Неприятная вещь в маркетинге персонализации с помощью AI заключается в том, что методы, которые повышают доход, и методы, которые заставляют людей чувствовать себя неловко, взяты из одного и того же набора инструментов. Рекомендовать продукт, потому что кто-то купил сменный картридж шесть недель назад, кажется полезным. Рекомендовать продукт, потому что кто-то задержался на странице на девять секунд, а их курсор потянулся к цене, похоже на слежку. Разница заключается в том, может ли клиент без усилий восстановить, почему он видит то, что видит.
Этот тест на реконструкцию — самое полезное правило, которое мы нашли. Если разумный человек кивнет и скажет: ‘да, конечно, вы знаете, что я это купил’, вы в безопасности. Если им придется думать о том, что вы должны были собрать, чтобы это произвести, вы перешли черту. Никто не сообщает, что чувствует слежку. Они просто отключаются.
Где маркетинг персонализации с помощью AI окупается
Надежные победы скучны и операционны. Переупорядочивание страницы категории так, чтобы форматы, которые клиент покупал раньше, появлялись первыми. Подавление рекламы продукта, который у кого-то уже есть, что является самой распространенной и раздражающей тратой в ретаргетинге. Привязка сообщения о пополнении запасов к фактическому циклу потребления, а не к фиксированному тридцатидневному интервалу. Каждое из них скромно в отдельности, и вместе они обычно увеличивают доход за сессию больше, чем любое творческое обновление, которое мы проводили параллельно с ними.
- Подавление перед добавлением: перестаньте показывать то, что клиент уже купил или уже дважды отклонил.
- Последовательность важнее сегмента: то, что кто-то сделал на прошлой неделе, предсказывает лучше, чем то, в какой корзине он находится.
- Стандарты, а не украшения: персонализируйте порядок сортировки, местоположение запасов и оценку доставки, прежде чем персонализировать заголовок.
- По одной переменной за раз, чтобы вы могли приписать рост и отменить его, если он не сработает.
- Четкое резервное состояние, которое работает для шестидесяти процентов посетителей, о которых вы ничего не знаете.
Где это дает обратный эффект
Выводы о чувствительных категориях — очевидная опасность. Здоровье, финансы, беременность, семейное положение, иммиграционный статус и религия должны считаться запретными, даже если данные технически позволяют сделать предположение, потому что неверный вывод унизителен, а верный — навязчив. Модели с радостью выявят эти корреляции, если вы позволите им свободно оптимизироваться против конверсии, именно поэтому ограничение должно быть наложено в наборе функций, а не ожидаться в результате.
Более тонкий провал — слишком узкий таргетинг. Механизм рекомендаций, обученный исключительно на недавнем поведении, быстро сходится: он узнает, что клиенту нравится одна категория, и перестает показывать что-либо еще, и клиент делает вывод, что ваш каталог меньше, чем есть на самом деле. Мы видели аккаунты, где персонализированный мерчандайзинг повышал краткосрочную конверсию и снижал двенадцатимесячную широту категории на клиента, что является плохим обменом. Преднамеренное исследование, фиксированная доля слотов, зарезервированных для вещей, которые модель не предсказывает, защищает от этого.
Называйте данные, а не вывод
Когда вы объясняете персонализацию клиенту, ссылайтесь на то, что они вам дали, а не на то, что вы вычислили. ‘Потому что вы купили бутылку 500 мл в марте’ — это нормально. ‘Основано на вашем просмотре’ — это расплывчато и читается хуже, чем правда. ‘Клиентам это нравится, потому что вы владелец малого бизнеса’ — это самонадеянно, даже если верно. Правило действует одинаково в темах электронных писем, модулях на сайте и рекламных текстах: цитируйте транзакцию, заявленное предпочтение или явную настройку и молчите о модели.
Дайте людям контроль, который действительно работает, и поместите его там, где они его найдут. Центр предпочтений, который только регулирует частоту электронных писем, — это не контроль. Позволить кому-то отключить рекомендации, очистить историю или сказать ‘не интересует’ в категории, и постоянно уважать это, стоит немного дохода на бумаге и покупает доверие, которое делает все остальное приемлемым. На практике доля пользователей, которые используют эти элементы управления, невелика, а доля тех, кто замечает их существование, намного больше.
Вопрос инфраструктуры, который никому не нравится
Большинство проектов персонализации терпят неудачу из-за сантехники, а не из-за моделирования. Если история заказов живет в одной системе, поведение в сети — в другой, билеты поддержки — в третьей, а состояние согласия — в четвертой, вы не можете надежно подавить рекламу продукта, который кто-то вернул на прошлой неделе, и этот единственный промах наносит больше ущерба, чем могут исправить дюжины хороших рекомендаций. Прежде чем инвестировать в модель, убедитесь, что разрешение идентификации честное, флаги согласия путешествуют с записью, а запросы на удаление действительно распространяются на системы, принимающие решения.
Задержка тоже имеет значение. Рекомендация, вычисленная за ночь, подходит для электронной почты и неверна для сессии, где намерение клиента изменилось десять минут назад. Решайте для каждой поверхности, какая свежесть вам нужна, потому что все в реальном времени — это дорого и обычно излишне.
Как узнать, что это работает
Измеряйте с помощью контрольных групп, постоянно. Часть аудитории всегда должна получать неперсонализированный опыт, потому что без него вы не сможете отделить рост от сезонности, от сильного запуска продукта или от сбоя конкурента. Измеряйте доход на клиента в течение длительного окна, а не коэффициент конверсии за затронутую сессию, так как риск маркетинга персонализации с помощью AI заключается именно в том, что он берет взаймы у будущего. И отслеживайте показатели отписки, отказа и жалоб как первоклассные метрики, а не как гигиенические. Эти цифры — то место, где объявляет себя граница жуткого, и они движутся раньше, чем доход.
Продолжайте читать: AI-оптимизация
Связанная услуга: Оптимизация с ИИ