Wie ein moderner König Arthur und all seine Ritter, sind digitale Vermarkter immer auf der Suche nach dem Heiligen Gral: die Website, die sich an den Verbraucher personalisiert.
Wenn wir die digitale Erfahrung eines Individuums anpassen können, können wir sie ermutigen, mit allen richtigen Signalen und Handlungsaufforderungen ihren Kauf abzuschließen. Der Umwandlungsbecher wird überlaufen.
Das Problem ist, dass eine perfekt angepasste Erfahrung so schwer fassbar ist wie der heilige Gral selbst.
Unternehmen haben so viele verschiedene Arten von Benutzern, die verschiedene Arten von Erfahrungen erfordern, und "Personalisierung" – diese millionenschwere Idee, mit der wir das Verhalten der Kunden im Voraus vorhersagen und ihnen dann ein maßgeschneidertes Online-Erlebnis bieten können – wird als ultimative Lösung angepriesen. Unternehmen investieren Ressourcen in Personalisierung mit dem Ziel, einen Wettbewerbsvorteil zu erzielen und ihre Gewinne zu steigern.
Aber so viel davon ist eine Verschwendung von Zeit und Geld.
Es ist leicht, sich von der Idee verlocken zu lassen, wenn wir ähnliche Verhaltensweisen bei Kundengruppen erkennen können, können wir vorhersagen, wie sich ähnliche Kunden verhalten werden. Aber wenn man nach schnellen Lösungen aus Big Data sucht und eine Handvoll Zahlen verarbeitet, geraten die Unternehmen in eine Falle.
Sie müssen persönlich werden – aber nicht in der Art, wie Sie denken
Unternehmen schwimmen in Daten über ihre Konsumenten. Es gibt Daten, die sich auf das Nutzerverhalten (Klicks, Seitenaufrufe), soziale Ereignisse (Likes, Shares), Artikeldetails (Kategorie, Preis) und kontextbezogene Informationen (Tageszeit, Wetter, Gerät) und vieles mehr beziehen.
Aber trotz all dieser Informationen wissen wir wirklich nicht, warum Ihre Kunden Ihr Produkt kaufen (oder nicht). Das liegt daran, dass diese unglaublichen, reichen Daten uns viel darüber erzählen, was unsere Kunden tun, aber so gut wie gar nicht darüber, warum sie es tun.
Betrachten Sie dieses Beispiel: Ein Bioladen führt eine datengesteuerte Analyse seines Verbraucherverhaltens durch und stellt fest, dass die durchschnittlichen Kundenausgaben während der Sommermonate viel höher sind als im Winter. Die datenbasierte Schlussfolgerung wäre also, dass die Menschen im Sommer mehr Geld für gesunde Lebensmittel ausgeben.
Eine solche Schlussfolgerung zu ignorieren, ignoriert jedoch mehrere potentielle Störvariablen. Mehrere andere mögliche Faktoren spielen eine Rolle – der Sommer ist auch die Badesaison, was bedeutet, dass Menschen in den heißen Monaten zu gesünderen Aktivitäten und Lifestyle-Entscheidungen neigen. In diesem Fall ist der Kauf von mehr gesunden Lebensmitteln ein sekundäres Ergebnis.
Um das Kundenverhalten wirklich zu verstehen, müssen Daten so organisiert sein, dass sie ein tiefes Verständnis für die Denk- und Verhaltensweisen der Menschen zeigen. Es geht nicht nur um pauschale Personalisierung. Es geht darum, wie ein Psychologe zu denken – oder noch besser, einen Psychologen zu engagieren, der Ihnen hilft, diese Zahlen zu knacken.
Wie das menschliche Leben, es ist kompliziert
Datenwissenschaftler neigen dazu, in die sogenannte Black-Box-Annahme zu fallen: Denken, dass menschliches Verhalten einfach durch Beobachtung externer Daten verstanden werden kann. Menschen sind keine Maschinen. Wir sind kompliziert, intelligent und gefühlsorientiert, und Unternehmen, die sich zu sehr auf kalte Zahlen verlassen, um ihre Konsumenten zu verstehen, betrügen sich selbst, indem sie das vergessen.
Maschinelles Lernen bietet unbegrenztes Potenzial, um Kunden auf neue und aufregende Weise zu erreichen. Mit Methoden des maschinellen Lernens können wir zoomen, um Muster zu erkennen, die für das bloße menschliche Auge unsichtbar sind. Aber eine Sache, die maschinelles Lernen uns noch nicht bieten kann, ist ein Portal in die innere menschliche Erfahrung.
Betrachten Sie diese populäre Analogie: Maschinen machen heutzutage ziemlich gute Wettervorhersagen. Sie können sogar das Innere eines Sturms vorhersagen. Aber es ist nie nass im Computer.
Warum ist das wichtig? Es ist wichtig, denn obwohl wir gerne glauben würden, dass alles menschliche Verhalten so sauber und ordentlich ist wie eine Reihe von Zahlen, sind die meisten unserer Entscheidungen auf Bauchgefühl und Ahnungen zurückzuführen. Wenn wir das nicht akzeptieren, werden wir niemals Fortschritte in unserem Streben machen, menschliches Verhalten wirklich zu verstehen.
Die Datenanalyse sollte von Expertenwissen und psychologischer Theorie getrieben werden, anstatt den Ansatz "Lasst uns nur versuchen und sehen" anzuwenden. Damit Vermarkter Daten effektiv nutzen können, müssen sie auszoomen und sich daran erinnern, dass sich ein einheitlicher Ansatz für das Lesen von Daten fast immer selbst verkaufen wird.
Die Konvertierung ist ein Prozess, der aus vielen Stopps und Starts besteht. Herkömmliche Datenwissenschaftler haben die Umwandlung als eine einzelne Aktion oder ein zeitlich isoliertes Ereignis betrachtet.
Dies ist ein bedauernswerter kurzsichtige Ansatz.
Der Weg von der anfänglichen Markenexposition bis zum Checkout ist lang und erfordert normalerweise einige Berührungspunkte, die der Benutzer konvertieren kann. Wir müssen aufhören, über Konversionsraten zu sprechen, und anfangen, über Umwandlungszyklen zu sprechen.
Ein "Conversion-Zyklus" kann viele Site-Besuche, Übergänge zwischen Mobile und Desktop und sogar mehrere Stopps zwischen den Online- und Offline-Stores eines Unternehmens umfassen. Es ist das Ergebnis von vielen verflochtenen Entscheidungen, die eine Reihe von Bedenken berücksichtigen: Kosten, Stil, persönliche Finanzen, emotionale Anreize, Familienentscheidungen und mehr.
Damit Unternehmen ihren Kunden wirklich näher kommen und wertvolle Einblicke gewinnen können, die ihr Endergebnis verbessern können, müssen sie sich daran erinnern, dass der Besuch vor Ort nur ein winziger Datenpunkt in einem Labyrinth von Faktoren ist, die im Idealfall führen am Ende der Konvertierung.
Wenn das Unternehmen jedoch erkennen kann, wo sich der Kunde in seinem Konvertierungsprozess befindet, wenn sie sich an diesem bestimmten Datenpunkt im Labyrinth befindet, haben sie ein wertvolles Werkzeug, um ihr Verhalten effektiv zu beeinflussen.
Um Ihre Daten zu nutzen, erhalten Sie Digging
Es ist verlockend, an Konversions- und Datenmodelle zu denken, die in einer einzigen Dimension existieren. Wenn wir jedoch die Goldmine erschließen wollen, die uns das maschinelle Lernen bietet, und die wertvollen Daten nutzen, um wirklich etwas für unsere Kunden zu bewirken, müssen wir die Schaufel herausnehmen und auf die zweite, dritte und vierte Schicht graben .
Hier ist ein Beispiel. Ein Datenwissenschaftler bei einem unserer größten Einzelhandelskunden sagte mir einmal, er sei kurz davor, seinem Manager zu sagen, er solle die Filter von seiner Website entfernen. Warum? Weil er eine Analyse der konvertierten Kunden durchgeführt hatte und festgestellt hatte, dass die Filter zwar bei Besuchern beliebt waren, die auf die Website kamen, und dann ohne Kauf gingen, nutzten die Besucher, die die Conversion durchgeführt hatten, die Filter nicht.
Ich beschloss, tiefer zu gehen. Es dauerte nicht lange und dieser Data Scientist und ich erkannten, dass die Besucher, die Converting machten, wiederkehrende Besucher waren, die bereits mit ihrer Site vertraut waren und die Filter nicht mehr brauchten, um das zu finden, wonach sie suchten. Dieselben Besucher hatten bei ihrem ersten Besuch auf der Website die Filter verwendet, um nach dem Produkt zu suchen, das sie gerade zurückkauften.
Denken Sie an psychologische Modelle wie eine Schaufel: Unter jeder Schicht von Daten gibt es die menschlichen Probleme der Emotion, Irrationalität, kognitive Verzerrung und emotionale Hinweise.
So viele Faktoren spielen in unseren Kaufentscheidungen eine Rolle. Wenn Unternehmen ihre Kunden bei der Umstellung unterstützen möchten, müssen sie zunächst die Schichten ihrer Daten entfernen und diese Kunden als die komplexen und vielschichtigen Personen sehen, die sie sind.
Psychologische Modelle des Kundenverhaltens können Hand in Hand mit Daten arbeiten, um die Kundenabsicht zu ermitteln und Unternehmen dabei zu helfen, zu verstehen, wo sich die Besucher bei jedem einzelnen Standortbesuch in ihrem Umwandlungszyklus befinden. Algorithmen könnten Besucheraktionen, Attribute und Kontexte wie den Typ der Seite oder den Typ der Website integrieren, um die Absicht zu bestimmen.
Es ist diese Art von Personalisierung – Kunden als Menschen zu identifizieren und nicht nur Datenpunkte auf einer Karte – das ist der wahre Heilige Gral. Jedes Unternehmen, das weiterkommen will, sollte dies heute anstreben.
