Candidate generation
Per klantcontext worden alleen relevante arms gemaakt: bijvoorbeeld win-back zonder korting, win-back met korting, productadvies, kanaaltest of do_nothing.
Decision Learning Engine
Iedere klantactie als experiment.
Ensyra bepaalt niet alleen wat je kunt sturen, maar ook of je iets moet sturen. Elke action-arm wordt gemeten tegenover dezelfde context-holdout.
In het kort.
De Decision Learning Engine is de beslissingslaag van Ensyra. Hij genereert per klant een kleine set mogelijke acties, ranked die op expected incremental profit, wijst treatment of holdout toe en leert van gemeten uitkomsten per context.
Context assignment
Een experiment_key koppelt context en actie aan treatment/holdout. Zo vergelijk je niet verschillende klantgroepen, maar dezelfde beslissituatie.
Recency-weighted learning
Nieuwe resultaten krijgen meer gewicht dan oude resultaten. Stale data verliest invloed, zodat seizoen, kanaaldruk en doelgroepgedrag kunnen verschuiven.
Contact pressure guardrails
De engine houdt rekening met frequentie, blackout periods, opt-in en kanaalbeschikbaarheid. Geen actie is een geldige uitkomst.
Veelgestelde vragen
Waarom is do_nothing een actie?
Omdat niets sturen soms meer winst oplevert dan een incentive of extra contactmoment. Ensyra meet dit expliciet.
Kan de engine met bestaande ESP's werken?
Ja. Uitvoer kan via Klaviyo, MailCampaigns, webhook/API, CSV of andere kanalen worden gekoppeld.
Hoe snel leert het systeem?
Dat hangt af van volume en sample size. De ROI-pagina toont wanneer bewijs sterk genoeg is voor opschalen.