Comment nous utilisons l'apprentissage automatique pour créer des taux de conversion de paiement par e-mail 20 % plus élevés

S’assurer qu’un e-mail atteigne la boîte de réception de votre client au moment parfait est essentiel pour optimiser les taux d’ouverture et augmenter les conversions de paiement. Pour trouver le moment idéal pour envoyer des e-mails de recouvrement aux clients qui les incitent à agir et à commencer leur parcours de recouvrement, InDebted a lancé un nouveau modèle d’apprentissage automatique. Notre modèle de planificateur de messages exploite la puissance des données d’engagement des clients pour fournir des recommandations personnalisées sur le meilleur moment pour envoyer des e-mails, garantissant qu’ils ne restent pas « non lus » et que les soldes ne restent pas non résolus.

En ce qui concerne les conversions par e-mail, le timing est tout

Pour comprendre la corrélation entre le moment d’envoi, le taux d’ouverture et les taux de conversion, nous avons analysé la performance de 2,4 millions de communications par e-mail avec des clients sur 3 jours. Les données ont montré que les e-mails ouverts par les clients dans les 30 minutes suivant leur livraison avaient un taux de clic et de conversion plus élevé que les e-mails ouverts jusqu’à deux jours après leur livraison. Comprendre la corrélation entre ces facteurs clés de succès signifie qu’optimiser le moment où un e-mail arrive dans la boîte de réception d’un client améliore le taux de clic. Plus de clics signifie plus de conversions et, en fin de compte, des recouvrements plus importants et plus rapides.

Utiliser la science des données pour générer des horaires d’e-mail personnalisés

Cela nous dit que la commodité du client est primordiale. Appuyer sur envoyer lors de campagnes d’e-mails de masse ne suffit pas - chaque communication doit être adaptée aux préférences de chaque client individuel afin de voir une performance de recouvrement supérieure. Ainsi, notre nouveau modèle d’apprentissage automatique de planificateur de messages apprend continuellement à partir de différents types de données d’engagement historique des clients pour informer quand envoyer des e-mails à un moment qui fonctionne le mieux pour chaque client. Les types de données utilisés incluent :

• Compte : Solde impayé, jours de retard, type de dette
• Comportemental : Engagements précédents des clients tels que les ouvertures d’e-mails, les clics sur SMS, les défilements sur des pages clés et les clics dans notre portail client

Une fois que le modèle a reçu les données brutes, il traite les informations pour déterminer les relations entre les différents types de données. Cela produit des dérivations de données qui prédisent le moment optimal d’envoi d’e-mails en fonction des caractéristiques et des comportements spécifiques d’un client individuel. Ces dérivations de données sont uniques et appartiennent à InDebted, car elles intègrent des données historiques provenant de millions de clients. En raison de la nature de la science des données, à mesure que plus de clients sont référés au produit d’InDebted, le modèle continuera d’apprendre et de produire des recommandations encore plus précises.

Les données utilisées pour informer nos modèles d’apprentissage automatique proviennent de l’entrepôt de données d’InDebted, qui abrite actuellement plus de 1 milliard d’événements d’engagement client. Cette banque de données en croissance garantit que tous les modèles développés par InDebted sont informés par les comportements réels des clients en dette, y compris le modèle de planification des e-mails. Après que le modèle a évalué le profil et le comportement d’un client individuel et produit un moment d’envoi optimal, il alimente simplement cette information directement dans notre produit intelligent de collecte de dettes. Le produit contactera alors automatiquement le client à ses moments d’envoi d’e-mails personnalisés, optimisant ainsi la probabilité de conversion pour chaque message envoyé. Cette intégration transparente entre nos modèles d’apprentissage automatique et notre produit Collect signifie que l’utilisation de nos insights de données est sans effort ; établissant une intelligence automatisée.

Comment les modèles d’apprentissage automatique sont générés chez InDebted

Augmenter les conversions de 20 %

La première génération du planificateur de messages a été lancée en octobre 2022, et les clients contactés en fonction des recommandations de timing du modèle ont connu un taux de conversion initial augmenté allant jusqu’à 15 %, par rapport aux clients contactés au hasard. Fait intéressant, lorsque l’impact a été analysé, des liens ont également été trouvés entre l’augmentation du taux de conversion et le type ou le montant de la dette.

Après le lancement de la première version, d’autres améliorations ont été apportées pour développer la deuxième génération du modèle. Cette deuxième version a été publiée en novembre 2022 et a entraîné une augmentation supplémentaire de 5 % des taux de conversion, ce qui a entraîné une augmentation globale allant jusqu’à 20 %. Le bénéfice continu et à long terme du modèle est qu’il continuera d’apprendre et de se développer à partir de notre entrepôt de données en expansion pour devenir encore plus intelligent.