Almeta ML

Was ist Almeta ML?

Almeta ML ist eine Plattform zur Vorhersage des Kundenverhaltens, die für E-Commerce-Unternehmen, SaaS-Anbieter, Inhaltswebsites sowie Marketingteams konzipiert ist. Sie berechnet in Echtzeit auf der Grundlage von Aktionen der Nutzer wie Besuchen auf der Website, Klicks, Warenhinzufügen und Kaufen die Kaufneigung, das Risiko des Kundenverlusts, Empfehlungsergebnisse, den Kundennutzen sowie den optimalen Zeitpunkt für die Ansprache.

Der Schwerpunkt der Plattform liegt nicht darauf, Marketingtexte zu erstellen, sondern vielmehr darin, Vorhersagen aus dem maschinellen Lernen in Kennzahlen umzuwandeln, die für das Zielpublikum, den E-Mail-Verkehr, die Personalisierung von Seiten sowie den Verkaufsfolgeauftrag genutzt werden können. Benutzer können über leichte Web-Tags, APIs oder Integrationen Ereignisse importieren und die Berechnungsergebnisse an das Zielystem senden.

Kernfunktionen

• Prognose der Wahrscheinlichkeit, dass ein Benutzer eine bestimmte Aktion ausführt.
• Identifizieren von Kunden, die möglicherweise kaufen oder abwandern könnten.
• Erstellung personalisierter Empfehlungen für Produkte und Dienstleistungen.
• Prognose von Einnahmen, Gewinnen und der Lebenszeitwert der Kunden.
• Berechnen Sie die beste Zeit zum Versenden von Nachrichten für jeden Kunden.
• Echtzeit-Bewertung und Sortierung von Verkaufschancen.
• Die Prognoseergebnisse mit den Werbe- und E-Mail-Plattformen synchronisieren.
• Modellberechnungen werden auf dem Server oder im Browser ausgeführt.
• Prozesse durch API, Webhook und Frontend-Events erweitern.

Prognose der Kaufneigung

Modelle zur Analyse der Kaufneigung bewerten die aktuelle Sitzung, das historische Verhalten sowie die Verhaltensmuster anderer Kunden, um die Wahrscheinlichkeit zu ermitteln, dass ein bestimmter Nutzer einen Kauf tätigt. So können Marketingmitarbeiter Personen mit hoher Kaufbereitschaft, solche, die Anreize benötigen, sowie solche identifizieren, für die es derzeit keinen Sinn macht, die Gebote zu erhöhen.

Tendenz zur Anpassung von Aktionen

• Vorhersage, ob der Benutzer den Kauf abschließen wird.
• Prognose, ob die E-Mail-Abonnementierung aufgehoben wird.
• Bewerten, ob mehr als die Hälfte der Videos angeschaut wird.
• Vorhersage, ob der Online-Kurs abgeschlossen werden kann.
• Beurteilen, ob ein Artikel zu Ende gelesen wird.
• Vorhersage, ob der Benutzer die Seite gleich schließen wird.
• Erstellen von Präferenzmodellen auf der Grundlage von benutzerdefinierten Geschäftsereignissen.

Verlustprognose

Die Plattform kann Kunden erkennen, die möglicherweise mit dem Kauf aufhören, ihren Abonnementvertrag kündigen oder ihre Aktivität verringern, und anschließend Maßnahmen einleiten, um diese Kunden zurückzugewinnen. Die Definition von Abwanderungskunden muss mit dem Geschäftszyklus übereinstimmen; andernfalls könnte das Modell normale, selten aktive Kunden fälschlicherweise als risikoreiche Nutzer einstufen.

Produktempfehlungen

Almeta ML erzeugt Echtzeit-Empfehlungen auf der Grundlage von Daten wie Besuchen, Suchanfragen, Warenkörben, Lagerbeständen, Preisen, Standorten, Gewinnen und Angeboten. Es kann für ähnliche Produkte, Cross-Selling, intelligente Zusatzbestellungen sowie die nächstbesten Angebote verwendet werden.

• Empfehlungen für relevante Produkte auf der Grundlage des Besucherverlaufs.
• Erstellen Sie Empfehlungen für Kombinationen basierend auf dem Inhalt des Warenkorbs.
• Filtern Sie die Ergebnisse nach Lagerbestand und Lieferort.
• Die Gewinnmargen in die Empfehlungsreihung einbeziehen.
• Die Empfehlungen werden in Echtzeit an die aktuelle Sitzung angepasst.
• Für verschiedene Nutzer wird der nächstbeste Vorteil ausgewählt.
• Aktualisieren Sie die Ergebnisse nach Preis- oder Lagerbestandsänderungen.

Einnahmen, Gewinne und LTV-Prognosen

Die Plattform kann den erwarteten Umsatz, Gewinn und die Lebenszeitwerte der Kunden vorhersagen, um wertvolle Kundengruppen zu identifizieren und das Budget für die Akquise zu optimieren. Die Prognosen basieren auf historischen Daten, Rückgaben, Rabatten, Kosten sowie Annahmen bezüglich der Kundenbindung und können nicht direkt mit dem tatsächlich erzielten Umsatz gleichgesetzt werden.

Optimierung der Sendezeit

Die Optimierung der Versandzeit berechnet für jeden Kunden die Zeit, zu der die Nachricht am ehesten geöffnet wird – und kann dabei für E-Mails, Benachrichtigungen sowie andere Kommunikationswege genutzt werden. Das Team sollte Obergrenzen für die Häufigkeit der Versendungen, Zeitzone sowie Zeiten ohne Benachrichtigungen festlegen, um zu vermeiden, dass nur die Öffnungsrate optimiert wird, während gleichzeitig Störungen und Abmeldungen zunehmen.

Anhaltspunkte-Bewertung

Almeta ML kann die Wahrscheinlichkeit einer Konvertierung anhand von Interaktionen, demografischen Merkmalen und historischem Verhalten bewerten, sodass der Vertrieb sich auf potenziell vielversprechende Kunden konzentrieren kann. Die von dem Modell ermittelten Werte sollten mit den Rückmeldungen des Vertriebs kombiniert werden, um neue Kundengruppen, bei denen zwar Informationen fehlen, die aber tatsächlich wertvoll sind, nicht über längere Zeit zu ignorieren.

Werbepublikum

Benutzer können eine Werbezielgruppe auf der Grundlage von Kaufneigungen, Abwanderungsrisiken, Produktinteressen oder prognostiziertem Wert erstellen und sie an Plattformen wie Google, Meta, Bing, TikTok usw. senden. Vor der Synchronisierung der Zielgruppe sollten die Richtlinien der Werbeplattformen, die Zustimmung der Benutzer sowie die geltenden Datenschutzvorschriften geprüft werden.

• Die Priorität für die Remarketing-Aktivitäten bei Nutzern mit hoher Kaufabsicht erhöhen.
• Ausgeschlossen werden bereits gekaufte oder wertlose Trafficquellen.
• Erstellen Sie spezifische Zielgruppen für unterschiedliche Produktinteressen.
• Werbung zur Rückgewinnung von Kunden mit Abwanderungsrisiko entwerfen.
• Anpassen des Werbebudgets an den prognostizierten Wert.
• Verwenden Sie die Modellergebnisse als Labels oder benutzerdefinierte Variablen.

E-Mail-Marketing

Prognoseindikatoren können zur Auswahl der Zielgruppe, des Produktinhalts, der Angebote sowie des Sendezolls verwendet werden. Die Plattform kann die Ergebnisse über eingebaute Verbindungen oder Exportlisten an den E-Mail-Dienstleister übergeben, doch die eigentliche E-Mail-Verteilung, die Verwaltung der Vorlagen sowie die Abmeldungen bleiben in den Händen des jeweiligen Systems.

Seitenpersonalisierung

Die Website kann nach Erhalt von Echtzeitprognosen die Produkte, Angebote, Reihenfolge der Inhalte oder Suchergebnisse anpassen. Personalisierungsregeln sollten eine Standardausgabe sowie einen Fallback bei Ausfällen vorsehen, um zu vermeiden, dass aufgrund von Fehlern im Modell oder in der Netzwerkverbindung die Seite leer bleibt.

Die nächstbeste Handlung

Das Team kann die Ergebnisse mehrerer Modelle zu der nächsten besten Handlung oder dem nächsten besten Angebot zusammenfassen – beispielsweise indem es Kunden mit hoher Kaufbereitschaft kostenlosen Versand anbietet oder Kunden, die das Risiko haben, wegzulaufen, unterstützt. Die Rabattstrategien sollten außerdem den Bruttogewinn, die Lagerbestände sowie Gerechtigkeit berücksichtigen; es darf nicht nur auf kurzfristige Konversionen abgesehen werden.

Ereignisdaten

Events bilden die Grundlage dafür, dass die Plattform Modelle trainieren und Vorhersagen erstellen kann. Jedes Event repräsentiert eine Aktion des Benutzers auf der Website. Zu den gängigen Events gehören das Ansehen von Inhalten, das Betrachten von Produkten, das Hinzufügen zu dem Warenkorb, der Beginn des Zahlungsverfahrens, der Kauf, das Hinzufügen zu den Favoriten sowie das Einreichen von Kommentaren.

Web Tag

Almeta ML bietet leichte Web-Tags für die asynchrone Laden, die nach der Komprimierung etwa 3 KB groß sind. Sie können mit Tools wie Google Tag Manager installiert werden. Sie dienen dazu, bestimmte Ereignisse zu erfassen, Prognosen zu erstellen sowie Callbacks oder JavaScript-Ereignisse im Browser auszulösen.

Server- und Browserberechnungen

Das Modell kann entweder auf der Serverseite berechnet werden oder direkt im Browser spezifische Vorhersagen ausführen. Die Berechnung im Browser eignet sich für sofortige Reaktionen auf Aktionen wie das Verlassen der Seite bei geringer Verzögerung, während das Servermodell besser für zentrale Verwaltung und Nutzung über verschiedene Kanäle geeignet ist.

API und Webhook

Die Plattform bietet APIs zur Eingabe von Ereignissen und zum Abrufen von Ergebnissen; die Authentifizierung erfolgt über Bearer Tokens. Webhooks, Lambda und Cloudflare Workers ermöglichen es, Vorhersagen in benutzerdefinierte Systeme oder serverlose Workflows zu integrieren.

• Verwenden Sie die Events-API, um Verhaltensdaten hochzuladen.
• Modellberechnungen werden vom Backend aus ausgelöst.
• Ergebnisse werden über Webhook empfangen und weitergeleitet.
• Verwenden Sie Lambda, um benutzerdefinierte Verarbeitungslogik auszuführen.
• Prozesse an der Peripherie mit Cloudflare Workers erweitern.
• Schreiben Sie die Prognosen zurück in das CDP-, CRM- oder E-Commerce-System.

Datenziele und Integration

Die Vorhersagungsergebnisse können an Werbeplattformen, E-Mail-Dienste, E-Commerce-Systeme, CDPs sowie an benutzerdefinierte Anwendungen gesendet werden. Die verfügbaren integrierten Verbindungen und Felder können sich unterscheiden; vor der Implementierung sollten Synchronisierungsprozesse in beide Richtungen, Verzögerungen, Wiederholungsversuche bei Fehlern sowie Löschlogiken überprüft werden.

Echtzeitverarbeitung

Sobald ein Ereignis eintritt, kann Almeta ML die Kundenmerkmale in Echtzeit aktualisieren und Prognosen erstellen, wodurch die Seiten oder Angebote in der aktuellen Sitzung sofort geändert werden können. Bei hohem Traffic sollten Durchsatz, Verzögerungen und Timeout-Werte getestet werden, um zu vermeiden, dass die Prognosen den Kern des Kaufprozesses blockieren.

Modellgenauigkeit

Laut den offiziellen Angaben hängt die Qualität der Prognosen von der Menge und Qualität der eingegebenen Daten ab. In der Regel lassen sich nützliche Ergebnisse bezüglich der Kaufneigung bereits nach der Erfassung von Tausenden von wichtigen Ereignissen erzielen. Jede Angabe zur Genauigkeit muss anhand eines unabhängigen Testsets, eines Zeitraums sowie der betrieblichen Kosten bewertet werden.

Kaltstart

Wenn neue Websites oder Produkte keine ausreichenden historischen Daten aufweisen, muss das Modell mit einem „Kaltstart“ umgehen. Das Team kann zunächst die wichtigsten Abläufe wie Besuche, Anzeigen von Produkten, Hinzufügen zum Wunschzettel, Bezahlvorgänge und Käufe überwachen und im Laufe der Zeit, je mehr Daten vorhanden sind, immer weiter spezialisierte Modelle einsetzen.

Für welche Benutzer geeignet

• E-Commerce-Teams, die die ROAS der Werbung verbessern möchten.
• Online-Shops, die Echtzeit-Produktempfehlungen benötigen.
• SaaS-Unternehmen, die das Risiko von Kundenverlusten im Voraus erkennen möchten.
• Vertriebs- und Marketingteams, die eine dynamische Bewertung von Hinweisen benötigen.
• Operatoren, die die Zeit des E-Mail-Versands optimieren möchten.
• Entwicklerteams, die über Ereignisdaten verfügen und über leistungsstarke Low-Code-ML-Fähigkeiten benötigen.
• Unternehmen, die die Prognosen in das CDP oder das Werbesystem zurückschreiben müssen.

Typische Anwendungsszenarien

• Prognose der Kaufwahrscheinlichkeit des Besuchers in diesem Session.
• Erstellen Sie Empfehlungen für Cross-Selling für den Warenkorb.
• Zeigen Sie passende Hinweise, wenn der Benutzer gehen will.
• Erkennen des Risikos von Abwanderung bei Abonnenten.
• Zeit für den Versand der E-Mails je nach Kunde auswählen.
• Anpassen des Remarketing-Budgets anhand des prognostizierten Wertes.
• Erstellen Sie eine Werbezielgruppe nach Produktinteressen.
• Lassen Sie den Vertrieb zuerst die Leads mit hoher Konversionsrate kontaktieren.

Für welche Situationen es nicht wirklich geeignet ist

• Unternehmen ohne Website-Events oder Daten zu Kundenverhalten.
• Nur das Team, das die Werbetexte erstellt, ist erforderlich.
• Websites mit sehr niedrigem Monatsverkehr, die nicht genügend Ereignisse anhäufen können.
• Szenarien der Tracking, bei denen keine notwendige Zustimmung der Nutzer eingeholt werden kann.
• Unternehmen, die sich vollständig auf automatische Entscheidungen des Modells zur Bestimmung des Kundenbehandelns verlassen möchten.
• Entwickler, die eine vollständig open source basierte Kernplattform verlangen.
• Kleine Läden, die nur einfache, statische Empfehlungsregeln benötigen.

Beginnen Sie mit dem Tutorial.

1. Erstellen Sie ein Konto und starten Sie einen 14-tägigen kostenlosen Probemonat.
2. Listen Sie Geschäftsziele wie Kauf, Verlust oder Interaktion auf.
3. Wählen Sie die kleinste Menge an Ereignissen aus, die erfasst werden sollen.
4. Daten werden über Web-Tags, APIs oder Integrationen eingebunden.
5. Überprüfen Sie die Felder für den Ereignisnamen, die Benutzernummer und den Betrag.
6. Wählen Sie ein integriertes Vorhersagemodell aus.
7. Setzen Sie Ziele für die Ergebnisausgabe und überprüfen Sie dies mit geringem Durchsatz.
8. Vergleichen Sie die Geschäftsergebnisse der Vorhersagegruppe mit denen der Kontrollgruppe.

Leitfaden zu Modellen für Kaufneigungen

1. Bestätigung des Kaufvorgangs und der Konvertierungszeitraum.
2. Verfolgen von Produktansichten, Hinzufügen zum Wunschzettel, Bezahlen und Kauf.
3. Es müssen ausreichende und kontinuierliche Daten zu echtem Verhalten gesammelt werden.
4. Implementieren Sie ein Modell zur Absatzprognose und prüfen Sie die Verteilung der Scores.
5. Erstelle eine Zielgruppe nach hohem, mittlerem und niedrigem Interesse.
6. Für verschiedene Zielgruppen werden unterschiedliche Marketingmaßnahmen festgelegt.
7. Verwenden Sie inkrementelle Experimente, um eine echte Verbesserung zu beurteilen.

Anleitung zur Empfehlung von Produkten

1. Synchronisieren von Artikelnummern, Kategorien, Preisen und Beständen.
2. Anbindung von Ereignissen für Anzeigen, Suchen, Hinzufügen zum Wunschzettel und Kauf.
3. Wählen Sie die empfohlene Position und den Standardinhalt aus.
4. Definieren Sie die Regeln für Lagerbestände, Gewinne und Werbeaktionen.
5. Einsatz eines empfohlenen Modells und Begrenzung der Antwortzeit.
6. Bewertung mit Klickrate, Konversionsrate und Bruttogewinn.
7. Regelmäßig Überwachung von übermäßiger Wiederholung und Trendverzerrung.

Leitfaden für die Werbezielgruppe

1. Bestimmen Sie die Kundengruppen, die Sie verbessern oder ausschließen möchten.
2. Wählen Sie den entsprechenden Vorhersagewert und die Schwellenwert für die Punktzahl aus.
3. Verbinden der zur Nutzung genehmigten Werbekonten.
4. Etablierung der Synchronisierung des Publikums und der Aktualisierungsfrequenz.
5. Überprüfen Sie, ob der Benutzer den Plattformrichtlinien zustimmt.
6. Etablieren Sie eine Versuchsgruppe und eine Kontrollgruppe.
7. Bewerten Sie die Umwandlung, Kosten, Einnahmen und die zusätzlichen Effekte.

Experten-Installationsdienstleistung

Falls das Team keine eigene Konfiguration vornehmen möchte, bietet der Anbieter einen einmaligen Service für 500 US-Dollar an, bei dem ein Experte die Einrichtung übernimmt. Der Service umfasst die Installation des Web Tags, die Erfassung relevanter Ereignisse auf der Website, den Start von Machine-Learning-Modellen sowie die Verarbeitung von Echtzeit-Prognoseindikatoren, die für das Marketing an Zielgruppen genutzt werden können.

Datenschutzkonzept

Almeta ML sammelt standardmäßig nur die vom Benutzer ausgewählten Ereignisse und verfolgt nicht automatisch alle Informationen des Benutzers. Die Web-Taggen können mit zufälligen Kundennummern versehen werden und in der lokalen Speicherung gespeichert werden; alternativ können auch bestehende Kundennummern vom Kunden-System übermittelt werden.

• Standardmäßig werden keine Cookies verwendet.
• Der Kunde wählt die konkreten zu verfolgenden Ereignisse aus.
• Standardmäßig werden keine persönlichen Identitätsdaten erforderlich.
• Man können zufällige Kundennummern verwenden.
• Zusätzliche Benutzerdaten werden nur dann enthalten, wenn der Kunde sie aktiv konfiguriert.
• Es wird die Möglichkeit zur jederzeitigen Exportierung von Geschäftsdaten geboten.

Aspekte der Privatsphäre und Konformität

Das Fehlen von Cookies sowie die Nicht-Erfassung personenbezogener Daten standardmäßig befreit nicht automatisch von den Verpflichtungen im Bereich der Privatsphäre. Ereignisse, Geräteidentifikatoren und Verhaltensprofile können weiterhin als personenbezogene Daten gelten. Unternehmen müssen die Anforderungen bezüglich Information, Einwilligung, Löschung, Zielgruppen für Werbung sowie der grenzüberschreitenden Übertragung gemäß den geltenden Landesgesetzen bewerten.

Kein Lieferantenbindung

Die offizielle Website betont, dass die Nutzer ihre Daten jederzeit exportieren können – entweder durch Integration oder über Webhooks. Bei einer tatsächlichen Migration muss außerdem überprüft werden, ob Modelle, Merkmale, historische Vorhersagen, Zielgruppenregeln sowie die Datendateien auf anderen Plattformen wiederhergestellt werden können.

Unternehmensfähigkeiten

• Unterstützung für SAML-Single-Sign-On.
• Ermöglicht fortgeschrittene Rollen und Zugriffsrechte.
• Es ist möglich, eine Hosted-Lösung oder eine lokale Installation zu wählen.
• Es werden Preise für Mengenabnahmen angeboten.
• Enthält Optionen für Experteninstallation und Express-Support.
• Es sind maßgeschneiderte Workflows mit bestehenden Datenplattformen erstellbar.

Preispakete

Auf der offiziellen Website wird der monatliche Preis auf Basis einer jährlichen Abrechnung angezeigt; eine jährliche Zahlung entspricht zwei kostenlosen Monaten. Jedes Paket beinhaltet eine 14-tägige Probephase. Die Nutzungsmenge wird monatlich berechnet; bei Überschreitung kann man zusätzliche Berechnungen für Ereignisse und Modelle erwerben.

Übermäßige Menge

Wie unterscheiden sich Ereignisse von Berechnungen?

Ein Ereignis sind die Daten über das Verhalten der Kunden im Modell, wie zum Beispiel Besuche auf der Website oder Kaufe. Die Berechnung des Modells bedeutet, dass ein bestimmtes Modell verwendet wird, um eine Vorhersage zu ergeben. Ein Benutzer kann mehrere Ereignisse verursachen, und in einer Sitzung können auch mehrere Modellberechnungen durchgeführt werden. Beide Aspekte müssen separat bewertet werden.

APIs und Entwicklerfähigkeiten

Die Entwicklungsdokumentation enthält Informationen zum Format der Events, zur API-Authentifizierung, zu den Event-Schnittstellen, zur Zielgruppe sowie zu grundlegenden Konzepten. Das Team kann die Schnittstellen mithilfe von Bearer Tokens aufrufen und die Vorhersagungsergebnisse der Web Tags als JavaScript-Events oder Variablen im Frontend verwenden.

GitHub und der Open-Source-Zustand

Es wurde weder eine offizielle, vollständige Vorhersageplattform von Almeta ML noch ein GitHub-Repo mit dem Kernmodell gefunden. Es handelt sich um Closed-Source-SaaS- und Unternehmenssoftware – Beispiele für Web-Tags sowie API-Dokumentationen bedeuten nicht, dass der Modell- und Servercode offen zugänglich ist.

Vorteile des Produkts

• Konzentration auf die Vorhersage des Echtzeit-Kundenverhaltens, das direkt in Aktion umgesetzt werden kann.
• Umfasst Kauf, Verlust, Empfehlungen, LTV und Sendezeit.
• Die Ergebnisse können zur Personalisierung von Werbung, E-Mails und Webseiten verwendet werden.
• Gleichzeitig werden Web-Tags, APIs und gängige Integrationen unterstützt.
• Das Modell kann auf dem Server oder im Browser ausgeführt werden.
• Web Tags sind leicht und werden asynchron geladen.
• Preise, Limits und Übernutzungsgebühren sind öffentlich.
• Unterstützung für Datenexport, lokale Installation und Unternehmensrechte.

Nutzungsbeschränkungen

• Die Qualität der Vorhersagen hängt stark von der Anzahl der Ereignisse sowie von der Qualität der Daten ab.
• Websites mit geringem Traffic können langfristig mit einem kalten Start konfrontiert sein.
• Verhaltensprognosen und Werbezielgruppen erfordern eine Einhaltung der Datenschutzvorschriften.
• Eine höhere Korrelation bedeutet nicht einen echten zusätzlichen Effekt.
• Modellbewertungen können keine Entscheidungen im Bereich Marketing und Vertrieb ersetzen.
• Die Funktion für benutzerdefinierte Modelle wird weiterhin als bald verfügbar gekennzeichnet.
• Die monatlichen Preise, die jährlich dargestellt werden, können leicht mit dem tatsächlichen Zahlungszyklus verwechselt werden.
• Die Kernplattformen und -modelle sind nicht open source.

Grundlegende Informationen

Empfehlungswert

Der Gesamtbewertungswert beträgt 4,4 von 5 möglichen Punkten. Almeta ML eignet sich für Teams, die bereits stabile Daten zu Website-Events haben und diese Prognosen direkt für Marketingmaßnahmen nutzen möchten. Vor dem Kauf sollten jedoch durch Kontrollversuche die zusätzlichen Vorteile sowie die Einhaltung der Datenschutzvorschriften überprüft werden.

Häufige Fragen

Was macht Almeta ML hauptsächlich?

Es prognostiziert in Echtzeit auf der Grundlage des Websiteverhaltens Kaufe, Abwanderung, Empfehlungen, Kundenwert und den besten Zeitpunkt für die Ansprache.

Ist Kenntnisse im maschinellen Lernen erforderlich?

Die Verwendung von integrierten Modellen erfordert keine eigene Code-Entwicklung, doch die Konzeption der Ereignisse, die Bewertung der Ergebnisse sowie Geschäftsversuche erfordern weiterhin fachkundiges Urteilsvermögen.

Wie lange dauert es, bis eine Prognose vorliegt?

Bereits wenige Stunden nach dem Eintritt des Ereignisses können Ergebnisse erzielt werden, und mit zunehmenden Daten verbessert sich in der Regel die Qualität der Vorhersagen weiter.

Wird das die Website verlangsamen?

Die komprimierte offizielle Web-Tag-Datei ist etwa 3 KB groß und wird asynchron geladen, dennoch sollte die Leistung auf der echten Website getestet werden.

Wie viel kostet Almeta ML?

Die monatliche Gebühr für Basic beträgt 99 US-Dollar, für Standard 399 US-Dollar. Die Unternehmensversion wird nach dem Verbrauch kalkuliert.

Gibt es eine kostenlose Probephase?

Alle Pakete beinhalten eine 14-tägige kostenlose Probephase, die storniert werden kann.

Wird API-Unterstützung angeboten?

Unterstützung für Events API, Bearer-Token-Authentifizierung, Webhook und Aufrufe über Frontend-Web-Tags.

Sollten standardmäßig Cookies verwendet werden?

Standardmäßig werden keine Cookies verwendet; stattdessen können zufällige lokale Nummern oder die eigenen Benutzernummern des Kunden genutzt werden.

Ist Almeta ML Open Source?

Die Kernvorhersageplattform und -modelle sind nicht open source; es handelt sich um ein kommerzielles SaaS- sowie Unternehmensservice-Angebot.