Cómo la IA mejoró nuestra tasa de apertura de emails un 34% en 60 días
El experimento de optimización de asuntos de email con IA comenzó con una hipótesis específica: si los modelos de lenguaje podían generar múltiples variantes de asuntos para el mismo email, y si podíamos predecir cuál variante tendría mayor tasa de apertura basándonos en los datos históricos de la operación, podríamos mejorar la tasa de apertura promedio del canal sin cambiar el contenido del email ni la frecuencia de envío. Era un experimento que atacaba el único elemento del email que determina si el destinatario lo abre o no: los primeros 60 caracteres que ve en la bandeja de entrada antes de decidir.
El proceso técnico tenía 3 pasos. Para cada email del calendario mensual, el sistema generaba 8 variantes de asunto con enfoques distintos: pregunta directa al lector, dato estadístico sorprendente, tensión del problema sin resolución, promesa de resultado específico, urgencia temporal, referencia al sector del destinatario, enfoque desde el error común y personalización con el nombre o el cargo del destinatario. El segundo paso era la predicción: el modelo entrenado sobre los datos históricos de la operación predecía la tasa de apertura esperada de cada variante para el segmento específico de destinatarios del envío.
El tercer paso era la selección: el director de contenido revisaba las 8 variantes y la predicción del modelo y seleccionaba la que mejor combinaba la mayor tasa de apertura predicha con la coherencia con la estrategia de comunicación de la campaña. El sistema no seleccionaba de forma autónoma. Proporcionaba la inteligencia de datos que el director de contenido necesitaba para tomar la decisión con más información de la que hubiera tenido sin el sistema.
Los resultados a 60 días mostraban una mejora del 34% en la tasa de apertura promedio del canal, de un 21% histórico a un 28.1%. La variante de tipo "tensión del problema sin resolución" era consistentemente la de mayor tasa de apertura predicha y observada para el segmento de prospectos en etapa de evaluación. La variante de tipo "dato estadístico sorprendente" era la más efectiva para el segmento de clientes activos en comunicaciones de expansión. La personalización con cargo del destinatario tenía alta tasa de apertura en prospectos nuevos y tasa media en clientes de más de 12 meses de relación, donde la novedad de la personalización ya no era un elemento diferenciador.
El 34% de mejora en tasa de apertura no era el indicador más importante del experimento. El más importante era lo que aprendimos sobre las preferencias de apertura de cada segmento, que informó no solo los asuntos de email sino la arquitectura de mensajes de todo el canal de comunicación. El experimento de IA que comienza con la optimización de un elemento específico frecuentemente produce aprendizajes que tienen implicaciones más amplias para la estrategia de comunicación que el beneficio de eficiencia del elemento específico que optimizó.