Идеи для применения искусственного интеллекта в email-маркетинге

Еще десять лет назад идея внедрения искусственного интеллекта в массовые бизнес-процессы казалась чем-то ненадежным, неэффективным и явно уступающим возможностям человека. Однако что мы видим сегодня: ИИ пишет картины, угадывает, что вы хотели нарисовать по нескольким наброскам, и этим его возможности не ограничиваются.

Напротив — с появлением нейросетей и bigdata открываются новые перспективы, в авангарде которых будет идти именно ИИ. Уже сейчас в описание будущих моделей ведения бизнеса, будь это производственное предприятие или консалтинговая компания, следует закладывать присутствие элементов ИИ.

Email-маркетинг является одной из ниш, в которых ИИ не только желателен, но даже обязателен к внедрению! Большой объем входящих и исходящих данных, «живые» реакции конечных пользователей, возможность отслеживать тенденции и проводить эксперименты, обрабатывать огромные массивы данных – прекрасное подспорье для внедрения и обучения ИИ. Какая от этого польза? Просто вспомните, как изменилась жизнь с появлением компьютеров. Мы уверены, что повсеместное внедрение ИИ в бизнес-процессы будет иметь колоссальный экономический и прогрессивный эффект.

Ниже мы предлагаем рассмотреть области внедрения этих новейших технологий для оптимизации email-маркетинга и повышения эффективности вашего бизнеса в целом.

Применения ИИ в email-маркетинге

1. Reactivation Recommendation

Мы часто задаем себе или слышим от других вопрос “Через сколько времени стоит реактивировать подписчиков или клиентов? И практически всегда в ответ можно получить обобщенную цифру, без учета особенностей работы именно с вашей сферой деятельности и вашими подписчиками.

Для проведения грамотной реактивационной кампании подписчиков необходим четкий набор признаков, алгоритм, по которым становится понятно, что одного клиента надо начинать дергать уже через неделю, другого — через месяц, а третьего — через полгода. Реактивировать надо того, у кого есть достаточно признаков, что мы его теряем.

2. Frequency Recommendation Engine

Теперь обратим внимание на некий фильтр. Представим, что есть правила, на основании которых этот фильтр пропускает либо не пропускает письмо. Критерии могут быть самыми разными, например, клиент уже получал это письмо, либо отписался или пометил как «спам». Именно вычисление этих критериев ложится на плечи AI. Во внимание принимается все, что может послужить точкой входа – предыдущая активность, источник (канал по которому он пришел), тема и категория письма, какие письма на него еще запланированы.

Плюсы?

Скорость – уходим от ручной модели описания стратегии.
Эффективность – не надо делать сегментацию по активности клиента, не будет выжигаться контактая база, лишние триггера не потревожат подписчика.

3. The Product Recommendations

Персональные товарные рекомендации — самая распространенная сфера применения ИИ для увеличения чека. ИИ формирует товарные рекомендации, анализируя поведение пользователей на сайте онлайн-магазина и в интернете. Рекомендации можно добавить в виде дополнительного блока в любой тип письма: регулярную промо рассылку, любое автоматическое триггерное сообщение (письмо-подтверждение заказа, напоминание о забытой корзине, предложение оставить отзыв) или отправить отдельным письмом в любое время или в соответствии со сценарием, который вы настроите.

4. The Order Of Promo Blocks Suggestion

Есть еще один процесс в котором востребован ИИ. Представьте, что у вас есть список товаров для промоции в рассылках и все должны быть тем или иным способом использованы. Одним подписчикам подходят одни товары, другим подписчикам – иные. Газонокосилку вместо планшета мало кто купит.
Помимо этого есть ряд других вопросов — что написать в теме письма? Хорошо бы там перечислить топ 3 предложений, остальные топ 2 в прехедере. Что будет эффективнее — упоминать в теме письма бренд или же категорию товара?
Не секрет, что многое зависит именно от темы письма, определяющей успех открытия. Но и сами предложения наилучшим образом работают в начале списка.

5. Marketing Qualification Recommendation

Определить, какие именно контакты имеют наибольшую ценность как потенциальные покупатели, можно по критериям и признакам, собранным, систематизированным и присвоенным каждому контакту. И речь идет не о таких простых показателях, как особенности прочтения почты клиентом. В качестве примера можно привести аналогию – для IT-компании нужны менеджеры, способные находить оптимальные решения с учетом потребностей клиентов, взаимодействовать с многочисленным коллективом при большой текучке кадров, знающие английский, имеющие управленческий опыт работы от 3 лет за плечами, владеющие одним или несколькими языками программирования. Вот ИИ и должен помочь найти таких, кто нужен.

6. Sales Qualification Recommendation

Эта функция применяется аналогично маркетинговой составляющей, с одной лишь разницей – подписчик уже готов стать покупателем. Признаков, по которым можно сделать вывод что клиент готов к покупке – множество. Просмотр подобных товаров, внимательный осмотр на площадках, чтение отзывов, вопросы в отзывах, реакции на скидки и изучение обзоров на тему желаемой покупки. Все это сигналы к продаже.

7. Customer Lifecycle Optimisation Recommendation

Для успешного продвижения клиента по воронке продаж нужно отправлять целые серии сообщений в разные каналы. При этом возникает множество важных вопросов от которых зависит достижение нужного результата: когда надо отправить первое письмо? В какой канал его отправить, какой подталкивающий “message” нужно использовать в письме? А через сколько последнее письмо отправлять?
Если задаться целью нарисовать схематически со всеми вариациями и разветвлениями, то это это окажется трудоемким процессом. При таких объемах затрат сил и времени речь о поддержке уже не идет. Гораздо удобнее было бы задавать общую картину (этапы, варианты писем и их параметры, возможные каналы общения и т.п.) а весь трудоемкий процесс расчетов и сопоставления данных положить на плечи ИИ.

8. Build Segment by Personas

Используем шаблон покупателя, обладающего всеми подходящими характеристиками, которого назовем идеальным клиентом, далее формируем группу, схожую по поведению и ключевым характеристикам на этот «идеальный контакт». Получаем массив данных об идеальном клиенте, который постоянно пополняется новой информацией и самообучается.

9. Find Unique Group (Clusterization)

Алгоритмически вычисляются группы по набору характеристик и признаков (с использованием нейросети можно и по неявным признакам), отличающиеся от остальных сегментов. После изучения таких групп можно предлагать специальные, более эффективные офферы по сегментам, на которые ранее не обращали внимание.

10. Score Email Copy and Fine Audience

Если вы подготовили предложение либо написали статью, прекрасно подойдет метод, который определит самостоятельно, кому отправить ваше предложение наиболее выгодно. У вас есть возможность задать размер группы, с учетом вашего бюджета или эксклюзивности предложения. Также этот метод поможет увеличить вероятность реакции аудитории на группу, предложив внести изменения в некоторые части сообщения исходя из уже полученных ранее результатов.

11. Personal Content Generator

Метод схож с предыдущим, когда у вас имеется письмо и несколько разных «тем» или форм подачи предложений в письме, и необходимо акцентировать внимание на скидке, популярности либо характеристиках товара каждому клиенту индивидуально. Определение того факта, на чем именно акцентировать внимание каждого клиента, в частном порядке делегируется ИИ.

12. Send Time Optimization (Day of Week and Time)

Тут все просто. Используем ИИ для решения задачи — когда, кому и через какой канал стоит отправить сообщение в рамках указанного временного промежутка так, чтобы эффективность желаемого действия была максимальная.

Как ни крути, а даже самые умные ИИ все равно требуют человеческого вмешательства. Ради этого мы создали целый отдел математиков, которые строят мат. модели, оценивают вероятности и помогают быстро внедрять и тестировать результаты.

Просмотры: (951)