Эра персонализированного маркетинга

Персонализация в интернет торговле

Если Вы когда-либо совершали покупки через интернет, пользовались социальными сетями, просматривали новости, то скорее всего сталкивались с системами рекомендаций в той или иной форме.

У многих в голове, при таких системных рекомендациях, возникает ассоциация с названием Amazon. Некоторые утверждают, что благодаря таким рекомендациям, которые Amazon делает своим клиентам, увеличивается объем денежных поступлений от розничной торговли на 10-30%.

Существуют и другие похожие сайты, работающие на таком же алгоритме рекомендаций - это Netflix (компания предлагала 1$ млн инженерам, которые могли бы улучшить их предикативные алгоритмы) и iTunes (действующая сила революции в музыкальном бизнесе).

Обратим также внимание на News Feed соцсети Facebook, которая не очень заметна, но безусловно эффективна. Их алгоритм показывает, какие посты более популярны. Пример Facebook или Amazon показывает, что необходимо учитывать много различных факторов для выдачи увлекательного контента пользователям. В эти факторы входит предпочтения людей с подобной историей покупок, рекомендации друзей, персональная история просмотров/покупок, популярность элемента/поста в социальных источниках.

Среди специалистов по алгоритмам, о которых мы говорим, используется термин «персонализированные системы рекомендаций». Эти системы содержат большие таблицы данных, где отображается информация о потребителях; эти цифры отображают буквально все - что приобрел пользователь, просмотрел, лайкнул, где оставил комментарий и т.п. Два элемента считаются подобными, если многие клиенты проявляют интерес к ним обоим. Благодаря таким техникам, как снижение размерности, помогает перейти от заинтересованности к специфическим элементам и более общим характеристикам (экзотический туризм, предметы роскоши, музыка нью-эйдж и т.д.). Благодаря этому можно более эффективно группировать пользователей.

Владельцы интернет-магазинов, которые хотят извлечь выгоду для своих порталов из систем рекомендаций, надеются либо на свои инструменты, либо на инструменты других разработчиков. Маркетинговые платформы делают частью себя системы рекомендаций.

Профессор Калифорнийского университета в Беркли и один из ведущих специалистов в области машинного обучения, Майкл Джордан, считает систему рекомендаций Amazon весьма подходящей для музыки и книг. В этих разделах, по его мнению, очень большой объем данных. И смысловые рамки, находящихся в них товаров, четко сформулированы, чего не скажешь о таких разделах, как обувь или рубашки. «Чтобы все правильно разместить в огромном спектре интересов потребителя, необходимо колоссальное количество данных, также нужно сделать значительный объем работы по части инженерии», – сообщает ученый.

Уже сейчас для систем рекомендаций во всю используются разные алгоритмы или стратегии, отличающиеся в зависимости от рекомендуемого типа продукции, контента или сервиса. Они умеют делать заключения по общим характеристикам продукции и сервисов, которые выбирает клиент. Это является важным отличием от систем, которые формируют историю покупок специфических элементов по идентификаторам товарных позиций.

Системы рекомендаций продвигают продукцию, популярную в соцсетях. Как только в социальных сетях появляется мисс Джоли, гуляющая в новом платье и с новой сумочкой, то тут же потребители за считанные минуты сметают эти товары с витрин. Но такая маркетинговая стратегия не работает на тех клиентов, кто предпочитает определенный бренд. Также, например, сложно составлять рекомендации касательно рождественских подарков, поскольку ни программируемые системы, ни их составители, не знают о предпочтениях людей, которым адресуются рекомендации. При составлении рекомендации учитываются интересы людей из демографической группы (система оперирует лишь некоторой информацией о демографии), к которой принадлежат получатели подарков. Но любые дополнительные сведения о человеке, для которого предназначен подарок (даже информация о том, что ему не нравится), могут использоваться для «точечной настройки» рекомендаций. И как ни крути, персонализация зависит от количества различных сведений о предпочтениях клиента. Их можно вычислить, делая выводы относительно поведения самого клиента, поведения людей со схожими интересами, друзей или коллег. Дополнительный аспект персонализации – корректировка маркетингового обращения (будь-то мейлы, текстовые сообщения, или же веб-страницы сайтов). Наблюдая, как клиенты реагируют на маркетинговые кампании, можно понять, к каким маркетинговым обращениям они более расположены. Разговорная речь вместо официальных формулировок, CTA-кнопки – такие ходы оказывают влияние на реакцию потребителя. Согласно результатам ряда исследований, коэффициент кликов увеличивается на 5% и более, если маркетинговое обращение соответствующим образом отредактировать. При «персонализации» важно учитывать, когда и где следует сделать предложение клиенту. В наш век мобильных устройств, если потребитель находится рядом с какой-то точкой розничной торговли, ее можно выгодно использовать для своевременного предложения. Email-маркетинг более эффективен в определенные дни недели или времени суток. Нужную информацию о потребителях можно узнать, если классифицировать клиентов и отнести их к отдельным группам, исходя из поведенческих особенностей. Специалистам по интернет-маркетингу, которые используют преимущества такой технологии, нужно помнить о гибкости систем рекомендаций в рамках которых выбор стратегий или алгоритмов можно было бы изменять в зависимости от потребительских тенденций, сезонных и географических ограничений, маркетинговых целей, событий и т.д.

Система рекомендаций/персонализации не способна работать в качестве самостоятельного инструмента, поскольку это часть маркетинговой платформы, которая учитывает социальную аналитику, сегментацию рынка, мобильный и email-маркетинг. Существует много инструментов для плодотворного взаимодействия с покупателями посредством персональных рекомендаций и предложений. В мобильном маркетинге эти инструменты в особенности актуальны, так как позволяют получить информацию о местонахождении, но не надо засыпать потребителей спамом однотипных сообщений. Ведь сейчас технологии дают возможность понять, что хотят клиенты и как с ними взаимодействовать.

Персонализация в магазинах самообслуживания

Если взглянуть на тему персонализации в привычных всем физических магазинах и супермаркетах, то представьте такую ситуацию: заходит покупатель в магазин купить печенье к чаю, молока, немного фруктов, и проходя до середины зала оказывается в отделе овощей-фруктов рядом с весами самообслуживания. В руке у него пакет с бананами на развес. Как обычно, человек, кладет бананы на платформу весов для взвешивания и получения этикетки со штрихкодом, нажимает соответствующую кнопку на сенсорном экране весов, а весы ему в ответ помимо этикетки со стоимостью и весом бананов, выдают на свой дисплей рекламу нового йогурта, где приятная девушка рассказывает как приготовить вкусное лакомство из йогурта-новинки с добавлением бананов.  Продавцы -профессионалы часто используют такой прием предложения сопутствующего товара. В наши дни это становится по силам и автоматизированным весам, которые "увидели", какую кнопку нажал покупатель (в нашем случае банан), и выдали клиенту соответствующую рекламу на дисплей. Такой продуманный подход, основанный на персонализации выбора товара, призван существенно увеличить продажи сопутствующих товаров. Изначально подобная модель весов не обладает такими умными функциями с завода, но имеет весь необходимый технический потенциал. Для того,чтобы весы сумели делать персонализированное предложение, их нужно обучить этому: в дело вступает программист, призванный создать умное рекламное программное обеспечение. 

Напоследок добавим, что мы живем в удивительый век настолько стремительно развивающихся технологий, что вчерашнее , казалось бы, далекое будущее незаметно становится уже сегодняшними реалиями. Поэтому будьте в курсе происходящего, ведь тот, кто не поспевает за технологиями, рискует остаться неконкурентоспособным.