Машинное обучение и его роль в создании персонализированного опыта покупателя

Сленг и модные словечки уже давно стали частью мира маркетинга, — пишут B2C. Хотя в самом начале многие из этих маркетологических терминов действительно обозначают стратегии и тактики, которые могут помочь продажам компании, их значение начинает размываться тем сильнее, чем чаще они используются. В последнее время «поддержка продаж» (sales enablement), «социальные медиа», «аккаунт-маркетинг» и даже «персонализация» стали теми самыми модными словечками, которыми маркетологи бросаются без реального применения в своих стратегиях.

Как раз на этом пути сейчас стоит выражение “машинное обучение”. Маркетологи много говорят как о нём самом, так и о наиболее эффективном его применении в своих кампаниях, но в основном так и не используют его для реального роста бизнеса.

Справедливости ради, стоит сказать, что “машинное обучение” – это не просто умные слова. Оно имеет огромный потенциал и может приносить бизнесу великолепные плоды, и уже делает это для тех, кто начал применять его со знанием дела. Понимая это, Карл Вирт (Karl Wirth, соучредитель и генеральный директор Evergage) недавно презентовал на Digital Summit вебинар под названием «Персонализация в эпоху машинного обучения» (Personalization in the Age of Machine Learning). Его цель состояла в том, чтобы развеять мифы о машинном обучении и помочь маркетологам понять, как его можно использовать, чтобы сделать опыт покупателя по-настоящему индивидуальным – вместо того, чтобы в незначительной степени применять его в маркетинговых тактиках веб-сайта. Эта статья расскажет вам о том, как машинное обучение может улучшить три основных компонента персонализации: Понимание, Вовлечение и Обучение.

Понимание

Прежде чем вы сможете персонализировать опыт для отдельной персоны, вы должны сначала понять ее. Кто она? Откуда она? Что ей нравится, а что нет? Чем она интересуется сейчас? Что это значит? Это значит, что вам нужно сделать глубокий анализ: не только статистика и количество кликов, но также вовлечённость и контекстные данные. Вам нужно создать место для хранения всех этих данных и совместить их с любыми другими источниками в вашем распоряжении, такими как CRM, ESP, хранилище данных и т. д. Тогда, конечно, вам нужно будет понять, как работать со всей этой информацией в реальном времени – потому что данные не принесут вам пользы, если вы никак не можете их применить.

Машинное обучение позволяет выжать максимум из всех имеющихся данных. Машина может помочь в понимании смысла всей этой информации, делая предположения о каждом отдельно взятом человеке: о его характере, интересах, намерениях, особенностях. К примеру, машина может понять, что женщина хочет сделать ремонт кухни по её бессистемному навигированию на сайте товаров для дома. Без этого заключения продавец может только предположить, что она просто ищет микроволновку, потому что просматривала страницы микроволновок чуть чаще, чем другие товары. Как мы сможем убедиться в следующем разделе, более глубокое понимание целей нахождения человека на сайте позволяет предоставить ему куда более значимый и результативный персонализированный опыт.

Вовлечение

После того, как вы поймете, что это за личность и что она ищет, вы должны начать ее продуктивное вовлечение. Вам нужно решить, что ей говорить, где и когда, а затем фактически доставить это сообщение, составленное специально для неё, “сшитое под заказ”, – это и станет её индивидуальным опытом. Без машинного обучения наиболее распространенным способом создания персонализированного опыта является использование правил. Правила и статистика, безусловно, эффективны, но они требуют ручной работы маркетолога и в основном используются для таргетирования сегментов аудитории, а не для отдельных людей.

Машинное обучение берёт на себя кропотливую работу по “просеиванию зёрен” – всех потенциальных вариантов, которые вы могли бы предложить клиенту, и по выбору лучшего из них. Будь то выбор лучших продуктов, категорий товаров, брендов, акций и т. д. для рекомендации клиенту; изменение навигации, чтобы помочь ему найти то, что он ищет; сортировка результатов поиска, имеющих к нему отношение и т. п., – машинное обучение делает всё это возможным.

Вернёмся к хозяйке, выбирающей на сайте товары для дома. Сайт узнает, что она хочет сделать ремонт кухни, а затем порекомендует ей соответствующий контент, а также продукты, категории и бренды, которые соответствуют ее предпочтениям. Это можно сделать, построив алгоритм по своему «рецепту», объединив все элементы персонализации с помощью машинного обучения.

Обучение

Последним ключевым компонентом персонализации является обучение. После того, как вы поняли и привлекли человека, вам необходимо получить оценку полученного человеком персонализированного опыта и понять, что можно улучшить. Для этого вы, скорее всего, используете A/B-тест. Сравнив статистику персонализированного опыта и контрольные показатели, вы поймёте, что именно увеличила кампания – вовлечённость, конверсию и т.п. Это очень ценная информация, и ее следует анализировать для каждой персонализированной кампании, которую вы проводите.

Однако машинное обучение может помочь вам разобраться в сложностях реального мира, тем самым продвинув ваше обучение ещё дальше, чем A/B-тестирование. Оно может показать эффективность кампании по сравнению с прошлыми результатами, а также по отношению к целям, которые вы поставили для неё и других кампаний. Машины могут сделать прогноз ожидаемых результатов, вовремя предупредить вас о том, что кампания не работает так, как ожидалось, и даже показать, над чем нужно поработать (например, когда кампания неэффективна для определенных сегментов аудитории). По сути, машинное обучение может использовать огромные массивы данных для синтезирования выводов и потенциальных возможностей и выявления проблем, на которые нужно обратить внимание.

Напоследок

Не позволяйте «машинному обучению» стать еще одним словом, которое потеряет смысл и значение. Вместо этого используйте его, чтобы повысить качество обслуживания клиентов и поговорить с каждым человеком “один на один”.