Почему маркетологам нужна персонализация на основе правил и машинного обучения

Растущие ожидания потребителей и давление со стороны конкуренции создали новую реальность для маркетологов: персонализация больше не является роскошью, а стала основным стандартом обслуживания в современной цифровой экономике.

Для обслуживания релевантного опыта компании обычно придерживаются подхода, известного как персонализация на основе правил, который использует логику «если / то» для адаптации пути клиента в соответствии с набором вручную запрограммированных правил таргетинга.

Но для брендов, стремящихся масштабировать свои усилия по персонализации, полагаться на полностью ручной подход для определения наиболее оптимального опыта не всегда эффективно или управляемо. Вот почему многие бренды тяготеют к алгоритмам машинного обучения, которые помогают в процессе принятия решений.

Оба подхода предлагают явные преимущества, поэтому организациям следует работать с этими решениями в тандеме, а не отказываться от одного в пользу другого.

Красота и ограничения персонализации на основе правил

Как работает персонализация на основе правил? Допустим, посетитель впервые попадает на главную страницу бренда. Если это так, то сайт будет витрина сообщения приветствия в анонсах. Если посетитель является новым и находится в Ирландии, то на главном баннере главной страницы будет размещено приветственное сообщение с содержанием, характерным для Ирландии.

Эти условия, которые могут варьироваться от простых до сложных, устанавливаются людьми, а не машинами. Это ключевой фактор успеха инициатив по персонализации на основе правил, поскольку маркетологи используют глубокие знания отрасли и бренда, с которыми ИИ может столкнуться с трудностями.

Задача разработки таких правил гарантирует, что сегментированный и контекстуализированный опыт, который предлагает бренд, основан на интуитивном понимании и реальном опыте.

Однако это может легко превратиться в утомительную задачу с большим объемом данных, требующую многочисленных тестовых развертываний с детальными измерениями каждого протестированного варианта по каждому сегменту аудитории, чтобы определить оптимальные правила программного таргетинга.

В конечном счете, независимо от того, насколько математически склонен маркетолог, всегда будет ограничение на количество сегментов, которыми можно управлять, прежде чем все станет слишком сложным.

При огромном количестве комбинаций и перестановок выбор выигрышного варианта перед лицом постоянно меняющейся клиентской базы становится практически невозможным. Именно здесь на помощь приходит персонализация на основе машинного обучения.

Когда использовать персонализацию на основе машинного обучения

С помощью машинного обучения бренды могут автоматизировать сбор и интерпретацию информации о клиентах с помощью алгоритмов или механизмов принятия решений, определяющих, какой вариант будет обслужен клиентом, в зависимости от производительности. Хотя этот подход требует меньшего участия человека, чем традиционная персонализация на основе правил, цель состоит в том, чтобы расширить маркетологов, а не заменить их.

Вместо того, чтобы добросовестно применять принцип «победитель получает все», при котором один выигрышный вариант реализуется для всего пула посетителей после достижения статистической значимости, можно использовать машинное обучение для анализа эффективности каждого варианта в каждом сегменте трафика в режиме реального времени для обслуживания наиболее релевантный контент для выбора групп аудитории.

Это делает персонализацию на основе машинного обучения более персонализированной, поскольку один вариант не может быть подходящим для всех посетителей - и развертывание опыта таким образом всегда ставит под угрозу опыт для части посетителей.

Важно отметить, что оптимизация с помощью машинного обучения значительно экономит время и ресурсы на проведение A / B-тестов, что делает его существенным преимуществом для производительности и прибыли. Возьмите отпуск или предложение о возвращении в школу.

Вместо того, чтобы проводить A / B-тестирование и пытаться оптимизировать качество обслуживания клиентов на лету, алгоритмы машинного обучения позволяют прогнозировать положительные результаты для каждого человека и, таким образом, максимизировать доход на протяжении всей кампании.

Маркетологи должны проводить такие краткосрочные эксперименты, как этот, сравнивая механизмы оптимизации с контрольной группой, а затем проверяя их результаты.

Лучший из двух миров

При всех своих преимуществах принятие решений на основе алгоритмов по своей сути не превосходит таргетинг на основе правил.

Помните, что маркетологи приносят несравненную проницательность и проницательность, которые всегда будут необходимы для определения стратегии и логики этих кампаний. Именно реализация персонализации на основе правил и на основе машинного обучения наряду друг с другом принесет наилучшие результаты.

Сегодня бренды сталкиваются с рядом императивов: превратить впервые посетивших посетителей в клиентов, вернуть оттесненных клиентов и обеспечить постоянных клиентов, которые предлагают бренду высокую ценность на протяжении всей жизни.

Они должны достичь этих целей, учитывая неизбежные изменения предпочтений и интересов этих клиентов.

Хотя маркетологи и мерчандайзеры всегда будут играть ключевую роль в определении видения, идентичности и выбора продукта бренда, многочисленные тактические решения, такие как, какие креативы использовать, порядок товаров, которые продаются, и какие электронные письма отправлять, какие клиенты могут управляться механизмами ИИ. с гораздо лучшими результатами, чем люди, принимающие такие решения без помощи машин.

Эти системы расширяют возможности людей и создают новые возможности для розничных торговцев, повышая наиболее важный аспект коммерции: актуальность. Чем более актуальным и привлекательным является предложение или набор продуктов для конкретного человека, тем выше вероятность, что он купит, получит удовольствие от покупки и увеличит свое взаимодействие с брендом.

Персонализация на основе правил будет по-прежнему служить незаменимым инструментом, предоставляя маркетологам возможность контролировать, какие аудитории обслуживаются конкретным опытом - и во многих случаях она останется наиболее логичным подходом для контекстуализации частей пути к покупке.

Но поскольку бренды стремятся масштабировать персонализацию, машинное обучение становится необходимым. Таким образом, вопрос для брендов не в том, по какому пути им следует идти. Вместо этого, почему не оба?