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 AI para fornecer conteúdo personalizado e sugestões de produtos nos principais momentos do cliente. Saiba como a lógica de recomendação pode melhorar o envolvimento, 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 selecionados.

O objetivo de Camila é manter os espectadores envolvidos depois que eles terminam de assistir a algo. Historicamente, as mensagens “Talvez você também goste” do MovieCanon eram baseadas em uma ampla correspondência de gênero e enviadas em momentos arbitrários - geralmente horas ou dias após uma sessão. O envolvimento era baixo, e sua equipe sabia que poderia fazer melhor.

Usando as recomendações de itens de 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 envolvidos com a plataforma.

!Mensagem no aplicativo dizendo “A seguir, só para você. Porque você assistiu a “Nomads of the Sun”, com uma imagem, nome do título, descrição e CTA para “Assistir agora” ou “Pular” para a próxima recomendação.

Este tutorial explica como a Camila:

• Uma mensagem personalizada acionada 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 rotatividade

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 painel 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 AI Personalized, 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 qualificados para recomendação.
6. Camila vincula a recomendação ao evento personalizado Watched Content, que rastreia as exibições concluídas, e define o Nome da propriedade como o título do conteúdo.
7. Ela cria a recomendação.

Etapa 2: Configure uma mensagem in-app

Depois que a recomendação termina o treinamento, Camila cria um fluxo 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 aplicativo usando o editor de arrastar e soltar.
2. Ela define o acionador para seu evento personalizado: Watched Content.
3. Ela cria uma mensagem de várias páginas no aplicativo com imagens de título, nomes e uma CTA “Assista agora”.

Modal “Add Personalization” aberto no editor do Braze, com “Item recommendation” selecionado como o tipo de personalização.](/docs/pt-br/assets/img/ai_use_cases/recommendation_add_personalization.png?638715648a730891ad522fe4c6694cb2)

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 criou um atributo personalizado para o site Last Watched Movie para que os usuários saibam que essa recomendação se baseia no histórico de relógios.

Editor de mensagens no aplicativo com líquido bruto para modelar em campos específicos de itens do catálogo da recomendação.](/docs/pt-br/assets/img/ai_use_cases/recommendation_liquid.png?e41bb8dfb711908205ad375cee7e5395)

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 o desempenho com campanhas anteriores de recomendação estática e vê um maior envolvimento 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 mensagens orientadas por eventos com recomendações de itens de IA, o Camila transforma a descoberta de conteúdo em uma experiência automática e personalizada. O MovieCanon mantém os usuários envolvidos sem suposições, fornecendo conteúdo relevante no momento certo para aumentar a profundidade da sessão e reduzir a rotatividade.