캠페인에서 예측 기반 코호트를 사용하세요

예측 기반 코호트는 전환 가능성에 따라 사용자의 순위를 매기므로, 이메일, 광고 또는 제품 내 캠페인에서 가장 가능성이 높은 전환자를 타겟팅할 수 있습니다. 예측에서 코호트를 저장한 후 이를 목적지 도구와 동기화하고 확률이 높은 사용자와 낮은 사용자를 다르게 취급하는 캠페인을 구성하십시오.

전환이나 이탈과 같은 미래 이벤트의 모델링된 확률로 사용자를 타겟팅하려는 경우 예측 기반 코호트를 사용하십시오. 사용자가 이미 취한 행동에 따라 사용자를 타겟팅하고 싶다면 대신 행동 코호트를 사용하십시오.

시작하기 전에 기존 예측에서 불러오기 코호트가 필요합니다. 예측을 아직 구축하지 않은 경우 먼저 예측 구축으로 이동하십시오.

예측 기반 코호트는 다음과 같은 세 가지 일반적인 캠페인 유형에서 가장 효과적입니다.

• 포함 기준: 캠페인의 타겟팅 대상과 제외 대상을 결정합니다.
• 동적 가격 책정: 사용자가 높은 LTV 사용자로 성장할 확률에 따라 가격이나 할인을 조정합니다.
• 콘텐츠 개인화: 적절한 사용자에게 적절한 시기에 적절한 콘텐츠를 표시합니다.

포함 기준 캠페인의 경우 전환 가능성이 낮은 사용자를 제외하는 것부터 시작하십시오. 이를 통해 이메일 캠페인의 구독 해지율과 광고의 CPA가 줄어듭니다. 다음으로, 전환 가능성이 가장 높은 사용자를 포함시킵니다. 이를 통해 광고 효율성과 광고율이 최적화됩니다. 마지막으로, 전환에 가까워진 중간 확률의 사용자를 고려하여 증분 전환을 최적화하십시오.

동적 가격 책정 캠페인에서는 역가격 책정을 고려하십시오. 즉, 가능성이 높은 사용자에게는 더 낮은 할인율이나 더 높은 가격을 제공하고, 가능성이 낮은 사용자에게는 더 높은 할인율이나 더 낮은 가격을 제공합니다. 확률이 높은 사용자는 할인 전에 전환할 가능성이 더 높으므로 이들을 할인하면 수익이 감소할 수 있습니다.

콘텐츠 개인화 캠페인에서 예측 코호트는 제품 카테고리에 대한 친화도가 가장 높은 사용자를 식별합니다. 이 정보를 사용하여 해당 사용자에게 콘텐츠 유형을 표시하십시오. 사용자의 요구와 캠페인 목표에 따라 광고, 이메일 또는 온사이트에서 콘텐츠를 개인화할 수 있습니다.

캠페인 설정

캠페인 유형과 채널을 결정한 후 코호트를 동기화하십시오. 코호트를 동기화하고 캠페인을 구성하려면 다음 단계를 따르십시오.

1. 코호트 세부 정보 페이지에서 동기화를 누르고 코호트의 목적지를 선택합니다. 그런 다음 다음을 클릭합니다.

2. 일회성 동기화를 선택하거나 반복 동기화를 예약하십시오. 반복 동기화를 통해 Amplitude는 코호트 내 업데이트된 사용자 확률을 목적지와 데이터 동기화합니다. 그런 다음 동기화를 클릭합니다.

3. 목적지 도구를 열고 동기화된 코호트를 찾으십시오. 각 플랫폼은 동기화된 코호트를 약간 다르게 이해하고 분류합니다.

   • 페이스북에서 동기화된 코호트는 사용자 지정 광고수용자로 표시됩니다.
   • Google에서는 동기화된 코호트가 고객 목록으로 표시됩니다.
   • Braze에서는 동기화된 코호트가 세그먼트 생성 내에서 필터 기준인 "Amplitude 코호트"로 표시됩니다.
   • 이터러블에서는 동기화된 코호트가 사용자 목록으로 나타납니다.

4. 각 사용자 코호트에 대해 별도의 동일한 캠페인을 설정하십시오. 이를 통해 각 코호트에 대한 캠페인의 효과를 개별적으로 측정할 수 있습니다. 예를 들어 두 개의 예측 코호트가 있는 업그레이드 캠페인에서 해당 코호트를 Braze와 동기화하십시오. 관련 업그레이드 메시지가 포함된 Braze의 기존 이메일 캠페인을 선택합니다. 그런 다음 캠페인을 복제하십시오. 한 캠페인은 상위 20% 코호트를 대상으로 하고 다른 캠페인은 나머지 모든 사람들을 대상으로 합니다.

5. 컨트롤 또는 홀드아웃 그룹을 생성합니다. 이 그룹에는 캠페인에 포함되지 않은 사용자가 포함됩니다. 통제 그룹을 사용하면 이메일 캠페인이 캠페인을 하지 않은 경우와 비교하여 구매를 증가시켰는지 여부를 측정할 수 있습니다. 제어 구성은 플랫폼에 따라 다릅니다.

   • Braze: 다변량 테스트.
   • Iterable: A/B 실험.
   • Facebook 광고: 홀드아웃 리프트 테스트.
   • Google Ads: 광고 실험.

캠페인은 실행될 준비가 되었습니다. 1~2주 동안 지속되도록 두십시오. 표본 크기가 작거나 전환율이 낮은 이벤트가 있는 경우 캠페인을 더 오래 실행하여 통계적 유의성에 도달할 가능성을 높이세요.

캠페인 결과를 측정하세요

캠페인이 끝난 후 결과를 분석하십시오. 오픈율, 클릭률, 구독 해지율, 노출수와 같은 최상위 지표의 경우 채널 자체를 사용하십시오. 귀하의 채널은 캠페인 기간 동안 이러한 지표를 집계된 캠페인 수준에서 보고하고 통제 그룹에 비해 상승률을 보여줍니다. 캠페인이 상승을 일으킨 경우 캠페인이나 다른 요인이 상승을 일으켰는지 여부를 평가하십시오.

또한 시간별 캠페인 결과를 분석하거나 다른 속성 창에서 다른 전환 이벤트를 평가하려는 경우 캠페인 지표를 Amplitude로 가져올 수 있습니다. (귀하의 채널은 이러한 종류의 분석을 제공하지 않을 가능성이 큽니다.) Amplitude는 다음과 같은 방법으로 캠페인 데이터를 가져올 수 있습니다.

• Amplitude SDK에서 자동으로 수집한 UTM 파라미터를 모니터링하세요.
• 데이터를 가져오려면 Braze 또는 Iterable과의 양방향 동기화를 설정하십시오.
• 채널에서 컨트롤 및 변형 세그먼트를 다운로드한 다음 CSV 코호트로 Amplitude에 업로드하세요.

캠페인 지표가 Amplitude에 포함된 후에는 먼저 예측 코호트의 행동이 다르게 나타났는지 분석하십시오.

캠페인이 노출한 두 가지 세그먼트를 로드합니다. 상위 20%와 같은 예측 코호트 A와 하위 80%와 같은 예측 코호트 B를 대조해 보십시오. 그런 다음 전환 이벤트에 대한 이벤트 세분화 및 퍼널 차트를 비교하십시오. 코호트는 행동에 약간의 차이를 보여 주어야 합니다.

예를 들어 아래 스크린샷에서 참여 및 전환율은 상위 20% 예측 코호트에서 더 높습니다.

다음으로, 다양한 사용자 그룹이 캠페인에 다르게 반응했는지 분석하십시오.

예측 코호트 A(변형) 대 예측 코호트 A(통제), 예측 코호트 B(변형) 대 예측 코호트 B(통제)의 네 가지 세그먼트를 로드합니다. 각 코호트의 변형과 대조 세그먼트 대상 구간의 전환율 차이를 비교하십시오.

각 세그먼트 집합 대상 구간의 차이는 이메일 캠페인을 수신했을 때와 수신하지 않았을 때의 성과를 나타냅니다. 차이의 차이는 상대적 리프트와 동일합니다. 상대적 상승률에 차이가 있다면 이는 캠페인이 서로 다른 예측 코호트에 대해 서로 다른 영향을 미친다는 것을 의미합니다.

아래 스크린샷에서 예측 코호트 A는 +5% 상승률을 보였지만 예측 코호트 B는 -25% 상승률을 보였습니다. 이는 캠페인이 상위 20%에게는 긍정적인 영향을 미치지만 하위 80%에게는 부정적인 영향을 미친다는 것을 의미합니다. 이러한 결과를 바탕으로 하위 80%에게 이메일을 보내는 것을 중단하십시오.

캠페인 결과에 따라 조치 실행

두 코호트가 유사한 유기적 전환율을 보유하고 있다면 기본 예측 모델에 결함이 있을 수 있습니다. 대부분의 Amplitude 예측은 통계적으로 정확하며, 일반적으로 상위 20% 코호트의 전환율이 더 높을 것으로 예상해야 합니다.

두 코호트 모두가 긍정적인 상승률을 보였을 경우, 캠페인 개입은 전환율에 전반적으로 긍정적인 영향을 미쳤으며 한 집단에 더 큰 영향을 미쳤습니다. 광고 캠페인에서 상승률이 더 낮은 잠재고객에 대한 광고 입찰가를 낮추거나 해당 잠재고객에 대한 광고를 중단하십시오. 이메일 캠페인에서 리프트가 더 높은 잠재고객에게 이메일을 보내는 빈도를 높이십시오. 제품 기반 캠페인에서는 리프트가 더 낮은 잠재고객에게 더 낮은 할인을 제공하십시오.

한 코호트의 리프트가 긍정적이고 다른 코호트의 리프트가 부정적이라면, 부정적인 리프트를 가진 잠재고객에게 이메일을 보내거나, 광고를 하거나, 할인을 제공하거나, 캠페인 경험을 보여주는 것을 중단하십시오.

두 코호트 모두 캠페인에서 리프트가 없거나 부정적인 리프트를 보인다면, 해당 캠페인은 효과가 없거나 적극적으로 전환을 감소시키고 있는 것입니다. 캠페인을 중단한 다음 문제를 파악하십시오. 문제는 채널, 캠페인 콘텐츠, 기본 코호트 정의 또는 이 세 가지 모두의 조합일 수 있습니다.

두 코호트가 비슷한 수준의 상승률을 보인다면 캠페인은 유기적 전환율에 관계없이 모든 사용자에게 동일한 효과를 발휘합니다. 예측 코호트는 증분 이익을 추가하지 않으며, 예측 가능성에 따른 세분화는 이 채널의 이 캠페인에 도움이 되지 않습니다.

모든 시나리오에서 그 결과를 사용하여 다음 캠페인을 개선하십시오. 결과가 예상했던 것과 다르더라도 각 캠페인은 사용자와 채널에 대해 알려줄 수 있습니다.