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

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

Digamos que Camila seja gerente de CRM da MovieCanon, uma plataforma de streaming que apresenta filmes e séries com curadoria.

O objetivo de Camila é manter o engajamento dos espectadores depois que eles terminam de assistir a algo. Historicamente, as mensagens “Você também pode gostar” do MovieCanon eram baseadas em uma ampla correspondência de gêneros e enviadas em momentos arbitrários - muitas vezes horas ou dias após uma sessão. O engajamento era baixo, e sua equipe sabia que poderia fazer melhor.

Usando as recomendações de itens por IA, Camila configura um sistema para recomendar automaticamente novos títulos com base no histórico de exibição de cada espectador, entregue imediatamente após o usuário terminar um filme ou episódio. É uma maneira mais inteligente e pessoal de ajudar os usuários a descobrir o conteúdo que eles realmente desejam assistir e mantê-los engajados na plataforma.

Este tutorial explica como a Camila:

• Uma mensagem personalizada disparada quando um usuário termina de assistir a algo
• Recomendações personalizadas de acordo com as preferências do espectador - extraídas automaticamente do catálogo do MovieCanon e inseridas na mensagem

Etapa 1: Criar um modelo de previsão de churn

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

1. No dashboard do Braze, Camila navega até Recomendações de itens de IA.
2. Ela cria uma nova recomendação e a nomeia “Post-viewing suggestions” (Sugestões pós-visualização).
3. Para o tipo de recomendação, ela escolhe IA Personalizada, para que cada usuário veja recomendações personalizadas com base em comportamentos anteriores.
4. Ela seleciona Não recomendar itens com os quais os usuários já interagiram anteriormente para que os usuários não recebam recomendações de algo que já assistiram.
5. Ela seleciona o catálogo que contém a biblioteca de conteúdo atual do MovieCanon. Camila não adiciona uma seleção de catálogo, pois deseja que todos os itens do catálogo sejam itens elegíveis para recomendação.
6. Camila vincula a recomendação ao evento personalizado Watched Content, que rastreia as 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

Depois que a recomendação termina o treinamento, Camila cria um fluxo de envio de mensagens que chega ao usuário no momento certo: imediatamente após ele terminar um título. A mensagem inclui uma lista de três sugestões personalizadas extraídas diretamente do catálogo.

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

4. No corpo da mensagem, Camila usa o modal Add Personalization para adicionar variáveis como o nome, a descrição e a miniatura do título recomendado usando o Liquid, que preenche dinamicamente o conteúdo do catálogo. Ela modelou um atributo personalizado para o site Last Watched Movie para que os usuários saibam que essa recomendação se baseia no histórico de relógios.

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. Em seguida, Camila duplica sua página e incrementa a matriz Liquid ({{ items[0]}} a {{items[1]}}) em cada variável para modelar o próximo item da lista de recomendações.

Etapa 3: Medir e otimizar

Com a campanha ativa, Camila monitora as taxas de abertura, as CTRs e o comportamento de visualização de acompanhamento. Ela compara a performance com campanhas anteriores de recomendação estática e vê um maior engajamento e mais sessões de conteúdo por usuário.

Ela também planeja fazer testes A/B:

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

Ao combinar o envio de mensagens orientado por eventos com recomendações de itens por IA, o Camila transforma a descoberta de conteúdo em uma experiência automática e personalizada. O MovieCanon mantém os usuários engajados sem adivinhações, fornecendo conteúdo relevante no momento certo para aumentar a profundidade da sessão e reduzir o churn.