Otimização de tempo de envio e pontuação preditiva de engajamento

Alimentada por IA e aprendizado de máquina, a Otimização de tempo de envio e a Pontuação preditiva de engajamento da Adobe Campaign podem analisar e prever taxas abertas, tempos de envio ideais e churn provável de acordo com métricas de engajamento histórico.

A Adobe Campaign oferece dois novos modelos de aprendizado de máquina: Otimização preditiva do tempo de envio e Pontuação preditiva de engajamento. Esses dois modelos são modelos de aprendizado de máquina específicos para projetar e fornecer melhores jornadas ao cliente.

Otimização preditiva do tempo de envio

A Otimização preditiva de tempo de envio prevê qual é o melhor momento de envio para cada perfil de recipient para aberturas ou cliques de email e aberturas de mensagem por push. As pontuações indicam o melhor horário de envio para cada dia da semana e qual o melhor dia para enviar a fim de obter melhores resultados para cada perfil de recipient.

No modelo de Otimização preditiva de tempo de envio, há dois submodelos:

• O tempo preditivo de envio para abrir é o melhor horário para o envio da comunicação ao cliente para maximizar as aberturas

• O tempo preditivo de envio para cliques é o melhor horário para o envio de uma comunicação ao cliente para maximizar os cliques

Entrada do modelo: Logs do delivery, logs de rastreamento e atributos de perfil (não PII)

Saída do modelo: Melhor horário para o envio de uma mensagem (para aberturas e cliques)

Detalhes da saída:

• Calcule o melhor horário do dia para enviar um email nos 7 dias da semana com intervalos de 1 hora (por exemplo: 9h, 10h, 11h)
• O modelo indicará o melhor dia da semana e o melhor horário do dia
• Cada horário ideal é calculado duas vezes: uma vez para maximizar a taxa de abertura e outra para maximizar a taxa de cliques
• São administrados 16 campos (14 para os dias da semana e 2 para a semana inteira):
  • melhor horário para enviar um email para otimizar cliques na segunda-feira – valores entre 0 e 23
  • melhor horário para enviar um email para otimizar as aberturas na segunda-feira – valores entre 0 e 23
  • …
  • melhor horário para enviar um email para otimizar cliques no domingo – valores entre 0 e 23
  • melhor horário para enviar um email para otimizar as aberturas no domingo – valores entre 0 e 23
  • …
  • melhor dia para enviar um email para otimizar as aberturas da semana inteira – de segunda a domingo
  • o melhor horário para enviar um email para otimizar as aberturas da semana inteira – valores entre 0 e 23

A Otimização preditiva do tempo de envio é armazenada no nível do perfil:

Pontuação de envolvimento preditivo

A Pontuação preditiva de engajamento prevê a probabilidade de engajamento de um recipient em uma mensagem, bem como a probabilidade de opt out (cancelamento de inscrição) nos próximos 7 dias após o próximo envio de email. As probabilidades são divididas em grupos de acordo com o nível previsto de engajamento com seu conteúdo: alto, médio ou baixo. Esses modelos também fornecem a classificação do percentil de risco de cancelamento de subscrição para que os clientes entendam onde está a classificação de um determinado cliente em relação a outros.

A pontuação preditiva de engajamento permite:

• Selecionar um público: ao usar a atividade de query, você pode selecionar o público que vai se engajar com uma mensagem específica
• Excluir um público: usando a atividade de query, você pode remover o público para cancelar a inscrição
• Personalizar: personalizar mensagem de acordo com o nível de engajamento (usuários altamente engajados receberão uma mensagem diferente daqueles não engajados)

Este modelo usa várias pontuações para indicar:

• Pontuação de engajamento ao abrir/Pontuação de engajamento ao clicar: esse valor corresponde à probabilidade de um assinante se engajar com uma mensagem específica (abrir ou clicar). Os valores variam de 0,0 a 1,0.
• Probabilidade de cancelamento de inscrição: esse valor corresponde à probabilidade do recipient cancelar a inscrição do canal de email considerando um email aberto. Os valores variam de 0,0 a 1,0.
• Nível de retenção: esse valor classifica os usuários em três níveis: baixo, médio e alto. O alto tem mais probabilidade de adesão à marca, enquanto o baixo provavelmente cancelará a assinatura.
• Classificação de percentual de retenção: Classificação do perfil em termos de probabilidade de cancelamento de assinatura. Os valores variam de 0,0 a 1,0. Por exemplo, se a classificação de porcentagem de retenção for de 0,953, esse recipient terá maior probabilidade de permanecer com a marca e menos probabilidade de cancelar a assinatura do que 95,3% de todos os recipient.

Entrada do modelo: Logs do delivery, logs de rastreamento e atributos específicos do perfil

Saída do modelo: Um atributo de perfil que descreve a pontuação e a categoria do perfil