التقسيم التنبئي: الشروع في التخصيص الحقيقي المستند إلى البيانات

كما يقول أفيناش كوشيك ، "كل البيانات في المجمل هراء." يعد التقسيم والتخصيص المستند إلى البيانات من أقوى الأدوات التي يمتلكها المسوقون ومديرو المنتجات.

بدلاً من معاملة كل زائر أو مستخدم بالطريقة نفسها ، يمكنك تقديم تجارب بناءً على الخصائص السلوكية والنفسية والديموغرافية والثابتة الفريدة لمستخدميك.

في هذه المرحلة ، أعتقد أن الجميع قد اقتنعوا بفكرة التجزئة ، بالإضافة إلى امتدادها المنطقي - التخصيص.

في الواقع ، وفقًا لدراسة Evergage ، "أفاد 92٪ من المسوقين باستخدام تقنيات التخصيص في تسويقهم ، ومع ذلك لا يشعر 55٪ من المسوقين أن لديهم بيانات عملاء كافية لتنفيذ التخصيص الفعال."

غالبًا ما تكون النظرية الكامنة وراء التجزئة والتخصيص أكثر وردية من حقيقة تنفيذها. في الواقع ، أنت بحاجة إلى ثلاثة مكونات أساسية لجعل برنامج التخصيص يعمل.

ستتناول هذه المقالة الأساسيات الأساسية ، ثم سأشرح الفرق بين التجزئة التقليدية والتجزئة التنبؤية (مدفوعًا بالتعلم الآلي).

1. ما هو الانقسام التنبئي؟
2. قواعد البيانات والمحتوى والاستهداف: أساسيات التخصيص
   • البيانات
   • المحتوى
   • منطق الاستهداف
3. التجزئة التنبؤية مقابل منطق الأعمال
4. تجزئة منطق الأعمال
• إضفاء الطابع الشخصي على الرأي
• تجزئة ما بعد الاختبار
• تحليل البيانات الاستكشافية والارتباطات
5. تجزئة تنبؤية
• تجمع
• تصنيف
• التجريب + تجزئة تنبؤية
6. كيف تبدأ في التخصيص المستند إلى البيانات
• المرحلة الأولى: المشي
• المرحلة الثانية: الجري
• المرحلة الثالثة: الطيران

بنهاية هذه المقالة ، ستكون لديك فكرة جيدة عن كيفية تنفيذ التخصيص المستند إلى البيانات والتجزئة التنبؤية.

أولاً ، ما هو "التجزئة التنبؤية"؟

التقسيم ، على مستوى عالٍ ، هو عملية تقسيم شيء ما إلى أجزاء أو أقسام منفصلة.

المصدر: CXL

عندما نقول "التجزئة" ، فإننا نعني عادةً "تجزئة السوق" أو "تقسيم العملاء" أو ربما "التجزئة السلوكية". هذا النوع من التجزئة هو عملية تحديد وتعريف الخصائص التي تحدد مجموعة فرعية أو قسم من العملاء عن الآخر.

يتم ذلك عادة من خلال منطق الأعمال. على سبيل المثال ، يمكننا القول أن مستخدمي الأجهزة المحمولة هم شريحة منفصلة عن مستخدمي سطح المكتب. أو بشكل أكثر شيوعًا ، يمكننا تجميع الزوار حسب التمثيل الجغرافي: مستخدمو NAM مقابل مستخدمي أوروبا والشرق الأوسط وإفريقيا.

في هذه الطريقة ، عادةً ما يكون لديك هدف أو نتيجة تقوم بتتبعها ، ويمكنك العمل للخلف لتحديد الخصائص المشتركة التي تشترك فيها المجموعات الفرعية فيما يتعلق بهذا الهدف.

على سبيل المثال ، يمكنك تتبع "تحويلات الاشتراك في قائمة البريد الإلكتروني" على مدونتك. قد يكتشف التقسيم التنبئي وجود مجموعات متميزة تتصرف باستمرار عند زيارة مدونتك.

تميل مجموعة واحدة من زوار الجوال إلى قضاء القليل من الوقت في الموقع والارتداد بمعدل مرتفع. تقضي مجموعة أخرى من زوار سطح المكتب من القنوات العضوية القليل من الوقت وترتد بمعدل مرتفع مماثل.

يمكنك اكتشاف هذه الأجزاء بنفسك باستخدام تحليل البيانات ، لكن أدوات التجزئة التنبؤية تسعى إلى تحديد وتجميع شرائح المستخدم هذه. عادةً ما تحاول أدوات مثل هذه التنبؤ بالإجراءات التي ستتخذها هذه الأجزاء حتى تتمكن من تشغيل قواعد التخصيص.

قواعد البيانات والمحتوى والاستهداف: أساسيات التخصيص

لتقديم تجارب مخصصة بنجاح لشرائح مستخدمين مختلفة ، تحتاج إلى ثلاثة مكونات:

• البيانات
• المحتوى
• منطق الاستهداف

1. البيانات

تدعم البيانات كل شيء عندما يتعلق الأمر بالتجزئة والتخصيص.

إذا لم يكن لديك البيانات التي تحتاجها عندما تحتاج إليها ، فلا يمكنك تحديد شرائح المستخدمين ، ناهيك عن تشغيل تجارب مخصصة لهم. بالإضافة إلى ذلك ، إذا كانت بياناتك غير دقيقة و / أو غير كاملة ، فقد يكون التخصيص الخاص بك غير فعال.

لذلك ، قبل القيام بأي تقسيم ، تأكد من هذه الأشياء الثلاثة:

• • هل تقيس كل ما تحتاجه؟ هل لديك أهداف معدة بشكل صحيح ، وأبعاد مخصصة ، وما إلى ذلك؟ هل بياناتك "كاملة"؟
  • هل بياناتك جديرة بالثقة؟ لا يلزم أن يكون "دقيقًا" بنسبة 100٪ ، لكن هل هو متسق ودقيق في تسجيله؟
  • هل يمكن الوصول إلى بياناتك عندما تحتاج إليها؟ ما مقدار التنظيف والإعداد الذي يتعين عليك القيام به لاستخلاص رؤى من بياناتك؟ هل هي مجمعة ومتصلة بمصادر أخرى (اجتماعية ، ويب ، بريد إلكتروني ، بيانات العملاء)؟ هل يتم تخزينه في مكان يمكن استخدامه وتحليله على الفور؟

علاوة على ذلك ، سترغب في توصيل مصادر البيانات ببعض جداول التخزين المركزية. في الوقت الحاضر ، منصات بيانات العملاء (CDPs) مثل Hull.io و Segment هي اسم اللعبة ، ولكن يمكنك أيضًا استخدام CRMs مثل HubSpot لمركزية بياناتك التسويقية والعملاء وتخزينها وتشغيلها.

تصبح هذه مهمة عندما تقوم بتوصيل بيانات الشراء المسبق ببيانات ما بعد الشراء. يتيح لك ذلك تحديد القطاعات بناءً على مقاييس الأعمال المهمة مثل القيمة الدائمة المتوقعة أو معدل التراجع.

2. المحتوى

جزء المحتوى أسهل بكثير في التملص.

بشكل أساسي ، إذا كنت تريد إجراء التخصيص ، فعليك أولاً تحديد شريحة مستخدم باستخدام مصادر البيانات الخاصة بك. ثم تحتاج أيضًا إلى إنشاء تجربة جديدة لتقديمها إلى تلك الشريحة.

يتطلب إنشاء محتوى أو تجارب جديدة موارد ، سواء من حيث الوقت أو المال. علاوة على ذلك ، كلما زاد المحتوى والتجارب التي تقدمها وإدارتها ، زاد التعقيد الذي تنشئه في مؤسستك.

قدم مات غيرشوف ، الرئيس التنفيذي لشركة Conductrics ، تشبيهًا رائعًا في بودكاست Digital Analytics Power Hour حول هذا الموضوع.

ووصف التخصيص بأنه في الأساس خلق كون متعدد.

تشغيل إصدار واحد من موقع الويب الخاص بك للجميع يشبه وجود عالم واحد ، وربما يسمح لك اختبار A / B بتشغيل واقعي مضاد لمعرفة كيف ستبدو الحياة في عالم موازٍ (أو "الإصدار B").

في اختبار A / B ، تريد معرفة ما إذا كان الإصدار B يمثل "كونًا" أفضل للزائرين على النحو المحدد في التحويل إلى الهدف ، وإذا وجدت أنه مثالي بالفعل ، فأنت تغلق الكون A (الأصلي) ومرة ​​أخرى إعادة الدخول إلى عالم فريد.

ومع ذلك ، فإن أشكال المحتوى المتعددة التي يتم تقديمها إلى شرائح فريدة متعددة تشبه الإبقاء على العديد من الأكوان المفتوحة المفتوحة حيث تكون التجارب فريدة بالنسبة لتلك الشرائح.

سحر هذا هو أنه يمكنك زيادة قيمة موقع الويب الخاص بك عن طريق زيادة قيمة كل شريحة فردية وتجربتها ، ولكن يمكنك أن تفهم كيف أن فتح الآلاف من "الأكوان" سيكون مكلفًا من حيث إنشاء وإدارة كل هذه خبرة.

3. منطق الاستهداف

أخيرًا ، إذا كان لديك بيانات وموارد مفيدة لإنشاء محتوى ، فأنت بحاجة إلى تحديد كيفية تشغيل منطق الاستهداف أو التخصيص لقطاعات المستخدمين بالضبط.

هذه هي الطريقة التي تربط بها البيانات بالتجارب.

يمكنك استخدام منطق الأعمال (بافتراض أن قطاعات معينة يجب أن يكون لها قيم معينة - يمكنك حتى اختبارها A / B) ، أو يمكنك تقديم التعلم الآلي والتجزئة التنبؤية / RFM لتصنيف المستخدمين إلى مجموعات مختلفة - المستخدمين الأكثر قيمة ، على وشك الانقضاض المستخدمون ، والمستخدمون الخاملون ، وما إلى ذلك. باستخدام تجزئة RFM ، يمكنك أيضًا معرفة قطاعات المستخدمين التي تستجيب بشكل أكثر تنوعًا لتجارب المحتوى.

من الناحية الفنية ، في هذه الخطوة ، تحتاج إلى نظام توصيل محتوى إما متصل بقاعدة البيانات الخاصة بك أو يمكن أن يتكامل ويسحب من قاعدة البيانات الخاصة بك. WebEngage هو نظام تشغيل متكامل للتسويق والاحتفاظ يمكنه الاتصال بسلاسة مع CRM الخاص بك ويساعدك على إشراك المستخدمين على أساس 1: 1 عبر قنوات مثل البريد الإلكتروني والرسائل القصيرة و WhatsApp و Facebook و Mobile & Web Push والمزيد.

مرة أخرى ، على الرغم من ذلك ، كلما زادت قواعد الاستهداف التي تقوم بتشغيلها ، زاد تعقيد النظام الذي تقوم بإنشائه. لذلك ، هناك مفاضلة في عائد الاستثمار يمكنك استغلالها من خلال استهداف شريحة معينة والتعقيد الهامشي المقدم للنظام. من السهل دمج الأسماء الأولى في رموز البريد الإلكتروني المخصصة (معظم أدوات البريد الإلكتروني تفعل ذلك خارج الصندوق الآن) ، لكن هذا لا يخبرك بعائد الاستثمار لقاعدة الاستهداف هذه.

المصدر: GMass

لهذا السبب ، بدلاً من مجرد إعداد الكثير من التخصيص لمجرد أنه يمكنك ذلك ، يجب أن تنظر إليه بشكل استراتيجي ومنهجي ، وتحديد عائد الاستثمار وكفاءة استهداف شريحة معينة.

التجزئة التنبؤية مقابل منطق الأعمال

لقد أسقطت بالفعل بعض المصطلحات فيما يتعلق بمنطق الاستهداف - مثل "منطق الأعمال" و "التجزئة التنبؤية".

يقف منطق الأعمال بشكل أساسي على الجانب الآخر من الطيف من "التخصيص المستند إلى البيانات" أو "التجزئة التنبؤية" أو "التخصيص المستند إلى التعلم الآلي". لكن كلتا الطريقتين لهما نفس الهدف: تحديد القطاعات التي يجب معالجتها بتجارب مخصصة.

دعونا نحدد هذين القطبين وكيف يختلفان.

تجزئة منطق الأعمال

"منطق العمل" هو الطريقة المعتادة التي يختار الناس من خلالها قواعد الاستهداف. في هذه الطريقة ، أنت تقرر بشكل أساسي القطاعات التي تتمتع بأعلى فرص التأثير باستخدام البيانات والارتباطات التاريخية أو منطق الأعمال أو الإستراتيجية أو الآراء. هناك ثلاث طرق رئيسية يمكنك من خلالها اشتقاق قواعد استهداف منطق الأعمال:

• إضفاء الطابع الشخصي على الرأي
• تجزئة ما بعد الاختبار
• تحليل البيانات استكشافية

1. إضفاء الطابع الشخصي على الرأي

على سبيل المثال ، قد ترغب ببساطة في تجنب تشغيل نافذة منبثقة غازية على الهاتف المحمول لأسباب ذاتية بحتة. إنها ليست تجربة مستخدم جيدة ، لذا عليك تجنبها. لا تحتاج حتى إلى بيانات للتنبؤ برد فعل هذا الجزء.

تعتبر معاملة مستخدمي الهاتف المحمول بشكل مختلف استخدامًا شائعًا للتخصيص

هذه هي الطريقة التي تستخدمها الغالبية العظمى من الشركات عندما تقول إنها تقوم بالتجزئة أو التخصيص المستند إلى البيانات. إنهم يخمنون بشكل تعسفي أي جزء سيستجيب بشكل إيجابي للتجربة ويخصصونها بناءً على رأيهم.

2. تجزئة ما بعد الاختبار

أقل شيوعًا (ولكن أكثر فاعلية) ، مع ذلك ، هو إجراء تجربة ثم إجراء تحليل ما بعد الاختبار لمعرفة ما إذا كانت بعض الاختلافات لها مناطق تأثير أعلى على قطاعات معينة.

تخيل أنك تجري اختبارًا على تدفق الخروج من التجارة الإلكترونية.

قررت اختبار متغيرات متعددة - متغير واحد به سلسلة من رموز الثقة والأمان ، وآخر به نافذة منبثقة تستخدم رسائل الطوارئ ، والآخر بدون رموز (الإصدار الأصلي).

بعد تحليل التجربة ، حددت أن الإصدار B "فاز" وأنه يحتوي على نسبة ارتفاع تقديرية تبلغ 10٪. فوز كبير.

ومع ذلك ، يمكنك البحث في البيانات وإلقاء نظرة على الشرائح عالية التأثير ، مثل الزائرين من الأجهزة المحمولة مقابل أجهزة سطح المكتب ، والزائرين العائدين مقابل الزائرين الجدد ، والزائرين من الولايات المتحدة مقابل الزائرين من خارج الولايات المتحدة.

من خلال القيام بذلك ، اكتشفت أن مستخدمي iPhone قاموا بالتحويل بشكل أفضل بنسبة 35٪ على المتغير B. يمثل مستخدمو iPhone نسبة كبيرة من جمهورك ، حوالي 25٪ من جميع الزوار. هذا يعني أن إطلاق تجربة مخصصة لهذا القطاع قد يكون مفيدًا وأن يكون عائد الاستثمار إيجابيًا.

علاوة على ذلك ، قام مستخدمو Android بالفعل بالتحويل بنسبة 20٪ أقل على المتغير B و 15٪ أعلى من التحكم في المتغير C. يمثل مستخدمو Android 10٪ من جمهورك ، لذا مرة أخرى ، عدد كبير جدًا من السكان.

لذا يمكنك فقط تشغيل المتغير "ب" لأنه فاز في المجموع. أو بدلاً من ذلك ، يمكنك إعداد قواعد الاستهداف لتحفيز مستخدمي iPhone على استقبال المتغير B ومستخدمي Android لتلقي المتغير C. يحصل الآخرون على النسخة الأصلية.

3. تحليل البيانات الاستكشافية والارتباطات

الطريقة الأخيرة التي يمكنك من خلالها استخدام "منطق الأعمال" للتجزئة هي ببساطة استكشاف البيانات التي يمكنك الوصول إليها والبحث عن الارتباطات بين خصائص القطاع واحتمال التحويل.

قد تجد ، على سبيل المثال ، أن مستخدمي iPhone يتحولون إلى مستوى أعلى. أو الأشخاص الذين يشاهدون مقطع فيديو على صفحتك الرئيسية. أو مستخدمي Android الذكور من كانساس الذين ملأوا نصف حقول النموذج وعادوا 3 مرات في أسبوع واحد.

إليك مشكلة هذا النهج: انظر إلى شرائح كافية وستجد ارتباطًا. هذه مشكلة إشارة مقابل ضوضاء.

المصدر: تايلر فيجن

المشكلة الأكبر في هذا النهج هي أن الارتباط لا يعني السببية.

لا يعني مجرد تحويل زائر عائد على سطح المكتب من كاليفورنيا إلى مستوى أعلى أن هذه شريحة تستحق الاستهداف من خلال التخصيص المستند إلى البيانات.

أفضل رهان في عالم منطق الأعمال هو إجراء تجارب واكتشاف شرائح عالية القيمة عبر تجزئة ما بعد الاختبار. ثم تحسب عائد الاستثمار لقاعدة استهداف معينة وتجري تجربة متابعة تستهدف تلك الشريحة فقط.

يمكنك بعد ذلك استنباط السببية وعائد الاستثمار الحقيقي للحفاظ على قاعدة الاستهداف هذه. لمزيد من المعلومات حول هذا النهج ، اقرأ الإرشادات التفصيلية الرائعة لأندرو أندرسون حول هذا الموضوع.

تجزئة تنبؤية

يسعى التقسيم التنبئي (أو باسم آخر ، التقسيم "المستند إلى البيانات" أو "المستند إلى الذكاء الاصطناعي") إلى إزالة الحدس البشري وتحليل البيانات اليدوي من تعريف المقاطع ووضع قواعد الاستهداف.

هناك عدة طرق يمكنك من خلالها تحديد الشرائح باستخدام التعلم الآلي. يعتمد الأمر فقط على أهدافك وما تأمل في تحقيقه باستخدام هذه الشرائح. سنغطي هنا ثلاث طرق رئيسية:

• تجمع
• تصنيف
• التجريب + التجميع التنبئي

1. التجميع

أولاً ، إذا كنت تريد ببساطة تحديد وفهم شخصيات أو شرائح مستخدمين مختلفة ، فإن خوارزميات المجموعات (أو التعلم الآلي غير الخاضع للإشراف) هي تقنية تُستخدم لتجميع الشرائح معًا بناءً على الخصائص المشتركة.

هذا شيء عملت عليه في معهد CXL منذ بضع سنوات.

المصدر: CXL

أرسلنا استطلاعات الرأي إلى قاعدة عملائنا مع مزيج من الردود على نطاق واسع والمتغيرات الفئوية والأسئلة المفتوحة. ثم قمت بعد ذلك بتدوين إجاباتهم وقمت بتشغيل خوارزمية مجموعات K Means عليهم.

حدد هذا ما يقرب من ثلاثة أقسام متميزة بناءً على ردودهم. ثم قمت بعد ذلك بوضع طبقات على الرؤى النوعية من كل قسم من هذه القطاعات وأجريت مقابلات مع أفراد ممثلين بدرجة عالية لكل شريحة. سمح لنا ذلك بفهم قاعدة عملائنا الحالية بعمق ورغباتهم وتحدياتهم وسلوكياتهم المختلفة.

إذا كنت تريد إجراء التجميع ، فاعلم أنه في الغالب استكشافي وبناء المعرفة. لن يخبرك بعائد الاستثمار لإرسال اتصالات تسويقية مخصصة إلى أحد هذه القطاعات ، ولن يخبرك أي القطاعات من المحتمل أن تستجيب لأي تجارب. على سبيل المثال ، قد تجد أن شريحة معينة من مشتركي البريد الإلكتروني تفتح المزيد من رسائل البريد الإلكتروني وتتمتع بقيمة أعلى مدى الحياة ، ولكنك لا تزال بحاجة إلى القيام بالعمل الإبداعي المتمثل في التفكير في محتوى وتجارب جديدة لاختبارها.

لكنها طبقة أساسية جيدة أن تبدأ بالتخصيص المستند إلى البيانات.

ستحتاج أيضًا إلى محلل لائق يمكنه كتابة رمز R أو Python أو على الأقل أداة مثل Squark لا تسمح بأي تحليلات تنبؤية للكود.

2. التصنيف

يميل التعلم الآلي إلى التحديد بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. عندما تكون خوارزميات التجميع غير خاضعة للإشراف ، يتم الإشراف على خوارزميات التصنيف.

المصدر: الاختلافات التقنية

هذا يعني أن لديك مجموعة بيانات تتضمن "ميزات" متنوعة (في حالتنا ، قد تكون هذه أشياء مثل نوع الجهاز أو الصفحات التي تمت زيارتها أو حجم الشركة أو أي خاصية يمكننا جمعها عن الزوار) ومن ثم يكون لديك نتائج تريد التنبؤ (في حالتنا ، التحويلات أو الأرباح أو القيمة الدائمة).

هناك قدر هائل من المنهجيات والخوارزميات التي تحاول التنبؤ بالنتائج بناءً على ميزات البيانات ، والتي يتضمن بعضها الانحدار الخطي والانحدار اللوجستي والغابات العشوائية والشبكات العصبية.

إذا كنت ترغب في استخدام هذه الطريقة ، فستحتاج إلى محلل رائع يمكنه ملاءمة نموذج لبياناتك بشكل صحيح (وإلا فإن التوقعات غير مجدية) ، أو شراء أداة مثل Squark أو DataRobot. تتيح هذه الأدوات للمحللين ورجال الأعمال ملاءمة نماذج مختلفة لبياناتهم والتنبؤ بالنتائج دون تشفير الخوارزميات نفسها.

3. التجريب + تجزئة تنبؤية

غالبًا ما تكون أفضل طريقة للعثور على شرائح مستخدم مربحة هي متابعة مسارك المعتاد للتجربة الخاضعة للرقابة واستخدام أداة (أو طريقة تحليل) تكتشف الشرائح الواعدة.

على سبيل المثال ، تُظهر لك السلوكيات شجرة قرارات قابلة للتفسير بدرجة كبيرة والتي تحسب احتمالات نجاح التحويل للقطاعات الفردية التي تتوافق مع كل متغير قمت باختباره.

نقاط المكافأة إذا كانت أداة الاستهداف التنبؤية الخاصة بك تحتوي على تصور للبيانات يوضح لك ، في الرسوم التوضيحية البسيطة ، قواعد الاستهداف التي أعددتها وعائد الاستثمار المقدّر واحتمال نجاح هذه القواعد.

المصدر: Conductrics

هذا أمر رائع لأنك لا تحصل فقط على احتمالية النجاح ، ولكن يمكنك اختيار ما إذا كنت ستستهدف هذه الشريحة أم لا بناءً على قيمتها.

ذكور الروبوت يعود الزوار من المناطق الريفية في ولاية كنتاكي؟ ربما لا يستحق إنشاء قاعدة استهداف جديدة. ولكن ربما يكون من المفيد استهداف سكان كاليفورنيا إذا كانوا عددًا كبيرًا من السكان ويستجيبون بشكل إيجابي للغاية لتجربة معينة.

كيف تبدأ في التخصيص المستند إلى البيانات

في حين أنه قد يكون من المغري الغوص في النهاية العميقة للتخصيص المستند إلى البيانات ، فإنني أوصي بالبدء ببطء.

من غير المعروف القيمة الحقيقية لأي قاعدة تخصيص معينة ، وغالبًا ما تكون العوائد الهامشية لزيادة التخصيص أقل من تكلفة التعقيد الهامشية المقدمة.

لذلك ، سأقدم ثلاثة مناهج تخصيص لتصعيد التعقيد (ودعنا نفترض أن مرحلة "الزحف" هي مجرد الحصول على بياناتك بالترتيب والموارد / الأدوات المطلوبة لتقديم تجارب مخصصة).

المرحلة الأولى: المشي

لذلك ، قبل أن تستثمر في أداة الاستهداف التنبؤية ، قد ترغب في استخدام منهجية أندرو أندرسون ، والتي يمكن أن تكون استمرارًا بسيطًا لبرنامجك التجريبي العادي (ملاحظة جانبية: ليس لديك زيارات للتجارب؟ التخصيص ليس لك. العوائد الهامشية لن تستحق العناء عند مستوى حركة المرور هذا. اضرب تقلبات كبيرة بدلاً من ذلك).

إليك جوهر المنهجية:

• إنشاء عمليات تنفيذ متعددة للرسالة أو التجربة
• خدمة جميع العروض للجميع من خلال تجربة منضبطة
• انظر إلى النتائج حسب المقطع واحسب الربح الإجمالي من خلال إعطاء تجربة متباينة. تأكد من تصحيح المقارنات المتعددة عند تحليل العديد من القطاعات.
• ادفع مباشرة أعلى فرصة مدرة للدخل تم العثور عليها (أو قم بإجراء تجربة متابعة على تلك الشريحة فقط مع التجارب التي اختبرتها على الجمهور الكامل).

يمكنك استخدام منصات اختبار A / B المخصصة أو يمكنك استخدام نظام أساسي متكامل لأتمتة التسويق. سيساعدك هذا الأخير في تخصيص الرسائل على قنوات متعددة ، وليس فقط الويب أو التطبيق ، ويمكنك تقديم توصيات مخصصة للمنتج ، وزيادة أرباحك و CLTV ، وتحسين اكتشاف المحتوى / المنتج ، وغير ذلك الكثير.

المرحلة الثانية: الجري

بعد الحصول على بعض المكاسب هنا ، قد ترغب في الاستثمار في حل تحليلات تنبؤية بدون تعليمات برمجية مثل Squark (أو إذا كان بإمكانك ترميز الخوارزميات داخليًا ، بكل الوسائل). تبدو العملية الأساسية كما يلي:

حدد مقاييس نجاحك
اجمع بياناتك ونظفها ، وقم بتقسيم مجموعة البيانات الخاصة بك إلى بيانات تدريب واختبار.
تأكد من أن لديك عددًا لا يحصى من الأبعاد أو الميزات في بياناتك التي يمكن استخدامها للتنبؤ بالنتيجة.
حدد الميزات التي تنبئ بمقاييس نجاحك.
احسب عائد الاستثمار لتخصيص التجارب لتلك الشرائح. مرة أخرى ، إذا كان عدد السكان صغيرًا جدًا ، فقد لا يستحق ذلك.

الآن الجزء المهم: بمجرد تحديد ميزة أو بُعد ينبئ بالنجاح (لنفترض أنه عائد للزائرين) ، ما زلت لا تعرف أي التجارب من المرجح أن تعمل على هذا الجزء.

لا يزال العمل الشاق قائمًا: أي إنشاء تجارب رائعة جديدة وإجراء تجارب لتحديد فعالية وعائد الاستثمار لتجاربك الجديدة.

ستظل ترغب في الاستثمار في حل توصيل المحتوى هنا مثل WebEngage من أجل استهداف شرائح معينة.

المرحلة الثالثة: الطيران

أخيرًا ، إذا كنت ترغب في دمج الاستهداف التنبئي في سير عمل التجربة والتحسين العادي ، فلا يمكنك التغلب على أداة مثل Conductrics أو Dynamic Yield. ستساعدك هذه الأدوات في تحديد الشرائح وتقديم تجارب مخصصة مع منحك قواعد قرار قابلة للتفسير وتقارير إحالة عائد الاستثمار.

خاتمة

في عالم تهيمن عليه العناوين الرئيسية ومحادثات المؤتمرات حول الذكاء الاصطناعي باعتباره رصاصة فضية ، قد تندهش عندما تعلم أن عملية "التخصيص المستند إلى البيانات" أو "التجزئة التنبؤية" لا تؤدي كل العمل نيابةً عنك.

يمكن أن يساعدك على الاستفادة من بياناتك وتوفير الكثير من الوقت (والأخطاء). يمكنك تحديد الشرائح المربحة بشكل أكثر سهولة ودقة ، طالما أن لديك البيانات المناسبة في مكانها ويمكن الوصول إليها عندما تحتاج إليها.

ومع ذلك ، لا يمكنها اتخاذ القرار نيابة عنك فيما يتعلق بالاستفادة من هذا الجزء أم لا. لا يزال يتعين عليك الموازنة بين الإيجابيات والسلبيات والتكاليف والفوائد.

ومع ذلك ، لحسن الحظ ، لم تكن عملية تحديد الشرائح وتجميعها أسهل من أي وقت مضى ، ولم يكن تقديم وإدارة تجارب مختلفة متعددة أسهل من أي وقت مضى. يمكن توصيل أداة أتمتة التسويق بمصدر البيانات أو CRM. يمكنك إدارة وتقديم تجارب مخصصة غير محدودة عبر أي قناة تريدها - الإعلانات المدفوعة ، والشبكات الاجتماعية ، والويب ، والدفع ، والبريد الإلكتروني ، وما إلى ذلك.

إنه وقت رائع لأن تكون مسوقًا يعتمد على البيانات.

مصدر الصورة: WebEngage

استفد من قوة الأتمتة لعملك

مع ميزات التجزئة التنبؤية ودعم العملاء الجيد!

طلب عرض