Cómo usamos aprendizaje automático para crear tasas de conversión de pagos por correo electrónico un 20% más altas

Asegurarse de que un correo electrónico llegue a la bandeja de entrada de su cliente en el momento perfecto es esencial para optimizar las tasas de apertura y aumentar las conversiones de pago. Para encontrar el momento ideal para enviar correos electrónicos de cobranza que inciten a los clientes a actuar y comenzar su proceso de recuperación, InDebted ha lanzado un nuevo modelo de aprendizaje automático. Nuestro modelo de programador de mensajes aprovecha el poder de los datos de compromiso del cliente para proporcionar recomendaciones personalizadas sobre el mejor momento para enviar correos electrónicos, asegurando que no queden ’no leídos’ y que los saldos no permanezcan sin resolver.

Cuando se trata de conversiones por correo electrónico, el tiempo lo es todo

Para entender la correlación entre el momento de envío, la tasa de apertura y las tasas de conversión, analizamos el rendimiento de 2.4 millones de comunicaciones por correo electrónico con clientes durante 3 días. Los datos mostraron que los correos electrónicos abiertos por los clientes dentro de los 30 minutos de ser entregados tenían una tasa de clics y conversión más alta que los correos electrónicos abiertos hasta dos días después de ser entregados. Comprender la correlación entre estos factores clave de éxito significa que optimizar el momento en que un correo electrónico llega a la bandeja de entrada de un cliente mejora la tasa de clics. Más clics significan más conversiones y, en última instancia, recuperaciones más efectivas y rápidas.

Usando ciencia de datos para generar horarios de correo electrónico personalizados

Esto nos dice que la conveniencia del cliente es fundamental. Presionar enviar en campañas de correo electrónico masivas no es suficiente; cada comunicación debe adaptarse a las preferencias individuales de cada cliente para ver un rendimiento de recuperación superior. Así, nuestro nuevo modelo de aprendizaje automático para programador de mensajes está aprendiendo continuamente de diferentes tipos de datos históricos de compromiso del cliente para informar cuándo enviar correos electrónicos en un momento que funcione mejor para cada cliente. Los tipos de datos utilizados incluyen:

• Cuenta: Saldo pendiente, días de atraso, tipo de deuda
• Comportamental: Interacciones previas del cliente, como aperturas de correo electrónico, clics en SMS, desplazamientos en páginas clave y clics en nuestro portal de clientes

Una vez que el modelo ha recibido los datos en bruto, procesa la información para determinar las relaciones entre los diferentes tipos de datos. Esto produce derivaciones de datos que predicen el momento óptimo para enviar correos electrónicos según las características y comportamientos específicos de un cliente individual. Estas derivaciones de datos son únicas y son propiedad de InDebted, ya que incorporan datos históricos de millones de clientes. Debido a la naturaleza de la ciencia de datos, a medida que más clientes son referidos al producto de InDebted, el modelo seguirá aprendiendo y produciendo recomendaciones aún más precisas.

Los datos utilizados para informar nuestros modelos de aprendizaje automático provienen del almacén de datos de InDebted, que actualmente alberga más de 1 mil millones de eventos de compromiso del cliente. Este creciente banco de datos asegura que todos los modelos desarrollados por InDebted estén informados por los comportamientos reales de los clientes en deuda, incluido el modelo de programación de correos electrónicos. Después de que el modelo ha evaluado el perfil y comportamiento de un cliente individual y producido un momento óptimo de envío, simplemente alimenta esta información directamente en nuestro producto inteligente de cobranza de deudas. El producto luego contactará automáticamente al cliente en sus momentos personalizados de envío de correos electrónicos, optimizando la probabilidad de conversión para cada mensaje enviado. Esta integración fluida entre nuestros modelos de aprendizaje automático y nuestro producto Collect significa que utilizar nuestros conocimientos de datos es sin esfuerzo; estableciendo inteligencia automatizada.

Cómo se generan los modelos de aprendizaje automático en InDebted

Aumentando las tasas de conversión en un 20%

La primera generación del programador de mensajes se lanzó en octubre de 2022, y los clientes contactados según las recomendaciones de tiempo del modelo tuvieron una tasa de conversión inicial aumentada de hasta un 15%, en comparación con los clientes que fueron contactados al azar. Curiosamente, cuando se analizó el impacto, también se encontraron vínculos entre la tasa de conversión aumentada y el tipo o la cantidad de deuda.

Después del lanzamiento de la primera versión, se realizaron más mejoras para desarrollar la segunda generación del modelo. Esta segunda versión se lanzó en noviembre de 2022 y ha resultado en un aumento adicional del 5% en las tasas de conversión, lo que resulta en un aumento total de hasta el 20%. El beneficio continuo y a largo plazo del modelo es que seguirá aprendiendo y desarrollándose a partir de nuestro almacén de datos en expansión para volverse aún más inteligente.