Utilizzo di un algoritmo evolutivo per ottimizzare la campagna D2C di una banca di consumo
Determinati tempi di consegna delle email portano ad un maggiore coinvolgimento?
Una delle domande più comuni che devono affrontare gli esperti di email marketing è quando inviare le proprie e-mail per massimizzare i tassi di apertura, le percentuali di clic e le conversioni. Non esiste una risposta definitiva a questa domanda, poiché pubblici diversi possono avere preferenze e comportamenti diversi. In che fuso orario si trovano? Quali dispositivi usano per controllare la posta elettronica? Quali sono le loro routine e i loro programmi giornalieri? Quanto spesso controllano le loro e-mail? Questi fattori possono influenzare quando è più probabile che si aprano e interagiscano con le tue email.
Puoi utilizzare strumenti come test A/B o split test per confrontare le prestazioni di diverse campagne email inviate in momenti diversi. Puoi anche utilizzare strumenti di analisi come Google Analytics o Mailchimp per monitorare le metriche delle tue campagne e-mail, come tassi di apertura, percentuali di clic, frequenze di rimbalzo e conversioni. Analizzando i dati, puoi identificare i tempi di consegna ottimali per il tuo pubblico e i tuoi obiettivi.
Quando hai una buona conoscenza delle percentuali di clic e dei tassi di apertura dei tuoi clienti in momenti diversi, il passo successivo è creare un programma di consegna ottimale che massimizzi queste metriche su un segmento senza influenzarli negativamente nell’annullare l’iscrizione, un fenomeno che noi chiama “Fatica” nell’email marketing.
In questo articolo, cercherò di risolvere questo problema di ottimizzazione utilizzando gli algoritmi genetici, una metodologia che non è comunemente utilizzata nello spazio di marketing.
Capisco che gli algoritmi genetici possono essere scoraggianti. Vedremo come è possibile utilizzare semplici manipolazioni di Panda per implementare i concetti fondamentali di questo algoritmo.
Ho presentato la banca ULFC, una banca di consumo fittizia ma popolare, nell’articolo su La prossima migliore azione. In questo sforzo, abbiamo creato un modello di rinforzo che suggerirebbe la migliore offerta successiva da presentare ai clienti ipotecari in base alle loro risposte passate. Detto questo, ora ULFC vuole che il team di data science raccomandi un…
Fonte: towardsdatascience.com
