Dlaczego marketerzy potrzebują personalizacji opartej zarówno na regułach, jak i na uczeniu maszynowym?

Rosnące oczekiwania konsumentów i presja konkurencji stworzyły nową rzeczywistość dla marketerów: personalizacja nie jest już luksusem, ale stała się podstawowym standardem usług w dzisiejszej gospodarce cyfrowej.

Aby zapewnić odpowiednie doświadczenia, firmy zazwyczaj stosują podejście znane jako personalizacja oparta na regułach, która wykorzystuje logikę „jeśli/to” w celu dostosowania ścieżki klienta zgodnie z zestawem ręcznie zaprogramowanych reguł kierowania.

Jednak dla marek, które chcą zwiększyć skalę swoich wysiłków personalizacyjnych, poleganie na całkowicie ręcznym podejściu w celu określenia najbardziej optymalnego doświadczenia nie zawsze jest wydajne i łatwe w zarządzaniu. Dlatego wiele marek skłania się ku algorytmom uczenia maszynowego, które pomagają w procesie podejmowania decyzji.

Oba podejścia mają wyraźne zalety – dlatego organizacje powinny pracować z tymi rozwiązaniami w tandemie, zamiast rezygnować z jednego na rzecz drugiego.

Piękno i ograniczenia personalizacji opartej na zasadach

Jak działa personalizacja oparta na regułach? Załóżmy, że użytkownik po raz pierwszy trafia na stronę główną marki. Jeśli jest to przypadek, to strona będzie prezentować wiadomość powitalną w banerze bohatera. Warstw w dodatkowym warunkiem publiczności, jeśli użytkownik jest nowy i znajduje się w Irlandii, wówczas strona bohater transparent znajdą wiadomość powitalną z zawartością Irlandia specyficznym.

Te warunki, od prostych do złożonych, są ustalane przez ludzi, a nie maszyny. Jest to kluczowy czynnik sukcesu inicjatyw personalizacji opartej na regułach, ponieważ marketerzy wnoszą dogłębną wiedzę o branży i marce, z którą sztuczna inteligencja może się zmagać.

Zadanie opracowania takich reguł zapewnia, że ​​segmentowane i kontekstowe doświadczenia oferowane przez markę są oparte na intuicyjnych spostrzeżeniach i doświadczeniu w świecie rzeczywistym.

Może to jednak łatwo stać się żmudnym, wymagającym dużej ilości danych zadaniem, obejmującym liczne wdrożenia testowe z szczegółowymi pomiarami każdej testowanej odmiany w odniesieniu do każdego segmentu odbiorców w celu określenia optymalnych reguł kierowania programowego.

Ostatecznie, bez względu na to, jak matematycznie nastawiony może być marketer, zawsze będzie limit liczby segmentów, którymi można zarządzać, zanim wszystko stanie się zbyt skomplikowane.

Przy przytłaczającej liczbie kombinacji i permutacji wybór zwycięskiej odmiany w obliczu stale zmieniającej się bazy klientów staje się prawie niemożliwy. Tutaj pojawia się personalizacja oparta na uczeniu maszynowym.

Kiedy stosować personalizację opartą na uczeniu maszynowym?

Dzięki uczeniu maszynowemu marki mogą zautomatyzować zbieranie i interpretację informacji o klientach za pomocą algorytmów lub silników decyzyjnych określających, która odmiana zostanie obsłużona klientowi na podstawie wydajności. Chociaż takie podejście wiąże się z mniejszym wkładem ludzkim niż tradycyjna personalizacja oparta na regułach, celem jest wzmocnienie marketera, a nie jego zastąpienie.

Zamiast wiernie wdrażać podejście „zwycięzca bierze wszystko”, w którym pojedyncza zwycięska odmiana jest wdrażana w całej puli użytkowników po osiągnięciu istotności statystycznej, uczenie maszynowe może być wykorzystane do analizy wydajności każdej odmiany w każdym segmencie ruchu w czasie rzeczywistym w celu wyświetlenia najtrafniejsze treści do wybrania grup odbiorców.

To sprawia, że ​​personalizacja oparta na uczeniu maszynowym jest bardziej, cóż, bardziej spersonalizowana, ponieważ jedna odmiana nie może być odpowiednia dla wszystkich odwiedzających – a wdrażanie doświadczeń w ten sposób zawsze będzie miało negatywny wpływ na wrażenia części odwiedzających.

Co najważniejsze, optymalizacja poprzez uczenie maszynowe oszczędza znaczną ilość czasu i zasobów podczas przeprowadzania testów A/B, co czyni ją znaczącym dobrodziejstwem dla produktywności i zysków. Zrób sobie wakacje lub promocję na powrót do szkoły.

Zamiast przeprowadzać test A/B i próbować zoptymalizować doświadczenie klienta w locie, algorytmy uczenia maszynowego umożliwiają przewidywanie pozytywnych wyników dla każdej osoby, a tym samym maksymalizację przychodów przez cały czas trwania kampanii.

Marketerzy powinni przeprowadzać krótkotrwałe eksperymenty, takie jak ten, porównując mechanizmy optymalizacji z grupą kontrolną, a następnie weryfikując wyniki.

Najlepsze z obu światów

Mimo wszystkich swoich zalet podejmowanie decyzji na podstawie algorytmów nie jest z natury lepsze niż kierowanie na podstawie reguł.

Pamiętaj, marketerzy wnoszą do stołu niezrównane spostrzeżenia i rozeznanie, które zawsze będą niezbędne do ustalenia strategii i logiki tych kampanii. To wdrożenie personalizacji opartej na regułach i na uczeniu maszynowym obok siebie przyniesie najlepsze rezultaty.

Marki stają dziś przed szeregiem imperatywów: przekształcenie osób, które odwiedzają po raz pierwszy w klientów, odzyskanie klientów, którzy odeszli, oraz zapewnienie lojalnych klientów, którzy oferują marce wysoką wartość dożywotnią.

Muszą realizować te cele, biorąc pod uwagę nieuniknione zmiany w preferencjach i zainteresowaniach tych klientów.

Chociaż marketerzy i handlowcy zawsze będą odgrywać kluczową rolę w określaniu wizji marki, tożsamości i wyboru produktów, liczne decyzje taktyczne, takie jak wybór kreacji, kolejność sprzedawanych produktów i wysyłanie e-maili, którzy klienci mogą być napędzani przez silniki sztucznej inteligencji z dużo lepszymi wynikami niż ludzie podejmujący takie decyzje bez pomocy maszyn.

Systemy te zwiększają możliwości ludzi i stwarzają nowe możliwości dla detalistów, zwiększając najważniejszy aspekt handlu: znaczenie. Im bardziej adekwatna i atrakcyjna oferta lub zestaw produktów dla konkretnej osoby, tym większe prawdopodobieństwo, że dokona ona zakupu, będzie cieszyć się zakupem i zwiększyć zaangażowanie w markę.

Personalizacja oparta na regułach nadal będzie nieodzownym narzędziem, dającym marketerom możliwość kontrolowania, którym odbiorcom jest serwowana konkretna usługa – i w wielu przypadkach pozostanie najbardziej logicznym podejściem do kontekstualizowania fragmentów podróży klienta.

Jednak gdy marki chcą skalować personalizację, uczenie maszynowe staje się niezbędne. Pytanie dla marek nie brzmi zatem, jaką ścieżką powinny podążać. Zamiast tego, dlaczego nie jedno i drugie?