Inndeling av de ulike typene personalisering

Da vår nylige studie avslørte at bare 26 % av lederne mangler en enhetlig definisjon av personalisering i hele organisasjonen, la vi merke til det. Vi tok det faktisk ... personlig.

Morsomt faktum: GOAT sa faktisk aldri uttrykket "...and I took that personally." Nok et eksempel på Mandela-effekten som skjer akkurat nå.

Et annet morsomt faktum fra studien vår: 62 % av lederne har økt budsjettet for personalisering sammenlignet med året før, noe som avsløres i den samme undersøkelsen, noe som betyr at personalisering helt klart er noe alle tenker på.

Så ... ja, personalisering er ikke et av disse moteordene som er på vei inn i pantheon av overbrukt bedriftssjargong. Det er et konsept som mange bedrifter ikke forstår fordi de ikke forstår de grunnleggende mekanismene i en personaliseringsstruktur.

Det finnes flere måter å tilnærme seg personalisering fra et strukturelt ståsted. To typer personaliseringsimplementering inkluderer regelbasert personalisering og AI-personalisering. Du kan velge å bruke én eller en kombinasjon av disse personaliseringstilnærmingene for å skape en dynamisk, skreddersydd opplevelse for brukerne dine. Ved å kommunisere disse ulike personaliseringsteknikkene på en effektiv måte kan du utvikle en plan som fungerer godt.

Og siden 40 % av lederne har problemer med å skalere (bedriftssjargong!) personaliseringsprogrammene sine på en effektiv måte, er det sannsynligvis best å ta for seg disse to hovedtypene av personalisering for å se hvilken av dem (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 se på denne typen personalisering som et flytskjema, som baserer seg på "hvis/så"-logikk (f.eks. hvis en bruker utfører handling x, skal du vise dem innhold y). Hvert av berøringspunktene som er definert av forhåndsbestemte regler, er som atomene nevnt ovenfor. Disse atomene kan omfatte brukerens lokasjon, alder eller andre tilknytninger. Når disse datapunktene eller atomene er plottet inn, er det den påfølgende sekvenseringen som danner molekylene.

For å maksimere regelbasert personalisering må du begynne med å definere klare regler basert på brukerdata (plassering, 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 brukernes handlinger for å vise relevante meldinger og innhold. Dette kan for eksempel være i form av innholdsanbefalinger eller tilpassede meldinger til tilbakevendende brukere.
• Dynamiske varsler - Popup-vinduer og bannere dukker opp ved brukeratferd med skreddersydde meldinger. Et klassisk eksempel på et dynamisk varsel er når en bruker går for å lukke et nettleservindu, og det dukker opp en popup som oppfordrer brukeren til å bli værende på nettstedet.
• Dynamisk layout - Sidene omstruktureres for å vise relevant innhold basert på brukerens atferd under navigasjonen. Google gjør dette med SERP-er hvis du søker fra en innlogget konto.

Fordeler med regelbasert personalisering

• Fullstendig tilpasningsdyktig - Antallet og typene opplevelser du kan skape, er uendelige. Hvis du samler inn verdifulle data og bruker en kraftig CDP til 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 som du vil og justere etter behov, slik at du får så god styring som mulig.
• Enkel implementering - Hvis du noen gang har laget 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 også ubegrenset ansvar. Når du har mange forskjellige sekvenser som kjører samtidig, åpner det for flere muligheter for at det oppstår feil og avvik.
• Intensivt - Hvis du ønsker å skalere regelbasert personalisering, må du planlegge og justere mye for å sikre at de dynamiske opplevelsene du tilbyr, er i tråd med den bredere personaliseringsstrategien din.

AI-personalisering

En annen måte å personalisere på er gjennom maskinlæring eller algoritmisk personalisering. Denne typen personalisering utnytter kunstig intelligens og maskinlæring (ML) til å drive innholds- og produktanbefalingsmotorer.

Dette er spesielt relevant for nettsteder med store mengder innhold eller produkter, der regelbasert personalisering vil bli ekstremt ressurskrevende.

I stedet for å definere regler der du forteller personaliseringsmotoren hvordan atomer skal settes sammen til molekyler, setter AI/ML-personalisering dem sammen basert på sanntidsdata og brukeratferd. Personalisering basert på kunstig intelligens eller maskinlæring baserer seg i stor grad på å analysere atferden til lignende kunder på nettstedet for å forutsi hva som vil være av interesse for en bestemt kundes surfeopplevelse, og dermed servere 1:1-skreddersydd innhold.

En enkel måte å tenke på dette på er å tenke på netthandelsnettsteder som viser "kunder som også har kjøpt"-funksjoner som gir deg produktanbefalinger. Kunder som kan befinne seg i samme målgruppe, kan få helt unike innholds-/produktanbefalinger som fokuserer på det de er ute etter i dag.

Basert på denne innsikten kan algoritmen anbefale produkter eller vise relevant innhold som med stor sannsynlighet vil fange brukerens interesse.

Noen eksempler er

• Innholdsanbefalinger - Personaliserte 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-personalisering

• Skalerbarhet - Som med de fleste andre AI-løsninger blir skalerbarheten mye mer oppnåelig. I stedet for at du må gjøre alt arbeidet, kan du la AI-plattformen med robotoverlords gjøre jobben sin.
• Forbedret brukeropplevelse - Tilpasningsevne og personalisering i sanntid er også mye mer oppnåelig med en AI-motor som styrer skuta.
• Gjenbruk av innhold - Hvor ofte har du ikke gjort innholdsrevisjoner bare for å innse at artikkelen du nettopp skrev, allerede var skrevet for to år siden (og skrevet mye bedre)? AI er en effektiv måte å få frem det mest relevante innholdet i innholdsbiblioteket ditt, til og med de artiklene du kanskje har glemt.

Ulemper med AI-personalisering

• Begrenset omfang - AI har fortsatt en vei å gå når det gjelder personalisering utenfor anbefalt innhold og produkter.
• Dataproblemer - Er du en av de brukerne som liker å få dataene dine innhentet på måter du ikke engang kan forstå? Sannsynligvis ikke. Og hvis du sier ja, lyver du sannsynligvis. Personvern og åpenhet om datasporing kan bli uklart hvis det ikke gjøres på riktig måte.
• Tilgjengelighet av innhold - Innholdsanbefalinger er ubrukelige hvis du ikke har innhold å anbefale (duh). Mange markedsføringsteam sliter med å skalere innhold, men nå begynner disse problemene også å omfatte personalisering.

Oppsummering

Når du bryter det ned, handler personalisering i bunn og grunn om hvorvidt du ønsker å kartlegge kundeopplevelsen selv (regelbasert), få AI til å gjøre det for deg (AI-personalisering) eller bruke en form for hybrid.

De fleste bedrifter vil nok foretrekke en hybrid, der du kan definere regler basert på spesifikke kundehandlinger (atomer), kundesegmenter (molekyler) og kundeprofiler (organismer), samtidig som du lar kunstig intelligens levere en personalisert opplevelse i sanntid, som reagerer på kundens atferd.

Uansett hvordan du velger å personalisere, må du huske å ta det personlig.