預測性使用者參與能力 journey-ai

Last update: Fri Jul 19 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

建立對象：

使用 Campaign，您可以最佳化客戶歷程的設計和傳送，以預測每個人的參與偏好。Adobe Campaign的傳送時間最佳化和預測性參與計分功能採用AI和機器學習，可以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。

IMPORTANT

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。

Adobe Campaign提供兩種新的機器學習模型： 預測性傳送時間最佳化 和 預測性參與計分。這兩種模型是機器學習模型，專門用於設計和提供更好的客戶歷程。

預測性傳送時間最佳化 針對電子郵件開啟或點按，以及推送訊息開啟，預測每個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。根據與您內容的預測參與程度，這些機率進一步被分成貯體：高、中或低。這些模型也提供取消訂閱風險百分位數排名，讓客戶瞭解特定客戶的排名與其他客戶的關聯性。

預測性傳送時間最佳化 predictive-send-time

預測性傳送時間最佳化可預測每個電子郵件開啟或點按，以及推播訊息開啟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：

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

NOTE

該模型至少需要一個月的資料才能產生顯著的效果。

這些預測性功能僅適用於電子郵件和推播頻道。

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。系統會使用技術工作流程運算量度，並將其帶入Campaign。

若要存取這些度量，您必須：

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。

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 Send at a custom date defined by a formula 排程傳遞。

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])

NOTE

資料模型可能會因您的實作而異。

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。

根據與您內容的預測參與程度，這些機率進一步被分成貯體：高、中或低。這些模型也提供取消訂閱風險百分位數排名，讓客戶瞭解特定客戶的排名與其他客戶的關聯性。

預測性參與計分可以讓您：

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。
保留層級：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%。

NOTE

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

若要存取這些度量，您必須：

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：

recommendation-more-help

3ef63344-7f3d-48f9-85ed-02bf569c4fff