Show Menu
主題×

使用人工智慧型電子郵件最佳化設計與傳遞

開始使用人工智慧型電子郵件

使用Campaign,您可以最佳化客戶歷程的設計和傳遞,以預測每個人的參與偏好。 Adobe Campaign採用Journey AI,可根據歷史參與度量來分析和預測開放率、最佳傳送時間和可能的流失率。
機器學習模型
Adobe Campaign Standard提供兩種新的機器學習模型: 預測性傳送時間最佳化 ,預測 性參與計分 。 這兩種模型統稱為Journey AI,這是一類機器學習模型,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 : 預測性傳送時間最佳化可預測每個電子郵件開啟或點按的收件者描述檔的最佳傳送時間。 對於每個收件者描述檔,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。 根據脫離、中度或低度的具體風險,這些概率進一步被分成若干區間。 此外,模型也提供風險百分位數排名,讓客戶瞭解特定客戶與其他客戶的排名。
這項功能無法立即在產品中使用。 實作需要Adobe Consulting參與。 請洽詢您的Adobe代表以瞭解更多資訊。
另外,此功能需要使用客戶必須提供的Azure儲存空間。

預測性傳送時間最佳化

最佳化點按與開啟

預測性傳送時間最佳化可預測每個電子郵件開啟和點按的收件者描述檔的最佳傳送時間。 對於每個收件者描述檔,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」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時間的最佳時機
  • 點按的預測性傳送時間是必須傳送通訊給客戶的最佳時間,才能使點按次數達到最大
模型輸入 : 傳送記錄檔、追蹤記錄檔和描述檔屬性(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
  • 計算一天中的最佳時間,以便在接下來7天內以1小時間隔傳送電子郵件(例如: 上午9:00,上午10:00,上午11:00)
  • 模型會指出未來7天內傳送電子郵件的最佳時間
  • 每個最佳時間計算兩次: 一次,最大化開啟率,一次最大化點按率
  • 會提供16個欄位(一週中的14天,一週中2個):
    • 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的開啟時間——值介於0到23之間
    • 傳送電子郵件以最佳化星期二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週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週日的開啟時間——值介於0到23之間
    • ...
    • 傳送電子郵件以最佳化整周的開啟時間——週一至週日
    • 傳送電子郵件以最佳化整周的開啟時間——值介於0到23之間
這些預測性功能僅適用於電子郵件傳送。
該模型需要至少一個月的資料才能產生顯著結果。

存取個人檔案分數

在實作至Campaign後,機器學習功能便能運用新的標籤,以最佳的開啟/點按分數豐富個人檔案資料。 量度由Journey AI計算,並使用技術工作流程將其匯入Campaign。
若要存取這些量度,您必須:
  1. 開啟描述檔,然後按一下「編輯」按鈕。
  2. 按一下「 傳送時間分數」或「按開 啟傳送時間分數」標籤 ​。
依預設,描述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。

在最佳時機傳送訊息

為了讓電子郵件在每個描述檔的最佳時間外傳,必須使用選項排程傳送 Send at a custom date defined by a formula 。 在本節中瞭解如何計算 傳送日期
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])

資料模型可能會因您的實作而異。

預測性參與計分

預測性參與計分可讓您:
  • 選取對象 : 透過使用查詢活動,您可以選取要參與特定訊息的對象
  • 排除對象 : 透過使用查詢活動,您可以移除對象以取消訂閱
  • 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(開啟或按一下)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 : 此值與當開啟一封電子郵件時,收件者取消訂閱電子郵件頻道的可能性相符。 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,而低價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,則此收件者更可能與品牌保持一致,而取消訂閱的可能性低於所有收件者的95.3%。
這些預測性功能僅適用於電子郵件傳送。
該模型需要至少一個月的資料才能產生顯著結果。
模型輸入 : 傳送記錄檔、追蹤記錄檔和特定描述檔屬性
模型輸出 : 描述描述描述檔分數和類別的描述檔屬性

使用電子郵件渠道的參與分數

若要存取這些量度,您必須:
  1. 開啟描述檔,然後按一下「編輯」按鈕。
  2. 按一下「電 子郵件渠道的參與分數 」標籤。
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觀眾。
例如,使用「保留 級別 」標準: