Персональный маркетинг.

Что считать персонализацией

Персонализация - это подстройка предложения, контента и сервиса под конкретного человека на основе того, что вы о нём знаете. Подстановка имени в письмо к персонализации почти не относится: это вежливость, а не работа с данными. Настоящая персонализация начинается там, где двум разным людям показывается разное, и разное - обоснованно.

Смысл в том, чтобы сократить путь клиента к тому, что ему нужно. Человек, который уже покупал у вас корм для кошки, не должен снова листать весь каталог. Человек, который третий раз читает статью про имплантацию, вероятно, ждёт не общей брошюры, а расчёта стоимости.

Обратная сторона очевидна: чтобы что-то подстраивать, нужно что-то знать. И от того, как вы эти знания собираете и используете, зависит, воспримет человек персонализацию как заботу или как слежку.

Цифровая идентичность: из чего складывается знание о клиенте

Всё, что описывает человека в цифровой среде, принято называть цифровой идентичностью. Она складывается из нескольких слоёв.

• Личные данные - имя, возраст, пол, город, контакты. Самый простой слой и самый чувствительный с точки зрения закона.
• Поведенческие данные - что человек смотрел, что положил в корзину и не купил, как часто заходит, с какого устройства, в какое время суток. Обычно самый полезный слой: он говорит о намерении, а не о анкете.
• История взаимодействия - покупки, обращения в поддержку, возвраты, участие в акциях. То, что уже произошло между вами и клиентом.
• Социальные данные - открытая активность в сообществах, подписки, реакции. Слой, к которому стоит относиться осторожнее всего.

По отдельности каждый слой мало что даёт. Ценность появляется, когда данные из разных источников связываются в один профиль и вы видите не «посетитель с айпи такого-то» и «заказ номер такой-то» по отдельности, а одного человека с историей.

Как нейросети помогают персонализировать

Нейросеть - это алгоритм, который обучается на больших объёмах данных и находит в них закономерности, не заданные заранее. В задаче персонализации она делает три вещи.

Находит неочевидные группы. Классическая сегментация делит клиентов по понятным признакам: город, возраст, сумма чека. Алгоритм может обнаружить, что есть устойчивая группа, которую объединяет не возраст, а связка «заходит с телефона поздно вечером и всегда изучает раздел доставки». Такую группу вручную никто бы не выделил.

Прогнозирует следующее действие. На основе поведения похожих клиентов модель оценивает, что человек скорее всего сделает дальше: купит, уйдёт, вернётся через месяц. Это позволяет вмешаться вовремя, а не после того, как клиент уже потерян.

Подбирает рекомендации. Самое массовое применение. Товары в интернет-магазине, подборки в сервисе, следующий материал в блоге. Чем шире ассортимент, тем ощутимее эффект.

Практически это выглядит так: банк по истории транзакций понимает, что клиенту актуален накопительный продукт, а не кредитный; интернет-магазин показывает сопутствующие товары к уже сделанному заказу; онлайн-сервис перестраивает главную страницу под интересы конкретного пользователя.

Что персонализация даёт бизнесу

Первое - точнее таргетинг и меньше потерянного бюджета. Когда вы показываете рекламу только тем, кому предложение подходит, деньги перестают уходить на показы вхолостую. О том, как разбирать эффективность вложений, есть материал про расчёт ROI.

Второе - выше конверсия. Релевантное предложение просто чаще принимают: человеку не нужно продираться через то, что ему не подходит.

Третье - лучше удержание. Клиент, которому не приходится каждый раз объяснять свои предпочтения заново, реже уходит к конкуренту. Мотивы, по которым люди остаются с брендом, мы разбирали в статье о психологии потребителей.

Обратите внимание: во всех трёх пунктах нет конкретных процентов. Прирост сильно зависит от ниши, размера каталога и качества данных, и любые универсальные цифры здесь были бы выдумкой. Считать эффект нужно на своих кампаниях через сравнение с контрольной группой.

Где проходит граница

Персонализация легко переходит в назойливость. Есть несколько признаков, по которым понятно, что граница пройдена.

Человек не понимает, откуда вы знаете то, что показываете. Если предложение опирается на данные, которые он вам осознанно не давал, реакция будет негативной, даже если формально всё законно.

Предложение касается чувствительных тем - здоровья, долгов, семейных обстоятельств. Здесь лучше недосказать, чем угадать точно.

У клиента нет способа это выключить. Возможность отписаться, отключить рекомендации или попросить удалить данные должна быть явной и работающей.

Плюс юридическая часть: сбор и обработка персональных данных требуют согласия, а хранение - соблюдения требований закона. Практическую сторону защиты клиентской базы мы разбирали в статье о защите данных.

С чего начать небольшой компании

Не с нейросетей. Сначала - с единого места, где хранятся данные о клиентах, и с дисциплины их заполнения. Пока история покупок лежит в одной таблице, обращения в поддержку в мессенджере, а источник заявки нигде не фиксируется, персонализировать нечего.

Дальше выберите один сценарий с понятной пользой. Обычно это письмо по факту действия: человек посмотрел товар и не купил, человек купил и через рассчитанный срок ему нужен расходник, человек не заходил три месяца. Такие сценарии не требуют сложных моделей и дают заметный результат.

Когда первый сценарий отработает, добавляйте следующий и обязательно сравнивайте с контрольной группой, которой ничего не отправляли. Без такого сравнения вы не отличите эффект персонализации от сезонности.

И только когда данных накопится достаточно и ручные правила перестанут справляться, имеет смысл смотреть в сторону рекомендательных алгоритмов.

Техническая основа персонализации - это сайт, который умеет узнавать вернувшегося посетителя и передавать данные в систему учёта. Собрать такую связку - задача разработки, и решать её стоит до того, как вы начнёте выбирать алгоритмы.