Halo, Habr! Nama saya Andrey Tyschenko dari Dynamic Yield. Area kerja kami adalah personalisasi situs web untuk meningkatkan penjualan dan meningkatkan pengalaman pengguna untuk perusahaan mitra. Dan itulah mengapa hari ini saya ingin berbicara tentang personalisasi situs di eCommerce, alat personalisasi, dan hasil yang dapat diberikan oleh teknologi ini.
Hampir semua perusahaan menggunakan alat personalisasi, termasuk eCommerce, Retail, sektor Keuangan, Perjalanan, perusahaan IT, dan banyak lainnya. Hasil luar biasa diberikan oleh saran dan rekomendasi individu, yang telah lama diterapkan oleh Amazon, eBay, Netflix, dan banyak perusahaan lain yang sama. Di bawah potongan - detail menarik tentang alat personalisasi dan beberapa kasus.
Teknologi tinggi dan personalisasi
Perlu dicatat bahwa meskipun pemain eCommerce utama mengatakan bahwa mereka menggunakan pembelajaran mesin, AI, jaringan saraf, dan sejenisnya untuk tujuan personalisasi, pada kenyataannya hal ini tidak selalu terjadi. Algoritme yang relatif sederhana untuk bekerja dengan data sering digunakan, yang bukan merupakan jaringan neural atau pembelajaran mesin - mungkin cukup berlebihan. Pada saat yang sama, jika teknologi ini benar-benar digunakan, mereka memungkinkan Anda untuk mendapatkan peningkatan penjualan / lalu lintas yang baik. Namun, Anda perlu memahami dengan baik di mana dan untuk apa alat dapat digunakan.
Hal menarik lainnya - di Amerika Serikat dan Rusia, perusahaan setara dalam hal menggunakan teknologi tinggi untuk personalisasi. Beberapa contoh teknologi yang paling populer adalah mesin Pembelajaran Mendalam dan Penargetan Prediktif.
Mengapa mereka populer? Karena mereka memungkinkan untuk dengan cepat menguji ide-ide yang muncul pada tahap pertama personalisasi, ketika pemasar dan manajer produk membuat hipotesis mengenai UI / UX situs, kampanye pemasaran, atau promosi.
Inti dari pendekatan untuk membangun personalisasi adalah mengidentifikasi tren, membuat hipotesis, mengujinya dengan cepat, dan kemudian "hanya" dengan cepat menguji lusinan opsi lainnya untuk menerapkan hipotesis ini dan, sebagai hasilnya, membuat strategi komunikasi yang optimal dengan satu segmen atau lainnya (atau bahkan dengan "segmen satu" - yaitu, strategi komunikasi dalam mode 1: 1 - dengan caranya sendiri dengan masing-masing pengguna). Strategi personalisasi pemain terbaik di bidangnya, seperti Amazon, Netflix, Spotify, dan lainnya, tidak hanya memperhitungkan tindakan pengguna yang eksplisit, seperti mengklik produk, menambah kereta, membeli (atau menonton film / mendengarkan musik). trek), dll.., tetapi juga mempertimbangkan karakteristik barang (film, trek, dll.), pola perilaku pengguna di situs,perbandingan semua pengguna di situs dan interaksi semua pengguna dengan semua produk dan prediksi kemungkinan tindakan pengguna berikutnya. Setelah pengguna berinteraksi dengan situs dalam waktu yang cukup lama (katakanlah, beberapa menit), konten secara otomatis mulai menyesuaikan dengan preferensinya. Pada kunjungan klien berikutnya, semua halaman situs, termasuk halaman beranda, dipersonalisasi.
Anda tidak hanya dapat mempersonalisasi situs web, tetapi juga aplikasi seluler. Contohnya adalah SimpleWine. Dia melakukannya:
- Dapatkan personalisasi aplikasi seluler yang komprehensif. Tidak hanya rekomendasi, tetapi seluruh tangkapan layar aplikasi dibangun kembali untuk pengguna dan terlihat berbeda.
- Mempermudah pengguna untuk memilih. Aplikasi ini membantu Anda memilih anggur dengan tip, navigasi, dan rekomendasi - seperti konsultan toko anggur yang kompeten.
- Pastikan peluncuran setiap perubahan dalam aplikasi secara waktu nyata - yaitu, tidak perlu menunggu versi rilis baru dan mengunggahnya ke katalog aplikasi.
Rencana lebih lanjut termasuk pengenalan Deep Learning sebuah mesin yang memprediksi preferensi dan minat pengguna bukan dengan tanda-tanda formal, tetapi berdasarkan membandingkan pengguna ini dengan semua pengguna lain dan memprediksi anggur lain yang akan menarik minat pengguna ini dengan probabilitas terbesar berdasarkan pengenalan dari pengguna lain dengan selera dan pola perilaku yang sama, seperti Netflix atau Spotify yang menyediakan film atau musik untuk Anda.
Oke, bisakah Anda lebih spesifik tentang teknologi personalisasi?
Ada beberapa di antaranya, tetapi tidak semuanya efektif. Teknologi personalisasi secara kondisional dapat dibagi menjadi dua kelompok, sesuai dengan waktu bekerja dengan pengguna.
Interaksi dengan pengguna di situs. Di sini penting untuk mempertimbangkan minat dan preferensi pembeli, membantunya melakukan pembelian yang baik. Personalisasi memungkinkan untuk menyesuaikan tampilan dan fungsi situs secara real time dengan kebutuhan pengguna sesuai dengan perilakunya. Misalnya, masalah produk secara otomatis berubah, dan pembentukannya dipengaruhi oleh minat pengguna pada berbagai produk, kategori, merek, kisaran harga, dll. Sistem analisis sekarang dapat memperhitungkan sejumlah besar faktor yang terkait dengan pembeli tertentu.
Komunikasi dengan pengguna setelah dia menutup situs toko online. Di sinilah buletin, surat pemicu, sms, pemberitahuan push, pengirim pesan instan, dll ikut bermain. Tentu saja, kondisi penting adalah tidak mengganggu, relevansi, dan ketepatan waktu komunikasi.
Sedangkan untuk teknologinya sendiri, paling sering kita bekerja dengan alat seperti:
Predictive Targetingberdasarkan pembelajaran mesin, memprediksi kombinasi terbaik dari opsi komunikasi atau konten dan segmen di mana komunikasi tersebut akan bekerja paling baik, dan menyarankan penggunaan penargetan yang optimal untuk opsi komunikasi ini atau itu. Dengan demikian, mesin menginformasikan pemasar atau manajer produk secara real time opsi komunikasi mana yang terbaik untuk ditampilkan dan untuk segmen mana. Dalam hal ini, analisis manual tidak diperlukan, semuanya bekerja dalam mode otomatis penuh. Setelah penargetan "pra-produksi" selesai, mesin akan memberi tahu pemasar atau "produk", sehingga memungkinkan untuk menerapkan pengaturan yang optimal dengan cepat.
Ternyata kombinasi orang yang memiliki awal (sebagai aturan, agak sederhana) hipotesis, ide, tugas, dan mesin yang "jatuh" ke dalam data, dalam konteks semua segmen yang mungkin, "berputar" a logika seseorang dan membangun personalisasi yang lebih cerdas, kompleks, dan terperinci.
Mesin Sortasi (Mesin Pemeringkatan).Membantu mengoptimalkan pengurutan produk secara otomatis pada halaman listingan produk menggunakan model Deep Learning yang canggih. Pada saat yang sama, daftar barang dibuat secara real time, secara individual untuk setiap pengguna. Dalam proses pembentukan, data tentang kepentingan klien potensial digunakan, dan prediksi tindakan dilakukan berdasarkan perbandingan dengan perilaku pengguna lain. Apalagi proses ini juga menggunakan data neraca barang, margin, promosi, dll.
API Server.Serangkaian API memungkinkan manajer produk, pengembang untuk bereksperimen di sisi server dengan perangkat apa pun, mengembangkan rekomendasi produk, dan memperkenalkan fitur baru berdasarkan minat pelanggan. Dan semua ini disesuaikan untuk setiap pembeli individu.
Multisaluran... Di sini kita berbicara tentang fakta bahwa ada banyak saluran pengumpulan data untuk analisis selanjutnya. Ini dapat berupa pusat panggilan, kasir, terminal, dan perangkat lain di toko offline, perangkat seluler asisten penjualan (yang disebut Clientelling), menu elektronik di restoran, aplikasi untuk Smart TV atau Apple TV, jam tangan pintar, speaker pintar, kacamata pintar, dan banyak lainnya. Ngomong-ngomong, saat mempersonalisasi, sangat penting untuk mempertimbangkan dari perangkat mana pengguna akan melakukan tindakan tertentu dengan etalase atau barang.
Apakah Anda membutuhkan kasing? Dan ini dia
Untuk mendemonstrasikan keefektifan personalisasi dan memberikan contoh bagaimana teknologi bekerja, kami akan menunjukkan beberapa kasus.
Pasar terbesar di Kazakhstan Kaspi.kz
Ini adalah salah satu perusahaan inovatif terbesar di negara ini, penerapannya sangat populer. Ini memungkinkan pengguna untuk melakukan pembayaran dan transfer, mengelola keuangan pribadi, dan berbelanja online dengan pengiriman. Saat ini Kaspi.kz adalah platform e-commerce terbesar di Kazakhstan dengan omset sekitar $ 600 juta dalam 9 bulan tahun 2020 dan meningkat + 129% dibandingkan tahun lalu.
Dengan bantuan teknologi personalisasi, perusahaan mencapai 19,4% penjualan dari referensi hanya dalam tiga bulan. Dan ini adalah jumlah yang sangat besar jika Anda mempertimbangkan fakta-fakta ini:
- 450 000 .
- 8 500 000 .
Toko Perekrestok
Supermarket online diluncurkan pada tahun 2017. Sejak itu, perusahaan telah berkembang pesat. Pendapatannya meningkat menjadi 2,09 miliar rubel, jumlah pesanan melebihi 590 ribu, sedangkan cek rata-rata berjumlah 4026 rubel.
Perusahaan memutuskan untuk menerapkan teknologi personalisasi di situsnya dan itu benar. Hanya strategi rekomendasi produk dengan produk serupa di kartu produk yang menunjukkan peningkatan konversi sebesar + 10,9% relatif terhadap grup kontrol, dan pendapatan + 12,0% untuk desktop.
Selain itu, Perekrestok telah menambahkan widget dengan item promosi di kartu item. Ini berhasil meningkatkan pendapatan di desktop sebesar 2,5%, dan di versi seluler - sebesar 1%. Segmentasi audiens juga menyebabkan peningkatan pendapatan untuk pelanggan baru sebesar 10%, dan untuk pelanggan saat ini - sebesar 5%.
Nah, widget "Pencarian Kosong", yang menawarkan rekomendasi produk yang dipersonalisasi jika pencarian gagal, meningkatkan pendapatan per pengguna sebesar 3,1%. Pertumbuhan pendapatan maksimum dari widget pencarian kosong adalah 6,2%.
Di balik semua kasus ini adalah sistem yang didasarkan pada pembelajaran mesin, termasuk algoritme Pembelajaran Mendalam, yang, berdasarkan data tentang perilaku dan minat pengguna, serta properti barang, memilih barang yang paling mungkin relevan untuk setiap pengguna. kepadanya di setiap saat bekerja dengan situs ini. Pembelajaran mesin membantu menganalisis segmen pelanggan mana yang menjadi bagian pengguna, dan menawarkan penawaran paling menarik kepada mereka serta memilih strategi individu untuk menggunakan rekomendasi yang dipersonalisasi.
Sebagai kesimpulan, perlu dikatakan bahwa personalisasi dalam beberapa tahun ke depan akan merambah semua sektor bisnis, termasuk pemain besar di sektor retail, perbankan, hingga perusahaan kecil. Pembelajaran mesin, pemrosesan data memungkinkan untuk membuat personalisasi seefektif mungkin. Tetapi ada nuansa penting lain yang tidak boleh dilupakan - ini adalah perlindungan data pengguna. Data yang dikumpulkan harus aman - tanpanya, personalisasi tidak dapat digunakan.