كيف نستخدم التعلم الآلي لخلق معدلات تحويل المدفوعات عبر البريد الإلكتروني بنسبة 20%

ضمان وصول البريد الإلكتروني إلى صندوق الوارد الخاص بالعميل في توقيت مثالي أمر ضروري لتحسين معدلات الفتح وزيادة تحويل المدفوعات. للعثور على التوقيت المثالي لإرسال رسائل التحصيل للعملاء التي تحثهم على اتخاذ إجراء وبدء رحلة التحصيل، أطلقت InDebted نموذج تعلم آلي جديد. يستفيد نموذج مجدول الرسائل لدينا من قوة بيانات تفاعل العملاء لتقديم توصيات مخصصة حول أفضل وقت لإرسال الرسائل، مما يضمن عدم بقاء الرسائل “غير مقروءة” وعدم بقاء الأرصدة غير مُعالجة.

عندما يتعلق الأمر بتحويلات البريد الإلكتروني، فإن التوقيت هو كل شيء

لفهم العلاقة بين وقت الإرسال، معدل الفتح ومعدلات التحويل، قمنا بتحليل أداء 2.4 مليون تواصل عبر البريد الإلكتروني مع العملاء على مدى 3 أيام. أظهرت البيانات أن الرسائل التي فتحها العملاء خلال 30 دقيقة من تسليمها حققت معدل نقر ومعدل تحويل أعلى من الرسائل التي تم فتحها بعد يومين من تسليمها. إن تقدير العلاقة بين هذه العوامل الرئيسية للنجاح يعني أن تحسين التوقيت الذي تصل فيه الرسالة إلى صندوق الوارد الخاص بالعميل يحسن من معدل النقر. المزيد من النقرات يعني المزيد من التحويلات وفي النهاية استرداد أكبر وأسرع.

استخدام علوم البيانات لتوليد توقيتات بريد إلكتروني مخصصة

هذا يخبرنا أن راحة العملاء هي كل شيء. الضغط على زر الإرسال في حملات البريد الإلكتروني الجماعية ليس كافيًا - يجب أن تكون كل تواصل مخصصًا لتفضيلات كل عميل فردي من أجل رؤية أداء استرداد متفوق. لذلك، فإن نموذج مجدول الرسائل الجديد لدينا يتعلم باستمرار من أنواع مختلفة من بيانات تفاعل العملاء التاريخية ليحدد متى يجب إرسال الرسائل في التوقيت الذي يناسب كل عميل. تشمل أنواع البيانات المستخدمة:

• الحساب: الرصيد المستحق، الأيام المتأخرة، نوع الدين
• السلوكية: تفاعلات العملاء السابقة مثل فتح البريد الإلكتروني، النقرات على الرسائل النصية، التمرير على الصفحات الرئيسية، والنقرات في بوابة العملاء لدينا

بمجرد أن يتلقى النموذج البيانات الخام، يقوم بمعالجة المعلومات لتحديد العلاقات بين أنواع البيانات المختلفة. ينتج عن ذلك استنتاجات بيانات تتنبأ بأفضل وقت لإرسال البريد الإلكتروني وفقًا للخصائص والسلوكيات المحددة لكل عميل. هذه الاستنتاجات فريدة وتعود ملكيتها لـ InDebted، حيث تتضمن بيانات تاريخية من ملايين العملاء. نظرًا لطبيعة علوم البيانات، مع إحالة المزيد من العملاء إلى منتج InDebted، سيتعلم النموذج باستمرار وينتج توصيات أكثر دقة.

تأتي البيانات المستخدمة لإبلاغ نماذج التعلم الآلي لدينا من مستودع بيانات InDebted، الذي يحتوي حاليًا على أكثر من 1 مليار حدث تفاعل مع العملاء. يضمن هذا البنك المتزايد من البيانات أن جميع النماذج التي تم تطويرها بواسطة InDebted مستندة إلى السلوكيات الحقيقية للعملاء المثقلين بالديون، بما في ذلك نموذج جدولة البريد الإلكتروني. بعد أن يقوم النموذج بتقييم ملف وسلوك عميل فردي وإنتاج وقت إرسال مثالي، يتم إدخال هذه المعلومات مباشرة في منتج التحصيل الذكي لدينا. سيتصل المنتج بعد ذلك تلقائيًا بالعميل في أوقات إرسال البريد الإلكتروني المخصصة له، مما يعزز من احتمالية التحويل لكل رسالة مرسلة. تضمن هذه التكامل السلس بين نماذج التعلم الآلي ومنتج Collect لدينا أن استخدام رؤى البيانات لدينا سهل؛ مما يرسخ الذكاء الاصطناعي.

كيف يتم توليد نماذج التعلم الآلي في InDebted

زيادة التحويلات بنسبة 20%

تم إطلاق الجيل الأول من مجدول الرسائل في أكتوبر 2022، وكان العملاء الذين تم الاتصال بهم بناءً على توصيات توقيت النموذج لديهم معدل تحويل أولي مرتفع يصل إلى 15%، مقارنة بالعملاء الذين تم الاتصال بهم بشكل عشوائي. ومن المثير للاهتمام، عند تحليل التأثير، وُجدت أيضًا روابط بين زيادة معدل التحويل ونوع أو مقدار الدين.

بعد إطلاق النسخة الأولى، تم إجراء تحسينات إضافية لتطوير الجيل الثاني من النموذج. تم إصدار هذه النسخة الثانية في نوفمبر 2022 وأسفرت عن زيادة إضافية بنسبة 5% في معدلات التحويل، مما أدى إلى زيادة إجمالية تصل إلى 20%. الفائدة المستمرة والطويلة الأجل للنموذج هي أنه سيستمر في التعلم والتطور من مستودع البيانات المتزايد لدينا ليصبح أكثر ذكاءً.