Comprendre les bases d'alerta personals

La personalització ha canviat d' una característica molt agradable a un controlador crític de l' usuari, especialment en sistemes d' alerta dissenyada per ajudar la gent a arribar als seus objectius. Les notificacions genèriques sovint no fan que la falta de rellevància per a un únic Òctàncies única, portant a un alt índex i fatigació d' usuari. S' identificant les seves alerta als objectius i preferències específiques, les organitzacions poden augmentar molt, adherir- se i amb èxit a llarg termini. Aquest article deixa les estratègies de contorns per a construir un sistema d' alerta personalitzat que respecta les diferències individuals mentre que es respecta el resultats significatius, des de la col· lecció de dades inicial a través de la continuació.

Comprendre els Objectius individuals i Preferències

La base de qualsevol estratègia personal és una profunda comprensió i complicada de què condueix cada usuari. Els objectius es poden agrupar en dominis com la salut i la capacitat d' execució, el desenvolupament financer, el desenvolupament professional, les noves habilitats o el benestar personal. En cada domini, els objectius varien en específica, la línia temporal i la dificultat. Les preferències de la comunicació, els canals de correu, les notificacions dels SMS, les notificacions (o la tarda, els dies específics), la freqüència (dia, el llindar setmanal, el contingut, el contingut, el qual s' està fent servir (encloqüent, les dades).

Per a capturar aquesta informació, les organitzacions haurien d' emprar una combinació de col· leccions de dades explícites (en pujar les enquestes, arranjaments de preferència) i els senyals implícitament (el comportament de l' usuari, patrons d' interacció). Per exemple, una aplicació d' alineació pot preguntar als usuaris si prefereixen el matí o als recordatoris de la tarda, mentre que una eina d' estalvi financer podriafer la freqüència preferida de com sovint els usuaris revisen els seus equilibris. Aquesta aproximació doble assegura que ambdues preferències i les informin de manera adequada el motor personalització. També ajuda a superar un pou comú: sovint no saben el que prefereixen fins que l' experiència.

També és crític reconèixer que els objectius i les preferències evolucionen al llarg del temps. Un usuari que estableix inicialment un objectiu de pes pot canviar més tard a l' edifici muscular. De manera similar, algú que preferia les alerta de correu pot ser més receptiu als SMS després d' un canvi a la rutina diària. De manera que, el sistema s' ha de construir per adaptar- se a través de les comprovacions periòdicas, l' anàlisi del comportament automatitzada, l' anàlisi de comportament o la descoberta progressista. Incloquen un període de refresc de quart a l' arc o usant una màquina per detectar gotes de compromís pot mantenir el motor d' alinició personal amb l' usuari Optpretxys actual.

estratègies per a la personalització

1. Recull i analitza les dades del comportament i Preferència

La personalització comença amb una col· lecció de dades robusta. Useu sondeigs estructurades durant l' a bord de la captura d' objectius inicials, canals preferits i òptims. Apèndixa- ho amb dades continues des de les interaccions dels usuaris: quines ordres s' obren, o actuaven? En quins tipus de missatges generen el major compromís? Analitza aquests senyals per identificar patrons com ara preferències de temps o de resposta de format de contingut. Per exemple, els usuaris que interactuen amb petites, les crides que poden beneficiar- se de les notificacions de convecucions, mentre que els que participen amb informes de progrés més detallats podrien preferir els comentaris de correu electrònic.

Les dades s' han de desar en un perfil d' usuari descentralitzat que s' actualitza en temps real. Les eines d' eines de l' ús de les dades de clients com les plataformes de dades (CDPs) o banderes de la funcionalitat per gestionar les preferències dinàmicament. Les privadesa són primordials: sempre obtenen un consentiment explícit per a la col· lecció de dades i proporcionen opcions transparents per als usuaris per a veure i modificar les seves dades. Usant un consentiment de capes, el qual els usuaris poden optar a les dades específiques, en comptes de donar- li permís de confiança i reduir el risc de no- la cooperació.

2. segments del vostre objectiu per tipus d' objectiu i comportament

Segació us permet proporcionar una missatgeria objectiu sense necessitat de configuracions completament individuals. Els criteris comuns inclouen categoria d' objectiu (p. ex., la capacitat contra les finances), l' escenari de progrés (en funció avançada), el nivell de compromís (activament contra el nivell de propietat. asclús), i l' estil de comunicació preferit. Per exemple, els usuaris en les primeres fases d' una mitjana pot respondre millor a l' animació, mentre que els usuaris avançats poden preferir les actualitzacions de la fita i les afinacions de rendiment. Una aplicació lingüística pot ser que els usuaris de nivell proficient, enviant recordatoris a les converses i als anuncis de vocabularis intermedis.

Els segments haurien de ser flexibles i actualitzats automàticament com a canvi de comportament dels usuaris. Una prova A/B a través dels segments de missatgeria pot afinar les estratègies de missatgeria i revelar preferències inesperats. Un estudi trobat que els missatges personalitzats es basen en els segments d' usuari han millorat els índexs de clic sobre el 30% comparat amb campanyes no marcades ([[[FLT: 0] Saretting Sherpa[[FLT:]]]]]. De tota manera, evita crear molts segments, que poden portar a l' anàlisi i incrementar la complexitat del sistema. Inicieu amb tres a 5 segments d' alta velocitat i expandeixen només quan les dades permeten més granitat.

3. 250 Algorismes i aprenentatge de màquines

La personalització estàtica es torna estable. Els algoritmes adaptativas, particularment els que usen l' aprenentatge de màquines, poden optimitzar contínuament la entrega basada en comentaris d' usuari en temps real. Per exemple, un model d' aprenentatge multigrabutament pot aprendre quan un usuari és més probable que s' inicii amb una notificació provant diferents temps i analitzar els índexs oberts. Si un usuari ignoren de forma consistent aquesta nit, el sistema canvia a la entrega del matí. De manera similar, un algoritme multi- minducs pot provar diferents fatas de missatge i assignar més tràfic a la variant més alta del rendiment.

Més enllà del temps, ML també pot personalitzar el contingut. El processament de llenguatge natural (NLP) pot generar tècniques de tos dinàmics d' usuari, Alexandrals, respon millor a alegre, el llenguatge gamified, mentre que altres prefereixen actualitzacions directes, dades amb força de dades. Aquests models requereixen dades suficients per a entrenar eficaçment, de manera que comencin amb la personalització de regles i introdueixi gradualment ML com a interaccions d' usuari en constantització. Per a més informació sobre una subrulació personal, mireu [[FLT:]]] Hasrvardovardov6s=[ FLT1:]. Aquest article també requereix una alternativa sàvia per implementar un canvi de alternativa: si el model ML ha revertible, en comptes d' enviar una alerta per omissió que enviar un risc irrellevant.

A mida controlada per l' usuari " Offer Granular "

Fins i tot l' algorisme més sofisticat no pot reemplaçar l' agència de l' usuari. Proporciona els valors que permeten als usuaris afinar la seva experiència d' alerta: Escolliu quins tipus de notificacions reben (actualment actualitzacions, recordatoris, consells educatius), establir hores tranquil· la, definir els caps setmanals i seleccionar canals preferits. Aquest poder incrementa la seva petició i redueix la fatigació. Un estudi per les notificacions locals trobades que opten amb les notificacions que opten amb els seus índex 310 vegades més elevats que aquells que estan optats per omissió monsieur característiques de la importància dels usuaris que donen control.

La mesura de mida ha de ser fàcil accedir des de l' aplicació o el tauler, amb interfícies intuïtivas com els deslliçadors, commutacions i llistes de comprovació. Alguns sistemes ofereixen Background SchewEMBE que ajusten les preferències amb una única aixeta. Per exemple, un usuari pot commutar el mode de plegat de l' usuari per a suprimir les notificacions no especials durant les hores de treball. Permet als usuaris previsualitzar com afectaran els canvis de vista prèvia la seva alerta pot millorar la seva confiança. Considereu afegir una opció wosnangles que es redueixi els desplaçament temporals sense deshabilitar completament l' alerta.

5. Utilitza els esquemes de "objectiu " i els CUE de Contextual "

La personalització no és només quant a on enviar les antemes kicks (Carth) també sobre el que els ha desencadenat. Les anciacions dels bits s' ascendeixen directament a l' objectiu: Envia una notificació felicitativa quan un usuari rep una fita, un recordatori suau quan cauen darrere d' un nou repte després d' aconseguir un nou objectiu. Les marques de contextistes com ara el temps, la localització o el temps del dia també es poden aprofitar. Una aplicació que s' ajusta a un suggeriment de treball anotoqüent (p. ex., una piscina en un dia calent) o una aplicació d' estalvi de crides als usuaris d' un banc que ofereixen índex de branca més proper.

Aquests efectes amb context fan que les notificacions amb atenció siguin temps i rellevants. La recerca indica que les notificacions amb caràcter sensible al context tenen índex de compromís significativament més elevat ([[FLT: 0] NOsearchGat[[FLT: 1]. Tot i això, evitar sobre la seva auto- ús que sembli una subactitud que estiga en contra dels límits d' usuari. Per exemple, usant les dades de localització per enviar un cop d'estat mentre que l' usuari està en una botiga podria ser benvingut, però seguint les seves visites de gimnàstica per enviar un recordatori durant el seu treball podria sentir- se sobre la seva barba si no és evident que no és consentida.

Millors exercicis per als avisos personals efectius

Disseny per a la Claritat i l' acció d' acció

Cada alerta hauria de tenir un propòsit clar i una sola crida a l' acció (CETA). Si és 2001- 0=DUBLELog el vostre menjar, MrardWalk 5000 passos, 192 o KDEReview el vostre pressupost, INCLOU ha de ser comprensible immediatament. Useu [[FLT: 0] inold[ [[F: 1]] o ressaltat per a l' acció de la clau per reduir la càrrega cognitiva. Eviteu que s' adupitzin les ordres amb informació innecessnecessencess poden ser explorables i directes. Per a correu electrònic, un resum de bala a la part superior pot ajudar els usuaris a decidir si s' inicien ràpidament.

Freqüència de balanç i valor

Massa alertas porten a la fatiga i augmenten els índexs de opt- out. Massa pocs i usuaris poden perdre força. Trobar el punt dolç començant conservador i deixant que els usuaris augmentin la freqüència si ho desitja. Les mètriques del monitor com la taxa d' obertura i la conversió per ajustar dinàmicament. Una bona regla del polze: cada alerta hauria de proveir el valor allisiva una recompensa, una nova comprensió. Considereu l' anàlisi d' una opció RIrcIByrda que resumeix múltiples actualitzacions en un únic missatge menys intrusiu per a usuaris pesats.

Prova i continuament

La personalització no és un procés set- i- get. Executar les proves A/ B sobre el contingut del missatge, el temps, el canal i la freqüència. Useu l' anàlisi cohort per comparar la retenció i l' objectiu assolit entre grups personalitzats i no disponibles. S' incrementa en dades quantitatives i la confirmació informatives de les entrevistes d' usuari o enquestacions. Les eines com un tauler d' usuari pot fer la gravació d' aquest cicle. Una aproximació útil és crear una subvenció de la identitat de la persona teriorització que emet una font d' alerta que mesura que les preferències d' usuari coincideixen correctament; segueix el temps a l' ensenyament.

Respecte a privadesa i construcció de confiança

Les pràctiques transparents són essencials. Els usuaris expliquen clarament quines dades es recullen, com s' usa per personalitzar les alertacions personals, i el que controla els usuaris tenen. Proporciona opcions de opt- out fàcil i requereix d' honor esborrar les dades. Quan els usuaris senten la seva informació és manejada de manera responsable, és més probable que s' involucri amb les adreces personalitzades. Compliença amb les regles com el PIBR i CCPA és no verificable. Més enllà de l' ús, considereu que ofereix un tauler de privacitat on els usuaris poden veure exactament quines dades s' usen i per a què aquesta transparència pot ser un mecanisme de diferents.

Rellegits d'execució

Qualitat i integració de dades

La personalització depèn de les dades netas, precisiós. Les fonts de dades inconsistents, camps desapareguts o preferències desactualitzades poden descarir el sistema. Assegureu- vos de canonades de dades robustes i audicions regulars. Useu esdeveniments seguiment per actualitzacions en temps real i establir polítiques de govern de dades per mantenir qualitat. Considereu l' anàlisi de la validació de dades al punt de col· lecció, per exemple, assegurant que els formats de temps són consistents a través de plataformes. Una única font de dades, com ara un llac o un magatzem de dades, simplifica la transició personal.

Evitant el factor KToo estrafolari

Per exemple, la disponibilitat pot fer que els usuaris se sentin retenint. Saturant el balanç dret requereix que l' ajust de prova els llindars d' usuari. Per exemple, commepting un historial de compra específica de l' usuari pot ser benvingut en un context de detall però inadequat per a una aplicació de salut. Useu [[FLT: 0 op] [[F: 1]] Per tal que els usuaris escullin la quantitat personal que volen. Offing a un nivell de RADUlisió (categoria bàsica) només a un lloc avançat (bevitrans) + ] selecciona la seva zona de comoditat. Sempre proporciona una manera per als usuaris de manera més baixa si se senten incòmodes.

Scalopabilitat dels motors de personalització

Com que les bases d' usuari creixen, la lògica personalització ha d' escalar sense rendiment degradant. Els serveis de microserves i les arquitectures sense servidor poden gestionar la segmentació dinàmica i la ML enferència real. Considereu usar serveis personals de personalització com AWSize o Google Recomanació per reduir el desenvolupament per sobre de la política. De tota manera, tingueu compte que les extensions no relacionades amb el temps, assegureu- vos que les decisions personals es fan en mil· lisegons. Sovint s' usen perfils i precomputació habituals poden mantenir la velocitat.

Exigències d'alt èxit per al comandament personal

Defineix indicadors de rendiment clau (PIP) que s' alineen amb l' assoliment objectiu. Les mètriques comuns inclouen:

  • [[FLT: 0] S'ha acabat la complecióGoal: [[[FLT:]] Percentatge d' usuaris que arribin a un objectiu definit dins d' un marc de temps.
  • [[FLT: 0] Alert Tit: [[[FLT: 1] Obre, cliqueu o conversions per tipus d' alerta.
  • [[FLT: 0] No té un valor de fatigació: [[FLT: 1] Op- out o índex de silenci durant el temps.
  • [[FLT: 0]User La puntuació satisfacció: [[[FLT]] des de les enquestes in- apps (p. ex., importKon How va ser d' ajuda avui dia? 1997).
  • [[FLT: 0] [[FLT:] Percentatge d' usuaris encara actius després de 30, 60, 90 dies.

Usa una anàlisi de corrativa per comparar grups personalitzats contra els nopersonalitzars. Una estratègia personal d' implementació ben implementada hauria de mostrar millores estadísticament interactivament a través d' aquests KPIS. Per exemple, un estudi per a Actenturacions trobades que el 91% dels consumidors són més probables per comprar marques que proporcionen ofertes i recomanacions rellevants ([[FLT:] 0Acure=[F: 1]]]]]. En el context de la salut i els punts de contexts personalitzats han demostrat incrementar el canvi diari 15582 en proves controlats. Aquestes mètriques durant el temps i ajusten les vostres estratègies basades en les dades revelen les dades.

Les tecnologies emeritzants milloraran la personalització. Les interfícies de veu accepten la seva ajuda amb dispositius portables i sistemes intel· ligents poden proporcionar avís quan els usuaris són més receptius. g., una vibració suau d' un rellotge intel· ligent durant un descans de reunió. Les interfícies de veu permeten les interaccions sense llibertat, permetent als usuaris respondre o descartar- los amb alerta verbalment. Predicació als usuaris es anticiparan abans que es produeixin, com un dia basat en l' activitat de dormir i les dades. Les funcions ethicals creixen com més personals, les organitzacions que l' agència rep més lleialtat. Una altra tendència a través de la derivació: una alerta a la informació adrà en una persona que pot continuar amb un mòbil quan es puguin realitzar modificacions intel· ligents, sense que l' usuari continuïn els dispositius de notificació.

Conclusió

S' estan establint les notificacions d' ordenació dels objectius i les preferències transforma les notificacions rutinals en eines de motivació. En recollir i analitzar dades, segmentant audiències, desplegar un algorisme adaptatiu, oferint la personalització d' usuari, i usant els sistemes d' alerta contextuals, les organitzacions poden crear sistemes d' alerta que realment permeten cada viatge d' usuari d' PrintingPens únic. En conseqüència, aquestes estratègies requereix atenció a la qualitat de dades, privacitat i accelerabilitat, però el pagament de la d' una càrrega de la fidelitat, l' objectiu més alta i millorar la satisfacció dels usuaris bilió de les grans galàxies. Com evolucionacions, la tecnologia de l' usuari es mantindrà una clau personal- la que està plena en un paisatge digital cada cop més petit paisatge digital. Inicia, i manté ràpidament les objectius de cada decisió de l' usuari.