Dans notre série continue sur les recommandations d’apprentissage automatique en temps réel pour le courrier électronique, nous discuterons de l’importance de l’analyse des sentiments dans RealTime pour le courrier électronique. Les premiers retours que nous avons reçus du terrain pour développer un modèle d’analyse des sentiments ont été extraordinaires. Nous souhaitons dans un premier temps analyser pourquoi nous pensons que ce modèle est essentiel, déterminer les composants nécessaires pour fournir des recommandations d’apprentissage automatique en temps réel pour des taux d’engagement plus élevés avant l’envoi de la campagne et adapter le sentiment aux types d’e-mails envoyés par les entreprises.
Analyse des sentiments, prédictions et recommandations
Le modèle d’analyse des sentiments est actuellement le 5ème modèle du portefeuille de recommandations d’e-mails de Loxz et fournit une analyse des sentiments analysée à l’aide de Beautiful Soup à partir des HTML précédents trouvés à partir d’un grand ensemble de données du corps de texte d’une campagne d’e-mail de marketing numérique. L’analyse des sentiments peut également être extraite du module texte de l’éditeur de contenu de votre plateforme. Le modèle fournit des informations prédictives et des recommandations en temps réel sur la mesure de conversion cible ou la variable cible pour laquelle vous souhaitez optimiser et sur la manière dont ce taux de conversion pourrait augmenter considérablement en modifiant le sentiment/le ton de la campagne avant l’envoi. La plupart, sinon la totalité, des modèles sont expliqués et validés avec des scores de précision.
Pourquoi une analyse des sentiments en temps réel dans les e-mails ?
Supposons que vous créez une campagne par e-mail basée sur un webinaire et que vous apportez simplement la touche finale au contenu de l’e-mail avant d’envoyer la campagne. Il est probable que vous n’ayez pas encore intégré les prévisions en temps réel dans votre système, et vous voudrez peut-être savoir comment la campagne va se convertir avec le contenu actuel ? Étant donné que les e-mails basés sur des webinaires doivent bien se convertir, étant donné que votre organisation a investi des ressources et du temps précieux dans la production de webinaires, votre campagne par e-mail doit couvrir de manière optimale. L’utilisation de l’analyse des sentiments vous donne une chance d’obtenir une forte participation au webinaire. En utilisant le modèle de nombre de caractères décrit ici sur CircleID il y a quelques mois, en lançant ou en exécutant simultanément le modèle d’analyse des sentiments, vous pouvez immédiatement trouver des taux d’engagement plus élevés en frappant peut-être un plus urgent Ton. Voici un aperçu d’une sortie proposée :
Analyse du sentiment d’apprentissage automatique en temps réel pour les e-mails Le contenu et, en particulier, le « ton » sont essentiels pour chaque type de campagne par e-mail envoyée. Par exemple, vous souhaiterez peut-être adopter un ton « urgent » avec Séminaire en ligne basé sur un e-mail ou un plus amical manière avec un email de type annonce de produit. Lorsque vous identifiez le type de campagne et lancez-le, le modèle dévorera les données historiques des campagnes précédentes, les fera correspondre à votre variable cible et fournira des informations immédiates sur le sentiment que votre e-mail devrait avoir. Voici quelques composants de ce modèle :
L’ensemble de données
L’ensemble de données que nous avons utilisé pour former le modèle d’analyse des sentiments provient de l’UC Irvine et le modèle a été préparé par Mateo Martinez, Data Scientist chez Loxz Digital Group. L’ensemble de données contient 10 000 lignes de données, y compris du texte et une classification des tons. Les données ont été collectées à l’aide de diverses techniques de web scraping pour créer un ensemble de données équilibré, représentatif des huit classes de sentiments pour lesquelles ce modèle évalue.
L’ensemble de données utilisé pour la partie Predictive Analytics de ce modèle a été conservé à partir du référentiel UC Irvine ML. Cet ensemble de données contient un corpus de six mille lignes de données, contenant le corps du texte de campagnes par e-mail sélectionnées au hasard. Nous avons utilisé un Google Colab Notebook pour développer et exécuter le modèle.
Dans le bloc-notes Data Wrangling, nous avons créé quelques colonnes de données synthétiques pour de nombreuses fonctionnalités supplémentaires typiques d’une campagne par e-mail. Nous avons choisi huit types de tons différents qui, selon nous, pourraient être propices à la rédaction du contenu de votre campagne email.
Types de tons de sentiments sélectionnés :
- Confiant
- Amical
- Joyeux
- Respectueux
- Urgent
- Analytique
- Occasionnel
- Optimiste
Le modèle
L’algorithme utilisé pour Predictive Analytics est un modèle basé sur une arborescence XGBoost qui crée des versions alternatives synthétiques de votre campagne pour déterminer si une itération différente pourrait générer un taux de conversion plus élevé. La partie Analyse des sentiments de ce modèle utilise un Modèle BERT (Bidirectionnel Encoder Representations from Transformers) pour effectuer du NLP et analyse ce texte avec un Flux tensoriel réseau neuronal basé. Les résultats de ce modèle BERT sont des scores d’analyse des sentiments, que je décrirai ci-dessous, ainsi que des recommandations sur le ton avec lequel vos abonnés s’engageraient le plus. Pour une précision accrue, des techniques d’ensemble pourraient être mises en œuvre pour obtenir des scores de précision plus élevés. Étant donné que nous utilisons un ensemble de données fini, nous avons utilisé une approche centrée sur le modèle dans notre formation.
La forme du modèle
Pour déterminer la forme du modèle, nous avons utilisé 150 caractères, qui analysent le texte de manière bidirectionnelle. Remarque : les scores de tonalité sont sur une échelle de 0 à 1, 1 étant le sentiment le plus robuste possible. Nous avons estimé qu’une longueur de 150 caractères était suffisante, mais ce nombre pouvait être augmenté jusqu’à n’importe quel nombre de caractères, par exemple 500. Dans chaque modèle que nous créons, nous évaluons un score de précision, et le modèle produira un résultat de précision une fois les recommandations formulées pour choisir un ton plus précis. La détermination d’utiliser un ton plus urgent dans un e-mail basé sur un webinaire n’était qu’un exemple utilisant les paramètres de sortie générés par cet exemple. N’oubliez pas que les paramètres d’entrée utilisés pour cet exemple incluent, sans s’y limiter :
- Variable cible : taux de clics
- Type de campagne par e-mail : basée sur un webinaire
- Type d’industrie : Logiciels et technologie
Le modèle fournira des recommandations en temps réel basées sur les paramètres d’entrée. N’oubliez pas que votre ton changera à chaque bascule ou modification de ces paramètres d’entrée, et les demandes changeront. Ainsi, si vous préparez un e-mail pour l’industrie automobile, ils voudront peut-être que vous prépariez un e-mail avec un ton plus « amical ou confiant ». Ceci n’est qu’un exemple des nombreux types de modèles de notre portefeuille. Dans un prochain article, et toujours à partir des retours que nous recevons du terrain, nous partagerons un nouveau modèle que nous construisons pour un ESP qui souhaite que nous développions un modèle d’optimisation du temps au niveau de l’abonné individuel, qui est actuellement en cours de formation. Essentiellement, utiliser RealTimeML pour prédire quand un e-mail serait ouvert dans un délai de 15 minutes. Les possibilités et la création de valeur pour vos créateurs de campagnes sont infinies. J’espère que vous avez apprécié ce segment de création et de création de valeur pour vos campagnes de marketing par e-mail à l’aide d’un moteur de recommandation RealTimeML en session.