Con la nuova release Winter ’27, Personalize Paths è stata aggiunta a Marketing Cloud Next Advanced Edition, andando ad affiancare Path Experiment.
Con Personalize Paths è possibile predisporre più percorsi all’interno di un flow, utilizzare il machine learning per prevedere quale percorso ha maggiori probabilità di portare ciascun cliente alla conversione definita dall’utente, e assegnare i clienti che entrano nel flow al percorso più adatto.
- ※ Winter ’27 è attualmente in preview, quindi le specifiche e la documentazione potrebbero cambiare prima del rilascio ufficiale.
- ※ Trattandosi di una funzionalità di AI predittiva, potrebbe essere più semplice pensarla come Einstein Personalize Paths.
Aggiungere Personalize Paths
Personalize Paths può essere aggiunto dal Flow Builder in Marketing Cloud Next Advanced Edition.
Gli utenti devono disporre del permesso Add Path Experiment Element to Flows, incluso nei permission set Marketing Cloud Admin e Marketing Cloud Manager.
Nelle impostazioni di Personalize Paths, si configurano principalmente:
- Cosa considerare come outcome
- Per quanto tempo il modello deve apprendere
- Quali tipi di percorsi confrontare
Configurare la Performance Metric
Per prima cosa, configuriamo la Performance Metric.
La Performance Metric specifica quale metrica standard o custom engagement signal Personalize Paths deve considerare come indicatore di successo. Questa sezione è simile a quella di Path Experiment.
Sono disponibili immediatamente le seguenti quattro metriche standard:
- Numero di email inviate
- Numero di aperture email
- Numero di click sulle email
- Numero di disiscrizioni
È inoltre possibile selezionare custom engagement signal aggregati utilizzando dati come Product Order, Opportunity e Web Engagement.
Se si imposta il numero di click come Performance Metric, l’outcome per Personalize Paths sarà il numero di click.
Se si imposta Product Order, l’outcome può essere il fatturato oppure il numero di acquisti.
In altre parole, questa impostazione determina:
“Cosa dovrebbero ottimizzare i percorsi per aumentare?”
Nel mio esempio, i percorsi vengono adattati automaticamente in modo da massimizzare il fatturato.
Configurare i Secondary Engagement Signal
Oltre alla Performance Metric, è possibile configurare opzionalmente più Secondary Engagement Signal.
Ad esempio, si potrebbe configurare:
- Performance Metric: Engagement Signal Product Order
- Secondary Engagement Signal: Engagement Signal Add to Cart
In questo caso, mentre il fatturato viene trattato come outcome, anche il comportamento di acquisto legato all’aggiunta di un articolo al carrello può essere utilizzato come informazione di riferimento per la selezione del percorso.
Tuttavia, la logica interna, ad esempio quanto ciascun Engagement Signal influenzi la selezione del percorso all’interno del modello di machine learning, non è stata al momento divulgata. Per questo motivo, credo sia opportuno considerare semplicemente questa funzionalità come la possibilità di aggiungere comportamenti correlati come informazioni aggiuntive utilizzate per decidere quale percorso selezionare.
Configurare il Tempo fino alla Conversione
Successivamente, si configura Amount of Time.
Amount of Time specifica quanto tempo normalmente trascorre dall’ingresso del destinatario nel flow al completamento dell’evento di conversione configurato come Performance Metric.
È possibile selezionare Ore, Giorni o Settimane.
Ad esempio, se i click sulle email sono configurati come Performance Metric e la maggior parte dei destinatari clicca circa un giorno dopo l’invio dell’email, si potrebbe configurare qualcosa come 1 giorno.
Se invece la conversione è rappresentata da un acquisto di prodotto e in genere trascorre circa una settimana dall’ingresso nel flow all’acquisto, si potrebbe configurare qualcosa come 1 settimana.
Il motivo per cui questa impostazione è necessaria è che Personalize Paths non è in grado di determinare il risultato immediatamente dopo aver assegnato un cliente a un percorso.
Supponiamo, ad esempio, che un cliente venga assegnato al Percorso A e acquisti un prodotto tre giorni dopo.
Il cliente non ha ancora acquistato immediatamente dopo l’ingresso nel flow né il giorno successivo, ma sarebbe prematuro concludere solo da questo che il cliente non ha convertito sul Percorso A.
Per questo motivo, Personalize Paths ha bisogno di un’indicazione temporale del tipo:
- “Questa conversione avviene normalmente circa a questa distanza di tempo dall’ingresso nel flow.”
In altre parole, più che un semplice periodo di apprendimento, questa impostazione può essere intesa come un parametro che comunica a Personalize Paths il tempo normalmente necessario prima che si manifesti l’outcome configurato come Performance Metric.
Tuttavia, non sono stati divulgati i dettagli del funzionamento interno, ad esempio se configurare 3 giorni significhi che un cliente viene sempre classificato definitivamente come non convertito una volta trascorsi tre giorni.
Il modo in cui Amount of Time viene effettivamente utilizzato all’interno del modello di machine learning è attualmente una black box.
Configurare la Durata Totale della Personalizzazione
Separatamente da Amount of Time, si configura la Total Personalization Duration.
Qui si specifica la data in cui termina la finestra di personalizzazione (Personalization Window).
Con questa impostazione, il modello apprende utilizzando il periodo che va dal momento attuale fino alla data finale specificata.
Queste due impostazioni possono apparire simili, ma hanno finalità diverse.
- Amount of Time specifica quanto tempo normalmente occorre a un singolo destinatario per passare dall’ingresso nel flow alla conversione.
- Total Personalization Duration, invece, specifica per quanto tempo Personalize Paths nel suo insieme continua ad apprendere e a ottimizzare.
Supponiamo, ad esempio, di configurare:
- Performance Metric: Product Order
- Amount of Time: 1 settimana
- Total Personalization Duration: 3 mesi
Si può interpretare questa configurazione come: Personalize Paths apprende e ottimizza utilizzando i risultati di conversione registrati in un periodo di tre mesi, partendo dal presupposto che un acquisto di prodotto richieda normalmente circa una settimana.
※ Non viene spiegato quale comportamento si verifichi al termine dell’apprendimento.
Configurare la Distribuzione dei Percorsi
Successivamente, si creano i percorsi da confrontare.
- Durante la fase di test, i clienti vengono assegnati in modo casuale a ciascun percorso in base alle percentuali configurate.
- Successivamente, una volta avviata la fase di Optimization, la distribuzione dei percorsi viene adattata dinamicamente in base al comportamento degli utenti.
In altre parole, Personalize Paths non conosce fin dall’inizio il percorso ottimale per ciascun cliente.
Inizialmente, i clienti vengono effettivamente distribuiti su più percorsi e vengono raccolti i risultati di conversione che ne derivano.
Dopo aver apprendo da questi risultati, il sistema prevede quale percorso ha maggiori probabilità di portare a un outcome per i clienti che entreranno successivamente.
Ad esempio, se la Performance Metric è rappresentata dai click sulle email:
- Il Cliente A è entrato nel Percorso 1 e ha cliccato
- Il Cliente B è entrato nel Percorso 2 e non ha cliccato
Questi risultati concreti diventano dati di apprendimento.
Personalize Paths apprende osservando se i clienti che hanno seguito ciascun percorso hanno raggiunto l’outcome configurato come Performance Metric.
Lo stesso cliente non deve necessariamente entrare di nuovo nel flow
Questo aspetto può risultare leggermente complesso da comprendere, ma non è necessario che lo stesso cliente entri più volte nel flow per poter utilizzare Personalize Paths.
Ad esempio, il modello può apprendere dai risultati di conversione dei clienti entrati in precedenza e utilizzare tale apprendimento per selezionare i percorsi per clienti diversi che entrano successivamente.
In altre parole, non si tratta di un meccanismo del tipo:
“Il Cliente A la volta scorsa era sul Percorso 1, quindi la prossima volta proviamo il Percorso 2.”
Il principio è invece il seguente:
Prevedere il percorso ottimale per i clienti che entrano di volta in volta, sulla base dei risultati accumulati dall’insieme dei clienti.
Per questo motivo, Personalize Paths sembra risultare più adatto a flow in cui i clienti entrano continuativamente nel tempo, piuttosto che a flow in cui tutti i clienti entrano contemporaneamente e il flow termina subito dopo.
Tuttavia, i dettagli del funzionamento interno, ad esempio come vengano suddivisi i destinatari di un flow “one-time” tra fase di apprendimento e fase di ottimizzazione, non sono stati al momento divulgati.
Differenze rispetto a Path Experiment
Lo scopo è diverso rispetto a quello del già esistente Path Experiment.
Con l’Automated Path Selection di Path Experiment, più percorsi vengono testati e viene determinato il Winning Path, cioè il percorso con le migliori performance complessive, sulla base della Performance Metric.
Utilizza la Bayesian Prediction, e un percorso diventa il Winning Path quando la probabilità che superi gli altri percorsi raggiunge il 95% o più.
In altre parole, Path Experiment è una funzionalità pensata per individuare:
- “Qual è il percorso migliore in assoluto?”
Personalize Paths, invece, prevede in modo continuo:
- “Qual è il percorso migliore per questo specifico cliente?”
Ad esempio, anche se il Percorso A presenta il tasso di conversione complessivo più alto, ciò non significa che sia necessariamente ottimale per ogni singolo cliente.
Il Percorso A potrebbe essere efficace per un cliente, mentre il Percorso B potrebbe avere maggiori probabilità di generare un outcome per un altro cliente.
La differenza principale rispetto a Path Experiment è che Personalize Paths non riconduce tutti i clienti a un unico Winning Path, ma seleziona continuamente il percorso che ha maggiori probabilità di generare un outcome per ciascun individuo.
Come viene determinato il percorso per ciascun cliente?
Al momento, questo aspetto rimane in larga parte una black box.
Salesforce spiega che il sistema apprende continuamente dai risultati di conversione effettivi e prevede il percorso con maggiori probabilità di generare un outcome per ciascun cliente.
È inoltre possibile aggiungere Secondary Engagement Signal come informazioni utilizzate per la selezione del percorso.
Tuttavia, al momento non sono stati divulgati i dettagli del modello di machine learning, ad esempio:
- Quali attributi del cliente vengono utilizzati
- Quali comportamenti passati vengono utilizzati come feature
- Quanto peso viene attribuito a ciascun tipo di dato
Per questo motivo, piuttosto che spingersi troppo oltre nelle ipotesi su questo aspetto, ritengo sia meglio limitarsi a comprendere quanto segue:
“Il sistema esegue machine learning sulla base dei risultati di conversione effettivi di ciascun percorso e degli Engagement Signal configurati, prevedendo il percorso ottimale per ciascun individuo.”
Conclusione
Personalmente, ho l’impressione che si tratti di una funzionalità simile a Einstein STO (Send Time Optimization), nel senso che conviene prima configurarla e poi provarla sul campo.
Anche con Einstein STO, gli utenti non hanno bisogno di comprendere in dettaglio quale logica interna venga utilizzata per determinare l’orario di invio ottimale. Una volta configurato, il sistema invia le email nell’orario previsto come ottimale per ciascun cliente.
Ritengo che Personalize Paths possa essere affrontato in modo simile.
Tuttavia, rispetto a Einstein STO, Personalize Paths richiede la preparazione di più percorsi e la creazione di CTA, email e contenuti differenti per ciascun percorso, il che comporta un carico di lavoro non trascurabile in fase di progettazione e creazione dei contenuti.
D’altra parte, negli scenari che si estendono su un lungo periodo di tempo, anche l’attività di condurre ripetutamente test preliminari, analizzarne i risultati e applicarli successivamente allo scenario in produzione richiede un notevole impegno.
Con Personalize Paths, quando si tratta di decidere a quale percorso assegnare ciascun cliente, il machine learning prevede e ottimizza continuamente queste assegnazioni sulla base dei risultati di conversione effettivi.
Da questo punto di vista, sembra trattarsi di una funzionalità potenzialmente utile, in particolare per gli scenari gestiti nel lungo periodo.
Piuttosto che cercare di individuare da subito il modo perfetto di utilizzarla, preparare più percorsi e provare concretamente la funzionalità potrebbe essere il modo più rapido per comprenderla davvero.
È tutto per questa volta.
Restate sintonizzati per altri consigli su Salesforce Marketing Cloud! 😎
Nobuyuki Watanabe
Tradotto e adattato da SFMC Tips #345 : Marketing Cloud Next: Individual Path Selection with Personalize Paths di Nobuyuki Watanabe (@marketingcloudtips), pubblicato originariamente su Medium. Traduzione autorizzata dall’autore.