Jornadas personalizadas em jornadas de experimento
Caminhos Personalizados é semelhante a Variante Personalizada em campanhas e permite que você personalize qualquer ponto de uma jornada de canva para usuários individuais com base na probabilidade de conversão.
Como funcionam os Caminhos Personalizados
Quando a Personalização de Jornadas está ativada em uma etapa da jornada experimental, o comportamento é ligeiramente diferente dependendo se o seu canva está configurado para enviar uma vez ou para se repetir:
- Canva de envio único: Um grupo de usuários é retido em um grupo de postergação. Os usuários restantes passam por um teste inicial para treinar um modelo de sósia por uma duração que você configura—pelo menos 24 horas para melhores resultados. Após o teste, um modelo é criado para aprender quais comportamentos do usuário estavam associados a uma maior probabilidade de conversão em uma determinada jornada. Finalmente, cada usuário no grupo de postergação é enviado pela jornada mais provável de resultar em conversão para eles com base nos comportamentos que exibem e no que o modelo de look-alike aprendeu durante o teste inicial.
- Canvas recorrentes, acionados por ação e acionados por API: Um experimento inicial é realizado em todos os usuários que entram na jornada experimental durante um período especificado. Para manter a integridade do experimento, se um usuário receber várias mensagens antes do término da janela, ele será atribuído à mesma variante cada vez. Após a janela do experimento, cada usuário é enviado pela jornada mais provável de resultar em conversão para eles.
Usando Caminhos Personalizados
Etapa 1: Adicionar uma jornada experimental
Adicione uma jornada experimental ao seu canva, depois ative Jornadas personalizadas.
Etapa 2: Configurar configurações de Caminhos Personalizados
Especifique o evento de conversão que deve determinar o vencedor. Se não houver eventos de conversão disponíveis, volte para a primeira etapa da configuração do Canva e atribua eventos de conversão. Se você escolher um evento de conversão com aberturas ou cliques para determinar o vencedor, então apenas a primeira etapa da jornada que gerar aberturas ou cliques contribuirá para determinar o vencedor. As etapas subsequentes na jornada não são consideradas.
Em seguida, defina a Janela de Experimento. A Janela de Experimento determina quanto tempo os usuários serão enviados por todas as jornadas antes de escolher o melhor caminho para cada usuário no grupo de postergação. A janela começa quando o primeiro usuário entra na etapa.
Etapa 3: Determine fallback
Por padrão, se os resultados do teste não forem suficientes para determinar um vencedor estatisticamente significativo, todos os futuros usuários serão enviados pela única jornada de melhor desempenho.
Alternativamente, você pode selecionar Continue enviando os futuros usuários para essa mistura de jornadas.
Esta opção enviará futuros usuários por uma mistura de jornadas de acordo com as porcentagens especificadas na distribuição da jornada experimental.
Etapa 4: Adicione seus caminhos e lance a canva
Um único componente de jornada experimental pode conter até quatro jornadas. No entanto, para canvas de envio único, você pode adicionar até três jornadas quando Jornadas personalizadas estiverem ativadas. O quarto jornada deve ser reservado para o Grupo de Postergação que a Braze adiciona automaticamente ao seu experimento.
Conclua a configuração do seu canva conforme necessário e, em seguida, inicie-o. Quando o primeiro usuário tiver entrado no experimento, você pode verificar a canva para ver a análise de dados conforme elas chegam e acompanhar a performance do seu experimento.
Quando a janela do experimento passa e o experimento é concluído, a Braze enviará os usuários no grupo de postergação para seus respectivos caminhos com a maior probabilidade personalizada de conversão com base na recomendação do modelo look-alike.
Você pode testar até quatro jornadas em uma única jornada experimental. Adicione suas jornadas e termine de configurar seu canva conforme necessário, depois lance-o.
Quando o primeiro usuário tiver entrado no experimento, você pode verificar a canva para ver a análise de dados conforme elas chegam e acompanhar a performance do seu experimento.
Quando a janela do experimento passa e o experimento é concluído, todos os usuários subsequentes que entrarem na canva serão enviados pelo jornada mais provável de resultar em conversão para eles.
Análise de dados
Se os Caminhos Personalizados estiverem ativados, sua visão de análise de dados será separada em duas guias: Experimento Inicial e Caminhos Personalizados.
A guia Experimento Inicial mostra as métricas para cada jornada durante a janela do experimento. Você pode ver um resumo de como todas as jornadas se saíram para os eventos de conversão especificados.
Por padrão, o teste procura associações entre eventos personalizados do usuário e suas preferências de jornada. Esta análise detecta se eventos personalizados aumentam ou diminuem a probabilidade de responder a uma jornada específica. Esses relacionamentos são então usados para determinar quais usuários são atribuídos a qual jornada após a janela do experimento passar.
Os relacionamentos entre eventos personalizados e preferências de mensagens são exibidos na tabela na guia Experimento Inicial.
Se o teste não conseguir encontrar uma relação significativa entre eventos personalizados e preferências de jornada, o teste recorrerá a um método de análise baseado em sessão.
Método de análise de fallback
Método de análise baseado em sessão
Se o método fallback for usado para determinar Caminhos Personalizados, a Experiência Inicial guia mostra uma análise das variantes preferidas dos usuários com base em uma combinação de certas características.
Essas características são:
- Recência: Quando foi a última vez que tiveram uma sessão
- Frequência: Com que frequência eles têm sessões
- Posse: Há quanto tempo eles são usuários
Pense na {recency} como quão recente foi a última interação deles com você, {frequency} como a frequência com que eles se envolvem e {tenure} como a duração total do tempo que eles têm se envolvido com você. Agrupamos os usuários em “baldes” com base nessas três coisas (conforme explicado na tabela Características dos Usuários) e depois vemos qual balde gosta mais de qual jornada. É como classificar os usuários em centenas de listas diferentes com base em quando eles compraram pela última vez com você, com que frequência compram e há quanto tempo são clientes.
Quando se trata de escolher uma mensagem para um usuário, a Braze examina os grupos nos quais eles se enquadram. Cada bucket exerce uma influência distinta na seleção da jornada dos usuários. Quantificamos essa influência usando um método estatístico chamado regressão logística, que é uma forma de prever comportamentos futuros com base em ações passadas. Este método leva em conta as interações do usuário durante o envio inicial da mensagem. Esta tabela apenas resume os resultados exibindo com qual jornada os usuários em cada grupo tendiam a se envolver.
Em última análise, a Braze combina todos esses dados para selecionar uma jornada de mensagens personalizada para cada usuário, para garantir que seja o mais envolvente e relevante possível para eles.
Os intervalos de tempo para cada bucket são determinados com base em dados de usuários específicos da canva, que podem variar entre canvas.
Como os Caminhos Personalizados são selecionados
Com este método, a mensagem recomendada para um usuário individual é a soma dos efeitos de sua recência, frequência e tempo específicos. Recência, frequência e tempo de serviço são divididos em categorias, conforme ilustrado na tabela de Características do Usuário. O intervalo de tempo de cada bucket é determinado pelos dados dos usuários em cada canva individual e mudará de canva para canva.
Cada bucket pode ter uma contribuição diferente ou “push” para cada jornada. A força do push para cada balde é determinada a partir das respostas dos usuários no experimento inicial usando regressão logística. Esta tabela apenas resume os resultados exibindo com qual jornada os usuários em cada grupo tendiam a se envolver. O caminho personalizado real de qualquer usuário individual depende da soma dos efeitos dos três baldes em que eles estão - um para cada característica.
A guia Jornadas Personalizadas mostra os resultados do experimento final, onde os usuários do Grupo de Postergação foram direcionados para a jornada de melhor desempenho para eles.
As três cartas nesta página mostram sua elevação projetada, resultados gerais e os resultados projetados se você enviasse apenas a jornada vencedora. Mesmo que não haja elevação, o que às vezes pode acontecer, o resultado é o mesmo que enviar apenas a Jornada Vencedora (um teste A/B tradicional).
- Elevação projetada: A melhoria no seu evento de conversão selecionado devido ao uso de Jornadas Personalizadas em vez de enviar todos os usuários pelo caminho de melhor desempenho geral.
- Resultados gerais: Os resultados do segundo envio com base no seu evento de conversão.
- Resultados projetados: Os resultados projetados do segundo envio com base na métrica de otimização escolhida se você tivesse enviado apenas a Variante Vencedora.
Usando Caminhos Personalizados com entrega no horário local
Não recomendamos usar entrega no horário local em canvas com Caminhos Personalizados. Isso ocorre porque as janelas de experimentos começam quando o primeiro usuário passa. Os usuários que estão em fusos horários muito adiantados podem entrar na etapa e disparar o início da janela do experimento muito antes do que você espera, o que pode resultar na conclusão do experimento antes que a maior parte dos seus usuários em fusos horários mais típicos tenham tido tempo suficiente para entrar no canva e converter.
Alternativamente, se você deseja usar a entrega local, use uma janela de experimento de 24-48 ou mais horas. Dessa forma, os usuários em fusos horários iniciais entram na canva e disparam o experimento para começar, mas ainda resta bastante tempo na janela do experimento. Os usuários em fusos horários posteriores ainda terão tempo suficiente para entrar na canva e na etapa do experimento com caminhos personalizados e possivelmente converter antes que a janela do experimento expire.
Editar esta página no GitHub