Utilizzando l’IA generativa e i modelli di apprendimento automatico per l’ottimizzazione delle linee oggetto delle email e dei dispositivi mobili

Utilizzando l'IA generativa e i modelli di apprendimento automatico per ottimizzare le linee oggetto delle email e dei dispositivi mobili

Le righe oggetto e i titoli delle email e delle notifiche push svolgono un ruolo importante nel determinare i tassi di coinvolgimento. La comunicazione digitale richiede la capacità di creare righe oggetto coinvolgenti e titoli di notifiche push concisi che catturino l’attenzione dell’utente. I marketer creano righe oggetto basandosi sul tono del messaggio da consegnare e sul pubblico target previsto. Insegnando efficacemente questa abilità e ottimizzandola per la comunicazione digitale, i modelli di intelligenza artificiale generativa offrono una strada entusiasmante per l’automazione di questo processo. L’articolo discute alcuni approcci per creare righe oggetto e messaggi di notifica push efficaci combinandoli con modelli di apprendimento automatico classico per prevedere i tassi di apertura con Generative AI (Large Language Models).

Metodologia

Non si tratta solo di creare righe oggetto accattivanti che i LLM di oggi possono generare facilmente con il prompt giusto. L’obiettivo è generare un candidato ideale per il contesto e il contenuto che spinga il destinatario a cliccare e visualizzare il messaggio. I modelli di apprendimento automatico (ML), in particolare gli algoritmi di foresta casuale, possono prevedere con alta confidenza la probabilità che un destinatario clicchi su un messaggio se vengono addestrati in modo appropriato. Combinando LLM con modelli di ML predittivi, è possibile generare righe oggetto e titoli di notifica push di alta qualità. Di seguito sono riportati alcuni possibili modi.

Approccio 1: Addestrare il modello predittivo di ML estrarre le caratteristiche chiave delle righe oggetto, come lunghezza, complessità linguistica, sentiment e i relativi tassi di apertura (etichette) dai dati di addestramento. Generare più righe oggetto candidate utilizzando un LLM. Il modello di ML può prevedere il tasso di apertura per ciascuna riga oggetto candidata estrarre le caratteristiche chiave e passarle come input. Scegliere la riga oggetto con il tasso di apertura predetto più alto.

Approccio 2: Similmente all’approccio precedente, il modello viene addestrato su messaggi grezzi del dataset e relative etichette di tasso di apertura anziché elaborare il dataset per estrarre le caratteristiche chiave. Utilizzare questo modello addestrato per generare tassi di apertura previsti per la riga oggetto generata dal LLM. Scegliere la riga oggetto con il tasso di apertura predetto più alto.

• Come definire un problema di intelligenza artificiale
• Llama 2 impara a programmare
• Come confrontare un processore quantistico rumoroso con un computer classico

Approccio 3: Questo approccio estende l’Approccio 1. Oltre ad essere addestrato su caratteristiche chiave, il LLM viene anche sintonizzato per generare righe oggetto in base a contenuto dell’email, tassi di apertura, tono (come urgenza, positività, ecc.) e persona del pubblico target (come demografia). Il LLM sintonizzato genera più righe oggetto candidate e il modello di ML predittivo addestrato sulle caratteristiche della riga oggetto sceglie la più efficace tra i candidati

L’idea principale è sfruttare sia le capacità linguistiche del LLM che il potere predittivo di un modello di ML tradizionale utilizzandoli insieme. Il LLM genera candidati, che vengono quindi valutati dal modello di ML.

Approfondiamo l’Approccio 3.

Fase di addestramento

Raccogliere dati per addestrare il modello

Il primo passo consiste nel raccogliere campioni di email e notifiche push per dispositivi mobili. Oltre al contenuto del messaggio, alla riga oggetto, al canale e al tasso di apertura, i dati di addestramento dovrebbero includere anche le etichette di tono e pubblico. Nel dataset, etichettare ogni voce nel seguente modo: contenuto, riga oggetto, titolo push mobile, tipo di canale, tasso di apertura/clic, tono e segmento di pubblico. Nelle messaggistica, il tipo di ‘canale’ si riferisce a un VoAGI attraverso il quale un messaggio o un contenuto viene consegnato. La lunghezza e lo stile ottimali della riga oggetto differiscono tra canali come email e notifiche push per dispositivi mobili.

#Esempio dati di addestramento

Contenuto: Annuncio del nuovo prodotto!
Riga oggetto: Annunciamo il nostro nuovo prodotto XYZ!
Tono: Eccitante
Pubblico: Appassionati di tecnologia
Canale: Email
Tasso di apertura: 0,25

Contenuto: Sconti del Black Friday sono qui!
Titolo: Offerte del Black Friday!
Tono: Urgente
Pubblico: Cacciatori di affari
Canale: Mobile
Tasso di clic: 0,15

Assicurarsi di fornire dati di addestramento sufficienti con etichette di tasso di apertura/clic.

Sintonizza il Large Language Model (LLM)

Sintonizzare il modello LLM in base ai campioni raccolti. Questo lo insegna a generare righe oggetto o titoli basati sul canale. È importante specificare anche il tono e il segmento di pubblico oltre al canale. La generazione del testo si basa non solo sul canale, ma anche sul tono del messaggio e sui destinatari previsti del messaggio. Per sintonizzare il modello, ad esempio, creare un file JSON per il dataset se si utilizza il GPT di OpenAI. Questo file può quindi essere utilizzato per sintonizzare un modello OpenAI utilizzando il comando fine_tunes.create dello strumento CLI di OpenAI.

JSON
{"prompt": "Contenuto: Annuncio del nuovo prodotto! Tono: Eccitante Pubblico: Appassionati di tecnologia Canale: Email", "tasso": "Tasso di apertura: 0,25", "completamento": "Riga oggetto: Annunciamo il nostro nuovo prodotto XYZ!"}
{"prompt": "Contenuto: Sconti del Black Friday sono qui! Tono: Urgente Pubblico: Cacciatori di affari Canale: Mobile", "tasso": "Tasso di clic: 0,15", "completamento": "Titolo: Offerte del Black Friday!"}

Allenare il modello di Machine Learning del Predictor

Dopo l’ottimizzazione del modello LLM, è necessario allenare un modello di Machine Learning per valutare e selezionare le linee oggetto più efficaci. Ciò può essere realizzato utilizzando una varietà di modelli di previsione. L’algoritmo Random Forest può essere utilizzato per prevedere quali linee oggetto avranno il tasso di apertura più alto. Le linee oggetto dal set di dati di allenamento dovranno essere estratte per ottenere le caratteristiche chiave. I vettori di queste caratteristiche chiave possono essere utilizzati per allenare il modello Random Forest.

Estrazione dei Vettori di Caratteristiche Chiave

Per estrarre le caratteristiche chiave, possono essere utilizzate diverse librerie open-source. Per l’estrazione del sentimento, il metodo di sentimento integrato di TextBlob e VADER (Valence Aware Dictionary and Sentiment Reasoner) possono essere utili. TextStat può essere utilizzato per determinare la facilità di lettura, il livello scolastico di Flesch-Kincaid e altre metriche di leggibilità. RAKE (Rapid Automatic Keyword Extraction) può estrarre le parole chiave.

from textblob import TextBlob
import rake
import nltk

def get_features_of_subject_line(text):

  # Lunghezza della Linea Oggetto
  length = len(text)

  # Sentimento
  sentiment = TextBlob(text).sentiment.polarity

  # Corrispondenze delle parole chiave
  keywords_to_match = ["sconto", "nuovo", "caldo", "gratuito"]
  matches = 0
  rake_extractor = rake.Rake()
  keywords = rake_extractor.extract_keywords_from_text(text)
  for kw in keywords:
    if kw in keywords_to_match:
      matches += 1

  # Leggibilità
  readability = nltk.textstat.flesch_reading_ease(text)
  return [length, sentiment, matches, readability]

Per le email, estrarre caratteristiche come la lunghezza, il sentimento, le corrispondenze delle parole chiave e la leggibilità. Le caratteristiche per i dispositivi mobili includono la lunghezza dei caratteri, il tono, le emoji e la segmentazione. La differenza chiave è l’estrazione delle caratteristiche specifiche del canale per tener conto delle differenze stilistiche tra email e dispositivi mobili. Il modello impara a pesare correttamente le caratteristiche per ciascun canale. Ciò consente di ottimizzare la generazione e la selezione della linea oggetto per i vincoli del singolo canale e le aspettative del pubblico.

Diagramma di flusso che illustra i passaggi di allenamento (Immagine dell’autore)

Fase di Previsione

Generare Candidati per la Linea Oggetto

Per generare candidati per la linea oggetto di un nuovo messaggio, inserire il contenuto del messaggio, il canale, il tono desiderato e il segmento di pubblico target nel modello LLM ottimizzato. Specificare il numero di candidati desiderati nella richiesta. Il modello genererà il numero richiesto di candidati utilizzando un linguaggio appropriato per il canale, nel tono specificato e personalizzato per il pubblico target.

Utilizzare il Modello di Previsione Allenato per Scegliere il Miglior Candidato

Il modello di previsione precedentemente allenato può ora essere utilizzato per selezionare la linea oggetto ottimale dai candidati generati dal modello LLM. Per ciascun candidato, vengono estratte le caratteristiche chiave e inserite nel modello per generare le previsioni. Viene scelta la linea oggetto con il punteggio previsto più alto, che ha la probabilità più alta di stimolare il pubblico target a cliccare e aprire il messaggio.

Diagramma di flusso che illustra i passaggi di previsione (Immagine dell’autore)

Passaggi verso la Produttività

Se si sta seriamente considerando la commercializzazione di questo approccio in un prodotto, ci sono alcune aree da esplorare al fine di migliorare l’esperienza dell’utente. Fornire dettagliate informazioni su ciò che potrebbe migliorare o diminuire l’efficacia delle linee oggetto e dei titoli delle notifiche sarebbe particolarmente utile per i marketer mentre modificano/personalizzano le linee oggetto e i titoli generati dall’approccio sopra descritto.

Lunghezza del testo: Suggerimenti per accorciare il testo che supera la lunghezza ottimale per ogni pubblico.

Impatto delle parole chiave: Evidenziare le parole chiave che influenzano i tassi di coinvolgimento e suggerire l’eliminazione delle parole chiave negative mentre si incoraggia l’aggiunta di parole chiave positive.

Utilizzo e frequenza delle parole chiave: Fornire informazioni su come evitare l’affaticamento del pubblico utilizzando le parole chiave con la giusta frequenza.

Casi di Successo Storici: Sulla base dei successi passati, fornire testi simili che hanno suscitato un grande coinvolgimento in passato.

Confronto con i benchmark del settore: I tassi di coinvolgimento previsti possono essere confrontati con i benchmark del settore e suggerite modifiche se viene rilevata una performance inferiore.

Test: Test A/B dei migliori candidati e iterare in base alle prestazioni.

Ciclo di Allenamento: Allenare continuamente il modello su nuovi dati per migliorare le previsioni.

Personalizzazione: Personalizzare le linee oggetto per i singoli abbonati in base al loro coinvolgimento con i messaggi passati.

L’Uomo nel Ciclo: Bilanciare l’AI e l’Intervento Umano

Con l’integrazione dell’AI nelle strategie di marketing, è importante avere il coinvolgimento umano. I marketer dovrebbero essere in grado di revisionare e modificare le righe oggetto o i titoli delle notifiche creati dai modelli prima della distribuzione. Oltre a garantire la qualità e l’appropriatezza della comunicazione, ciò consente anche l’incorporazione di un contributo creativo che il modello potrebbe non essere stato in grado di fornire.

Inoltre, avere un meccanismo di feedback apre la strada al miglioramento e all’apprendimento continui. I dati di coinvolgimento raccolti dopo la distribuzione forniscono preziosi spunti, che vengono quindi reintrodotti nel modello per ulteriori affinamenti. L’anonimizzazione dei dati post-distribuzione prima di utilizzarli per ulteriori affinamenti è fondamentale per garantire la conformità alle leggi sulla privacy dei dati.

Come passo finale, per migliorare l’accuratezza dell’output degli LLM e di altri modelli, la creazione di criteri di controllo e tecniche di fondazione può aiutare i marketer a rimanere conformi dal punto di vista legale, etico e di brand. Questo migliora anche la fiducia e mantiene il collegamento personale al centro di ogni comunicazione, anche quando è guidata dall’IA.

Conclusioni

Si può sfruttare una combinazione di AI Generativa e modelli tradizionali di Machine Learning per creare righe oggetto e titoli di notifiche convincenti. L’AI Generativa può essere tarata per creare righe oggetto basate sul tono e sul pubblico. Modelli predittivi come Random Forest possono essere utilizzati per selezionare la riga oggetto e il titolo più efficaci per massimizzare il coinvolgimento.