ИИ-движки персонализации: когда пора переходить

Инструмент на основе правил работает по логике «если-то». Если посетитель пришел из кампании Google Ads для кроссовок, покажите баннер с кроссовками. Если это вернувшийся клиент, скройте скидку на первый заказ. Маркетолог решает каждую ветку.

AI-движок изучает закономерности поведения: что люди просматривали, искали, добавляли в корзину и покупали, часто в сочетании с контекстом, таким как устройство, время и местоположение. Затем он ранжирует контент или продукты для каждого посетителя и продолжает корректироваться по мере поступления новых данных. Примеры включают Dynamic Yield, Bloomreach, функции рекомендаций Algolia, автоматизированную персонализацию Adobe Target, Insider и предиктивные функции Klaviyo.

Большинство зрелых настроек сочетают и то, и другое. Правила обрабатывают бизнес-ограничения, такие как запас, маржа и юридические требования; модель обрабатывает ранжирование в этих пределах.

Машинному обучению нужны данные для обучения. Движок должен видеть достаточно сессий и конверсий на вариацию, чтобы отличить реальный паттерн от шума. Ниже этого уровня результаты колеблются от недели к неделе, и им трудно доверять.

• Ваш каталог достаточно велик, чтобы ручной мерчандайзинг не мог его охватить.
• Трафик достаточно высок, чтобы тесты достигали значимости за дни, а не за месяцы.
• Вы уже собираете чистые события просмотра продуктов, корзины и покупок.
• У вас много мелких сегментов, для которых потребовались бы десятки написанных вручную правил.
• Кто-то в команде может взять на себя управление инструментом и еженедельно читать его отчеты.

Если три или более из этих пунктов верны, стоит запустить пилотный проект. Если верен только один, сначала инвестируйте в качество данных и тестирование на основе правил.

Традиционные инструменты выигрывают в прозрачности и стоимости. B2B-компания с несколькими тысячами посетителей в месяц и четырьмя четкими портретами покупателей может персонализировать заголовки и тематические исследования по отраслям с помощью простых правил в таких инструментах, как Optimizely, VWO, HubSpot smart content или встроенные функции аудитории CMS.

Регулируемые секторы также склоняются к правилам. Если вы должны объяснить, почему клиент увидел конкретное кредитное предложение или сообщение о здоровье, правило легче задокументировать, чем ранжирование модели.

И иногда проблема вовсе не в персонализации. Если страницы продуктов загружаются медленно или процесс оформления заказа состоит из пяти шагов, никакой движок не исправит конверсию. Сначала исправьте основы, затем персонализируйте.

Движок хорош настолько, насколько хороши события, которые он получает. Большинство неудачных пилотов связаны с отсутствующими или дублирующимися событиями, а не с моделью.

Данные о событиях

Минимум: просмотр страницы или продукта, поисковый запрос, добавление в корзину, покупка со стоимостью заказа и стабильный ID посетителя. Многие команды отправляют их через Google Tag Manager или платформу данных клиентов, такую как Segment. Проверьте их в режиме отладки перед подключением движка.

Фид продуктов и контента

Движку нужен фид с ID, заголовками, категориями, ценами, запасами и URL изображений. Отсутствующие категории или устаревшие запасы приводят к рекомендациям продуктов, которые нельзя купить.

Согласие

Поведенческая персонализация опирается на файлы cookie или идентификаторы, которые требуют согласия в соответствии с GDPR в ЕС и KVKK в Турции. Подключите движок к вашей платформе управления согласием, чтобы он использовал данные только тех посетителей, которые дали согласие.

Проведите тест с контрольной группой (holdout). Отправьте часть трафика, часто от десяти до двадцати процентов, на существующий опыт на основе правил, а остальную часть — на AI-движок, на фиксированный период. Сравнивайте доход на посетителя и коэффициент конверсии, а не только клики по виджету рекомендаций.

• Согласуйте основную метрику до начала теста.
• Держите контрольную группу достаточно долго, чтобы охватить как минимум один полный недельный цикл, в идеале несколько.
• Исключите внутренний трафик и ботов.
• Следите за средним чеком и возвратами, а также за конверсией.
• Документируйте каждое изменение, сделанное во время теста.

Поставщики часто сообщают о росте на своих собственных панелях мониторинга, измеренном по сравнению с отсутствием персонализации вообще. Ваш реальный вопрос — это рост по сравнению с тем, что вы уже делаете, поэтому контрольной группой должны быть ваши текущие правила.

AI-движки обычно взимают плату за трафик, за количество предоставленных рекомендаций или по диапазону дохода, а корпоративные контракты часто заключаются ежегодно. Инструменты тестирования на основе правил и функции аудитории CMS часто дешевле или уже включены в программное обеспечение, за которое вы платите. Добавьте внутреннее время: модели нужен кто-то, кто будет следить за ней, корректировать бизнес-правила и действовать по отчетам каждую неделю.

Сравнивайте общую стоимость с ростом, измеренным в контрольной группе, а не с тематическими исследованиями поставщика. Небольшой, но реальный рост на большой базе доходов может многократно окупить движок; тот же рост в небольшом магазине может не покрыть лицензию.