En genomgång av de olika typerna av personalisering

När endast 26% av cheferna uppgav att de inte har en enhetlig definition av personalisering i hela organisationen, tog vi det till oss. Faktum är att vi tog det... personligt ;)

Kul fakta: 62% av cheferna har ökat sin budget för personalisering jämfört med föregående år, vilket innebär att personalisering uppenbarligen är något som alla tänker på.

Så... ja, personalisera är inte ett av de där buzzworden som håller på att bli ett uttjatat modeord inom företagsvärlden. Det är ett koncept som många företag inte förstår eftersom de inte förstår de grundläggande mekanismerna i en personaliserad struktur.

Det finns flera sätt att närma sig personalisering ur en strukturell synvinkel. De två huvudtyperna av personalisering 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 upp (företagsjargong!) sina personaliseringsprogram på ett effektivt sätt är det förmodligen bäst att beskriva dessa två huvudtyper av personalisering för att se vilken (eller hur du kan kombinera dem) som kan fungera bäst för dig.

Men först lite fysik

Innan vi dyker ner i de olika typerna av personalisering är det viktigt att förstå relationerna mellan de bitar av data som samlas in om dina kunder. Ett sätt att se på det är genom atomstrukturens lins.

Den där söta hunden på kontoret är inte bara en fluffig vänlig varelse (okej, det är den, men låt oss hålla fokus).

(Nej, allvarligt talat, håll fokus...)

Våra lurviga vänner består av molekylära föreningar, som i sin tur består av enskilda atomer. Personaliserade produkter fungerar också på det här sättet.

Under ytan på varje kund finns ett komplext nätverk av byggstenar som utgör den de är. Vi kan tänka på dessa som atomer. Och beroende på hur du arrangerar dessa atomer och segmenterar dem kommer dessa atomer sedan att bilda molekyler. På atomnivå - Du skapar en enkel upplevelse som utlöses av en enda signal. Det kan vara en handling som ett klick eller en scroll. Det kan också vara en del av demografiska data som plats eller enhet. Var och en av dessa enskilda fragment är som atomer.

På en molekylär nivå - Du förhöjer upplevelsen genom att blanda flera datatriggers för att erbjuda en mer relevant resa. När du börjar kombinera dessa enskilda atomer börjar du bilda mer definierade kundsegment. Det kan vara så enkelt som användare från en viss plats som klickar på en viss knapp.

På organismnivå - Du har blandat flera datatriggers för att skapa en komplett, omfattande och dynamisk upplevelse. Det är därför personalisering i realtid är så viktigt, och det är därför du behöver en personaliseringsplattform som fungerar så snabbt som möjligt utan flimmer. När kunderna interagerar med ditt varumärke kommer de att reagera och svara på det du tillhandahåller för dem.

Okej, fysiklektionen är över (puh!)

Låt oss nu gå in på de två huvudtyperna av implementeringsstrukturer för personalisering.

Regelbaserad personalisering

Regelbaserad personalisering fungerar genom att personalisera användarupplevelser med fördefinierade regler för att visa specifikt innehåll eller funktioner baserat på användarnas demografi, handlingar och beteenden.

Du kan nästan tänka på den här typen av personalisering som ett flödesschema som bygger på "om/så"-logik (t.ex. om en användare utför åtgärd x, visa innehåll y). Varje beröringspunkt som definieras av förutbestämda regler är som de atomer som nämns ovan. Dessa atomer kan omfatta användarens plats, ålder eller andra egenskaper. När dessa datapunkter eller atomer har ritats upp är det den sekvensering som sker därefter som bildar molekylerna.

För att maximera regelbaserad personalisering börjar du 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 efter användarens handlingar för att visa relevanta meddelanden och innehåll. Det kan handla om innehållsrekommendationer eller anpassning av anpassade meddelanden till återkommande användare.
• Dynamiska varningar - Popup-fönster och banners dyker upp vid användarbeteenden med skräddarsydda meddelanden. Ett klassiskt exempel på en dynamisk varning är när en användare är på väg att stäng ett webbläsarfönster och en popup visas som uppmuntrar användaren att stanna kvar på webbplatsen. 
• Dynamisk layout - Sidor omstruktureras för att visa relevant innehåll baserat på användarens beteende under navigeringen. Google gör detta med SERP:ar om du söker från ett inloggat konto. 

Fördelar med regelbaserad personalisering

• Helt anpassningsbar - Antalet och typerna av upplevelser som 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 hur du vill.
• Obegränsad kontroll - När du skapar reglerna behåller du kontrollen. Du kan vara så detaljerad som du vill och justera efter behov, vilket ger så mycket styrning (företagsjargong!) som möjligt.
• Enkel implementering - Om du någonsin har konstruerat ett flödesschema (låt oss säga för sekvensering av utgående ärenden eller för att sätta upp 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 finns det fler möjligheter för buggar och avvikelser att uppstå.
• Intensivt - Om du vill skala upp regelbaserad personalisering måste du göra en hel del planering och justeringar för att säkerställa att de dynamiska upplevelser du tillhandahåller är i linje med din bredare personaliseringsstrategi.

Läs hela rapporten här

Algoritmisk (AI) personalisering

Ett annat sätt att personalisera är genom maskininlärningsalgoritmer 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 berättar för din personaliseringsmotor hur atomer ska ordnas till molekyler, sätter AI/ML-personalisering ihop dem baserat på realtidsbeteende och användarbeteenden. Personalisering med AI eller maskininlärning bygger i hög grad på att analysera beteenden hos liknande kunder på webbplatsen för att kunna förutsäga vad som skulle vara av intresse för en viss kunds upplevelse och därmed servera 1:1 skräddarsytt innehåll.

Ett enkelt sätt att tänka på detta är att tänka på e-handelssajter som har funktioner som "kunder som också köpt" 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 stor sannolikhet kommer att fånga användarens intresse.

Några exempel är:

• Innehållsrekommendationer - Personaliserade artiklar, videor eller annat innehåll som stämmer överens med en användares intressen
• Produktrekommendationer - Produktförslag baserade på tidigare köp, surfhistorik eller liknande användarintressen
• E-postrekommendationer - skräddarsydda e-postmeddelanden med innehåll, produkter eller erbjudanden som matchar mottagarens intressen

Fördelar med AI personaliserade produkter

• Skalbarhet - Som med de flesta andra AI-lösningar blir skalbarheten mycket mer uppnåelig. Istället för att du gör allt arbete kan du låta robotarna AI-plattformen göra sitt.
• Förbättrad användarupplevelse - Anpassningsförmåga och personalisering i realtid är också mycket mer uppnåeligt med en AI-motor som styr skeppet.
• Återanvändning av innehåll - Hur ofta har du inte gjort genomgångar av innehåll bara för att inse att den artikel du just skrev redan var skriven för två år sedan (och mycket bättre skriven)? AI är ett effektivt sätt att få fram det mest relevanta innehållet i ditt innehållsbibliotek, även de artiklar som du kanske har glömt bort.

Nackdelar med att personalisera med AI

• Begränsad räck vidd - AI har fortfarande en bit kvar när det gäller att personalisera innehåll utanför ramen för rekommenderat innehåll och produkter.
• Dataproblem - Är du en av de användare som gillar att dina data samlas in på sätt som du inte ens förstår? Förmodligen inte. Och om du säger ja, så ljuger du förmodligen. Transparens i fråga om integritet och spårning av data kan bli oklar om det inte görs på rätt sätt.
• Tillgängligt innehåll - Innehållsrekommendationer är värdelösa om du inte har något innehåll att rekommendera (duh). Många marknadsföringsteam kämpar när det gäller att skala upp innehåll, men nu övergår dessa problem till att handla om att personalisera.

För att sammanfatta

När du bryter ner det handlar implementering av personalisering verkligen om huruvida du vill införa kartläggningen av kundupplevelsen själv (regelbaserad), låta AI göra det åt dig (AI-personalisering) eller använda någon form av hybrid.

De flesta företag skulle förmodligen föredra en hybrid, där du kan definiera regler baserade på specifika kundåtgärder (atomer), kundsegmenteringar (molekyler) och kundprofiler (organismer), samtidigt som du låter AI leverera en personaliserad upplevelse i realtid och reagera på kundbeteende.

Hur du än väljer att personalisera, kom ihåg att ta det personligt.