BrazeAI Decisioning Studio™
Empieza a utilizar BrazeAI Decisioning Studio™ (antes OfferFit by Braze) para tomar decisiones de IA 1:1 que maximicen tus métricas empresariales.
¿Qué es BrazeAI Decisioning Studio™?
BrazeAI Decisioning Studio™ sustituye las pruebas A/B por la toma de decisiones con IA que lo personaliza todo y maximiza cualquier métrica: impulsa los dólares, no los clics: con el estudio de toma de decisiones, puedes optimizar cualquier KPI empresarial.
Los agentes de decisión BrazeAI™ descubren automáticamente la acción óptima para cada cliente. Utilizando tus datos propios, BrazeAI™ puede maximizar cualquier KPI empresarial para una amplia gama de casos de uso, incluidas las ventas cruzadas, las ventas adicionales, las recompras, la retención, las renovaciones, los referidos, las devoluciones y mucho más.
El equipo de Servicios Expertos en IA adaptará BrazeAI Decisioning Studio™ a las necesidades específicas de tu empresa. Aunque Decisioning Studio funciona mejor con Braze, ya es compatible con otras plataformas. Para saber más, reserva una llamada con Braze.
Características principales
- Mantén tu pila tecnológica, pero añade un cerebro: BrazeAI™ se conecta como una capa de toma de decisiones entre tus sistemas de datos y tu plataforma de automatización del marketing.
- Elige ganadores por personas, no por segmentos: Utiliza todos tus datos propios para tomar la decisión 1:1 óptima para cada individuo.
- Personalízalo todo: Los agentes de decisión de IA encuentran el mejor mensaje, producto, incentivo, canal, momento y frecuencia para cada cliente.
- Maximiza cualquier métrica: Los clics no son dólares. Utiliza BrazeAI™ para elegir las ofertas o incentivos que maximicen los ingresos, la ganancia, el CLV o cualquier otro KPI empresarial.
- Abre la caja negra: Mira cómo los agentes de toma de decisiones con IA personalizan los datos para obtener información profunda sobre los impulsores del comportamiento del cliente.
Sobre los agentes
Cómo funciona
Un agente es una configuración personalizada de BrazeAI Decisioning Studio™ hecha a medida para cumplir un objetivo de negocio específico.
Por ejemplo, podrías crear un agente de repetición de compra para aumentar las conversiones de seguimiento tras una venta inicial. Tú defines la audiencia y el mensaje en Braze, mientras que el estudio de toma de decisiones ejecuta experimentos diarios, probando automáticamente diferentes combinaciones de ofertas de productos, tiempo de envío de mensajes y frecuencia para cada cliente. Con el tiempo, BrazeAI™ aprende lo que funciona mejor y orquesta envíos personalizados a través de Braze para maximizar las tasas de recompra.
Construir un buen agente consiste en lo siguiente:
- Elegir una métrica de éxito para que BrazeAI™ la optimice, como ingresos, conversiones o ARPU.
- Definir qué dimensiones probar, como la oferta, la línea del asunto, la creatividad, el canal o la hora de envío.
- Seleccionar las opciones para cada dimensión, como correo electrónico frente a SMS, o frecuencia diaria frente a semanal.
Agentes de muestra
Aquí tienes algunos ejemplos de agentes que puedes construir con BrazeAI Decisioning Studio™. Tus agentes de decisión con IA aprenderán de cada interacción con el cliente y aplicarán esas informaciones a las acciones del día siguiente.
| Caso de uso del agente | Objetivo de negocio | Con métodos típicos | Con BrazeAI Decisioning Studio™ |
|---|---|---|---|
| Venta cruzada o venta mejorada | Maximizar los ingresos medios por usuario (ARPU) de las suscripciones a Internet. | Realice campañas anuales ofreciendo a cada cliente el plan de nivel superior. | Descubra empíricamente el mejor mensaje, momento de envío, descuento y plan que ofrecer a cada cliente, aprendiendo qué clientes son susceptibles de recibir ofertas de salto y qué clientes necesitan descuentos u otros incentivos para subir de categoría. |
| Renovación y retención | Garantizar la renovación de los contratos, maximizando tanto su duración como su valor actual neto (VAN). | Realice pruebas A/B manualmente y ofrezca descuentos importantes para conseguir renovaciones. | Utilice la experimentación automatizada para encontrar la mejor oferta de renovación para cada cliente, e identifique a los clientes menos sensibles a los precios y que necesitan descuentos menos importantes para renovar. |
| Compra repetida | Maximizar las tasas de compra y recompra. | Todos los clientes reciben el mismo recorrido después de crear una cuenta en el sitio web (por ejemplo, la misma secuencia de correos electrónicos con la misma cadencia). | Automatice la experimentación para encontrar el mejor elemento del menú que ofrecer a cada cliente, así como la línea de asunto, la hora de envío y la frecuencia de comunicación más eficaces. |
| Winback | Aumenta la reactivación animando a los antiguos suscriptores a volver a suscribirse. | Pruebas A/B y segmentación sofisticadas. | Aprovecha la experimentación automatizada para probar miles de variables a la vez, descubriendo la mejor creatividad, mensaje, canal y cadencia para cada individuo. |
| Referidos | Maximizar las nuevas cuentas abiertas a través de referencias de tarjetas de crédito de empresas de clientes existentes. | Secuencia de correo electrónico fija para todos los clientes, con pruebas A/B exhaustivas para determinar las mejores horas de envío, cadencia, etc. para la población de clientes. | Automatice la experimentación para determinar el correo electrónico, la creatividad, el tiempo de envío y la tarjeta de crédito ideales para ofrecer a clientes específicos. |
| Nutrición y conversión de clientes potenciales | Aumente los ingresos y pague la cantidad correcta por cada cliente. | A medida que cambian las políticas de privacidad en Facebook y otras plataformas, los enfoques anteriores de los anuncios de pago personalizados pierden eficacia. | Aprovecha los sólidos datos propios para experimentar automáticamente con los segmentos de clientes, la metodología de pujas, los niveles de puja y la creatividad. |
| Fidelización y compromiso | Maximiza las compras de los nuevos inscritos en un programa de fidelización de clientes. | Los clientes recibían una secuencia fija de correos electrónicos en respuesta a sus acciones. Por ejemplo, todos los nuevos inscritos en el programa de fidelización reciben el mismo viaje. | Experimenta automáticamente con diferentes ofertas de correo electrónico, tiempos de envío y frecuencias para maximizar la compra y recompra de cada cliente. |
Acerca de los permisos de la clave de API
Durante tu integración de BrazeAI Decisioning Studio™, crearás una clave de API Braze con permisos específicos que definirán las capacidades de tu integración. Consulta la tabla siguiente para saber más sobre cada permiso.
También puedes encontrar esta información en la página de integración de BrazeAI Decisioning Studio™.
| Permiso | Propósito | ¿Es necesario? |
|---|---|---|
/users/track |
Actualiza los atributos personalizados de los perfiles de usuario, además de crear perfiles de usuario temporales cuando se utilizan envíos de prueba. | ✓ |
/users/delete |
Elimina los perfiles de usuario temporales que se crearon mientras se utilizaban los envíos de prueba. | Solo para envíos de prueba |
/users/export/segment |
Actualiza las comunicaciones de audiencia disponibles cada mañana exportando la lista de usuarios de cada segmento seleccionado. | ✓ |
/users/export/ids |
Recupera una lista de identificadores cuando te dirijas a los usuarios utilizando un external_id en lugar de un segmento. Dado que Decisioning Studio no acepta Información de Identificación Personal (PII), tendrás que asegurarte de que tu parámetro fields_to_export devuelva solo campos no PII. |
|
Solo si utilizas external_ids |
||
/messages/send |
Envía variantes recomendadas en el momento recomendado utilizando la API Campañas configuradas para el experimentador de Decisioning Studio. | ✓ |
/campaigns/list |
Recupera la lista de campañas activas y extrae el contenido de correo electrónico disponible para experimentar. | ✓ |
/campaigns/data_series |
Exporta los datos agregados de la campaña para habilitar la elaboración de informes, la validación y la solución de problemas en el estudio de toma de decisiones, para que puedas comparar los valores de los informes y analizar el rendimiento de referencia. Aunque no es obligatorio, este permiso es recomendable. |
|
/campaigns/details |
Recupera el contenido HTML, la línea del asunto y los recursos de imagen de las campañas existentes para experimentar. | ✓ |
/canvas/list |
Recupera la lista de Canvas activos para extraer el contenido de correo electrónico disponible para la experimentación. | ✓ |
/canvas/data_series |
Exporta datos agregados de Canvas para informes y validación, especialmente cuando la BAU se orqueste mediante Canvas. Aunque no es obligatorio, este permiso es recomendable. |
|
/canvas/details |
Recupera el contenido HTML, la línea del asunto y los recursos de imagen de los Canvas existentes para experimentar. | ✓ |
/segments/list |
Recupera todos los segmentos existentes como audiencias objetivo potenciales para el experimentador de Decisioning Studio. | ✓ |
/segments/data_series |
Exporta información sobre el tamaño del segmento, que se muestra en el estudio de decisión al seleccionar una audiencia. | ✓ |
/segments/details |
Recupera los detalles de los segmentos, como los criterios de entrada y salida, para ayudar a comprender los cambios en el tamaño o el rendimiento de la audiencia. | |
/templates/email/create |
Crea copias de plantillas HTML base seleccionadas con marcadores de posición dinámicos (etiquetas de Liquid de Braze) para experimentar, evitando cambios en las originales. | ✓ |
/templates/email/update |
Empuja las actualizaciones a las copias de plantillas creadas por el estudio de decisión cuando cambian los criterios de experimentación, como las llamadas a la acción. | ✓ |
/templates/email/info |
Recupera información sobre las plantillas creadas por el estudio de decisiones en tu instancia de Braze. | ✓ |
/templates/email/list |
Valida que las plantillas se han copiado correctamente en tu instancia de Braze. | ✓ |
Próximos pasos
Ahora que sabes más sobre BrazeAI Decisioning Studio™, estás preparado para los siguientes pasos:
Editar esta página en GitHub