預測性使用者參與能力

使用 Campaign,您可以最佳化客戶歷程的設計和傳送,以預測每個人的參與偏好。Adobe Campaign的發送時間優化和預測項目評分依靠人工智慧和機器學習來分析和預測開放速率、最佳發送時間和基於歷史項目指標的可能流失。

重要

這項功能無法立即在產品中使用。此實作需要 Adobe Consulting 參與。請洽詢您的 Adobe 代表以瞭解更多資訊。

Adobe Campaign提供了兩種新的機器學習模型: 預測發送時間優化預測性項目評分。 這兩個模型是機器學習模型,專門設計和提供更好的客戶行程。

  • 預測發送時間優化 預測每個收件人配置檔案開啟或按一下電子郵件以及推送消息開啟的最佳發送時間。 對於每個收件者設定檔,分數會指出每個工作日的最佳傳送時間,以及哪個工作日最適合傳送以取得最佳結果。

  • 預測性訂約評分:預測收件人與郵件進行接觸的可能性,以及在下一封電子郵件發送後的7天內選擇退出(取消訂閱)的可能性。 根據對內容的預測接洽級別,這些概率進一步分為時段:高、中或低。 這些模型還為客戶提供了取消訂閱風險百分位排名,以便他們瞭解某個客戶的排名與其他客戶的排名之間的關係。

預測性傳送時間最佳化

預測性發送時間優化預測每個收件人配置檔案開啟或按一下電子郵件以及開啟推送消息的最佳發送時間。 對於每個收件者設定檔,分數會指出每個工作日的最佳傳送時間,以及哪個工作日最適合傳送以取得最佳結果。

在預測發送時間優化模型中,有兩個子模型:

  • 預測性的開啟傳送時間是將通訊傳送至客戶,以最大化開啟的最佳時機

  • 點按的預測性傳送時間是必須傳送通訊給客戶的最佳時機,才能使點按次數達到最大

模型輸入:傳遞日誌、追蹤日誌和設定檔屬性(非 PII)

模型輸出:傳送訊息的最佳時機(針對開啟和點按)

輸出詳細資訊

  • 計算每週7天內以1小時間隔發送電子郵件的最佳時間(例如:上午9:00,上午10:00,上午11:00)

  • 模型會指出當週中最佳的一天,以及當天最佳的小時

  • 每個最佳時間運算兩次:一次為最大化開啟率,另一次為最大化點按率

  • 會提供 16 個欄位(一週中的 14 天與整週中的 2 天):

  • 發送電子郵件以優化星期一的點擊次數的最佳時間 — 值介於0和23之間

  • 發送電子郵件以優化的最佳時間週一開啟 — 值介於0和23之間

  • 發送電子郵件以優化週日點擊量的最佳時間 — 值介於0和23之間

  • 發送電子郵件以優化的最佳時間將在星期日開啟 — 值介於0和23之間

  • 發送電子郵件優化的最佳日期為一週 — 星期一至星期日

  • 發送電子郵件以優化的最佳時間為一週 — 值介於0和23之間

注意

該模型至少需要一個月的資料才能產生顯著的效果。

這些預測功能僅適用於電子郵件和推送渠道。

在實作至 Campaign 以後,機器學習功能便能運用新的索引標籤,以最佳的開啟/點按分數豐富設定檔資料。這些度量是使用技術工作流計算並進入市場活動的。

若要存取這些度量,您必須:

  1. 開啟設定檔並按一下 Edit 按鈕。

  2. 按一下 Send Time Score By ClickSend Time Score By Open 索引標籤。

依預設,設定檔分數會提供一週中每一天的最佳時間,以及一週中最佳的整體時間。

在最佳時機傳送訊息

為了讓電子郵件在每個設定檔的最佳時間點外傳,必須使用選項排程傳送 Send at a custom date defined by a formula

本節中瞭解如何運算傳送日期。

該公式必須填入特定日期的最佳特定時間,才能完成傳送。

公式範例:

AddHours([currentDelivery/scheduling/@contactDate],
[cusSendTimeScoreByClickprofile_link/@EMAIL_BEST_TIME_TO_CLICK_WEDNESDAY])

注意

資料模型可能會因您的實作而異。

預測性參與度評分

預測項目評分可預測收件人與郵件交往的概率,以及在下一封電子郵件發送後的7天內選擇退出(取消訂閱)的可能性。

根據對內容的預測接洽級別,這些概率進一步分為時段:高、中或低。 這些模型還為客戶提供了取消訂閱風險百分位排名,以便他們瞭解某個客戶的排名與其他客戶的排名之間的關係。

預測性項目評分允許您:

  • 選擇受眾:通過使用查詢活動,您可以選擇要與特定消息交互的受眾
  • 排除受眾:通過使用查詢活動,可以刪除更可能取消訂閱的受眾
  • 個性化:根據參與程度對消息進行個性化(高度參與的用戶將得到與未參與的不同的消息)

此模型使用多個分數來指出:

  • 開啟參與分數/按一下參與分數:此值與訂閱者與特定訊息(開啟或點按)互動的可能性相符。值範圍從 0.0 到 1.0。
  • 取消訂閱的可能性:此值與開啟電子郵件時,收件者從電子郵件頻道取消訂閱的可能性相符。值範圍從 0.0 到 1.0。
  • 保留級別:此值將使用者分為三個層級:低、中、高。高者最有可能與品牌保持一致,而低值者可能會取消訂閱。
  • 保留的百分位數:描述檔排名。值範圍從 0.0 到 1.0。例如,如果保留百分比排名為 0.953,則此收件者教友可能與品牌保持一致,而取消訂閱的可能性則低於所有收件者的 95.3%。
注意

這些預測性功能僅適用於電子郵件傳送。

該模型至少需要一個月的資料才能產生顯著的效果。

模型輸入:傳遞日誌、追蹤日誌和特定設定檔屬性

模型輸出:描述設定檔分數和類別的設定檔屬性

若要存取這些度量,您必須:

  1. 開啟設定檔並按一下 Edit 按鈕。

  2. 按一下 Engagement Scores for Email Channel 索引標籤。

在工作流程中使用查詢活動,您可以使用分數來最佳化您的對象。例如,使用​保留級別​標準:

本頁內容