Краткий обзор решения по предиктивному таргетингу

Read the full transcript

Сегодня мы рассмотрим новое решение Dynamic Yield по Предиктивному таргетингу. Система машинного обучения, которая помогает маркетологам максимально повысить производительность и доход от их кампаний по персонализации, в то же время сэкономить ценное время и силы. Начать работу с Предиктивным таргетингом очень просто. Давайте бегло посмотрим. В этом примере мы проверим влияние мобильного уведомления на доход. Мы подготовили три теста, каждый – для разных зон мобильного сайта. Каждая настройка выполнена как любое стандартное A/B-тестирование. Мы уже разбили эти тесты по продуктам и страницам категорий, каждая из которых содержит один вариант сообщения и группу управления, которая не будет получать сообщение. Теперь мы заканчиваем тестирование главной страницы. Мы задаем правила выбора цели, подтверждаем наш вариант, устанавливаем распределение трафика, выбираем наш КИП и запускаем. Алгоритмы Предиктивного таргетинга начинают работать в тот момент, когда запускается любой из тестов. Они работают незаметно, постоянно анализируя производительность всех сегментов трафика для каждого варианта тестирования, определяя оптимальную целевую конфигурацию для выбора вариантов во время тестирования. Теперь, когда наше тестирование в работе, Предиктивный таргетинг может анализировать наши данные в реальном времени. При первой же возможности, Предиктивный таргетинг уведомляет нас по электронной почте, а также в отчетах о тестировании, позволяя нам быстро среагировать. Но прежде, чем мы пойдем дальше, давайте посмотрим на результаты тестов. В отчете о тестировании мы видим полный расклад результатов, где указано, какой вариант сообщений является абсолютным победителем, прогнозируя подъем в 1,8%, если его применить ко всем посетителям, тогда, как Предиктивный таргетинг указывает на возможность персонализации, которая может достичь и более высокого подъема. Согласно данным Предиктивного таргетинга, если это сообщение отправить по всему трафику, кроме сегмента “любителей распродаж”, мы сможем увидеть подъем в 13,6%. Результаты Предиктивного таргетинга показывают, что сегмент “любителей распродаж” является исключением из правил и срабатывает лучше, не получая наше сообщение. Мы можем идти дальше и применить эти рекомендации прямо сейчас, но чтобы персонализация не была “черным ящиком”, мы можем получить доступ к отчету разбивки, в котором показан полный анализ Предиктивного таргетинга. После чего, мы можем задать опцию “Просмотр перед публикацией”, чтобы убедится в том, что все правила выбора цели выполнены корректно. Как видим, новые условия выбора цели те же, что были раньше, с исключением, в виде аудитории “любителей распродаж”. В рамках распределения вариантов, теперь сообщение нацелено на 100% пользователей, которые соответствуют условиям таргетинга. Теперь мы будем смотреть подъем от персонализации.

Ознакомьтесь с реальными примерами использования нового решения Dynamic Yield по предиктивному таргетингу на базе ИИ. Решение позволяет предприятиям автоматически преобразовывать результаты A/B-тестирования в эффективные возможности персонализации.