Узнайте, как работает наше решение Best Time To Send Solution, от специалиста по данным, который его разработал, Лизы Орр.
Автор Лиза Орр, старший специалист по данным, Urban Airship
Выяснение того, когда отправлять уведомления, является сложной проблемой. Персонализация опыта для каждого пользователя является сложной задачей, не говоря уже об отправке сообщений с индивидуальным временем для всей аудитории.
Обе проблемы мы решили с помощью нашего Прогнозирующего решения для оптимизации времени отправки. Модель определяет лучшее время на основе индивидуальных шаблонов взаимодействия и предоставляет простой способ отправить лучшее время каждому пользователю за один шаг.
(В основном вручную) способы, которыми бренды пытались предсказать лучшее время для отправки
При построении этой модели мы опросили клиентов об их общих стратегиях взаимодействия, чтобы определить, как они решают, когда лучше всего отправлять сообщения своим пользователям.
Некоторые маркетологи отправляют уведомления в тот момент, когда они заканчивают их составлять, независимо от часового пояса пользователя.
Другие используют свою интуицию, чтобы определить лучшее время для отправки кампании: маркетолог приложения для знакомств запланировал сообщения на 18:00 по местному времени, поскольку это представляет окно, когда люди возвращаются домой с работы и начинают думать о своих потенциальных свиданиях на ночь.
Что касается данных, то мы узнали, что телекоммуникационная компания выбрала лучшее время для каждого человека на основе нескольких правил: отправлять в час, когда они в последний раз видели открытие от пользователя, если только это время не было вне дневного времени; затем отправить в ранний утренний час следующего дня.
Наши беседы показали, что маркетологи хотят больше опираться на данные при принятии решений о времени отправки, но по-прежнему полагаются в основном на интуицию и удобство.
Машинное обучение спешит на помощь
Мы создали модель, которая:
- Подбирает оптимальное время взаимодействия индивидуально для каждого пользователя
- Локализован для часового пояса каждого пользователя
- Расширяется для бездействующих пользователей, и
- Можно использовать как при создании кампаний, так и в наших информационных продуктах.
Наши модели основаны на недавней истории взаимодействия пользователя.
Для начала открытия приложения локализуются в часовом поясе пользователя и объединяются в час за последние 60 дней активности приложения. Лучший час определяется путем достижения баланса между моделями взаимодействия пользователя и обобщенной моделью моделей взаимодействия для всей аудитории приложения.
Модель включает предпочтение дневных часов, чтобы не назначать лучшее время для поздней ночи пользователям, которые могут нечасто взаимодействовать с приложениями поздно ночью. (Однако, если пользователь действительно проводит большую часть своего времени в ночное время, то его персонализированное лучшее время будет приходиться на ночные часы.)
Наша модель также создает обобщенную рекомендацию «лучший час для отправки», которую бренды, как правило, могут использовать для отправки сообщений неактивным или малоактивным пользователям. Общие сводные данные о лучшем времени открываются среди пользователей приложения и выбирают лучший час на основе наиболее частого времени открытия для каждого приложения и операционной системы приложения.
Тестирование и результаты
Чтобы протестировать модель, мы сравнили предсказанное лучшее время с истинным временем открытия для открытых событий, которые произошли после создания модели. Мы сравнили модель наилучшего времени как с базовой моделью (например, лучший час для всех установлен на 12 часов дня), так и с общим лучшим часом (например, лучший час для всех установлен с лучшим часом общей модели).
Мы обнаружили, что персонализированное лучшее время более точно предсказывает час, когда пользователь открывает, чем либо общая модель, либо базовая модель. Он работал лучше, чем как обобщенное лучшее время (в среднем на 52 % выше коэффициент совпадения), так и базовая модель (в среднем на 100 % выше коэффициент совпадения).
Как легко заставить модель работать на вас
Мы хотим упростить получение информации и принятие мер с помощью модели Predictive Send Time Optimization для маркетологов и их аналитических групп:
- Как и в случае с нашей моделью Predictive Churn, мы отправляем еженедельные прогнозы в виде пользовательских тегов, чтобы облегчить интеграцию между выходными данными прогнозной модели и нашими решениями для обработки данных.
- Мы упрощаем планирование сообщений с помощью Predictive Send Time Optimization.
- Мы предлагаем простые способы визуализации прогнозов на уровне пользователя.
- Команды аналитиков могут вводить прогностические теги в свои системы с потоковой передачей данных в реальном времени.
- С помощью нашего решения для клиентской аналитики Insight мы обеспечиваем более глубокое погружение в модель, выявляя лучший час для разных аудиторий, поскольку он относится к каждому дню недели и для каждой операционной системы приложения.
С момента запуска мы видели, как крупные ритейлеры, крупная исследовательская фирма и международная медиакомпания внедрили оптимизированные уведомления в свой повседневный рабочий процесс. Мы видели более высокие прямые открытия с оптимизированными отправками и слышали положительные отзывы о том, как этот инструмент экономит время и усилия команд. Один из наших клиентов даже использует прогнозную оптимизацию времени отправки для измерения трафика в своем приложении.
Мы рады услышать об успехе модели в дикой природе и с нетерпением ждем возможности создания дополнительных прогностических инструментов, соответствующих потребностям наших клиентов.
Первоначально опубликовано на www.urbanairship.com.
