傳送時間最佳化和預測性參與計分 optimize-message-delivery
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。
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 predictive-send
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：
-
預測性的開啟傳送時間是將通訊傳送至客戶，以最大化開啟的最佳時機
-
點按的預測性傳送時間是必須傳送通訊給客戶的最佳時機，才能使點按次數達到最大
模型輸入：傳遞記錄、追蹤記錄和設定檔屬性（非PII）
模型輸出：傳送訊息的最佳時機（針對開啟和點按）
輸出詳細資料：
-
運算一週中 7 天內以 1 小時間隔傳送電子郵件的最佳時間（例如：上午 9:00、上午 10:00、上午11:00）
-
模型會指出當週中最佳的一天，以及當天最佳的小時
-
每個最佳時間運算兩次：一次為最大化開啟率，另一次為最大化點按率
-
會提供 16 個欄位（一週中的 14 天與整週中的 2 天）：
- 傳送電子郵件以最佳化星期一點按次數的最佳時機 - 值介於 0 到 23 之間
- 傳送電子郵件以最佳化星期一開啟次數的最佳時機 - 值介於 0 到 23 之間
- …
- 傳送電子郵件以最佳化星期日點按次數的最佳時機 - 值介於 0 到 23 之間
- 傳送電子郵件以最佳化星期日開啟次數的最佳時機 - 值介於 0 到 23 之間
- …
- 傳送電子郵件以最佳化整週開啟次數的最佳時機 - 星期一至星期日
- 傳送電子郵件以最佳化整週開啟次數的最佳時機 - 值介於 0 到 23 之間
預測性傳送時間最佳化儲存在設定檔層級：
預測性參與度評分 predictive-scoring
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：
- 選取客群：透過使用查詢活動，您可以選取要參與特定訊息的客群
- 排除客群：透過使用查詢活動，您可以移除客群以取消訂閱
- 個人化：根據參與程度來個人化訊息（參與度高的使用者會收到不同於未參與使用者的訊息）
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。
- 保留級別：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%。
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