Adobe Campaign을 사용하면 고객 여정의 디자인과 게재를 최적화하여 각 개인의 참여 선호도를 예측할 수 있습니다. Journey AI를 기반으로 하는 Adobe Campaign은 참여 지표 기록을 기반으로 공개 비율, 최적의 전송 시간, 가능한 이탈률을 분석하고 예측할 수 있습니다.
기계 학습 모델
Adobe Campaign Standard는 예측 전송 시간 최적화과 예측 참여 점수 책정이라는 두 가지의 새로운 기계 학습 모델을 제공합니다. 이 두 가지 모델을 모두 고객 여정의 디자인과 게재에 특화된 기계 학습 모델인 Journey AI라고 합니다.
예측 전송 시간 최적화:예측 전송 시간 최적화는 이메일 열기 또는 클릭에 대한 각 수신자 프로필에 가장 적합한 전송 시간을 예측합니다. 각 수신자 프로필에 대해 점수는 각 평일에 가장 적합한 전송 시간과 가장 좋은 결과를 얻기 위해 가장 적합한 요일을 나타냅니다.
예측 참여 점수 책정:예측 참여 점수 책정에서는. 메시지를 받는 사람이 메시지에 얼마나 관심을 가질 것인지는 물론, 다음 이메일을 보낸 후 7일 이내에 메시지를 옵트 아웃(구독 취소)할 가능성까지 예측합니다. 확률을 비참여, 보통 또는 낮음의 구체적인 위험에 따라 버킷으로 더 나눕니다. 또한 이 모델은 특정 고객이 다른 고객과 비교하여 어떤 등급에 있는지 파악할 수 있도록 위험 백분위수 등급을 제공합니다.
이 기능은 제품의 일부로 기본 제공되지 않습니다. 구현하려면 Adobe Consulting 서비스가 필요합니다. 자세한 내용은 Adobe 담당자에게 문의하십시오.
이 기능을 사용하려면 고객이 제공해야 하는 Azure 또는 Amazon S3 저장소를 사용해야 합니다.
예측 전송 시간 최적화는 이메일 열기 또는 클릭에 대한 각 수신자 프로필에 가장 적합한 전송 시간을 예측합니다. 각 수신자 프로필에 대해 점수는 각 요일에 가장 적합한 전송 시간과 가장 좋은 결과를 얻기 위해 가장 적합한 요일을 나타냅니다.
예측 전송 시간 최적화 모델 내에는 두 개의 하위 모델이 있습니다.
모델 입력:게재 로그, 추적 로그 및 프로필 속성(PII 아님)
모델 출력:메시지를 보내는 최적의 시간(열기 및 클릭)
출력 세부 사항
이러한 예측 기능은 이메일 게재에만 적용됩니다.
모델은 유효한 결과를 얻으려면 적어도 한 달의 데이터가 필요합니다.
Adobe Campaign에 구현되면 기계 학습 기능은 최고의 열기/클릭 스코어를 제공하는 새로운 탭을 통해 프로필 데이터를 보강합니다. 지표는 Journey AI에 의해 계산되며 기술 워크플로우를 사용하여 Campaign으로 가져옵니다.
이러한 지표에 액세스하려면 다음을 수행해야 합니다.
프로필을 열고 편집 단추를 클릭합니다.
클릭별 시간 점수 보내기 또는 열기별 시간 점수 보내기 탭을 클릭합니다.
기본적으로 프로필 점수는 각 요일에 가장 좋은 시간과 해당 주의 가장 좋은 전체 시간을 제공합니다.
이메일이 프로필당 최적의 시간에 발송되도록 하려면 Send at a custom date defined by a formula 옵션을 사용하여 게재를 예약해야 합니다 .
이 섹션에서 전송 날짜를 계산하는 방법을 알아봅니다.
게재를 보낼 특정 날의 최적 시간으로 공식을 채워야 합니다.
공식 예:
AddHours([currentDelivery/scheduling/@contactDate],
[cusSendTimeScoreByClickprofile_link/@EMAIL_BEST_TIME_TO_CLICK_WEDNESDAY])
데이터 모델은 구현에 따라 다를 수 있습니다.
예측 참여 점수 책정을 통해 다음을 수행할 수 있습니다.
이 모델은 여러 점수를 사용하여 다음을 나타냅니다.
이러한 예측 기능은 이메일 게재에만 적용됩니다.
모델은 유효한 결과를 얻으려면 적어도 한 달의 데이터가 필요합니다.
모델 입력:게재 로그, 추적 로그 및 특정 프로필 속성
모델 출력:프로필의 점수 및 카테고리를 설명하는 프로필 속성
이러한 지표에 액세스하려면 다음을 수행해야 합니다.
프로필을 열고 편집 단추를 클릭합니다.
이메일 채널에 대한 참여 점수 탭을 클릭합니다.
워크플로우에서 쿼리 활동을 사용하면 점수를 사용하여 대상을 최적화할 수 있습니다.
예를 들어 보존 수준 기준이 있는 경우는 다음과 같습니다.