جنبش بازاریابی مدرن: فعال سازی داده ها و شخصی سازی اطلاعات

حال فناوری پیشرفت کرده است تا جایی که بازاریابان می توانند از داده های زمان واقعی به روشی استفاده کنند که هم برای مشتریان معنی دار و هم برای شرکت ها سودآور باشد. از دوران “افرادی که اینو خریده اند، اونرو هم میخرند”، مسیری طولانی پشت سر گذاشته ایم.

تجربه یک مشتری فرضی به نام جین را در نظر بگیرید. به عنوان یک مادر ثروتمند و متاهل و خانه دار، جین از یک فروشگاه اینترنتی لباس، بصورت آنلاین، در فروشگاه و گهگاه از طریق اپلیکیشن خرید می کند. وی هنگام جستجوی شلوار یوگا در وب سایت خرده فروش، گزینه های سبک زندگی را بر اساس خریدهای قبلی، خریدهای با پروفایل های مشابه خود و سبک های شلوار یوگا که بیشتر اوقات آخر هفته خریداری می شود، می یابد. او یکی از شلوارهای یوگا ارائه شده را به سبد خرید خود اضافه می کند و پول آنرا می پردازد.

به استثنای ایمیل پیگیری، بیشتر تعامل با مشتری در همینجا متوقف می شود؛ اما در اینجا سه ​​روز پس از خرید آنلاین وی، فروشنده برای جین یک ایمیل با موضوع سلامتی ارسال می کند. او روی لینک کلیک می کند و ویدئویی درباره پرورش بچه های سالم تماشا می کند. یک هفته بعد، او یک پیام روی آیفونش دریافت می کند که از او می خواهد از یک برنامه در اپ استور برای تخفیف یک روزه ۱۵ درصدی تجهیزات تمرین ورزشی استفاده کند. اگرچه او هرگز در این خرده فروش چنین کالاهایی را خریداری نکرده است، اما از این پیشنهاد استفاده می کند و یک کیف ورزشی جدید خریداری می کند. آنچه به عنوان یک کار ساده در خرید شلوار یوگا آغاز شد، بدل به یک تجربه بسیار جذاب تر گشت.

چنین بازاریابی فعال شده با اطلاعات مبتنی بر نیازها، علاقه ها و رفتارهای واقعی فرد، بخش مهمی از افق جدید رشد را نشان می دهد. این شیوه می تواند کل فروش را ۱۵ تا ۲۰ درصد افزایش دهد و فروش دیجیتالی را بیشتر کند؛  حتی در حالی که بازگشت سرمایه را صرف بازاریابی در کانال های بازاریابی می کند: از وب سایت ها و برنامه های تلفن همراه گرفته تا در آینده نه چندان دور هدست های VR و اتومبیل های متصل.

 پلتفرم داده مشتری: حل چالش مداوم شخصی سازی واقعی

شرکتها بطور مرتب با آزمایش تأثیر تجربیات متفاوت مشتری آزمایش می شوند، اما این کار را به صورت جداگانه انجام می دهند. هنگامی که آنها سعی در مقیاس کردن دارند، با چالش اینکه چه چیزی اولویت دارد مواجه می شوند. به مورد جین برگردیم، آیا بازاریابان او را به عنوان یک مادر، یک فرد علاقه مند به یوگا یا خانه دار هدف قرار دادند؟ چه اتفاقی می افتد هنگامیکه آزمایشات در برابر هر سه بخش انجام می شود؟ آیا او بخشی از یک ریزبخش جدید است که ویژگی ها و سیگنال ها را در هر سه بخش ترکیب می کند؟

این یک چالش است که علیرغم وعده راه حل هایی مانند مدیریت ارتباط با مشتری (CRM)، مدیریت داده های اصلی (MDM) و مدیریت منابع بازاریابی (MRM)، همچنان بازاریان را به ستوه آورده است. این راه حلها می توانند به شرکتها در تلفیق و ساده کردن داده ها، مدیریت تقسیم بندی، سازماندهی گردش کار و بهبود روابط مشتری کمک کنند؛ اما از سیگنال های دیجیتالی که مشتری ارائه می دهند، کاملاً استفاده نمی کنند. در عوض، با تکیه بر ” list pulls ” قدیمی، تقسیم بندی اساسی و کمپین ها، همه فاقد تصمیم گیری خودکار، مدل سازی تطبیقی و استفاده از داده چابک برای مقیاس بندی تعاملات شخصی هستند.

وارد پلتفرم داده مشتری (CDP) شوید- که یکپلتفرم کشف داده و “تصمیم گیری” (تصمیم گیری خودکار) است.

پلتفرم داده مشتری این امکان را برای بازاریاب ها فراهم می کند تا تعاملات داده محور مشتری را در زمان واقعی مقیاس بندی کنند؛ و در حالی که پلتفرم داده مشتری واقعاً به Gartner Magic Quadrant یا Forrester Wave شکسته نشده است، به تدریج در حال تبدیل شدن به یک مفهوم استاندارد در صنعت است، با یک کادر کوچک اما رو به رشد پلتفرم های شخص ثالث درحال ظهور که به زودی این گروه را شکل می دهد.

چهار مرحله برای فعال سازی موثر داده های خود

گنجاندن یک پلتفرم داده مشتری در سازمان خود – خواه سرمایه گذاری روی مدیریت داده های اصلی موجود یا سیستم مدیریت ارتباط با مشتری یا شروع از ابتدا باشد – نیاز به تسلط بر چهار حوزه دارد:

1. بنیان داده ها: ایجاد نمای غنی از مشتری

در حال حاضر بسیاری از شرکت ها عناصر نمای نسبتا کاملی از مشتری دارند؛ اما این نماها در گوشه های مجزا در سراسر شرکت وجود دارند. درست همانطور که یک دستور غذا تا زمانی که همه مواد تشکیل دهنده ترکیب نشوند جمع نمی شود، در اینجا هم تنها هنگامی که داده ها به هم وصل شدند، آماده استفاده می شوند. پلتفرم داده مشتری داده هایی را که یک شرکت از قبل در اختیار داشته است، می گیرد و آنرا ترکیب می کند تا پروفایل مشتری معناداری ایجاد و در دسترس سازمان قرار دهد.

“تغذیه” پلتفرم داده مشتری با تلفیق هرچه بیشتر داده و ایجاد آن در طی زمان شروع می شود. ایجاد مدل هایی که پروفایل های مشتری را که از راه های مشابه رفتار و ارزش ایجاد می کنند خوشه بندی می کند، برای پردازش داده ها و یادگیری ماشین برای اصلاح آن نیاز به تجزیه و تحلیل پیشرفته دارد. با گذشت زمان، همانطور که سیستم “می آموزد”، این رویکرد زیر مجموعه های مشتری همیشه غنی تری ایجاد می کند. سیگنالهایی که مصرف کننده به جای می گذارد (به عنوان مثال، بازدید از سایت، خرید به وسیله اپلیکیشن، علایق ابراز شده در رسانه های اجتماعی) می توانند مجموعه داده را گسترش دهند که شرکت را قادر می سازد در زمان واقعی پاسخ دهد و به روشهای جدیدی برای برقراری ارتباط دوباره فکر کند. بعلاوه، بینش های به دست امده فراتر از پاسخ مشتری به یک کمپین خاص، به عنوان مثال با توسعه محصول هدفمندتر، گسترش می یابد.

تعدادی از شرکتهایی که ما با آنها آشنا هستیم در تلاشند مشتری های خود را که خرید ناچیزی انجام می دهند یشناسند، داده های CRM خود را با داده های مصرف کننده فیس بوک ترکیب کنند تا مدلهای شبیه به هم را بسازند. این کمک می کند تا ارزشمندترین مشتری بالقوه را که احتمال بالاتری برای خرید دارد، شناسایی کنند. افزایش هدف قرار دادن از طریق تبلیغات نمایشی در و خارج از فیس بوک، می تواند ۵۰ تا ۱۰۰ درصد بازدهی بالاتر از متوسط مخاطبان فیس بوک داشته باشد. نقشه برداری از داده های شخص ثالث برای بخش های مشتری از طریق یک پلت فرم مدیریت داده می تواند این تجربه را برای مصرف کنندگان دیجیتال شناخته شده و ناشناخته افزایش دهد و منجر به پیشرفت در تعامل و تبدیل شود که با نمره خالص پروموتر، کسب و ارزش زندگی سنجیده می شود.

2. تصمیم گیری: داده کاوی برای اقدام بر اساس سیگنال ها

تابع تصمیم گیری بازاریابان را قادر می سازد تصمیم بگیرند بهترین مطالب برای ارسال به یک مشتری خاص در زمان مشخص و در کانال مشخص چیست. مشتریان بر اساس ارزش بالقوه خود رتبه بندی می شوند. مجموعه ای از قوانین و مدل های رگرسیون کسب و کار (که بطور فزاینده ای از طریق یادگیری ماشین انجام می شود)، با پیام ها، پیشنهادات و تجارب مشخصی با آن نمرات مشتری مطابقت می یابد و آنچه را تحویل می گیرد و اولویت بندی می کند که چه چیزی و چه زمانی ارائه شود. این امر به شرکتها این امکان را می دهد تا با ایجاد تعامل شخصی تر و مرتبط تر، در یک کانال منفرد یا از طریق کانالهای مختلف، بر اساس نشانه های رفتاری مشتری، پیشرفت های عمده ای در نحوه تعامل با مشتریان خود داشته باشند. این سیگنالها می توانند پایه باشند، مانند “سبد خرید رهاشده” یا “سایت مرور شده، اما خریداری نکرده”، یا موارد ظریف دیگری مانند فعالیت بر اساس بخش و ساعت روز که از داده های مشتری استخراج می شود. در واقع، این سیگنالها محرکی می شوند که یک عمل را فراخوانی می کنند. موتور تصمیم گیری مجموعه ای از محرک ها و نتایج را بر اساس سیگنال ها و اقداماتی که شرکت در پاسخ به آن انجام می دهد، ایجاد می کند.

به عنوان مثال، یک خرده فروش چند کاناله دریافت که بسیاری از مصرف کنندگان فقط یک بار در سال اقدام به خرید در وب سایت می کنند. تجزیه و تحلیل بیشتر نشان داد که همان مشتریان تمایل دارند که چند روز پس از خرید به سایت مراجعه کنند و در صفحات بچرخند. این شرکت هم اکنون از این پنجره فرصت برای ارسال پیام های متناسب و هدفمند استفاده می کند، نه اینکه خطر از دست رفتن مشتری برای یک سال دیگر را داشته باشد. این رویکرد میزان باز شدن ایمیل های این شرکت را دو برابر کرده است – از ۱۰ تا ۱۵ درصد برای ارتباطات هدفمند عمومی به ۲۵ تا ۳۵ درصد برای ارتباطات در زمان واقعی، مبتنی بر ماشه که بر روی سیگنال های مصرف کننده کار می کنند.

شرکت های پیشرفته تر یک مدل تصمیم گیری را ایجاد می کنند که در تمام کانال های توزیع کار می کند. این امر نیازمند تکنیک های مدل سازی و تجزیه و تحلیل پیشرفته برای شناسایی تأثیر یک کانال بر روی کانال دیگر هنگام پیشرفت مشتری در طول سفر تصمیم گیری خود است. اخیراً یک شرکت مسافرتی از این رویکرد استفاده کرد و دریافت که پیام های هماهنگی در کانال ها باعث افزایش ۱۰ تا ۲۰ درصدی نرخ تبدیل و ارزش چرخه عمر مشتری می شود.

تصمیم گیری مؤثر مبتنی بر آزمایش های مکرر است که فرضیه ها و نتایج را تصدیق و پالایش می کند. با گذشت زمان، اینها می توانند به طور فزاینده ای پیچیده تر شوند زیرا مدل ها و الگوریتم ها روی یکدیگر ساخته می شوند. یک شرکت ارتباطات از راه دور پیشنهادات مختلفی را به گروه های مختلف ارائه کرده است: نسل هزاره (متولدین دهه ۶۰ تا ۸۰ شمسی)، مشتریان در شهرهای خاص، صاحبان قبلی یک دستگاه خاص، گروه اقوام و افرادی که در سه روز گذشته یک صفحه وب خاص را مشاهده کرده اند. هرچه به نظر می رسد پیچیده است، یک موتور تصمیم گیری نیمه خودکار پیشنهادات و تجربیات ثابت شده با بالاترین نرخ بازده را در اولویت قرار می دهد. این امر به شرکت ارتباط از راه دور اجازه می دهد بدون ترس از تجارب مغایر مشتری و یا پیشنهادهای متضاد، نتایج حاصل از ده ها تست را مقیاس بندی کند.

3. طراحی: ساخت پیشنهادات، پیام ها و تجربیات مناسب با سرعت

شناخت مشتریان و چگونگی درگیر کردن آنها، بدون محتوایی که به آنها ارائه شود ناچیز به حساب می آید. با این حال، طراحی پیشنهادات عالی با این مانع واقعی روبرو است که تیم ها و بخش های درون شرکتها تمایل دارند که به عنوان سازمان های مستقل خرد فعالیت کنند. صاحبان هر کانال، مصرف کنندگان را منحصراً در کانال خود آزمایش می کنند. مزایای واقعی فقط زمانی ممکن است رخ دهد که شرکت ها به سمت “اتاق های جنگ” متشکل از افراد از بخش های مربوطه (بازاریابی، دیجیتال، حقوقی، کالایی تجاری و توسعه/ آیتی) که روی بخش های خاص یا سفهای مصرف کننده متمرکزند، تغییر کنند.

این تیم ها مالکیت روشنی در اولویت های مصرف کننده و مسئولیت تحویل آنها دارند. تیم های وظیفه متقابل به طور مداوم ایده های جدید را توسعه می دهند، فرضیه هایی را برای نحوه جذب مشتری، طراحی آزمایش ها و ایجاد پیشنهادات و دارایی طراحی می کنند. تجزیه و تحلیلها به فرصتهای اندازه، تأثیر آزمایش و نتیجه گیری از آزمون کمک می کند. سپس آن محتوا برچسب گذاری می شود، به طوری که می تواند با یک محرک همراه باشد و در صورت لزوم آماده رفتن باشد. تنها سه ماه پس از راه اندازی اتاق جنگ خود، یک خرده فروش بزرگ چند کاناله دریافت که سرعت آزمایش آن از ۱۵ تا ۲۰ هفته به دو تا سه هفته رسیده و حجم تست ها از چهار تا شش در هر ماه به ۲۰ تا ۳۰ در ماه افزایش یافته است.

4. توزیع: ارائه تجارب در تمامی پلتفرم ها

سیستم های توزیع به سادگی “لوله” هایی هستند که تبلیغ یا محتوا را به کاربر نهایی ارائه می دهند (به عنوان مثال: سرور تبلیغ، DSP یا بستر مدیریت محتوا). اغلب آنها می توانند کاملاً دستی باشند و فقط ارتباطات خود را با بخش های وسیعی از افراد با تناسب پایین پخش می کنند؛ اما موتور پلتفرم داده مشتری را با محرک های از پیش تعیین شده و محتوای برچسب خورده خود به این سیستم های توزیع وصل کنید تا ببینید یک ابزار بازاریابی سابقاً ناخوشایند به یک پیام بسیار جهت دار تبدیل می شود که پیام های خاصی را به زیر بخش های متمایز مشتری در تمام کانال های آدرس پذیر ارسال می کند. مشاغل پیشرفته، کتابخانه ای از API ایجاد کرده اند تا بتوانند پلتفرم داده مشتری را به “پشته تکنولوژی بازاریابی” وصل کنند. یکپارچه سازی پشته از این طریق یک حلقه بازخورد ایجاد می کند که پاسخ مشتری، تعامل و داده های بازگشت مشتری را به پلتفرم داده مشتری می فرستد.

اجرای چارچوب فعال سازی داده ها

همه تلاشهای فعال سازی داده با هم برابر نیستند. توصیه می کنیم از یک روش مورد محور استفاده کنید، بقیه تست های رتبه بندی شده براساس فرصت را حفظ کنید، میزان تأثیر هر مورد استفاده بالقوه را کمی سازی کرده و آن را با سطح تلاش لازم برای اجرای آن متعادل کنید. این خود ارزیابی می تواند به رهبران شرکت کمک کند تا معیار سنجش میزان پیشرفت در سفر فعال سازی داده های خود را توسعه دهند.

بنیان داده

دیدگاه شما نسبت به مصرف کننده در کلیه مجموعه های داده داخلیتان چقدر جامع است و به روزرسانی آن داده ها چقدر به زمان واقعی نزدیک است؟

عقب مانده: ما برای شخصی سازی از هیچ داده ای استفاده نمی کنیم

پایه: شخصی سازی داده محور بیشتر روی داده های تراکنش و / یا داده های شخص ثالث ناشناس متمرکز است. داده ها به صورت دستی روزانه یا هفتگی به روز می شوند.

پیشرو: نمای غنی از مصرف کننده در اکثر نقاط تماس (به عنوان مثال، معاملات، رسانه ها، جریان کلیک، سرویس دهی / مراقبت). از داده ها بطور فعال برای شخصی سازی استفاده می شود. داده ها در زمان واقعی هستند یا چندین بار در روز رفرش می شوند.

تصمیم گیری

چه نوع مدل هایی را در کانال ها فعال می کنید؟ چه کسی مدل های شما را مدیریت می کند؟

عقب مانده: ما برای بهبود هدف گذاری یا راه انداختن تجربیات شخصی پابند مدل خاصی نیستیم.

پایه: ما مدلهای تمایل اساسی داریم که بصورت محدود استفاده می شوند و در دیجیتال به طور گسترده مورد استفاده قرار نمی گیرند. ما برای مدیریت مدلها منابع علمی داده محدود و یا مشخصی نداریم.

پیشرو: ما برای پیش بینی ایجاد ارزش یا تخریب برای یک تعامل با مشتری خاص، چندین مدل تمایل داریم و بیشتر پیامهای دیجیتالی توسط این نمرات تمایل ایجاد می شود. مدلهای ما توسط منابع اطلاعاتی درون سازمانی مدیریت می شوند. ما در حال حاضر یا به زودی از یادگیری ماشین برای مدل های دقیق استفاده خواهیم کرد.

طراحی

چند وقت یکبار پیشنهادات و پیام ها را آزمایش می کنید؟

عقب افتاده: ما آزمایش های محدودی انجام می دهیم و پیشنهادات خود را مرتباً به روز نمی کنیم.

پایه: تست ها بصورت دستی تنظیم و مستقر می شوند. ما عملکرد هفتگی یا ماهانه را تجزیه و تحلیل می کنیم و به صورت دوره ای بهینه می کنیم.

پیشرو: ما روزانه آزمایش های A / B و / یا چند متغیره را انجام می دهیم.

توزیع

چگونه پلتفرم های تکنولوژی بازاریابی شما با سیستمهای داده شما یکپارچه شده است؟

عقب مانده: ما پشته تکنولوژی بازاریابی خود را بهینه نکرده ایم و / یا فقط به سیستم عامل هایی متکی هستیم که آژانس ما از طرف ما مدیریت می کند.

پایه: ما به صورت دستی داده های بارگذاری شده را در سیستم های تکنولوژی بازاریابی خود بارگذاری می کنیم و می توانیم تجربیات شخصی سازی شده را به بخش های گسترده مشتری در برخی کانال ها ارائه دهیم. داده های پاسخ و معامله دسته ای به پلتفرم داده مشتری ارسال می شود.

پیشرو: ما ارتباطات API بین پلت فرم داده مشتری و سیستم های تکنولوژی بازاریابی داریم. تمام داده های پاسخ و معامله در یک حلقه بسته به بستر داده مشتری ما تغذیه می شوند.

برخلاف تحول فناوری اطلاعات در عمده فروشی، استفاده از پلتفرم داده مشتری جایگزینی برای سیستم های داده فعلی مشتری نیست، بلکه یک راه حل عملیاتی است که می تواند به سیستم های موجود پاسخگو باشد. طبق تجربه ما، بسیاری از بازاریابان بخش بزرگی از معادله بازاریابی و فناوری را دارند. آنها فقط از آن به درستی استفاده نمی کنند. وعده بازاریابی فعال شده با داده، یک به یک نه تنها امکان پذیر است، بلکه اکنون به طور فزاینده ای مورد انتظار مشتریان امروز است. اکنون کلید تبدیل معاملات ساده مشتری به روابط پایدار است.

منبع: مکینزی