为什么营销人员需要基于规则和基于机器学习的个性化

不断增长的消费者期望和竞争压力为营销人员创造了一个新的现实：个性化不再是奢侈品，而是当今数字经济中的基本服务标准。

为了提供相关体验，公司通常坚持一种称为基于规则的个性化的方法，该方法利用 if/then 逻辑根据一组手动编程的目标规则来定制客户旅程。

但对于寻求扩大个性化工作的品牌来说，依靠完全手动的方法来确定最佳体验并不总是有效或易于管理的。 这就是为什么许多品牌倾向于使用机器学习算法来协助决策过程的原因。

这两种方法都有明显的优势——这就是为什么组织应该协同使用这些解决方案，而不是为了另一个而放弃一个。

基于规则的个性化的美与局限

基于规则的个性化如何运作？ 假设访问者第一次登陆品牌主页。 如果是这种情况，则该站点将在英雄横幅中展示欢迎信息。 在额外的受众条件中分层，如果访问者是新访问者并且位于爱尔兰，则主页主横幅将包含带有爱尔兰特定内容的欢迎信息。

这些条件从简单到复杂，都是由人设定的，而不是机器。 这是基于规则的个性化计划成功背后的一个关键因素，因为营销人员将深入了解人工智能可能会遇到的行业和品牌知识。

设计此类规则的任务是确保品牌提供的细分和情境化体验基于直观的洞察力和现实世界的体验。

然而，这很容易成为一项繁琐的、数据量大的任务，涉及大量测试部署，对每个受众群体的每个测试变体进行粒度测量，以确定最佳的程序化定位规则。

最终，无论营销人员在数学上多么倾向于，在一切变得过于复杂之前，可以管理的细分市场的数量总是有限的。

由于有大量的组合和排列，面对不断变化的客户群，选择一个成功的变体几乎是不可能的。 这就是基于机器学习的个性化的用武之地。

何时整合基于机器学习的个性化

通过机器学习，品牌可以自动收集和解释客户洞察，使用算法或决策引擎根据性能确定为客户提供哪些变化。 虽然与传统的基于规则的个性化相比，这种方法涉及的人工输入更少，但其目的是增强营销人员，而不是取代他们。

与其忠实地部署“赢家通吃的方法”，即在达到统计显着性后在整个访问者池中实施单一的获胜变体，而是可以使用机器学习来实时分析每个流量段中每个变体的性能，以提供服务选择受众群体最相关的内容。

这使得基于机器学习的个性化更加个性化，因为一种变体不可能适合所有访问者——以这种方式部署体验总是会损害一部分访问者的体验。

至关重要的是，通过机器学习进行优化可以节省大量运行 A/B 测试的时间和资源，从而大大提高生产力和利润。 休假或返校促销。

机器学习算法不是运行 A/B 测试并尝试即时优化客户体验，而是可以预测每个人的积极结果，从而在整个活动期间最大限度地提高收入。

营销人员应该进行诸如此类的短期实验，将优化机制与其对照组进行比较，然后验证其结果。

两全其美的

尽管有其所有好处，基于算法的决策并非天生就优于基于规则的定位。

请记住，营销人员将无与伦比的洞察力和洞察力带到桌面上，这对于为这些活动制定策略和逻辑始终是必要的。 只有同时实施基于规则和基于机器学习的个性化，才能带来最佳结果。

当今的品牌面临着许多当务之急：将首次访问者转变为客户，赢回流失的客户，并确保为品牌提供高终身价值的忠诚客户。

他们必须在满足这些目标的同时考虑到这些客户的偏好和兴趣不可避免的变化。

尽管营销人员和销售人员在确定品牌的愿景、身份和产品选择方面始终至关重要，但人工智能引擎可以驱动许多战术决策，例如使用哪些创意、销售产品的顺序以及向哪些客户发送电子邮件与人类在没有机器帮助的情况下做出此类决定相比，其结果要好得多。

这些系统通过增加商业最重要的方面：相关性来增强人类的能力并为零售商创造新的可能性。 优惠或一组产品对特定个人越相关和有吸引力，他们购买、享受购买并增加他们与品牌的互动的可能性就越大。

基于规则的个性化将继续作为不可或缺的工具，使营销人员能够控制为哪些受众提供特定体验——并且在许多情况下，它将仍然是将客户旅程的各个部分置于情境中的最合乎逻辑的方法。

但随着品牌寻求扩展个性化，机器学习变得必不可少。 那么，品牌的问题不是他们应该走哪条路。 相反，为什么不是两者兼而有之？