Optimalisatie op korte termijn en voorspellende betrokkenheidsscoring optimize-message-delivery
Dankzij AI en computerleren kunnen de Send-Time Optimization en de Predictive Engagement Scoring van Adobe Campaign open tarieven, optimale verzendtijden en waarschijnlijke prijs analyseren en voorspellen op basis van historische betrokkenheidsmetriek.
Adobe Campaign biedt twee nieuwe modellen voor het leren van machines: Voorspelend verzend de Optimalisering van de Tijd en het Voorspelende Score van het Betrokkenheid . Deze twee modellen zijn machine-leert modellen die specifiek voor het ontwerpen en het leveren van betere klantenreizen zijn.
Optimalisatie van verzendtijd predictive-send
De voorspellende voorspellingen van de Optimalisatie van de Send-Time die de beste verzendtijd voor elk ontvangend profiel voor e-mail opent of klikt en voor push-message opent. Voor elk ontvankelijk profiel, wijzen de scores op het beste verzendtijd voor elke weekdag en welke weekdag het beste is om voor beste resultaten te verzenden.
Binnen het Predictive Send-Time Optimization model, zijn er twee submodellen:
-
De voorspelbare verzendtijd voor open is de beste tijd een mededeling naar de klant moet worden verzonden om te maximaliseren opent
-
De voorspelbare verzendtijd voor klikken is de beste tijd een mededeling naar de klant moet worden verzonden om kliks te maximaliseren
ModelInput: Leveringslogboeken, logbestanden bijhouden en profielkenmerken (niet-PII)
Modeluitvoer: Beste tijd om een bericht te verzenden (voor opent en klikt)
Uitvoerdetails:
-
Bereken de beste tijd van de dag om een e-mail voor in de 7 dagen van de week te verzenden met tussenpozen van 1 uur (bijvoorbeeld: 9 :00 am, 10 :00 am, 11 :00 am)
-
Het model geeft de beste dag in de week en het beste uur op die dag aan
-
Elke optimale tijd wordt tweemaal berekend: één keer om de open snelheid te maximaliseren en één keer om de klikfrequentie te maximaliseren
-
Er worden 16 velden gegeven (14 voor de weekdagen en 2 voor de hele week):
- beste tijd om een e-mail te verzenden om te optimaliseren klikt voor maandag - waarden tussen 0 en 23
- De beste tijd voor het verzenden van een e-mail voor optimalisatie wordt geopend voor maandag - waarden tussen 0 en 23
- …
- beste tijd om een e-mail te verzenden om kliks voor zondag - waarden tussen 0 en 23 te optimaliseren
- beste tijd om een e-mail te verzenden om te optimaliseren opent voor Zondag - waarden tussen 0 en 23
- …
- De beste dag voor het verzenden van een e-mail voor optimalisatie wordt geopend voor de hele week - van maandag tot zondag
- beste tijd om een e-mail te verzenden om te optimaliseren opent voor de hele week - waarden tussen 0 en 23
Optimalisatie van de verzendtijd wordt opgeslagen op profielniveau:
Predictieve betrokkenheidsscoring predictive-scoring
Met voorspellende scores voor betrokkenheid voorspelt u de waarschijnlijkheid dat een ontvanger een bericht zal ontvangen en de kans dat hij of zij het abonnement zal opzeggen (zal opzeggen) binnen de volgende 7 dagen na het volgende e-mailbericht. De waarschijnlijkheden worden verder verdeeld in emmers op basis van het verwachte niveau van betrokkenheid bij uw inhoud: hoog, gemiddeld of laag. Deze modellen bieden de klanten ook de percentiele positie van het niet-abonnementsrisico om te begrijpen waar de rang van een bepaalde klant ten opzichte van anderen is.
Met voorspellende betrokkenheidsscoring kunt u:
- selecteer een publiek: door de vraagactiviteit te gebruiken, kunt u het publiek selecteren om met een specifiek bericht in dienst te nemen
- sluit een publiek uit: door de vraagactiviteit te gebruiken, kunt u het publiek verwijderen om af te melden
- personaliseren: personaliseer bericht gebaseerd op niveau van betrokkenheid (zeer betrokken gebruikers krijgen een andere boodschap dan niet-betrokken gebruikers)
Dit model gebruikt meerdere scores om aan te geven:
- Open Score van de Betrokkenheid/klik de Score van de Betrokkenheid: deze waarde komt overeen met de waarschijnlijkheid dat een abonnee een bepaald bericht zal ontvangen (openen of klikken). Waarden kunnen variëren van 0,0 tot 1,0.
- waarschijnlijkheid Unsubscription: deze waarde komt overeen met de kans dat de ontvanger zich afmeldt bij het e-mailkanaal op basis van één e-mailbericht dat is geopend. Waarden kunnen variëren van 0,0 tot 1,0.
- het niveau van het Behoud: met deze waarde worden de gebruikers op drie niveaus gerangschikt : laag, gemiddeld en hoog. Het is zeer waarschijnlijk dat ze bij het merk blijven en de lage waarde zal waarschijnlijk opzeggen.
- Percentiele rang van behoud: profielrang in termen van unsubscription waarschijnlijkheid. Waarden kunnen variëren van 0,0 tot 1,0. Bijvoorbeeld, als de rangorde van het behoudpercentage 0.953 is, is deze ontvanger waarschijnlijker om bij merk te blijven en minder waarschijnlijk om dan 95.3% van alle ontvangers af te melden.
ModelInput: Leveringslogboeken, logbestanden bijhouden en specifieke profielkenmerken
Modeluitvoer: Een profielkenmerk dat de score en categorie van het profiel beschrijft