Как на самом деле работает персонализация маркетинговых кампаний
Posted: Tue Jan 07, 2025 4:32 am
«Будущее уже здесь. Просто оно пока неравномерно распределено».
Эту цитату , приписываемую незабываемому Уильяму Гибсону , можно использовать для описания любого спектра технологий, но в нынешней маркетинговой среде она лучше всего подходит для характеристики состояния персонализации.
ТАКЖЕ ЧИТАЙТЕ: 5 стратегий, которые каждый директор по маркетингу планирует на 2016 год
Маркетологи не слепы к силе создания индивидуального опыта для своей аудитории. Это потому, что требования потребителей меняются. Их цифровой опыт персонализируется повсюду вокруг них через Netflix, Amazon и им подобные. Теперь потребители ожидают того же и в других аспектах своей жизни.
Как все маркетологи хотят, чтобы чувствовала их аудитория.
К сожалению, большинство маркетологов просто телефонная библиотека не могут оправдать эти ожидания . Если знание своего клиента — это первый шаг к персонализации маркетинговой кампании, то 96 процентов маркетологов изо всех сил пытаются создать единое, всеобъемлющее представление о своих клиентах.
Но это еще не конец истории. Как сказал Гибсон, уже существуют технологии, которые могут преодолеть разрыв между ожиданиями потребителей и предложениями маркетологов, которые их обхаживают. Эти инструменты еще не достигли широкого распространения, но они доступны и их становится все больше.
Прежде чем подробно описывать примеры персонализации в реальной жизни, важно изучить, как работает эта технология.
В своем отчете « Персонализация маркетинга: максимизация релевантности и дохода » аналитик VentureBeat Эндрю Джонс делит персонализацию на три последовательные части:
Личность
Содержание
Доставка
Прежде чем персонализировать цифровые медиа, необходимо кое-что узнать о потребителе — иначе с чем придется работать маркетологу?
Машинное обучение и сложные алгоритмические инструменты сделали эту, казалось бы, здравую логику лишь наполовину верной. Однако большая часть персонализации происходит в середине и внизу маркетинговой воронки, поскольку у маркетологов есть данные о потенциальных клиентах на этом этапе, хранящиеся в их базах данных автоматизации маркетинга и CRM .
Так или иначе, эти потенциальные клиенты обменялись своей личной информацией в обмен на ценный контент, и, таким образом, стали «известными». Эту аудиторию гораздо легче отслеживать, таргетировать и персонализировать, используя поведенческие данные, собранные в ходе их веб-активности.
Но эти перспективы находятся в меньшинстве по сравнению со всем трафиком, поступающим на веб-сайт организации. Большинство посетителей идентифицируются как анонимные, и только их IP-адрес идентифицируется через платформу автоматизации маркетинга или какую-либо другую аналитическую систему.
Анонимное отслеживание посетителей в Pardot
Пример отслеживания анонимных посетителей Pardot
Это не было бы проблемой, если бы главной целью маркетологов с персонализацией не было охватить больше потенциальных клиентов. Но главная цель маркетологов с персонализацией — охватить больше потенциальных клиентов.
Если вы разрабатываете кампанию по электронной почте, которая использует динамическое поле, например {{First Name}}, вы используете персонализацию на основе правил. Этот тип персонализации опирается на логику if-then из систем автоматизации маркетинга для сканирования записей профиля каждого получателя и добавления его имени в электронное письмо.
Правила автоматизации Pardot
Простое правило «если-то» в Pardot
Опять же, эти потенциальные клиенты должны быть известны, поскольку логика программы ожидает, пока «если» станет истинным (есть ли у нас имя этого получателя в системе?), прежде чем запустить часть «тогда» (ввести имя в электронное письмо).
Тот же шаблон применим к поведенческой персонализации, где отправка сообщений запускается на основе поведенческих данных известного потенциального клиента. Если-тогда все в порядке для известных потенциальных клиентов, но логика не работает для анонимных посетителей. Нет никакого «если», поэтому не может быть никакого «тогда».
Вот тут-то и вступают в игру алгоритмические инструменты. Эти инструменты (небольшой, но растущий набор) используют машинное обучение для прогнозирования того, какие сообщения или продукты анонимные посетители сочтут релевантными. Эти прогнозы выводятся из явного поведения и неявных шаблонов данных.
Сэнди Хэтэуэй, директор по маркетингу компании Avari, описывает этот тип персонализации как «совместную фильтрацию» или «поведенческую кластеризацию»:
«Совместная фильтрация — это метод, который создает модель данных на основе прошлого поведения человека, а также схожих исторических действий других людей. Принцип, лежащий в основе совместной фильтрации, предполагает, что потребителям, скорее всего, понравятся элементы, похожие на те, которые они уже купили или загрузили и т. д.»
Фильтрация на основе совместной работы — это лишь один из нескольких методов использования алгоритмической персонализации (или, как его называет компания Хэтэуэя Avari, «механизм рекомендаций»), но он, по-видимому, объясняет, как Amazon, действующий чемпион персонализации, может рекомендовать товары анонимным посетителям.
В нем также дается ответ на вопрос, как маркетологи могут персонализировать свои действия для анонимных посетителей, используя в качестве известных им только IP-адрес и поведение.
Amazon персонализирует контент, даже если вы не вошли в систему
Amazon персонализирует контент, даже если вы не вошли в систему.
Хотя мощное программное обеспечение для алгоритмической персонализации не очень распространено в маркетинговой индустрии. Большинство маркетологов все еще трудятся над созданием более целостного представления о своих клиентах, но технология анонимной персонализации (как бы парадоксально это ни звучало) становится все более доступной.
Но полезно также изучить персонализацию, как она происходит сейчас, а не как она будет происходить в ближайшем будущем. Большая часть персонализации по-прежнему использует комбинацию данных из известных профилей потенциальных клиентов, таких как демографические данные, поведенческие данные и записи прошлых транзакций.
Даже в своем более узком применении эта цепочка персонализации все еще вызывает значительные отклики от потенциальных клиентов. Помимо вставки поля, наиболее распространенные тактики основаны на поведенческих и демографических триггерах.
Вот примеры из электронной почты, рекламы и сайта соответственно.
Электронная почта
Первой картой, которую должен разыграть маркетолог при запуске кампании по персонализации, должна стать электронная почта. Электронная почта не только дешева, но и эффективна и востребована. Именно так 72 процента потребителей хотят общаться с компаниями .
В этом примере Airbnb проанализировал прошлое поведение вместе с шаблонами данных от других клиентов, чтобы отправить мне персонализированное электронное письмо с рекомендациями о том, какой город посетить следующим. Эшвилл коррелирует с моими предыдущими визитами в Новый Орлеан (т. е. город с богатой культурой, но не мегаполис), хотя Нью-Йорк — это скорее предположение, основанное на том, куда ездят такие люди, как я.
Система рекомендаций Airbnb
Airbnb, вероятно, использует здесь алгоритмическую платформу, основанную исключительно на масштабе своих операций. Было бы сложно создать правила «если-то» для каждого города в Америке с Airbnb, поэтому этот тип персонализации нуждается в предиктивной формуле для масштабирования.
Но не каждое письмо такое. Это послание от GetFeedback спрашивает, как у меня дела с платформой, потому что я только что начал пробный период неделю или две назад.
Эту цитату , приписываемую незабываемому Уильяму Гибсону , можно использовать для описания любого спектра технологий, но в нынешней маркетинговой среде она лучше всего подходит для характеристики состояния персонализации.
ТАКЖЕ ЧИТАЙТЕ: 5 стратегий, которые каждый директор по маркетингу планирует на 2016 год
Маркетологи не слепы к силе создания индивидуального опыта для своей аудитории. Это потому, что требования потребителей меняются. Их цифровой опыт персонализируется повсюду вокруг них через Netflix, Amazon и им подобные. Теперь потребители ожидают того же и в других аспектах своей жизни.
Как все маркетологи хотят, чтобы чувствовала их аудитория.
К сожалению, большинство маркетологов просто телефонная библиотека не могут оправдать эти ожидания . Если знание своего клиента — это первый шаг к персонализации маркетинговой кампании, то 96 процентов маркетологов изо всех сил пытаются создать единое, всеобъемлющее представление о своих клиентах.
Но это еще не конец истории. Как сказал Гибсон, уже существуют технологии, которые могут преодолеть разрыв между ожиданиями потребителей и предложениями маркетологов, которые их обхаживают. Эти инструменты еще не достигли широкого распространения, но они доступны и их становится все больше.
Прежде чем подробно описывать примеры персонализации в реальной жизни, важно изучить, как работает эта технология.
В своем отчете « Персонализация маркетинга: максимизация релевантности и дохода » аналитик VentureBeat Эндрю Джонс делит персонализацию на три последовательные части:
Личность
Содержание
Доставка
Прежде чем персонализировать цифровые медиа, необходимо кое-что узнать о потребителе — иначе с чем придется работать маркетологу?
Машинное обучение и сложные алгоритмические инструменты сделали эту, казалось бы, здравую логику лишь наполовину верной. Однако большая часть персонализации происходит в середине и внизу маркетинговой воронки, поскольку у маркетологов есть данные о потенциальных клиентах на этом этапе, хранящиеся в их базах данных автоматизации маркетинга и CRM .
Так или иначе, эти потенциальные клиенты обменялись своей личной информацией в обмен на ценный контент, и, таким образом, стали «известными». Эту аудиторию гораздо легче отслеживать, таргетировать и персонализировать, используя поведенческие данные, собранные в ходе их веб-активности.
Но эти перспективы находятся в меньшинстве по сравнению со всем трафиком, поступающим на веб-сайт организации. Большинство посетителей идентифицируются как анонимные, и только их IP-адрес идентифицируется через платформу автоматизации маркетинга или какую-либо другую аналитическую систему.
Анонимное отслеживание посетителей в Pardot
Пример отслеживания анонимных посетителей Pardot
Это не было бы проблемой, если бы главной целью маркетологов с персонализацией не было охватить больше потенциальных клиентов. Но главная цель маркетологов с персонализацией — охватить больше потенциальных клиентов.
Если вы разрабатываете кампанию по электронной почте, которая использует динамическое поле, например {{First Name}}, вы используете персонализацию на основе правил. Этот тип персонализации опирается на логику if-then из систем автоматизации маркетинга для сканирования записей профиля каждого получателя и добавления его имени в электронное письмо.
Правила автоматизации Pardot
Простое правило «если-то» в Pardot
Опять же, эти потенциальные клиенты должны быть известны, поскольку логика программы ожидает, пока «если» станет истинным (есть ли у нас имя этого получателя в системе?), прежде чем запустить часть «тогда» (ввести имя в электронное письмо).
Тот же шаблон применим к поведенческой персонализации, где отправка сообщений запускается на основе поведенческих данных известного потенциального клиента. Если-тогда все в порядке для известных потенциальных клиентов, но логика не работает для анонимных посетителей. Нет никакого «если», поэтому не может быть никакого «тогда».
Вот тут-то и вступают в игру алгоритмические инструменты. Эти инструменты (небольшой, но растущий набор) используют машинное обучение для прогнозирования того, какие сообщения или продукты анонимные посетители сочтут релевантными. Эти прогнозы выводятся из явного поведения и неявных шаблонов данных.
Сэнди Хэтэуэй, директор по маркетингу компании Avari, описывает этот тип персонализации как «совместную фильтрацию» или «поведенческую кластеризацию»:
«Совместная фильтрация — это метод, который создает модель данных на основе прошлого поведения человека, а также схожих исторических действий других людей. Принцип, лежащий в основе совместной фильтрации, предполагает, что потребителям, скорее всего, понравятся элементы, похожие на те, которые они уже купили или загрузили и т. д.»
Фильтрация на основе совместной работы — это лишь один из нескольких методов использования алгоритмической персонализации (или, как его называет компания Хэтэуэя Avari, «механизм рекомендаций»), но он, по-видимому, объясняет, как Amazon, действующий чемпион персонализации, может рекомендовать товары анонимным посетителям.
В нем также дается ответ на вопрос, как маркетологи могут персонализировать свои действия для анонимных посетителей, используя в качестве известных им только IP-адрес и поведение.
Amazon персонализирует контент, даже если вы не вошли в систему
Amazon персонализирует контент, даже если вы не вошли в систему.
Хотя мощное программное обеспечение для алгоритмической персонализации не очень распространено в маркетинговой индустрии. Большинство маркетологов все еще трудятся над созданием более целостного представления о своих клиентах, но технология анонимной персонализации (как бы парадоксально это ни звучало) становится все более доступной.
Но полезно также изучить персонализацию, как она происходит сейчас, а не как она будет происходить в ближайшем будущем. Большая часть персонализации по-прежнему использует комбинацию данных из известных профилей потенциальных клиентов, таких как демографические данные, поведенческие данные и записи прошлых транзакций.
Даже в своем более узком применении эта цепочка персонализации все еще вызывает значительные отклики от потенциальных клиентов. Помимо вставки поля, наиболее распространенные тактики основаны на поведенческих и демографических триггерах.
Вот примеры из электронной почты, рекламы и сайта соответственно.
Электронная почта
Первой картой, которую должен разыграть маркетолог при запуске кампании по персонализации, должна стать электронная почта. Электронная почта не только дешева, но и эффективна и востребована. Именно так 72 процента потребителей хотят общаться с компаниями .
В этом примере Airbnb проанализировал прошлое поведение вместе с шаблонами данных от других клиентов, чтобы отправить мне персонализированное электронное письмо с рекомендациями о том, какой город посетить следующим. Эшвилл коррелирует с моими предыдущими визитами в Новый Орлеан (т. е. город с богатой культурой, но не мегаполис), хотя Нью-Йорк — это скорее предположение, основанное на том, куда ездят такие люди, как я.
Система рекомендаций Airbnb
Airbnb, вероятно, использует здесь алгоритмическую платформу, основанную исключительно на масштабе своих операций. Было бы сложно создать правила «если-то» для каждого города в Америке с Airbnb, поэтому этот тип персонализации нуждается в предиктивной формуле для масштабирования.
Но не каждое письмо такое. Это послание от GetFeedback спрашивает, как у меня дела с платформой, потому что я только что начал пробный период неделю или две назад.