마케터가 규칙 기반 및 기계 학습 기반 개인화를 모두 필요로 하는 이유

증가하는 소비자 기대치와 경쟁 압력으로 인해 마케터에게 새로운 현실이 생겼습니다. 개인화는 더 이상 사치가 아니라 오늘날의 디지털 경제에서 서비스의 기본 표준이 되었습니다.

관련 경험을 제공하기 위해 기업은 일반적으로 if/then 논리를 활용하여 수동으로 프로그래밍된 타겟팅 규칙 집합에 따라 고객 여정을 조정하는 규칙 기반 개인화라는 접근 방식을 고수해 왔습니다.

그러나 개인화 노력을 확장하려는 브랜드의 경우 가장 최적의 경험을 결정하기 위해 완전히 수동 접근 방식에 의존하는 것이 항상 효율적이거나 관리 가능한 것은 아닙니다. 그렇기 때문에 많은 브랜드가 의사 결정 과정을 지원하기 위해 머신 러닝 알고리즘에 관심을 기울이고 있습니다.

두 가지 접근 방식 모두 뚜렷한 이점을 제공합니다. 따라서 조직에서는 이러한 솔루션을 서로 버리는 것보다 함께 사용해야 합니다.

규칙 기반 개인화의 아름다움과 한계

규칙 기반 개인화는 어떻게 작동합니까? 방문자가 브랜드 홈페이지를 처음 방문한다고 가정해 보겠습니다. 이 경우, 다음 사이트는 영웅 배너 환영 메시지를 선보일 예정이다. 방문자가 새로운 아일랜드에있는 경우, 추가로 관객 상태에서 레이어링 한 후 홈페이지 영웅 배너 아일랜드 고유의 함량이 환영 메시지 기능을합니다.

단순한 것에서 복잡한 것까지 다양할 수 있는 이러한 조건은 모두 기계가 아니라 인간에 의해 설정됩니다. 이것은 마케터가 AI가 어려움을 겪을 수 있는 심층적인 산업 및 브랜드 지식을 제공함에 따라 규칙 기반 개인화 이니셔티브의 성공 뒤에 있는 핵심 요소입니다.

이러한 규칙을 고안하는 임무는 브랜드가 제공하는 세분화되고 상황에 맞는 경험이 직관적인 통찰력과 실제 경험을 기반으로 하도록 합니다.

그러나 이것은 최적의 프로그래밍 방식 타겟팅 규칙을 결정하기 위해 각 잠재고객 세그먼트에 대해 테스트된 모든 변형을 세부적으로 측정하는 수많은 테스트 배포를 포함하는 지루하고 데이터가 많은 작업이 되기 쉽습니다.

궁극적으로, 마케터가 수학적으로 얼마나 기울어져 있든 간에, 모든 세그먼트가 너무 복잡해지기 전에 관리할 수 있는 세그먼트의 수에는 항상 한계가 있습니다.

조합과 순열이 압도적으로 많기 때문에 끊임없이 변화하는 고객 기반에 직면하여 성공적인 변형을 선택하는 것이 거의 불가능합니다. 여기에 머신 러닝 기반 개인화가 등장합니다.

머신 러닝 기반 개인화를 통합해야 하는 경우

브랜드는 머신 러닝을 통해 고객 통찰력의 수집 및 해석을 자동화할 수 있으며, 알고리즘 또는 의사 결정 엔진은 성과에 따라 고객에게 제공될 변형을 결정합니다. 이 접근 방식은 전통적인 규칙 기반 개인화보다 인적 입력이 덜 필요하지만 의도는 마케팅 담당자를 대체하는 것이 아니라 강화하는 것입니다.

통계적 유의성에 도달하면 전체 방문자 풀에 걸쳐 단일 승리 변형이 구현되는 "승자 독식 방식"을 충실하게 배포하는 대신 머신 러닝을 사용하여 실시간으로 모든 트래픽 세그먼트에서 각 변형의 성능을 분석하여 서비스를 제공할 수 있습니다. 가장 관련성 높은 콘텐츠를 선택하여 잠재고객 그룹을 선택합니다.

하나의 변형이 모든 방문자에게 적합할 수 없기 때문에 머신 러닝 기반 개인화를 더 잘 개인화할 수 있습니다. 이러한 방식으로 경험을 배포하면 항상 일부 방문자의 경험이 손상될 수 있습니다.

결정적으로, 기계 학습을 통한 최적화는 A/B 테스트를 실행하는 시간과 리소스를 상당히 절약하여 생산성과 수익에 상당한 도움이 됩니다. 휴가나 개학 프로모션에 참여하십시오.

A/B 테스트를 실행하고 즉석에서 고객 경험을 최적화하려고 하는 대신 기계 학습 알고리즘을 사용하면 각 개인에 대한 긍정적인 결과를 예측할 수 있으므로 전체 캠페인 기간 동안 수익을 극대화할 수 있습니다.

마케터는 이와 같은 단기 실험을 실행하여 최적화 메커니즘을 대조군과 비교한 다음 결과를 검증해야 합니다.

두 세계의 최고

모든 이점에도 불구하고 알고리즘 기반 의사 결정은 본질적으로 규칙 기반 타겟팅보다 우수하지 않습니다.

마케터는 이러한 캠페인의 전략과 논리를 설정하는 데 항상 필요한 비교할 수 없는 통찰력과 통찰력을 테이블에 제공한다는 것을 기억하십시오. 최상의 결과를 이끌어내는 것은 규칙 기반 및 기계 학습 기반 개인화를 함께 구현하는 것입니다.

오늘날 브랜드는 첫 번째 방문자를 고객으로 전환하고, 이탈한 고객을 다시 확보하고, 브랜드에 높은 평생 가치를 제공하는 충성도 높은 고객을 확보하는 등 여러 가지 과제에 직면해 있습니다.

그들은 이러한 고객의 선호도와 관심사의 불가피한 변화를 고려하면서 이러한 목표를 달성해야 합니다.

마케터와 머천다이저는 항상 브랜드의 비전, 아이덴티티, 제품 선택을 결정하는 데 중추적 역할을 할 것이지만 어떤 크리에이티브를 사용할지, 상품화할 제품의 순서, 어떤 고객에게 보낼 이메일과 같은 수많은 전술적 결정은 AI 엔진에 의해 주도될 수 있습니다. 인간이 기계의 도움 없이 그러한 결정을 내리는 것보다 훨씬 우수한 결과를 제공합니다.

이러한 시스템은 인간의 능력을 강화하고 상거래의 가장 중요한 측면인 관련성을 높임으로써 소매업체를 위한 새로운 가능성을 창출합니다. 특정 개인에게 관련성이 높고 매력적인 제안 또는 제품 세트일수록 구매 가능성이 높아지고 구매를 즐기고 브랜드 참여도가 높아집니다.

규칙 기반 개인화는 마케터에게 특정 경험을 제공할 청중을 제어할 수 있는 기능을 제공하는 필수 도구로 계속 사용될 것이며 많은 경우 고객 여정의 일부를 맥락화하기 위한 가장 논리적인 접근 방식으로 남을 것입니다.

그러나 브랜드가 개인화를 확장하려고 함에 따라 머신 러닝이 필수가 되었습니다. 그렇다면 브랜드에 대한 질문은 그들이 추구해야 할 경로가 아닙니다. 대신에 둘 다 안 되는 이유는 무엇입니까?