예측 사용자 참여 기능 journey-ai

Adobe Campaign을 사용하면 고객 여정의 디자인과 게재를 최적화하여 각 개인의 참여 선호도를 예측할 수 있습니다. AI 및 머신 러닝을 기반으로 하는 Adobe Campaign의 전송 시간 최적화 및 예측 참여 점수 책정은 참여 지표 기록을 기반으로 공개 비율, 최적의 전송 시간, 가능한 이탈률을 분석하고 예측할 수 있습니다.

IMPORTANT
이 기능은 제품의 일부로 기본 제공되지 않습니다. 구현하려면 Adobe Consulting 서비스가 필요합니다. 자세한 내용은 Adobe 담당자에게 문의하십시오.

Adobe Campaign은 두 가지 새로운 기계 학습 모델을 제공합니다. 예측 전송 시간 최적화예측 참여 점수 책정. 이 두 가지 모델은 더 나은 고객 여정을 디자인하고 제공하는 데 특화된 머신 러닝 모델입니다.

  • 예측 전송 시간 최적화 ​은(는) 이메일 열기 또는 클릭과 푸시 메시지 열기에 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: 메시지를 받는 사람이 메시지에 얼마나 관심을 가질 것인지는 물론, 다음 이메일을 보낸 후 7일 이내에 메시지를 옵트 아웃(구독 취소)할 가능성까지 예측합니다. 확률은 콘텐츠와의 예측된 참여 수준(높음, 중간 또는 낮음)에 따라 버킷으로 더 나뉩니다. 또한 이러한 모델은 특정 고객이 다른 고객과 비교하여 어떤 등급에 있는지 파악할 수 있도록 구독 취소 위험 백분위수 등급을 제공합니다.

예측 전송 시간 최적화 predictive-send-time

예측 전송 시간 최적화는 이메일 열기 또는 클릭과 푸시 메시지 열기에 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 전송 시간 최적화 모델 내에는 두 개의 하위 모델이 있습니다.

  • 열기에 대한 예측 전송 시간 ​은(는) 열기를 최대화하기 위해 고객에게 커뮤니케이션을 전송해야 하는 최적의 시간입니다.

  • 클릭에 대한 예측 전송 시간 ​은(는) 클릭을 최대화하기 위해 고객에게 커뮤니케이션을 전송해야 하는 최적의 시간입니다.

모델 입력:게재 로그, 추적 로그 및 프로필 속성(PII 아님)

모델 출력:메시지를 보내는 최적의 시간(열기 및 클릭)

출력 세부 사항

  • 1시간 간격(예: 오전 9:00, 오전 10:00, 오전 11:00)으로 주 7일에 대한 이메일을 전송하기 위해 하루 중 가장 적합한 시간을 계산합니다.

  • 이 모델은 가장 적합한 요일과 해당 요일의 가장 적합한 시간을 나타냅니다

  • 각 최적 시간은 한 번은 클릭으로 공개 비율을 최대화하고 한 번은 클릭률을 최대화하는 것으로 총 두 번 계산합니다.

  • 16개의 필드가 제공됩니다(요일 14개, 전체 주 2개).

  • 월요일의 클릭 수를 최적화하기 위해 이메일을 보내는 데 가장 적합한 시간 - 0에서 23 사이의 값

  • 월요일의 열기 수를 최적화하기 위해 이메일을 보내는 데 가장 적합한 시간 - 0에서 23 사이의 값

  • 일요일의 클릭 수를 최적화하기 위해 이메일을 보내는 데 가장 적합한 시간 - 0에서 23 사이의 값

  • 일요일의 열기 수를 최적화하기 위해 이메일을 보내는 데 가장 적합한 시간 - 0에서 23 사이의 값

  • 전체 주의 열기 수를 최적화하기 위해 이메일을 보내는 데 가장 적합한 요일 - 월요일에서 일요일

  • 전체 주의 열기 수를 최적화하기 위해 이메일을 보내는 데 가장 적합한 시간 - 0에서 23 사이의 값

NOTE
모델은 유효한 결과를 얻으려면 적어도 한 달의 데이터가 필요합니다.
이러한 예측 기능은 이메일 및 푸시 채널에만 적용됩니다.

Adobe Campaign에 구현되면 기계 학습 기능은 최고의 열기/클릭 스코어를 제공하는 새로운 탭을 통해 프로필 데이터를 보강합니다. 기술 워크플로우를 사용하여 지표를 계산하고 Campaign으로 가져옵니다.

이러한 지표에 액세스하려면 다음을 수행해야 합니다.

  1. 프로필을 열고 편집 단추를 클릭합니다.

  2. 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.

최적의 시기에 메시지 보내기 use-predictive-send-time

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])

NOTE
데이터 모델은 구현에 따라 다를 수 있습니다.

예측 참여 점수 책정 predictive-scoring

예측 참여 점수 책정은 메시지를 받는 사람이 메시지에 얼마나 관심을 가질 것인지는 물론, 다음 이메일을 보낸 후 7일 이내에 메시지를 옵트 아웃(구독 취소)할 가능성까지 예측합니다.

확률은 콘텐츠와의 예측된 참여 수준(높음, 중간 또는 낮음)에 따라 버킷으로 더 나뉩니다. 또한 이러한 모델은 특정 고객이 다른 고객과 비교하여 어떤 등급에 있는지 파악할 수 있도록 구독 취소 위험 백분위수 등급을 제공합니다.

예측 참여 점수 책정을 통해 다음과 같은 작업을 수행할 수 있습니다.

  • 대상 선택: 쿼리 활동을 사용하여 특정 메시지로 참여할 대상을 선택할 수 있습니다
  • 대상자 제외: 쿼리 활동을 사용하여 구독을 취소할 가능성이 높은 대상자를 제거할 수 있습니다
  • 개인화: 참여 수준에 따라 메시지 개인화(참여도가 높은 사용자가 참여하지 않은 사용자와 다른 메시지를 받게 됨)

이 모델은 여러 점수를 사용하여 다음을 나타냅니다.

  • 열기 참여 점수/클릭 참여 점수:이 값은 구독자가 특정 메시지(열기 또는 클릭)에 참여할 확률과 일치합니다. 값의 범위는 0.0부터 1.0까지입니다.
  • 구독 취소 가능성:이 값은 수신자 받은 하나의 이메일을 열었을 때 이메일 채널에 대해 구독을 취소할 확률과 일치합니다. 값의 범위는 0.0부터 1.0까지입니다.
  • 보존 수준: 이 값은 사용자를 낮음, 중간, 높음의 세 가지 수준으로 분류합니다. 높음은 브랜드를 지속적으로 사용할 확률이 높고 낮음은 구독을 취소할 가능성이 높습니다.
  • 보존의 백분위 등급:구독 취소 가능성에 대한 프로필 순위. 값의 범위는 0.0부터 1.0까지입니다. 예를 들어, 보존 백분위 등급이 0.953이면 이 수신자는 브랜드를 계속 사용할 가능성이 높고 수신자의 95.3%보다 구독을 취소할 가능성이 낮습니다.
NOTE
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.

  1. 프로필을 열고 편집 단추를 클릭합니다.

  2. 이메일 채널에 대한 참여 점수 탭을 클릭합니다.

워크플로우에서 쿼리 활동을 사용하면 점수를 사용하여 대상자를 최적화할 수 있습니다. 예를 들어 보존 수준 기준이 있는 경우는 다음과 같습니다.

recommendation-more-help
3ef63344-7f3d-48f9-85ed-02bf569c4fff