Das Unangenehme am AI-Personalisierungsmarketing ist, dass die Techniken, die den Umsatz steigern, und die Techniken, die Menschen beunruhigen, aus demselben Werkzeugkasten stammen. Ein Produkt zu empfehlen, weil jemand vor sechs Wochen die Nachfüllpackung gekauft hat, fühlt sich hilfreich an. Ein Produkt zu empfehlen, weil jemand neun Sekunden lang auf einer Seite verweilt hat und der Cursor zum Preis gewandert ist, fühlt sich an, als würde man beobachtet. Der Unterschied liegt darin, ob der Kunde ohne Anstrengung nachvollziehen kann, warum er sieht, was er sieht.
Dieser Rekonstruktionstest ist die nützlichste Regel, die wir gefunden haben. Wenn eine vernünftige Person nicken und sagen würde: ‘Ja, natürlich, Sie wissen, dass ich das gekauft habe’, sind Sie auf der sicheren Seite. Wenn sie darüber nachdenken müssten, was Sie gesammelt haben müssen, um dies zu produzieren, haben Sie eine Grenze überschritten. Niemand berichtet, dass er sich überwacht fühlt. Sie schalten einfach ab.
Wo sich AI-Personalisierungsmarketing auszahlt
Die zuverlässigen Gewinne sind langweilig und operativ. Eine Kategorieseite so neu zu ordnen, dass die Formate, die ein Kunde zuvor gekauft hat, zuerst erscheinen. Anzeigen für ein Produkt zu unterdrücken, das jemand bereits besitzt, was die häufigste und ärgerlichste Verschwendung im Retargeting ist. Ein Nachfüll-Angebot auf den tatsächlichen Verbrauchszyklus abzustimmen, statt auf ein festes 30-Tage-Intervall. Jede Maßnahme ist für sich genommen bescheiden, und zusammen steigern sie den Umsatz pro Sitzung typischerweise mehr als jede kreative Auffrischung, die wir parallel dazu durchgeführt haben.
- Unterdrückung vor Ergänzung: Hören Sie auf, das zu zeigen, was der Kunde bereits gekauft oder bereits zweimal abgelehnt hat.
- Sequenz vor Segment: Was jemand letzte Woche getan hat, ist ein besserer Indikator als der Bucket, in dem er sitzt.
- Standards, keine Dekorationen: Personalisieren Sie die Sortierreihenfolge, den Lagerort und die Versandkosten, bevor Sie eine Überschrift personalisieren.
- Eine Variable nach der anderen, damit Sie den Anstieg zuordnen und ihn rückgängig machen können, falls er fehlschlägt.
- Ein klarer Fallback-Zustand, der für die sechzig Prozent der Besucher funktioniert, über die Sie nichts wissen.
Wo es nach hinten losgeht
Schlussfolgerungen über sensible Kategorien sind das offensichtliche Risiko. Gesundheit, Finanzen, Schwangerschaft, Beziehungsstatus, Einwanderungsstatus und Religion sollten als tabu behandelt werden, selbst wenn die Daten technisch eine Vermutung zulassen, da eine falsche Schlussfolgerung demütigend und eine richtige aufdringlich ist. Modelle werden diese Korrelationen gerne aufdecken, wenn Sie sie frei gegen die Conversion optimieren lassen, weshalb die Einschränkung im Feature-Set erzwungen werden muss, anstatt auf den Output zu hoffen.
Das subtilere Versagen ist zu enges Targeting. Eine Empfehlungs-Engine, die rein auf aktuellem Verhalten trainiert wurde, konvergiert schnell: Sie lernt, dass ein Kunde eine Kategorie mag, und hört auf, etwas anderes zu zeigen, und der Kunde kommt zu dem Schluss, dass Ihr Katalog kleiner ist, als er ist. Wir haben Konten gesehen, bei denen personalisiertes Merchandising die kurzfristige Conversion erhöhte und die zwölfmonatige Kategoriebreite pro Kunde verringerte, was ein schlechter Tausch ist. Gezielte Exploration, ein fester Anteil an Slots, die für Dinge reserviert sind, die das Modell nicht vorhersagt, schützt davor.
Nennen Sie die Daten, nicht die Schlussfolgerung
Wenn Sie einem Kunden Personalisierung erklären, beziehen Sie sich auf etwas, das er Ihnen gegeben hat, anstatt auf etwas, das Sie herausgefunden haben. ‘Weil Sie im März die 500-ml-Flasche gekauft haben’ ist in Ordnung. ‘Basierend auf Ihrem Surfverhalten’ ist vage und liest sich schlimmer als die Wahrheit. ‘Kunden mögen das, weil Sie ein Kleinunternehmer sind’ ist anmaßend, selbst wenn es korrekt ist. Die Regel gilt gleichermaßen für E-Mail-Betreffzeilen, On-Site-Module und Anzeigentexte: Zitieren Sie die Transaktion, die angegebene Präferenz oder die explizite Einstellung und schweigen Sie über das Modell.
Geben Sie den Leuten eine Kontrolle, die tatsächlich funktioniert, und platzieren Sie sie dort, wo sie sie finden werden. Ein Präferenzzentrum, das nur die E-Mail-Frequenz anpasst, ist keine Kontrolle. Jemandem zu erlauben, Empfehlungen auszuschalten, seinen Verlauf zu löschen oder ‘nicht interessiert’ an einer Kategorie zu sagen, und dies dauerhaft zu respektieren, kostet auf dem Papier ein wenig Umsatz und kauft die Glaubwürdigkeit, die alles andere akzeptabel macht. In der Praxis ist der Anteil der Nutzer, die diese Kontrollen verwenden, gering, und der Anteil, der bemerkt, dass sie existieren, ist viel größer.
Die Infrastrukturfrage, die niemand mag
Die meisten Personalisierungsprojekte scheitern an der Technik, nicht an der Modellierung. Wenn die Bestellhistorie in einem System lebt, das Webverhalten in einem anderen, Support-Tickets in einem dritten und der Zustimmungsstatus in einem vierten, können Sie eine Anzeige für ein Produkt, das jemand letzte Woche zurückgegeben hat, nicht zuverlässig unterdrücken, und dieser eine Fehler richtet mehr Schaden an, als ein Dutzend guter Empfehlungen reparieren können. Bevor Sie in das Modell investieren, stellen Sie sicher, dass die Identitätsauflösung ehrlich ist, Zustimmungs-Flags mit dem Datensatz reisen und Löschanträge tatsächlich an die Systeme weitergegeben werden, die Entscheidungen treffen.
Latenz ist auch wichtig. Eine nächtlich berechnete Empfehlung ist in Ordnung für E-Mails und falsch für eine Sitzung, in der sich die Absicht des Kunden vor zehn Minuten geändert hat. Entscheiden Sie pro Oberfläche, welche Aktualität Sie benötigen, denn alles in Echtzeit ist teuer und meist unnötig.
Wie man weiß, dass es funktioniert
Messen Sie dauerhaft mit Holdouts. Ein Teil des Publikums sollte immer die nicht-personalisierte Erfahrung erhalten, denn ohne sie können Sie den Anstieg nicht von Saisonalität, einem starken Produktstart oder dem Ausfall eines Konkurrenten trennen. Messen Sie den Umsatz pro Kunde über ein langes Zeitfenster statt der Conversion-Rate in der betroffenen Sitzung, da das Risiko von AI-Personalisierungsmarketing genau darin besteht, dass es sich aus der Zukunft leiht. Und verfolgen Sie Abmelde-, Opt-out- und Beschwerderaten als erstklassige Metriken statt als Hygienefaktoren. Diese Zahlen sind der Ort, an dem sich die unheimliche Grenze ankündigt, und sie bewegen sich, bevor der Umsatz es tut.
Weiterlesen: AI-Optimierung
Passende Leistung: KI-Optimierung