我对优化发送给订户的消息（电子邮件/推送/文本等）有疑问。期望的输出将是每个人每天的时间间隔。
我们有一个人打开/单击我们的消息的时间的历史记录，他们的人口统计信息以及其他一些浏览历史记录。但是我不确定这是否可以成为机器学习模型，因为每个人的行为都如此不同，而且我没有很多好的预测指标。
我应该只在历史数据中总结它们的最佳到达时间，还是可以将其作为机器学习模型？
答案 0 :(得分：0)
实际上，许多Campaign Management解决方案确实使用该技术来确定最佳到达时间，方法是简单地获取用户最频繁的电子邮件打开时间。但这需要花费自己的宝贵时间才能得出结论，即，您将电子邮件发送给用户10天，然后必须计算用户的“最常打开时间”。这应该有效。
话虽如此，也没有什么可以阻止我们针对这个问题使用ML模型：）
如果您想到目标（用户的电子邮件打开时间），它实际上是一个循环，您可以尝试 Angular Regression 。
以下是一些可以帮助您入门的链接：
https://stats.stackexchange.com/questions/109959/regression-for-angular-circular-data