När vår senaste studie visade att endast 26 % av cheferna saknar en enhetlig definition av personalisering i hela organisationen, lade vi märke till det. Faktum är att vi tog det... personligt.
Kul fakta: GOAT sa aldrig frasen "...och jag tog det personligt". Bara ytterligare ett exempel på en Mandela-effekt som händer just nu.
Ett annat roligt faktum från vår studie: 62 % av cheferna har ökat sin personaliseringsbudget jämfört med föregående år, vilket framgick i samma undersökning, vilket innebär att personalisering uppenbarligen är något alla tänker på.
Så... ja, personalisering är inte ett av de där modeorden som tar sig in i den överanvända företagsjargongen. Det är ett koncept som många företag inte förstår eftersom de inte förstår den grundläggande mekaniken i en personaliseringsstruktur.
Det finns flera sätt att närma sig personalisering ur ett strukturellt perspektiv. Två typer av personaliseringsimplementering inkluderar regelbaserad personalisering och AI-personalisering. Du kan välja att använda en eller en kombination av dessa personaliseringsmetoder för att skapa en dynamisk, skräddarsydd upplevelse för dina användare. Att effektivt kommunicera dessa olika personaliseringstekniker hjälper dig att utveckla en plan som fungerar bra.
Och eftersom 40 % av cheferna har svårt att skala sina personaliseringsprogram effektivt (företagsjargong!), är det förmodligen bäst att analysera dessa två huvudtyper av personalisering för att se vilken (eller hur du kan kombinera dem) som kan fungera bäst för dig.
Regelbaserad personalisering
Regelbaserad personalisering fungerar genom att anpassa användarupplevelser med fördefinierade regler för att visa specifikt innehåll eller funktioner baserat på användardemografi, handlingar och beteenden.
Man kan nästan tänka på den här typen av personalisering som ett flödesschema, som förlitar sig på "om/då"-logik (t.ex. om en användare utför handling x, visa dem innehåll y). Var och en av de beröringspunkter som definieras av förutbestämda regler är som de atomer som nämns ovan. Dessa atomer kan inkludera användarens plats, ålder eller andra tillhörigheter. När dessa datapunkter eller atomer har ritats upp, är det den sekvensering som sker därefter som bildar molekylerna.
För att maximera regelbaserad personalisering, börja med att definiera tydliga regler baserade på användardata (plats, ålder, beteende etc.) och skräddarsy din webbplats för att skapa en dynamisk, segmenterad upplevelse.
Några exempel på regelbaserad personalisering är:
- Dynamiskt innehåll – Webbplatser anpassar sig till användaråtgärder för att visa relevant budskap och innehåll. Detta kan ta formen av innehållsrekommendationer eller att anpassa anpassade meddelanden till återkommande användare.
- Dynamiska aviseringar – Popup-fönster och banners visas vid användarbeteenden med skräddarsydda meddelanden. Ett klassiskt exempel på en dynamisk avisering är när en användare stänger ett webbläsarfönster och ett popup-fönster visas som uppmuntrar användaren att stanna kvar på webbplatsen.
- Dynamisk layout – Sidor omstruktureras för att visa relevant innehåll baserat på beteenden som användaren utför under navigering. Google gör detta med SERP:er om du söker från ett inloggat konto.
Fördelar med regelbaserad personalisering
- Helt anpassningsbar - Antalet och typerna av upplevelser du kan skapa är oändliga. Om du samlar in värdefull data och använder en kraftfull CDP för att hantera den kan du skapa obegränsade permutationer för att anpassa kundresan precis som du vill.
- Obegränsad kontroll - När du skapar reglerna behåller du kontrollen. Du kan vara så detaljerad som du vill och justera efter behov, och ge så mycket styrning (företagsjargong varning!) som möjligt.
- Enkel implementering - Om du någonsin har konstruerat ett flödesschema (låt oss säga för utgående sekvensering eller att konfigurera en chatbot), kan du implementera regelbaserad personalisering.
Nackdelar med regelbaserad personalisering
- Komplexitet - Ibland är anpassning ett tveeggat svärd. Med obegränsad makt kommer obegränsat absolut ansvar. När du har många olika sekvenser som körs samtidigt, möjliggör det fler möjligheter för buggar och avvikelser att uppstå.
- Intensiv - Om du vill skala upp regelbaserad personalisering måste du göra mycket planering och justeringar för att säkerställa att de dynamiska upplevelser du tillhandahåller är i linje med din bredare personaliseringsstrategi.
AI-personalisering
Ett annat sätt att personifiera är genom maskininlärning eller algoritmisk personalisering. Denna typ av personalisering utnyttjar AI och maskininlärning (ML) för att driva innehålls- och produktrekommendationsmotorer.
Detta är särskilt relevant för webbplatser med stora mängder innehåll eller produkter, där regelbaserad personalisering blir extremt resurskrävande.
Istället för att definiera regler där du anger hur din personaliseringsmotor ska arrangera atomer i molekyler, sätter AI/ML-personalisering ihop dem baserat på realtidsdata och användarbeteenden. AI- eller maskininlärningspersonalisering förlitar sig i hög grad på att analysera beteenden hos liknande kunder på webbplatsen för att förutsäga vad som skulle vara av intresse för en viss kunds webbupplevelse, och därigenom servera skräddarsytt innehåll 1:1.
Ett enkelt sätt att tänka på detta är att tänka på e-handelswebbplatser som visar "kunder köpte också"-funktioner som visar dig produktrekommendationer. Kunder som kan placeras i samma målgrupp kan få helt unika innehålls-/produktrekommendationer, fokuserade på vad de letar efter idag.
Baserat på dessa insikter kan algoritmen rekommendera produkter eller visa relevant innehåll som med hög sannolikhet fångar användarens intresse.
Några exempel är:
- Innehållsrekommendationer - Anpassade artiklar, videor eller annat innehåll som överensstämmer med en användares intressen
- Produktrekommendationer - Produktförslag baserade på tidigare köp, webbhistorik eller liknande användarintressen
- E-postrekommendationer - Skräddarsydda e-postmeddelanden med innehåll, produkter eller erbjudanden som matchar mottagarnas intressen
Fördelar med AI-personalisering
- Skalbarhet - Precis som med de flesta andra AI-lösningar blir skalbarhet mycket mer uppnåelig. Istället för att du ska göra allt förarbete kan du låta robotöverherrarna över AI-plattformen göra sitt.
- Förbättrad användarupplevelse - Anpassningsförmåga och personalisering i realtid är också mycket mer uppnåeliga med en AI-motor som styr skutan.
- Återanvändning av innehåll - Hur ofta har du gjort innehållsgranskningar bara för att inse att artikeln du just skrev redan skrevs för 2 år sedan (och skriven mycket bättre)? AI är ett effektivt sätt att lyfta fram det mest relevanta innehållet i ditt innehållsbibliotek, även de artiklar du kanske har glömt bort.
Nackdelar med AI-personalisering
- Begränsat omfång - AI har fortfarande en bit att gå när det gäller personalisering utanför ramen för rekommenderat innehåll och produkter.
- Dataproblem - Är du en av de användare som gillar att få dina data samlade in på sätt du inte ens förstår? Förmodligen inte. Och om du sa ja, ljuger du förmodligen. Integritet och transparens i dataspårning kan bli oklar om det inte görs korrekt.
- Innehållstillgänglighet - Innehållsrekommendationer är värdelösa om du inte har innehåll att rekommendera (duh). Många marknadsföringsteam kämpar när det gäller att skala upp innehåll, men nu övergår dessa svårigheter till personaliseringens sfär.
Sammanfattningsvis
När man bryter ner det handlar implementeringen av personalisering egentligen om huruvida man vill kartlägga kundupplevelsen själv (regelbaserat), låta AI göra det åt en (AI-personalisering) eller använda någon form av hybrid.
De flesta företag föredrar förmodligen en hybrid, där man kan definiera regler baserade på specifika kundåtgärder (atomer), kundsegment (molekyler) och kundprofiler (organismer), samtidigt som AI kan leverera en personlig upplevelse i realtid och reagera på kundbeteende.
Oavsett hur du väljer att personifiera, kom bara ihåg att ta det personligt.