Os profissionais de advertising and marketing sonham há muito tempo com o envolvimento particular person do cliente, mas criar o quantity de mensagens necessárias para o envolvimento personalizado nesse nível tem sido um grande desafio. Enquanto muitas organizações buscam advertising and marketing mais personalizado, elas geralmente têm como alvo grandes grupos de milhares ou milhões de clientes dentro dos quais ainda existe uma grande quantidade de diversidade. Embora isso seja melhor do que uma abordagem genérica e de tamanho único, as organizações preferem ser mais precisas, se tivessem a largura de banda para se envolver em um nível mais granular.
Como mencionado em nosso weblog anteriorIA generativa pode ajudar a aliviar o desafio de criar conteúdo de advertising and marketing altamente adaptado. Embora a obtenção de um verdadeiro engajamento particular person ainda possa ser difícil devido a algumas das limitações da tecnologia em seu estado atual, a combinação de detalhes do cliente com o conteúdo da amostra e a engenharia rápida inteligente pode ser usada para criar um quantity gerenciável de maneira econômica de variantes personalizadas. A aplicação de modelos independentes para avaliar o conteúdo gerado antes de ele seguir para uma revisão last com um profissional de advertising and marketing experiente pode percorrer um longo caminho para garantir que esse conteúdo de granulação mais fino atenda aos padrões organizacionais, enquanto está sendo alinhado com mais precisão com as necessidades e preferências de um subsegmento específico.
Mas como transformamos isso em um fluxo de trabalho confiável? E criticamente, como levamos todas essas variantes de conteúdo para os clientes pretendidos usando nossas tecnologias de advertising and marketing existentes? Nesta postagem, continuamos a desenvolver o cenário do Guia de presentes de férias introduzido no weblog anterior e demonstramos um fluxo de trabalho de ponta a ponta para entrega de conteúdo baseada em e-mail com Amperidade e Soldarduas plataformas amplamente adotadas na pilha de Martech Enterprise.
Gerando o conteúdo
Em nosso weblog anterior, trabalhamos como criar um rápido capaz de desencadear um modelo de IA generativo para criar uma mensagem de e-mail de advertising and marketing adaptada aos interesses de um subsegmento de público. O immediate empregou uma mensagem de e -mail de amostra para servir como um guia e, em seguida, encarregou o modelo de alterar o conteúdo para ressoar melhor com um público com sensibilidades de preço específicas e preferências de atividade (Figura 1).
Figura 1. O immediate desenvolvido para a criação de um guia de presentes de férias personalizado
Para aplicar esse immediate em escala, precisamos remover elementos específicos do cliente (como subcategoria do produto e preferências de preços neste exemplo) e inserir os espaços reservados onde esses elementos podem ser inseridos conforme necessário, criando um modelo rápido. Detalhes específicos do cliente podem ser inseridos no immediate de modelo (alojado no ambiente de banco de dados) com os detalhes do cliente alojados na plataforma de dados do cliente (CDP).
Como estamos usando a amperidade para o nosso CDP de demonstração, a integração é um processo bastante direto. Usando o Ponte de amperidade Capacidade, construída usando o protocolo de compartilhamento de delta de código aberto suportado pelo ambiente Databricks, simplesmente criamos uma conexão entre as duas plataformas e expôs as informações apropriadas (Figura 2). (As etapas detalhadas na configuração da conexão da ponte são encontradas aqui.)
Figura 2. Um passo a passo de como conectar -se aos Databricks através da ponte de amperidade
Nossa próxima etapa é consultar os dados armazenados no CDP, acessíveis dentro dos Databricks, para reunir detalhes para cada subsegmento. Uma vez definidos, podemos passar as informações associadas a cada uma delas em nosso immediate para gerar mensagens personalizadas. Uma vez persistido, podemos iterar sobre a saída, avaliando cada mensagem gerada em relação a vários critérios antes que o conteúdo e os resultados da avaliação sejam apresentados a um profissional de advertising and marketing para revisão e aprovação last (Figura 3).
O resultado last desse processo é uma tabela de variantes de conteúdo, uma para cada combinação de preço preferido e subcategoria do produto, juntamente com uma tabela de saídas de avaliação para cada etapa de avaliação. Os dados agora estão prontos para a revisão do profissional de advertising and marketing.
OBSERVAÇÃO Para uma implementação técnica detalhada do fluxo de trabalho na Figura 3, verifique Este caderno.
Entregando o conteúdo
Com nossas variantes de conteúdo criadas, podemos voltar nossa atenção à entrega. Os detalhes exatos de como seguir esta etapa dependem da plataforma de entrega específica que você está usando. Para nossa demonstração, examinaremos como esse conteúdo pode ser entregue usando o BRAZE, uma plataforma líder de entrega de conteúdo amplamente adotada entre as organizações de advertising and marketing.
Em um nível alto, as etapas envolvidas na entrega deste conteúdo through Braze são as seguintes:
- Empurre variantes de conteúdo para brasar
- Identifique os membros da platéia para receber o conteúdo
- Conecte os membros da platéia com variantes de conteúdo específicas
Empurre variantes de conteúdo para brasar
Dentro do branqueamento, o conteúdo empregado como parte de uma campanha é definido como um Catálogo Braze. Usando Ingestão de dados da nuvem BRAZEesse conteúdo pode ser lido nos Databricks, desde que o conteúdo seja apresentado dentro de uma tabela ou visualização contendo um identificador exclusivo (ID), um campo DateTime indicando quando o conteúdo foi atualizado pela última vez (atualizado_at) e uma carga útil JSON (carga útil) com título e elementos do corpo que serão usados o conteúdo entregue.
Para ilustrar como pode construir esse conjunto de dados, vamos assumir que a saída de nosso fluxo de trabalho de geração de conteúdo (como ilustrado na Figura 4) resultou em uma tabela de conteúdo com a seguinte estrutura, onde preferred_price_point e holida_preferred_subcategory representam os detalhes do subsegmento exclusivos para cada registro na tabela:
Podemos definir uma visão contra esta tabela para estruturá -la para implantação como um catálogo de brasa da seguinte maneira:
No Braze, agora podemos definir um catálogo para este conteúdo (Figura 3).
Figura 3. O catálogo Braze pretendia abrigar nosso conteúdo gerado
Em seguida, configuramos uma sincronização de ingestão de dados em nuvem (CDI), conectando a visualização dos Databricks à estrutura do catálogo Braze e configurá -la para sincronização, garantindo que ela permaneça atualizada (Figura 4).
Figura 4. A SINCIMENTO DE INGESTIÇÃO DE DADOS DA CLOUD (CDI) mapeando o catálogo Braze para a Visualização de Conteúdo dos Databricks
Identifique os membros da platéia
Agora precisamos dos detalhes para os indivíduos a quem pretendemos entregar esse conteúdo. Como nosso objetivo é entregar esse conteúdo por e -mail, precisaremos dos endereços de e-mail dos indivíduos -alvo. Elementos como o primeiro e o sobrenome também podem ser necessários para que o conteúdo possa ser endereçado ao destinatário de uma maneira mais personalizada. E precisaremos de detalhes sobre como os indivíduos estão alinhados com a subcategoria do produto e as preferências de preços. Este último elemento será essencial para conectar os membros da platéia às variações de conteúdo específicas alojadas no catálogo Braze.
Porque estamos usando a amperidade como nosso CDP, empurrar essas informações para Braze é uma questão simples de definir o pool de destinatários como um público e usar o Conector de amperidade Para empurrar esses detalhes (Figura 5).
Conecte os membros da platéia com variantes de conteúdo
Com todos os elementos no Braze, agora podemos conectar membros da platéia com variantes de conteúdo específicas e agendar a entrega. Isso é feito em Braze usando Modelagem líquidauma linguagem de modelo de código aberto desenvolvido por Shopify e escrito em Rudy. Esse idioma é altamente acessível aos profissionais de advertising and marketing e permite definir conteúdo personalizável para distribuição em larga escala.
Começando
O Databricks está sendo cada vez mais usado nas empresas como o hub principal para recursos de dados e análises. Com recursos de IA generativos integrados e altamente extensíveis, bem como uma profunda integração em uma variedade de plataformas complementares, como a plataforma de entrega de conteúdo de amperidade e embrulho, as organizações estão construindo uma ampla gama de aplicativos, como a demonstrada neste weblog com bancos de dados no centro.
Se você quiser saber mais sobre como o Databricks pode ser usado para ajudar suas equipes de advertising and marketing a criar e fornecer conteúdo mais personalizado aos seus clientes, alcançar E vamos discutir as muitas opções disponíveis para o desenvolvimento de soluções usando a plataforma.
Este processo aproveita vários componentes -chave e utiliza o seguinte fluxo de trabalho:
- Estrutura de conteúdo e ingestão
- Ativação do público de amperidade – A amperidade sincroniza o público de usuários para quem o conteúdo foi criado para enfiar para obter uma segmentação precisa.
- Construção de campanhas e modelos de líquido
Etapa 3: Construção de campanhas e modelos de líquido
A fase last envolve a construção da campanha Braze.
Modelagem líquida desempenha um papel elementary aqui, permitindo a inserção dinâmica do conteúdo gerado com base nos atributos do usuário armazenados nos perfis de brasa. Esses atributos, sincronizados através da ativação da amperidade, são referenciados para criar um ID da linha de catálogo correspondente. Esse ID é então usado para buscar e inserir a linha de assunto gerada e a cópia do corpo no e-mail.
3a. Electronic mail Topic Line
Utilizing Liquid filters, we mix the `preferred_price_point` and `holiday_preferred_subcategory` attributes, separated by an underscore, to create a neighborhood `identifier` variable:
Este `identificador ‘gerado dinamicamente é usado para fazer referência ao ID correspondente no catálogo HolidayGenai:
Figura 5. Captura de tela de configurações de envio com líquido
Para um usuário com um `preferred_price_point` de alta e` holida_preferred_subcategory` de caminhada, a saída líquida resultante na linha de assunto do e-mail será derivada do título do merchandise de catálogo correspondente:
Figura 6. Merchandise de catálogo mostrando a linha relevante
3b. Cópia corporal de e-mail
Podemos seguir a mesma abordagem para puxar o conteúdo gerado no corpo do e-mail.
O resultado last é um e-mail que puxa dinamicamente o conteúdo generativo de e-mail, personalizado para o preço e a subcategoria preferidos de cada usuário, gerando melhor engajamento e maiores taxas de conversão.
Figura 7. Captura de tela de e -mail
Este caso de uso pode se expandir ainda mais para incluir a adição de imagens generativas ou mesmo o uso do conteúdo conectado para consultar um terminal de banco de dados diretamente no horário de concessão.
Para uma implementação técnica detalhada do fluxo de trabalho na Figura 3, verifique Este caderno.