Usted está aquí:
Tarjeta del modelo de selección y prueba de contenido de Einstein
El modelo de esta tarjeta analiza el desempeño del contenido del mensaje para optimizar la implicación con emails.
- Detalles de modelo
El modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement optimiza la interacción del cliente con el contenido de email utilizando estos algoritmos, parámetros, restricciones de equidad y características de formación. - Uso previsto
El modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement se ha diseñado para estos casos de uso. - Factores relevantes
Estos factores están asociados con el modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement. - Mediciones
Einstein evalúa y monitorea las mediciones de desempeño del modelo para garantizar y mejorar la calidad del mismo. Estas medidas de desempeño están asociadas con el modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement. Corresponde a los clientes monitorear la exactitud de la Selección de contenido de Einstein. - Datos de formación
Tiene una versión personalizada del modelo que se entrenó exclusivamente con sus datos. Los datos de un cliente de Salesforce no afectan al comportamiento con otro cliente de Salesforce. Aunque el entrenamiento del modelo de cada cliente se realiza con sus propios datos, el desarrollo inicial del modelo se valida mediante un conjunto representativo de datos del cliente piloto. - Consideraciones éticas
Revise los factores asociados con el modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement. Para evitar sesgos y otros riesgos éticos, este modelo no incluye datos demográficos. El sesgo se reduce aún más si se entrena el modelo con un calendario de contenido bien diseñado.
Detalles de modelo
El modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement optimiza la interacción del cliente con el contenido de email utilizando estos algoritmos, parámetros, restricciones de equidad y características de formación.
Persona u organización
Salesforce Einstein para Marketing Cloud Engagement
Fecha y versión del modelo
- Agosto de 2020
- Dentro de una misma versión se pueden aplicar cambios secundarios.
- Se pueden aplicar cambios importantes, que se notificarán mediante notas de la versión.
Tipo de modelo
Aprendizaje por refuerzo: algoritmos de bandido multibrazo
Información general
El modelo mide la implicación mediante el índice de clics de apertura (CTOR) en tiempo real y selecciona contenido de imagen cuando se abre el email. A medida que se producen más aperturas, Einstein concede prioridad al contenido con un mejor desempeño, pero el contenido restante sigue utilizándose con índices más bajos. En el algoritmo de bandido multibrazo, las concesiones entre la optimización del contenido con el mejor desempeño y la continuidad del experimento con otros contenidos se denomina "dilema de la exploración-explotación".
Los datos de cada envío o trayectoria son una trayectoria independiente. Los activos con el CTOR más alto se reevalúan en experimentos posteriores.
Al utilizar el modelo en un único envío por lotes, escalone el tiempo de envío para optimizar la fase de explotación. Einstein recopila el mayor número de datos de implicación antes de nuevos eventos de apertura. Para escalonar los envíos automáticamente, utilice Optimización de horas de envío de Einstein.
Si una parte importante de su audiencia utiliza Protección de la privacidad en Mail de Apple, Einstein necesita una mayor cantidad de aperturas de email para poder proporcionar datos de implicación de la audiencia, lo que supone una prolongación de la fase de exploración. La prolongación de la fase podría afectar negativamente a su índice de implicación en comparación con envíos de contenido sin Einstein. Para contrarrestar este efecto, escalone sus envíos.
Para personalizar el contenido en el catálogo Selección de contenido de Einstein, utilice la sincronización de perfiles, los metadatos de contenido y las reglas del atributo Debe coincidir. Estas reglas restringen el contenido del catálogo al que puede exponerse un usuario en el experimento. Si las reglas de personalización eliminan contenido del experimento, el contenido restante con el CTOR más alto será el contenido que se explote.
Licencias
Selección de contenido de Einstein y Pruebas de contenido de Einstein están disponibles para los clientes de Marketing Cloud Engagement con estas ediciones.
- Pro
- Corporate
- Enterprise
- Enterprise+
Uso previsto
El modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement se ha diseñado para estos casos de uso.
Principales casos de uso previsto
- Mejorar la implicación con el email mediante experimentación y optimización para lograr el mejor desempeño del contenido.
- Personalizar y gestionar el contenido seleccionado utilizando las reglas de negocio de Selección de contenido de Einstein.
- Utilizar una estrategia simplificada para el modo de seleccionar el contenido mediante Pruebas de contenido de Einstein. ECT utiliza el mismo algoritmo de Einstein con la prueba A/B/n tradicional, pero simplificada y sin personalización u otras reglas de negocio para gestionar el contenido que se seleccionó.
Casos de uso no previsto
- No utilice Selección de contenido de Einstein o Prueba de contenido de Einstein para contenido de texto en emails o para probar de líneas de asunto, ya que el contenido de Einstein realiza experimentos en el momento de apertura.
- No utilice Selección de contenido de Einstein o Prueba de contenido de Einstein para probar el contenido con el mejor desempeño en distintos envíos o trayectorias.
Factores relevantes
Estos factores están asociados con el modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement.
Entrada del modelo
El modelo de Einstein en el que se basa la selección de contenido y la prueba de contenido analiza el desempeño del contenido para cada envío o trayectoria.
Resultados del modelo
Contenido que se mostrará para un evento de apertura de emails determinado.
Grupos
El modelo no incluye datos demográficos ni otros datos adquiridos a proveedores de datos externos.
Entorno
El modelo está entrenado e implementado en el Implicación entorno de Marketing Cloud Engagement.
Mediciones
Einstein evalúa y monitorea las mediciones de desempeño del modelo para garantizar y mejorar la calidad del mismo. Estas medidas de desempeño están asociadas con el modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement. Corresponde a los clientes monitorear la exactitud de la Selección de contenido de Einstein.
Mediciones de desempeño del modelo
Las mediciones de desempeño del modelo incluyen datos como el índice de clics para abrir (CTOR) y la proporción de clics (CTR). Todos los datos estadísticos se agregan y anonimizan.
Datos de formación
Tiene una versión personalizada del modelo que se entrenó exclusivamente con sus datos. Los datos de un cliente de Salesforce no afectan al comportamiento con otro cliente de Salesforce. Aunque el entrenamiento del modelo de cada cliente se realiza con sus propios datos, el desarrollo inicial del modelo se valida mediante un conjunto representativo de datos del cliente piloto.
Consideraciones éticas
Revise los factores asociados con el modelo de prueba y selección de contenido de Einstein en Marketing Cloud Engagement. Para evitar sesgos y otros riesgos éticos, este modelo no incluye datos demográficos. El sesgo se reduce aún más si se entrena el modelo con un calendario de contenido bien diseñado.
