預測性使用者參與能力 journey-ai

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 預測每個收件者設定檔的電子郵件開啟或點按,以及推送訊息開啟的最佳傳送時間。 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:

  • 開啟的預測性傳送時間 是必須傳送通訊給客戶的最佳時機,才能將開啟次數最大化

  • 點按的預測性傳送時間 是將通訊傳送給客戶的最佳時機,以最大化點按次數

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

  • 計算一週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

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:

  1. 開啟設定檔並按一下 Edit 按鈕。

  2. 按一下 Send Time Score By ClickSend Time Score By Open 索引標籤。

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。

在最佳時機傳送訊息 use-predictive-send-time

為了讓電子郵件在每個設定檔的最佳時間點外傳,必須使用選項排程傳送 Send at a custom date defined by a formula.

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,您可以移除更有可能取消訂閱的對象
  • 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與未參與使用者不同的訊息)

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%。
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:

  1. 開啟設定檔並按一下 Edit 按鈕。

  2. 按一下 Engagement Scores for Email Channel 索引標籤。

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對象。 例如,使用​ 保留級別 ​標準:

recommendation-more-help
3ef63344-7f3d-48f9-85ed-02bf569c4fff