Optimering vid sändning och prediktiv poängsättning för engagemang optimize-message-delivery
Med hjälp av AI och maskininlärning kan Adobe Campaign Scoring (Send-Time Optimization) och Predictive Engagement Scoring analysera och förutse öppningsfrekvenser, optimala sändningstider och sannolika bortfall baserat på historiska interaktionsvärden.
Adobe Campaign erbjuder två nya Machine Learning-modeller: Predictive Send Time Optimization and Predictive Engagement Scoring. Dessa två modeller är maskininlärningsmodeller som är specifika för att designa och leverera bättre kundresor.
Prediktiv optimering av sändningstid predictive-send
Med prediktiv optimering av sändningstid förutspås vilken som är den bästa sändningstiden för varje mottagarprofil för e-postöppningar eller -klick och för push-meddelanden-öppningar. För varje mottagarprofil anger poängen den bästa sändningstiden för varje veckodag och vilken veckodag som är bäst att skicka för bästa resultat.
I modellen Predictive Send-Time Optimization finns det två undermodeller:
-
Förutsägbar öppningstid är den bästa tidpunkt då ett meddelande måste skickas till kunden för att maximera öppningen
-
Förutsägbar klickningstid är den bästa tidpunkten då ett meddelande måste skickas till kunden för att maximera klickningarna
Modellindata: Leveransloggar, spårningsloggar och profilattribut (ej PII)
Modellutdata: Bästa tillfället att skicka ett meddelande (för öppningar och klick)
Utdatainformation:
-
Beräkna den bästa tidpunkten på dagen för att skicka ett e-postmeddelande för inom 7 dagar av veckan med 1 timmes intervall (t.ex.: 9:00 am, 10:00 am, 11:00 am)
-
Modellen visar den bästa dagen i veckan och den bästa timmen i den dagen
-
Varje optimal tid beräknas två gånger: en gång för att maximera öppningsfrekvensen och en gång för att maximera klickfrekvensen
-
16 fält ges (14 för veckodagar och 2 för hela veckan):
- det bästa tillfället att skicka ett e-postmeddelande för att optimera klick för måndag - värden mellan 0 och 23
- det bästa tillfället att skicka ett e-postmeddelande för att optimera öppningar för måndag - värden mellan 0 och 23
- …
- det bästa tillfället att skicka ett e-postmeddelande för att optimera klick för söndag - värden mellan 0 och 23
- det bästa tillfället att skicka ett e-postmeddelande för att optimera öppningar för söndag - värden mellan 0 och 23
- …
- den bästa dagen att skicka ett e-postmeddelande för att optimera öppningarna för hela veckan - måndag till söndag
- det bästa tillfället att skicka ett e-postmeddelande för att optimera öppningar för hela veckan - värden mellan 0 och 23
Prediktiv optimering av sändningstid lagras på profilnivå:
Prediktiv poängsättning av engagemang predictive-scoring
Predictive Engagement Scoring förutser sannolikheten för att en mottagare engagerar sig i ett meddelande samt sannolikheten för att avanmäla sig inom 7 dagar efter nästa e-postutskick. Sannolikheten för detta delas upp ytterligare i grupper efter den förväntade nivån av engagemang i ert innehåll: high, medium eller low. Dessa modeller ger också en percentil för avbruten risk för kunderna för att förstå var en viss kunds rangordning är i förhållande till andra.
Med prediktiv poängsättning för engagemang kan ni:
- Välj en målgrupp: genom att använda frågeaktiviteten kan du välja målgruppen som ska interagera med ett visst meddelande
- Uteslut en målgrupp: genom att använda frågeaktiviteten kan du ta bort målgruppen för att avbryta prenumerationen
- Anpassa: personalisera meddelanden baserat på nivå av engagemang (mycket engagerade användare får ett annat budskap än oengagerade)
I den här modellen används flera poäng för att ange:
- Open Engagement Score/Click Engagement Score: det här värdet matchar sannolikheten för att en prenumerant ska interagera med ett visst meddelande (öppna eller klicka). Värdena kan ligga mellan 0,0 och 1,0.
- Sannolikhet för prenumeration: det här värdet matchar sannolikheten för att mottagaren avbeställer e-postkanalen när ett e-postmeddelande är öppet. Värdena kan ligga mellan 0,0 och 1,0.
- Kvarhållningsnivå: det här värdet rangordnar användare på tre nivåer: låg, medelhög och hög. Hög beständighet mot varumärket och lågt värde som troligen kommer att leda till avbeställning.
- Percentilnivå för kvarhållande: Profilrangordning i termer av sannolikhet för prenumeration. Värdena kan ligga mellan 0,0 och 1,0. Om kundlojaliteten till exempel är 0,953 stannar den här mottagaren troligtvis kvar med varumärket och är mindre benägen att avbryta prenumerationen än 95,3 % av alla mottagare.
Modellindata: Leveransloggar, spårningsloggar och specifika profilattribut
Modellutdata: Ett profilattribut som beskriver profilens poäng och kategori