為什麼營銷人員需要基於規則和基於機器學習的個性化

不斷增長的消費者期望和競爭壓力為營銷人員創造了一個新的現實：個性化不再是奢侈品，而是當今數字經濟中的基本服務標準。

為了提供相關體驗，公司通常堅持一種稱為基於規則的個性化的方法，該方法利用 if/then 邏輯根據一組手動編程的目標規則來定制客戶旅程。

但對於尋求擴大個性化工作的品牌來說，依靠完全手動的方法來確定最佳體驗並不總是有效或易於管理的。 這就是為什麼許多品牌傾向於使用機器學習算法來協助決策過程的原因。

這兩種方法都有明顯的優勢——這就是為什麼組織應該協同使用這些解決方案，而不是為了另一個而放棄一個。

基於規則的個性化的美與局限

基於規則的個性化如何運作？ 假設訪問者第一次登陸品牌主頁。 如果是這種情況，則該站點將在英雄橫幅中展示歡迎信息。 在額外的受眾條件中分層，如果訪問者是新訪問者並且位於愛爾蘭，則主頁主橫幅將包含帶有愛爾蘭特定內容的歡迎信息。

這些條件從簡單到復雜，都是由人設定的，而不是機器。 這是基於規則的個性化計劃成功背後的一個關鍵因素，因為營銷人員將深入了解人工智能可能會遇到的行業和品牌知識。

設計此類規則的任務是確保品牌提供的細分和情境化體驗基於直觀的洞察力和現實世界的體驗。

然而，這很容易成為一項繁瑣的、數據量大的任務，涉及大量測試部署，對每個受眾群體的每個測試變體進行粒度測量，以確定最佳的程序化定位規則。

最終，無論營銷人員在數學上多麼傾向於，在一切變得過於復雜之前，可以管理的細分市場的數量總是有限的。

由於有大量的組合和排列，面對不斷變化的客戶群，選擇一個成功的變體幾乎是不可能的。 這就是基於機器學習的個性化的用武之地。

何時整合基於機器學習的個性化

通過機器學習，品牌可以自動收集和解釋客戶洞察，使用算法或決策引擎根據性能確定為客戶提供哪些變化。 雖然與傳統的基於規則的個性化相比，這種方法涉及的人工輸入更少，但其目的是增強營銷人員，而不是取代他們。

與其忠實地部署“贏家通吃的方法”，即在達到統計顯著性後在整個訪問者池中實施單一的獲勝變體，而是可以使用機器學習來實時分析每個流量段中每個變體的性能，以提供服務選擇受眾群體最相關的內容。

這使得基於機器學習的個性化更加個性化，因為一種變體不可能適合所有訪問者——以這種方式部署體驗總是會損害一部分訪問者的體驗。

至關重要的是，通過機器學習進行優化可以節省大量運行 A/B 測試的時間和資源，從而大大提高生產力和利潤。 休假或返校促銷。

機器學習算法不是運行 A/B 測試並嘗試即時優化客戶體驗，而是可以預測每個人的積極結果，從而在整個活動期間最大限度地提高收入。

營銷人員應該進行諸如此類的短期實驗，將優化機制與其對照組進行比較，然後驗證其結果。

兩全其美的

儘管有其所有好處，基於算法的決策並非天生就優於基於規則的定位。

請記住，營銷人員將無與倫比的洞察力和洞察力帶到桌面上，這對於為這些活動制定策略和邏輯始終是必要的。 只有同時實施基於規則和基於機器學習的個性化，才能帶來最佳結果。

當今的品牌面臨著許多當務之急：將首次訪問者轉變為客戶，贏回流失的客戶，並確保為品牌提供高終身價值的忠誠客戶。

他們必須在滿足這些目標的同時考慮到這些客戶的偏好和興趣不可避免的變化。

儘管營銷人員和銷售人員在確定品牌的願景、身份和產品選擇方面始終至關重要，但人工智能引擎可以驅動許多戰術決策，例如使用哪些創意、銷售產品的順序以及向哪些客戶發送電子郵件與人類在沒有機器幫助的情況下做出此類決定相比，其結果要好得多。

這些系統通過增加商業最重要的方面：相關性來增強人類的能力並為零售商創造新的可能性。 優惠或一組產品對特定個人越相關和有吸引力，他們購買、享受購買並增加他們與品牌的互動的可能性就越大。

基於規則的個性化將繼續作為不可或缺的工具，使營銷人員能夠控制為哪些受眾提供特定體驗——並且在許多情況下，它將仍然是將客戶旅程的各個部分置於情境中的最合乎邏輯的方法。

但隨著品牌尋求擴展個性化，機器學習變得必不可少。 那麼，品牌的問題不是他們應該走哪條路。 相反，為什麼不是兩者兼而有之？