare Empfehlungstypen sind KI-Personalisiert, Neueste, Beliebteste und Im Trend.

Häufig gestellte Fragen

Wenn das Empfehlungssystem eine Liste für Sie zusammenstellt, fügt es zunächst personalisierte Auswahlen basierend auf dem von Ihnen gewählten Modell hinzu, z. B. „Neueste“ oder „KI-personalisiert“. Wenn dieses Modell weniger als 30 Artikel füllt, ergänzt Braze die beliebtesten Artikel. Die personalisierten Artikel erscheinen zuerst in der Liste, gefolgt von den beliebtesten Fallback-Artikeln.

Dies geschieht unter einigen besonderen Bedingungen:

  • Das Modell findet weniger als 30 Artikel, die Ihren Kriterien entsprechen.
  • Die entsprechenden Artikel sind nicht mehr verfügbar oder auf Lager.
  • Die Artikel entsprechen nicht den aktuellen Auswahlkriterien, z. B. weil sich der Bestand oder die Präferenzen der Nutzer:innen geändert haben.

Bitte beachten Sie, dass Empfehlungen unabhängig voneinander funktionieren und keine Kenntnis darüber haben, was die anderen Modelle empfehlen. Das bedeutet, dass jeder Abschnitt doppelte Artikel enthalten kann, die bereits in anderen KI-Empfehlungsabschnitten derselben E-Mail angezeigt werden.

Wie verhindere ich doppelte Artikel in mehreren Empfehlungsabschnitten?

Da jede Empfehlung unabhängig funktioniert, kann derselbe Artikel in mehr als einem Abschnitt derselben Nachricht erscheinen. Um Duplikate zu entfernen, verwenden Sie Liquid, um zu verfolgen, welche Artikel-IDs Sie bereits angezeigt haben, und überspringen Sie diese in nachfolgenden Abschnitten.

Werden bestehende Empfehlungen nach dem Upgrade auf Item Recommendations Pro wöchentlich trainiert?

Ja, aber erst nach ihrem nächsten geplanten Update. Bestehende Empfehlungen schalten beim Upgrade auf Item Recommendations Pro nicht sofort auf wöchentliches Training und tägliche Prognosen um. Sie übernehmen den neuen Zeitplan jedoch automatisch bei ihrem nächsten Trainingszyklus. Wenn eine Empfehlung zum Beispiel zuletzt am 1. Februar trainiert wurde und so eingestellt ist, dass sie alle 30 Tage neu trainiert wird, übernimmt sie den neuen wöchentlichen Zeitplan nach dem nächsten Update am 2. März.

Wie kann ich alle Empfehlungen, die mehrere Tage gültig sind, gleichzeitig ablaufen lassen?

Wenn Sie alle mehrtägigen Empfehlungen zu einem bestimmten Datum ablaufen lassen möchten (sodass alle aktiven Empfehlungen gleichzeitig neue Prognosen erhalten), wenden Sie sich bitte an den Braze-Support oder Ihren Customer-Success-Manager. Die BrazeAI-Expert:innen führen diesen Vorgang manuell durch, um eine optimale Performance des Modells zu gewährleisten.

Was passiert, wenn ich den Eigenschaftsnamen für eine aktive KI-Artikelempfehlung ändere?

Wenn Sie den Eigenschaftsnamen (Artikel-ID-Pfad) aktualisieren und Speichern und erstellen auswählen, startet Braze einen Hintergrund-Trainingsjob, der die Interaktionsdaten der letzten sechs Monate mit der neuen Zuordnung durchsucht.

Während das Modell neu trainiert wird, sehen Nutzer:innen weiterhin Empfehlungen aus der vorherigen Version. Die Empfehlungen ändern sich erst, wenn das neue Modell das Training erfolgreich abgeschlossen hat. Das bedeutet:

  • Nutzer:innen sehen personalisierte Artikel aus dem alten Modell (oder den globalen Fallback, wenn sie keine spezifischen Empfehlungen haben).
  • Es gibt keine Ausfallzeit oder Lücke bei den Empfehlungen während des Trainingsprozesses.
  • Der Übergang vom alten zum neuen Modell erfolgt nahtlos, sobald das Training erfolgreich abgeschlossen ist.

Events mit dem alten Artikel-ID-Pfad werden für das neue Modell effektiv ignoriert. Nur Events, die die neue Eigenschaftsnamenzuordnung verwenden, werden in das erneute Training einbezogen.

Was passiert, wenn der Trainingsjob nach der Änderung des Eigenschaftsnamens fehlschlägt?

Um dieses Risiko zu minimieren, sollten Sie folgenden Ansatz in Betracht ziehen:

  1. Erstellen Sie eine neue Artikelempfehlung mit der gewünschten Eigenschaftsnamenkonfiguration.
  2. Überprüfen Sie, ob das Training erfolgreich abgeschlossen wird.
  3. Aktualisieren Sie Ihr Messaging so, dass es auf die neue Empfehlung verweist, anstatt eine aktive Empfehlung direkt zu ändern.

Dieser Ansatz ermöglicht es Ihnen, die neue Konfiguration zu testen, ohne Nachrichten zu gefährden, die auf Ihre bestehende Empfehlung verweisen.

Dokumentation für die Braze-Kundenengagement-Plattform.

Ressourcen
Rechtliches
Unternehmen
© 2026 Braze, Inc. Alle Rechte vorbehalten.
Braze-Status wird geprüft
New Stuff!