Warum Marketer sowohl eine regelbasierte als auch eine auf maschinellem Lernen basierende Personalisierung benötigen

Steigende Verbrauchererwartungen und Wettbewerbsdruck haben für Marketer eine neue Realität geschaffen: Personalisierung ist kein Luxus mehr, sondern ein grundlegender Servicestandard in der heutigen digitalen Wirtschaft.

Um relevante Erlebnisse zu bieten, haben sich Unternehmen in der Regel an einen Ansatz gehalten, der als regelbasierte Personalisierung bekannt ist und eine Wenn/Dann-Logik verwendet, um die Customer Journey gemäß einer Reihe von manuell programmierten Targeting-Regeln anzupassen.

Aber für Marken, die ihre Personalisierungsbemühungen skalieren möchten, ist es nicht immer effizient oder handhabbar, sich auf einen vollständig manuellen Ansatz zu verlassen, um das optimale Erlebnis zu bestimmen. Aus diesem Grund setzen viele Marken auf maschinelle Lernalgorithmen, um den Entscheidungsprozess zu unterstützen.

Beide Ansätze bieten eindeutige Vorteile – deshalb sollten Unternehmen mit diesen Lösungen im Tandem arbeiten und nicht das eine für das andere über Bord werfen.

Die Schönheit und Grenzen der regelbasierten Personalisierung

Wie funktioniert regelbasierte Personalisierung? Angenommen, ein Besucher landet zum ersten Mal auf der Homepage einer Marke. Wenn dies der Fall ist , zeigt die Site eine Willkommensnachricht im Hero-Banner an. Wenn der Besucher neu ist und sich in Irland befindet, wird eine zusätzliche Zielgruppenbedingung hinzugefügt, und das Hero-Banner der Startseite enthält eine Willkommensnachricht mit irlandspezifischen Inhalten.

Diese Bedingungen, die von einfach bis komplex reichen können, werden alle von Menschen und nicht von Maschinen festgelegt. Dies ist ein Schlüsselfaktor für den Erfolg regelbasierter Personalisierungsinitiativen, da Marketer fundierte Branchen- und Markenkenntnisse einbringen, mit denen KI möglicherweise zu kämpfen hat.

Die Aufgabe, solche Regeln zu entwickeln, stellt sicher, dass die segmentierten und kontextualisierten Erlebnisse einer Marke auf intuitiven Erkenntnissen und realen Erfahrungen basieren.

Dies kann jedoch leicht zu einer mühsamen und datenintensiven Aufgabe werden, bei der zahlreiche Testbereitstellungen mit detaillierten Messungen jeder getesteten Variation für jedes Zielgruppensegment erforderlich sind, um optimale Regeln für das programmatische Targeting zu ermitteln.

Letztendlich, egal wie mathematisch ein Vermarkter auch sein mag, es wird immer eine Grenze geben, wie viele Segmente verwaltet werden können, bevor alles zu komplex wird.

Bei einer überwältigenden Anzahl von Kombinationen und Permutationen wird es fast unmöglich, angesichts eines sich ständig ändernden Kundenstamms eine gewinnbringende Variante auszuwählen. Hier kommt die auf maschinellem Lernen basierende Personalisierung ins Spiel.

Wann sollte eine auf maschinellem Lernen basierende Personalisierung integriert werden?

Durch maschinelles Lernen können Marken die Erfassung und Interpretation von Kundeninformationen automatisieren, wobei Algorithmen oder Entscheidungsmaschinen bestimmen, welche Variante einem Kunden basierend auf der Leistung serviert wird. Dieser Ansatz erfordert zwar weniger menschliche Eingaben als die traditionelle regelbasierte Personalisierung, aber die Absicht besteht darin, den Vermarkter zu erweitern und nicht zu ersetzen.

Anstatt treu einen „Winner Takes All-Ansatz“ anzuwenden, bei dem eine einzelne Gewinnervariante bei Erreichen der statistischen Signifikanz im gesamten Besucherpool implementiert wird, kann maschinelles Lernen verwendet werden, um die Leistung jeder Variante in jedem Verkehrssegment in Echtzeit zu analysieren, um sie zu bedienen. die relevantesten Inhalte, um Zielgruppen auszuwählen.

Dies macht die auf maschinellem Lernen basierende Personalisierung mehr, na ja, personalisiert, da eine Variante nicht für alle Besucher geeignet sein kann – und die Bereitstellung von Erlebnissen auf diese Weise wird immer die Erfahrung für einen Teil der Besucher beeinträchtigen.

Entscheidend ist, dass die Optimierung durch maschinelles Lernen erheblich Zeit und Ressourcen bei der Durchführung von A/B-Tests spart, was sie zu einem erheblichen Gewinn für die Produktivität und das Endergebnis macht. Nehmen Sie eine Ferien- oder Back-to-School-Aktion wahr.

Anstatt einen A/B-Test durchzuführen und zu versuchen, das Kundenerlebnis im Handumdrehen zu optimieren, ermöglichen es Algorithmen des maschinellen Lernens, positive Ergebnisse für jeden Einzelnen vorherzusagen und so den Umsatz über die gesamte Dauer der Kampagne zu maximieren.

Marketer sollten kurzlebige Experimente wie diese durchführen, die Optimierungsmechanismen mit ihrer Kontrollgruppe vergleichen und dann ihre Ergebnisse validieren.

Das Beste aus beiden Welten

Trotz all seiner Vorteile ist die algorithmenbasierte Entscheidungsfindung dem regelbasierten Targeting nicht von Natur aus überlegen.

Denken Sie daran, dass Vermarkter die unvergleichlichen Erkenntnisse und das Urteilsvermögen mitbringen, die immer erforderlich sind, um die Strategie und Logik für diese Kampagnen festzulegen. Es ist die parallele Implementierung von regelbasierter und maschineller Learning-basierter Personalisierung, die die besten Ergebnisse bringt.

Marken stehen heute einer Reihe von Imperativen gegenüber: Erstbesucher zu Kunden zu machen, abgewanderte Kunden zurückzugewinnen und treue Kunden zu gewinnen, die der Marke einen hohen Lifetime-Wert bieten.

Sie müssen diese Ziele erreichen und dabei die unvermeidlichen Veränderungen der Präferenzen und Interessen dieser Kunden berücksichtigen.

Obwohl Marketer und Merchandiser immer eine zentrale Rolle bei der Bestimmung der Vision, Identität und Produktauswahl einer Marke spielen werden, können zahlreiche taktische Entscheidungen wie die zu verwendenden Creatives, die Reihenfolge der Produkte, die vermarktet werden und welche E-Mails an welche Kunden gesendet werden sollen, von KI-Engines gesteuert werden mit weitaus besseren Ergebnissen als Menschen, die solche Entscheidungen ohne Hilfe von Maschinen treffen.

Diese Systeme erweitern die Fähigkeiten des Menschen und schaffen neue Möglichkeiten für den Handel, indem sie den wichtigsten Aspekt des Handels steigern: die Relevanz. Je relevanter und attraktiver ein Angebot oder eine Produktgruppe für eine bestimmte Person ist, desto höher ist die Wahrscheinlichkeit, dass sie kauft, ihren Kauf genießt und ihr Engagement für die Marke erhöht.

Die regelbasierte Personalisierung wird weiterhin ein unverzichtbares Werkzeug sein, das Marketern die Möglichkeit gibt, zu steuern, welchen Zielgruppen ein bestimmtes Erlebnis geboten wird – und in vielen Fällen bleibt dies der logischste Ansatz, um Teile der Customer Journey zu kontextualisieren.

Da Marken jedoch versuchen, die Personalisierung zu skalieren, wird maschinelles Lernen unerlässlich. Die Frage für Marken ist also nicht, welchen Weg sie einschlagen sollen. Warum nicht beides?