ユースケース:表示後のドライブコンテンツ検出

このサンプルでは、架空のブランドがBrazeの人工知能アイテムの推奨を使用して、主要な顧客の瞬間にわたってパーソナライズされたな内容と商品提案を提供する方法を示しています。レコメンドロジックがエンゲージメントを改善し、コンバージョンを増やし、手作業の手間を減らす方法について説明します。

例えば、カミラはキュレートd映画と連載を特集したストリーミングプラットフォーム「ムービーキャノン」のCRM マネージャーだとしよう。

カミラの目標は、視聴者が何かを見終わった後も、エンゲージし続けることである。歴史的には、MovieCanonの”メッセージは幅広いジャンルのマッチングに基づいており、しばしばセッションの数時間後または数日後に任意の時間に送信されていました。エンゲージメントは低く、彼女のチームは彼らがもっとうまくやれることを知っていた。

AI Item Recommendationsを使用すると、ユーザーが映画やエピソードを終えた直後に配信される、視聴者の視聴履歴に基づいて自動的に新しいタイトルを推薦する仕組みが設定されます。これは、ユーザーが次に実際に見たい内容を発見し、プラットフォームと関わり続けるのを手助けする、より賢く、より個人的な方法です。

このチュートリアルでは、Camila について説明します。

• ユーザーが何かを見終わったときにトリガーされるパーソナライズされた電文
• ムービーキャノンのカタログから自動的に引き出され、メッセージに挿入される、視聴者の好みに合わせた推薦

ステップ 1: チャーン予測機種の作成

カミラはまず、ユーザーが何かを見終わるたびに、関連する題名を紹介する推薦書を作成することから始める。彼女はダイナミックなであることを望んでいるので、ユーザーは最近見たことに基づいて様々な提案を受けている。

1. Braze ダッシュボードで、カミラはAI Item Recommendations にナビゲートします。
2. 彼女は新しいおすすめを作成し、それに”Post-viewing suggestions”という名前を付けます。
3. レコメンドタイプでは、AI Personalizedを選択するため、それぞれのユーザーは、これまでの行動に基づいてカスタマイズされたレコメンドを表示します。
4. 彼女は以前にとやり取りしたことがあるアイテムをユーザーが推奨しないように選択しているので、すでに見ているものに対する推薦をユーザーは得られません。
5. 彼女は、ムービーキャノンの最新の内容ライブラリーを含むカタログを選択します。カミラはカタログの選択肢を追加しません。なぜなら、彼女はカタログのすべてのアイテムが推薦の対象となることを望んでいるからです。
6. Camilaは、推奨をWatched Contentカスタムイベントにリンクし、完了したビューを追跡し、Property Nameをコンテンツのタイトルに設定します。
7. 彼女は推薦状を作成する。

ステップ 2:アプリ内メッセージの設定

レコメンデーションのトレーニング終了後、カミラはタイトルを終了した直後に、すぐにユーザーに到達するメッセージングの流れを構築します。このメッセージには、カタログから直接的に引き出された3つのパーソナライズされた提案の一覧が含まれます。

1. ドラッグアンドドロップエディタを使用してアプリ内メッセージ キャンペーンを作成します。
2. トリガーをカスタムイベントに設定します。Watched Content。
3. 彼女は、タイトル”画像s、名前、そして「ウォッチ・ナウ」CTAを持つ複数ページのアプリ内メッセージをデザインします。

4. メッセージ本文では、Camilaはカスタマイズモーダルを使用して、推奨タイトルの名前、説明、サムネールなどの変数を、Liquidを使用して追加します。これにより、ダイナミックなはカタログからコンテンツを入力します。彼女はLast Watched Movie のカスタム属性でs をテンプレートし、この推奨事項がユーザーのウォッチ履歴に基づいていることを知らせます。

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].name }}

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].description }}

1
{% assign items = {{product_recommendation.${Post-viewing suggestions}}} %}{{ items[0].thumbnail }}

5. その後、Camilaは自分のページを複製し、各変数のLiquid array ({{ items[0]}} to {{items[1]}}) を増やして、推奨リストの次の項目のテンプレートにします。

ステップ 3:測定と最適化

キャンペーンライブでは、カミラは開封率、CTR、フォローアップ視聴行動を監視します。彼女はパフォーマンスを以前のスタティックレコメンドキャンペーンsと比較し、より高いエンゲージメントとより多くのコンテンツセッションs/ユーザーを見ています。

また、A/Bテストも予定しています。

• タイミング(時計の直後と10分後)
• コンテンツレイアウト(カルーセル対リスト)
• CTAバリエーション(「今すぐ監視」対「キューに追加」)

イベント駆動型のメッセージングをAIアイテムの推奨とペアリングすることで、コンテンツ検出を自動的なパーソナライズされたエクスペリエンスに変換します。映画キヤノンは、セッションの奥行きと解約防止を推進するために、関連する内容を適切な時期に配信することで、推測することなくユーザーをエンゲージし続けています。