Caso de uso: Impulsione a descoberta de conteúdo após a visualização

Este exemplo mostra como uma marca fictícia usa as recomendações de itens da IA da Braze para entregar conteúdo personalizado e sugestões de produtos em momentos-chave do cliente. Saiba como a lógica de recomendação pode melhorar o engajamento, aumentar as conversões e reduzir o esforço manual.

Vamos supor que Camila é uma gerente de CRM na MovieCanon, uma plataforma de streaming com filmes e séries selecionados.

O objetivo de Camila é manter os espectadores engajados após terminarem de assistir algo. Historicamente, as mensagens “Você também pode gostar” da MovieCanon eram baseadas em correspondência de gênero ampla e enviadas em momentos arbitrários—frequentemente horas ou dias após uma sessão. O engajamento era baixo, e sua equipe sabia que poderiam fazer melhor.

Usando Recomendações de Itens de IA, Camila configura um sistema para recomendar automaticamente novos títulos com base no histórico de visualização de cada espectador, entregues imediatamente após um usuário terminar um filme ou episódio. É uma maneira mais inteligente e pessoal de ajudar os usuários a descobrir conteúdo que realmente querem assistir a seguir e mantê-los engajados com a plataforma.

Este tutorial explica como Camila:

• Uma mensagem personalizada acionada quando um usuário termina de assistir algo
• Recomendações que são adaptadas às preferências do espectador—automaticamente retiradas do catálogo da MovieCanon e inseridas na mensagem

Etapa 1: Criar um modelo de previsão de churn

Camila começa criando uma recomendação que mostrará títulos relevantes sempre que um usuário terminar de assistir algo. Ela quer que seja dinâmica, para que os usuários recebam sugestões diferentes com base no que assistiram recentemente.

1. No dashboard da Braze, Camila navega até Recomendações de Itens de IA.
2. Ela cria uma nova recomendação e a nomeia de “Sugestões pós-visualização”.
3. Para o tipo de recomendação que ela escolhe IA Personalizada, cada usuário vê recomendações personalizadas com base em comportamentos passados.
4. Ela seleciona Não recomendar itens com os quais os usuários já interagiram para que os usuários não recebam recomendações de algo que já assistiram.
5. Ela seleciona o catálogo contendo a biblioteca de conteúdo atual do MovieCanon. Camila não adiciona uma seleção de catálogo, já que ela quer que todos os itens do catálogo sejam itens elegíveis para recomendação.
6. Camila vincula a recomendação ao Watched Content evento personalizado, que rastreia visualizações concluídas, e define o Nome da Propriedade como o título do conteúdo.
7. Ela cria a recomendação.

Etapa 2: Configure uma mensagem no app

Após a recomendação ter terminado de treinar, Camila constrói um fluxo de envio de mensagens que alcança o usuário no momento certo: imediatamente após eles terminarem um título. A mensagem inclui uma lista de três sugestões personalizadas retiradas diretamente do catálogo.

1. Camila cria uma campanha de mensagem no app usando o editor de arrastar e soltar.
2. Ela define o disparador para seu evento personalizado: Watched Content.
3. Ela projeta uma mensagem no app de várias páginas com imagens de título, nomes e um CTA “Assistir agora”.

4. No corpo da mensagem, Camila usa o modal Adicionar Personalização para adicionar variáveis como o nome, descrição e miniatura do título recomendado usando Liquid, que popula dinamicamente o conteúdo do catálogo. Ela insere um atributo personalizado para Last Watched Movie para informar aos usuários que esta recomendação é baseada em seu histórico de visualização.

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].name }}

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].description }}

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].thumbnail }}

5. Camila então duplica sua página e incrementa o array Liquid ({{ items[0]}} para {{items[1]}}) em cada variável para inserir o próximo item na lista de recomendações.

Etapa 3: Meça e otimize

Com a campanha ao vivo, Camila monitora taxas de abertura, CTRs e comportamento de visualização subsequente. Ela compara a performance com campanhas de recomendação estáticas anteriores e vê maior engajamento—e mais sessões de conteúdo por usuário.

Ela também planeja testar A/B:

• Tempo (imediato versus 10 minutos após assistir)
• Layout do conteúdo (carrossel versus lista)
• Variações de CTA (“Assista agora” versus “Adicionar à fila”)

Ao combinar mensagens acionadas por eventos com Recomendações de Itens de IA, Camila transforma a descoberta de conteúdo em uma experiência automática e personalizada. MovieCanon mantém os usuários engajados sem suposições—entregando conteúdo relevante no momento certo para aumentar a profundidade da sessão e reduzir o churn.