Loading...
Da: personalizacija, ki temelji na podatkih in daje prednost zasebnosti, zanesljivo povečuje vključenost strank in lahko zviša prihodke za nizki dvomestni odstotek, če deluje na podlagi podatkov prve roke, dejanske logike odločanja in vidnih kontrol zasebnosti. Mehanizem je preprost: ustrezna sporočila, poslana ob pravem času in podprta s privolitvijo, ki jo je stranka dejansko dala, pritegnite večjo pozornost in večje zaupanje kot kadar koli sploh generična množična sporočila.
Na kratko (TL;DR):
- Personalizacija, ki temelji na podatkih prve roke, odločanju in nadzoru zasebnosti, običajno prinaša 10- do 15-odstotno rast prihodkov, zlasti pri izvajanju v večjem obsegu.
- Učinkovita personalizacija zahteva poenoteno platformo za podatke o strankah, odločanje v realnem času, modularne predloge in merjenje za pravilno delovanje.
- Taktike, ki temeljijo na sprožilcih (kot so opuščena košarica in opomniki za podaljšanje), zagotavljajo večjo vključenost kot prezgodnje ciljanje mikrosegmentov.
- Ustrezno upravljanje zasebnosti z jasnimi pojasnili in kontrolami nastavitev znatno izboljša zaupanje strank in njihovo pripravljenost za deljenje podatkov.
- Uporaba kontrolnih skupin (holdout groups) za testiranje prirasta pomaga natančno izmeriti pravi vpliv personalizacije, namesto da se zanašate le na standardne teste A/B.
Trženjskim ekipam tega ni treba verjeti na besedo. Podjetja, ki slovijo po odlični personalizaciji, pogosto ustvarjajo 10- do 15-odstotno rast prihodkov, pri čemer se rezultati posameznih podjetij bolj razlikujejo glede na panogo in začetno zrelost. Ista raziskava je pokazala, da 71 % potrošnikov danes pričakuje prilagojene interakcije, 76 % pa jih je razočaranih, ko blagovna znamka tega ne ponudi.
Ta vrzel v pričakovanjih se neposredno odraža v kazalnikih uspešnosti: stopnje klikov, stopnje odpiranja, stopnje konverzije in stopnje ponovnih nakupov se vsi odzivajo na ustreznost. Kupec, ki vidi izdelke, povezane s tem, kar je že brskal, kupuje pogosteje kot tisti, ki mu je prikazana generična domača stran. Naročnik, ki prejme opomnik za podaljšanje naročnine glede na svoje dejanske vzorce uporabe, podaljšuje pogosteje kot tisti, ki dobi isto e-pošto kot vsi ostali na seznamu.
Vključevanje virov podatkov prve roke lahko prinese do 30-odstotne prihranke pri stroških in do 20-odstotno povečanje prihodkov, saj blagovnim znamkam omogoča ukrepanje ob ključnih trenutkih namesto ugibanja, kaže analiza družbe BCG za Think with Google. Vzorec v teh raziskavah kaže na tri sile, ki poganjajo ta proces:
Akademsko delo o kavzalnem sklepanju in modeliranju učinkov obravnave, povzeto v pregledu metod personalizacije poslovne šole Harvard Business School, poudarja pomembnejše dejstvo: merjenje dejanskega učinka personalizirane ponudbe in ne le njene korelacije s prodajo je tisto, kar loči resničen program od navadnega ugibanja.
Personalizacija najpogosteje ne odpove zaradi slabe kreativne zasnove, temveč zaradi manjkajoče tehnične infrastrukture. Preden lahko blagovna znamka verodostojno obljubi ustreznost, morajo obstajati štiri stvari.
Raziskava družbe McKinsey o širjenju personaliziranega trženja ugotavlja, da vodilne organizacije to obravnavajo kot infrastrukturo in po izgradnji temeljev izvedejo veliko število testov letno, namesto da bi personalizacijo obravnavale kot projekt za vsako kampanjo posebej.
Strokovni nasvet: Preden se dotaknete kreativnih materialov, preverite razreševanje identitete: mehanizem za odločanje, ki se napaja z dvojnimi ali nasprotujočimi si profili, bo samozavesten, a bo personalizacijo ponudil napačni osebi.
Vsaka taktika si ne zasluži enake naložbe. Tukaj je praktičen vrstni red delovanja, ki grobo ustreza vloženemu trudu in donosu.
Skupna rdeča nit vseh petih korakov: vsak korak potrebuje čistejši signal od prejšnjega, izpustitev katerega koli koraka pa običajno prinese personalizacijo, ki je videti dovršena, vendar se obnese nič bolje kot dobro pripravljen seznam segmentov.
Strokovni nasvet: Omejite število aktivnih mikrosegmentov, ki jih poganjate hkrati. Ekipe, ki občinstvo delijo preveč podrobno, imajo pogosto premajhne segmente za zanesljivo testiranje.
Stranke so bolj pripravljene deliti podatke in se odzvati na personalizacijo, ko menijo, da imajo nadzor nad njimi – in ne obratno. Googlov okvir treh M-jev (Meaningful – pomenljivo, Memorable – nepozabno, Manageable – obvladljivo) tržnikom ponuja konkreten način za ustvarjanje tega občutka, namesto da bi se zgolj držali zakonskih predpisov.
Uporabniki, ki menijo, da imajo velik nadzor nad svojimi podatki, so trikrat bolj nagnjeni k pozitivnemu odzivu na oglaševanje in dvakrat bolj verjetno se jim zdi ustrezno, pri čemer so pozitivne izkušnje z zasebnostjo povezane z 11- do 16-odstotnim porastom zaupanja v blagovno znamko. Personalizacija, ki se zdi skrivnostna, deluje vsiljivo; personalizacija, ki se pojasnjuje sama, deluje koristno, tudi če je osnovna uporaba podatkov podobna.
Te kontrole se vračajo tudi v merjenje. Modeliranje, ki upošteva soglasja in segmentira ter ocenjuje le podatke, za katere so stranke aktivno soglašale, ohranja vaš mehanizem odločanja skladen s predpisi ter ohranja zanko zaupanja nedotaknjeno, namesto da bi zasebnost obravnavali kot enkratno pravno kljukico.
Standardni testi A/B odgovarjajo na vprašanje »ali je različica B presegla različico A«. Ne odgovarjajo pa na vprašanje »ali bi ta kupec opravil nakup tako ali tako«. Za to potrebujete testiranje prirasta ali kontrolne skupine (incrementality ali holdout testing): skupino, ki ne prejme nobene personalizirane obravnave in se jo primerja z obravnavano skupino v enakem obdobju.
Strokovni nasvet: Preden potegnete zaključke, izvajajte svojo kontrolno skupino vsaj en celoten nakupovalni cikel. Dvomesečni nadzor pri 45-dnevnem nakupovalnem ciklu vam ne bo povedal skoraj ničesar.
Pilotni projekt dokazuje vrednost, preden prosite za večji proračun. Naj bo ozko usmerjen in časovno omejen.
Tukaj se dobro obnese model ekipe v obliki pesta in naper (hub-and-spoke): osrednja ekipa skrbi za podatkovno plast, pravila odločanja in merjenje, medtem ko lastniki kanalov (e-pošta, spletno mesto, aplikacija) skrbijo za kreativno zasnovo in izvedbo, specifično za posamezni kanal. Ta delitev ohranja pilotni projekt hiter, hkrati pa ne izgubi osrednjega nadzora nad tem, kaj se dejansko testira.
Mehanizmi za odločanje lahko izberejo pravo sporočilo za pravo stranko, vendar mora biti sporočilo še vedno videti, kot da je bilo napisano za človeka in ne sestavljeno iz predloge. Tu se besedila, ustvarjena z umetno inteligenco v obsegu, običajno zalomijo: dinamične zadeve e-poštnih sporočil, drobna besedila na spletnem mestu in personalizirani odlomki, ustvarjeni v velikih količinah, pogosto nosijo togo, ponavljajoče se besedilo, ki spominja na računalniško ustvarjeno vsebino, kar spodkopava zaupanje, ki naj bi ga personalizacija gradila.
Na voljo so orodja, ki vzamejo besedilo, ustvarjeno z umetno inteligenco, in ga preoblikujejo tako, da se bere naravno, hkrati pa vključujejo ciljne ključne besede za SEO in zmanjšujejo verjetnost, da bi ga zaznamovalni sistemi, kot so Turnitin, GPTZero ali Copyleaks, označili za avtomatsko. Za ekipe, ki ustvarjajo na stotine personaliziranih zadev ali dinamičnih odlomkov na teden, je prehod tega besedila skozi postopek humanizacije pred pošiljanjem v pomoč pri ohranjanju doslednega tona in pristne berljivosti, namesto da bi mehanizem za odločanje poslal besedilo, za katerega je videti, da ga ni napisal nihče.
Maloprodajna e-trgovina ostaja najbolj jasen primer: priporočila izdelkov in sprožilci opuščene košarice, povezani z zgodovino brskanja, dosledno prekašajo generično promocijsko e-pošto, saj se signal (to, kar si je nekdo pravkar ogledal) neposredno ujema s ponudbo.
Naročniška in medijska podjetja se opirajo na časovno usklajena podaljšanja in personalizacijo glede na afiniteto do vsebin, pri čemer ponujajo priporočila na podlagi tega, kar je naročnik že zaužil, in ne le tistega, kar je preprosto novo.
Finančne storitve previdno uporabljajo personalizacijo glede na življenjski cikel, pri čemer prilagajajo sporočila o izdelkih (prva kreditna kartica, povpraševanje po hipotekarnem posojilu) glede na to, kje se stranka nahaja v dolgotrajnem odnosu, pri čemer uokvirjanje zasebnosti opravlja dodatno delo glede na občutljivost vključenih podatkov.
Blagovne znamke s področja potovanj in gostinstva personalizirajo ponudbo bolj glede na čas kot glede na vsebino, pri čemer sprožajo ponudbe okoli preteklih obdobij rezervacij in statusa v programu zvestobe, in ne prek podrobnega vedenjskega sledenja, saj je pogostost rezervacij naravno manjša kot pogostost nakupov v maloprodaji.
V vseh štirih panogah najmočnejše rezultate prinaša združevanje jasnega sprožilca (resničnega vedenjskega signala ali signala življenjskega cikla) s sporočilom, ki je zasnovano tako, da se samo pojasnjuje, in ne z dodajanjem več podatkovnih točk samih sebi v prid.
Pretirana personalizacija je najpogostejša napaka. Ekipe, ki lovijo mikrosegrmente, preden so njihovi podatki in meritve na voljo, končijo z desetinami majhnih občinstev, od katerihno ni dovolj veliko za zanesljivo testiranje, s stroški ustvarjanja kreativnih materialov, ki presegajo kakršen koli merljiv prirast.
Ignoriranje soglasja je drugo. Gradnja modelov odločanja na podatkih, za katere stranke nikoli niso izrecno soglašale, ustvarja tako tveganje neskladnosti kot težavo z zaupanjem v tistem trenutku, ko stranka opazi, koliko blagovna znamka očitno ve o njej.
Slaba disciplina merjenja je tretja in najdražja napaka. Ekipe, ki se zanašajo zgolj na standardne rezultate testov A/B brez kontrolne skupine, redno precenjujejo vrednost personalizacije, ker merijo korelacijo z namenom, ne pa dejanskega učinka sporočila.
Četrta, tišja težava je utrujenost od vsebin: celo dobro usmerjena sporočila izgubijo učinkovitost, če je osnovno besedilo ponavljajoče se ali očitno sestavljeno iz predlog, zato se morata kakovost ustvarjanja in logika personalizacije izboljševati skupaj, ne zaporedno.
Generativna umetna inteligenca prehaja s kreativne bližnjice na raven funkcije vključenosti. Poročila družbe McKinsey o personalizaciji z umetno inteligenco kažejo, da zgodnji piloti izboljšujejo vključenost za približno 10 %, kadar so obseg besedil in variacije tona združeni z varovalnimi mehanizmi merjenja, kar je vzorec, ki se bo z zrelostjo orodij verjetno razširil na slike in video.
Tudi odločanje postaja hitrejše. Organizacije, ki združujejo podatke prve roke in gradijo realne mehanizme odločanja, začenjajo obravnavati personalizacijo kot nenehno delujočo zmogljivost ter izvajajo nenehne teste namesto četrtletnih kampanj – premik, ki ga BCG opredeljuje kot konkurenčni jarek, zgrajen na hitrejših cevovodih in hitrejši aktivaciji.
Infrastruktura za zasebnost se staplja z infrastrukturo za personalizacijo, namesto da bi obstajala ločeno od nje. Modeliranje, ki upošteva soglasja, pri katerem mehanizem odločanja napajajo samo izrecno deljeni podatki, postaja privzeta arhitektura namesto dodatka za skladnost, kar naj bi olajšalo ohranjanje pridobitev zaupanja iz treh M-jev, ko se programi širijo.
Pričakujte, da bo naslednji val orodij zabrisal mejo med prilagajanjem (kar uporabnik nastavi ročno) in personalizacijo (kar sistem sklepa), kar je razlika, na katero Nielsen Norman Group že dolgo opozarja kot na pomembno za obvladovanje pričakovanj uporabnikov in bremena vzdrževanja, ko ti sistemi postajajo vse bolj avtonomni.
Prednost dajte koristi pred iznajdljivostjo: preprost, pravočasno sprožen signal premaga dodelan mikrosegment, ki ga nihče ni zahteval. Merite s kontrolnimi skupinami, ne le s primerjavami A/B, sicer boste namen zamenjali z učinkom. Poskrbite, da bo zasebnost vidna in ne skrita, saj se stranke, ki razumejo vašo uporabo podatkov, na personalizacijo odzivajo bolje in ne slabše.
Skupna napaka v ozadju vsega tega je zaporedje: ekipe izvajajo personalizacijo, preden lahko merijo, in prosijo za soglasje, ko so model ciljanja že zgradile. Uredite vrstni red in večina ostalega postane lažja.
— Tilen
Ekipe, ki izvajajo personalizacijo v večjem obsegu, sčasoma naletijo na isto oviro: mehanizmi za odločanje lahko izberejo pravo sporočilo, vendar pa proizvodnja stotih resnično berljivih različic, zadev, drobnih besedil na spletnem mestu in dinamičnih kopij izdelkov preobremeni vsako vsebinsko ekipo, ki dela ročno.
Semihuman.ai ponuja načrte, primerne za obe plati te težave. Brezplačni, osnovni in profesionalni načrti (Free, Basic, Pro) delujejo za marketinške ekipe, ki humanizirajo različice e-poštnih sporočil ali odlomke ciljnih strani, ustvarjene z umetno inteligenco, neposredno prek vmesnika. Načrti za razvijalce, podjetja in velika podjetja (Developer, Business, Enterprise) omogočajo inženirskim ekipam dostop do API-ja za izvajanje humanizacije kot koraka znotraj obstoječega cevovoda personalizacije, tako da dinamična vsebina dobi prehod berljivosti, preden sploh doseže stranko. Za orodje, zgrajeno okoli potekov dela z vsebino, ki jo podpira umetna inteligenca, in primerov uporabe v resničnem svetu, so primeri, ki jih je zbralo podjetje Axio Networks, vredni ogleda poleg vašega lastnega pilota.
Da, če temelji na podatkih prve roke in resnični logiki odločanja ter ne na ugibanju. Podjetja, ki uspešno izvajajo personalizacijo, beležijo merljive rasti prihodkov in odzivov strank, pri čemer McKinsey poročajo o 10- do 15-odstotni rasti prihodkov vodilnih.
Opredelitve štirih črk D se v trženjskih virih razlikujejo in niso vezane na enoten standardni okvir. Dosledneje navedeni temelj v raziskavah so podatki prve roke, odločanje, modularna vsebina in merjenje, ki skupaj delujejo kot praktične zahteve za personalizacijo v velikem obsegu.
Personalizirana vključenost se nanaša na interakcije, prilagojene vedenju, željam ali življenjskemu ciklu posamezne stranke, namesto na generično sporočilo, poslano vsem. Odvisna je od sistema, ki napoveduje, kaj določena stranka potrebuje, kar Nielsen Norman Group loči od prilagajanja (customization), kjer uporabnik sam ročno nastavi svoje želje.
Personalizacija izboljšuje izkušnjo strank s tem, da vsebino, ponudbo in časovno umestitev uskladi z izkazanim vedenjem stranke namesto s pristopom »ena velikost ustreza vsem«, kar zmanjšuje nerelevantna sporočila. Najbolje deluje, če je združena z vidnimi kontrole zasebnosti, saj se stranke, ki menijo, da imajo nadzor nad svojimi podatki, pozitivneje odzivajo na personalizacijo, kaže raziskava Think with Google.
Največje tveganje je merjenje personalizacije zgolj s standardnimi testi A/B, kar lahko preceni vpliv s tem, da namere strank zamenja z dejanskim učinkom sporočila. Izvajanje kontrolne skupine skozi celoten nakupovalni cikel omogoča natančnejši vpogled v to, ali personalizacija resnično spodbuja rezultat.
Začetek
humanizirati
brezplačno!
Počloveči