Da vår nylige studie avslørte at bare 26 % av ledere mangler en enhetlig definisjon av personalisering på tvers av organisasjonen, la vi merke til det. Faktisk tok vi det ... personlig.
Morsomt faktum: GOAT sa aldri uttrykket "...og jeg tok det personlig." Bare nok et eksempel på en Mandela-effekt som skjer akkurat nå.
Et annet morsomt faktum fra studien vår: 62 % av ledere har økt personaliseringsbudsjettet sitt sammenlignet med året før, noe som ble avslørt i den samme undersøkelsen, noe som betyr at personalisering tydeligvis er i alles tanker.
Så ... ja, personalisering er ikke et av de moteordene som finner veien inn i pantheonet av overbrukt bedriftsjargong. Det er et konsept som mange bedrifter ikke forstår fordi de ikke forstår den grunnleggende mekanikken i en personaliseringsstruktur.
Det finnes flere måter å tilnærme seg personalisering fra et strukturelt synspunkt. To typer personaliseringsimplementering inkluderer regelbasert personalisering og AI-personalisering. Du kan velge å bruke én eller en kombinasjon av disse personaliseringsmetodene for å skape en dynamisk, skreddersydd opplevelse for brukerne dine. Å kommunisere disse ulike personaliseringsteknikkene effektivt vil hjelpe deg med å utvikle en plan som fungerer bra.
Og siden 40 % av ledere har problemer med å skalere (bedriftsjargong!) personaliseringsprogrammene sine effektivt, er det sannsynligvis best å pakke ut disse to hovedtypene personalisering for å se hvilken (eller hvordan du kan kombinere dem) som kan fungere best for deg.
Regelbasert personalisering
Regelbasert personalisering fungerer ved å tilpasse brukeropplevelser med forhåndsdefinerte regler for å vise spesifikt innhold eller funksjoner basert på brukerdemografi, handlinger og atferd.
Du kan nesten tenke på denne typen personalisering som et flytskjema, basert på "hvis/så"-logikk (f.eks. hvis en bruker utfører handling x, vis dem innhold y). Hvert av berøringspunktene som er definert av forhåndsbestemte regler, er som atomene nevnt ovenfor. Disse atomene kan inkludere brukerens plassering, alder eller andre tilhørigheter. Når disse datapunktene eller atomene er plottet, er det sekvenseringen som skjer deretter som danner molekylene.
For å maksimere regelbasert personalisering, start med å definere klare regler basert på brukerdata (sted, alder, atferd osv.) og skreddersy nettstedet ditt for å skape en dynamisk, segmentert opplevelse.
Noen eksempler på regelbasert personalisering er:
- Dynamisk innhold – Nettsteder tilpasser seg brukerhandlinger for å vise relevante meldinger og innhold. Dette kan ta form av innholdsanbefalinger eller tilpasning av tilpassede meldinger til tilbakevendende brukere.
- Dynamiske varsler – Popup-vinduer og bannere vises på brukeratferd med skreddersydde meldinger. Et klassisk eksempel på et dynamisk varsel er når en bruker lukker et nettleservindu og det dukker opp et popup-vindu som oppfordrer brukeren til å bli på nettstedet.
- Dynamisk layout – Sider omstruktureres for å vise relevant innhold basert på atferd brukeren utfører under navigering. Google gjør dette med SERP-er hvis du søker fra en innlogget konto.
Fordeler med regelbasert personalisering
- Helt tilpassbar – Antall og typer opplevelser du kan lage er uendelige. Hvis du samler inn verdifulle data og bruker en kraftig CDP for å administrere dem, kan du lage ubegrensede permutasjoner for å tilpasse kundereisen slik du vil.
- Ubegrenset kontroll – Når du lager reglene, beholder du kontrollen. Du kan være så detaljert du vil og justere etter behov, og sørge for så mye styring (forstå bedriftsjargong!) som mulig.
- Enkel implementering – Hvis du noen gang har konstruert et flytskjema (la oss si for utgående sekvensering eller oppsett av en chatbot), kan du implementere regelbasert personalisering.
Ulemper med regelbasert personalisering
- Kompleksitet – Noen ganger er tilpasning et tveegget sverd. Med ubegrenset makt følger ubegrenset absolutt ansvar. Når du har mange forskjellige sekvenser som kjører samtidig, gir det flere muligheter for at feil og avvik kan oppstå.
- Intensiv – Hvis du ønsker å skalere regelbasert personalisering, må du planlegge og justere mye for å sikre at de dynamiske opplevelsene du tilbyr er i samsvar med din bredere personaliseringsstrategi.
AI-personalisering
En annen måte å personifisere på er gjennom maskinlæring eller algoritmisk personalisering. Denne typen personalisering utnytter AI og maskinlæring (ML) for å drive innholds- og produktanbefalingsmotorer.
Dette er spesielt relevant for nettsteder med store mengder innhold eller produkter, hvor regelbasert personalisering vil bli ekstremt ressurskrevende.
I stedet for å definere regler der du forteller personaliseringsmotoren din hvordan den skal ordne atomer til molekyler, setter AI/ML-personalisering dem sammen basert på sanntidsdata og brukeratferd. AI- eller maskinlæringspersonalisering er i stor grad avhengig av å analysere atferden til lignende kunder på nettstedet for å forutsi hva som vil være av interesse for en bestemt kundes nettleseropplevelse, og dermed servere 1:1-tilpasset innhold.
En enkel måte å tenke på dette er å tenke på netthandelsnettsteder som viser "kunder kjøpte også"-funksjoner som viser deg produktanbefalinger. Kunder som kan plasseres i samme målgruppe kan få servert helt unike innholds-/produktanbefalinger, fokusert på det de leter etter i dag.
Basert på denne innsikten kan algoritmen anbefale produkter eller vise relevant innhold som sannsynligvis vil fange brukerens interesse.
Noen eksempler er:
- Innholdsanbefalinger – Personlige artikler, videoer eller annet innhold som samsvarer med brukerens interesser
- Produktanbefalinger – Produktforslag basert på tidligere kjøp, nettleserhistorikk eller lignende brukerinteresser
- E-postanbefalinger – Skreddersydde e-poster med innhold, produkter eller tilbud som samsvarer med mottakerens interesser
Fordeler med AI-personlig tilpasning
- Skalerbarhet – Som med de fleste andre AI-løsninger blir skalerbarhet mye mer oppnåelig. I stedet for at du gjør alt forarbeidet, kan du la robotoverherrene AI-plattformen gjøre jobben sin.
- Forbedret brukeropplevelse – Tilpasningsevne og personalisering i sanntid er også mye mer oppnåelig med en AI-motor som styrer skipet.
- Gjenbruk av innhold – Hvor ofte har du gjort innholdsrevisjoner bare for å innse at artikkelen du nettopp skrev allerede ble skrevet for 2 år siden (og skrevet mye bedre)? AI er en effektiv måte å avdekke det mest relevante innholdet i innholdsbiblioteket ditt, selv artiklene du kanskje har glemt.
Ulemper med AI-personalisering
- Begrenset omfang – AI har fortsatt en vei å gå når det gjelder personalisering utenfor omfanget av anbefalt innhold og produkter.
- Dataproblemer – Er du en av brukerne som liker at dataene dine samles inn på måter du ikke engang forstår? Sannsynligvis ikke. Og hvis du sa ja, lyver du sannsynligvis. Personvern og åpenhet om datasporing kan bli uklart hvis det ikke gjøres riktig.
- Innholdstilgjengelighet – Innholdsanbefalinger er ubrukelige hvis du ikke har innhold å anbefale (duh). Mange markedsføringsteam sliter når det gjelder å skalere innhold, men nå beveger disse problemene seg inn i personaliseringens verden.
Oppsummering
Når man bryter det ned, handler implementering av personalisering egentlig om hvorvidt man vil sette i gang kartleggingen av kundeopplevelsen selv (regelbasert), la AI gjøre det for deg (AI-personalisering), eller bruke en slags hybrid.
De fleste bedrifter foretrekker sannsynligvis en hybrid, der man kan definere regler basert på spesifikke kundehandlinger (atomer), kundesegmenter (molekyler) og kundeprofiler (organismer), samtidig som AI kan levere en personlig opplevelse i sanntid, og reagere på kundeatferd.
Uansett hvordan du velger å personifisere, husk å ta det personlig.