使用 AI 支援電子郵件最佳化設計與傳送

開始使用 AI 支援電子郵件

使用 Campaign,您可以最佳化客戶旅程的設計和傳送,以預測每個人的參與偏好。Adobe Campaign 採用 Journey AI,可根據歷史參與量度來分析和預測開放率、最佳傳送時間和可能的流失率。

機器學習模型

Adobe Campaign Standard 提供兩種新的機器學習模型: 預測性傳送時間最佳化​以及​預測性參與計分。這兩種模型統稱為 Journey AI,這是機器學習模型的一種類別,專門用於設計和提供更好的客戶旅程。

  • 預測性傳送時間最佳化:預測性傳送時間最佳化可預測每個電子郵件開啟或點按的收件者設定檔的最佳傳送時間。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。

  • 預測性參與計分:預測性參與計分可預測收件者與訊息互動的可能性,以及在下次傳送電子郵件後 7 天內選擇退出(取消訂閱)的可能性。根據脫離、中度或低度的具體風險,這些機率進一步被分成若干貯體。此外,模型也提供風險百分位數排名,讓客戶瞭解特定客戶與其他客戶的排名。

注意

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。

此功能需要使用必須由客戶提供的 Azure 儲存空間。

預測性傳送時間最佳化

最佳化點按與開啟

預測性傳送時間最佳化可預測每個電子郵件開啟和點按的收件者設定檔的最佳傳送時間。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「預測性傳送時間最佳化」的模型中,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

  • 運算一週中 7 天內以 1 小時間隔傳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):
    • 傳送電子郵件以最佳化星期一點按次數的最佳時機 - 值介於 0 到 23 之間
    • 傳送電子郵件以最佳化星期一開啟次數的最佳時機 - 值介於 0 到 23 之間
    • 傳送電子郵件以最佳化星期二點按次數的最佳時機 - 值介於 0 到 23 之間
    • 傳送電子郵件以最佳化星期日點按次數的最佳時機 - 值介於 0 到 23 之間
    • 傳送電子郵件以最佳化星期日開啟次數的最佳時機 - 值介於 0 到 23 之間
    • 傳送電子郵件以最佳化整週開啟次數的最佳時機 - 星期一至星期日
    • 傳送電子郵件以最佳化整週開啟次數的最佳時機 - 值介於 0 到 23 之間
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。

存取設定檔分數

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。度量由 Journey AI 運算,並使用技術工作流程將其匯入 Campaign。

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。在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。

預測性參與計分

預測性參與計分可以讓您:

  • 選取對象:透過使用查詢活動,您可以選取要參與特定訊息的對象
  • 排除對象:透過使用查詢活動,您可以移除對象以取消訂閱
  • 個人化:根據參與程度來個人化訊息(參與度高的使用者會收到不同於未參與使用者的訊息)

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

使用電子郵件通道的參與分數

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