Использование больших данных для персонализации в цифровом мире

От редакции: в основу статьи лег доклад руководителя направления Interactive Accenture Павла Родыгина на конференции "Электронная торговля" в 2019 году. 

Мы занимаемся изучением цифрового клиентского опыта: от создания стратегии, продвижения продукта до финальной реализации. Сегодня поговорим про персонализацию именно в маркетинге с использованием искусственного интеллекта и больших данных.

2,5 миллиона товаров в телефоне

За последние 10 лет все бросились в digital – у нас на экранах смартфонов 2,5 миллиона товаров от Озона. И выбрать что-то конкретное там реально сложно. Заходим в ленту в Фейсбуке – там миллион рекламных сообщений. Поэтому клиент тратит считанные секунды на то, чтобы решить, релевантен для него товар или нет.

Когда человек приходит на сайт и видит эти два с половиной миллиона товаров, то не может выбрать вот так сразу. И когда пользователь что-то вбивает в поиск, то ему предлагается 10 тысяч товаров, что тоже довольно немало. В офлайне все по-другому – вы можете подойти к продавцу за советом и спросить, на какой полке можно посмотреть тот или иной товар. В диджитал приходится решать такие вещи иначе.

Назад к персонализации

Поэтому в диджитал мы должны, как и в физическом канале, разговаривать с клиентом, вести с ним диалог и понимать, что ему действительно нужно.

Персонализация – это не попытка что-либо допродать клиенту. Это попытка определить, что клиенту действительно нужно в реальный момент времени, опираясь на знания о нем.

Из чего состоит персонализация

Четыре ключевых элемента персонализации

Мы должны помнить, кто наш клиент; должны знать, что он покупает, что ему нравится, почему это нравится. В это время мы также должны бесшовно рекомендовать в тех каналах, где он находится, релевантные вещи. И вот с этим на российском рынке электронной коммерции пока очень плохо – а я работаю с достаточно большим количеством крупных игроков. Сейчас получается, что магазины еще неделю показывают клиенту кроссовки, которые он уже купил.

Мы парсим большое количество продуктовых данных, которыми клиент интересуется. Особенно теми, которые клиент покупает. Понимаем, из чего состоит этот продукт, какие у него характеристики, сезонности. Если мы видим, что у человека аллергия и он не переносит молочный белок, то в дальнейшем мы будем исключать из выдачи какие-то вещи, связанные с наличием молочного белка, выдавать соевые продукты и так далее.

Фильмы и сайты

Здесь можно привести пример Нетфликса, который одним из первых внедрил эту технологию. Работает она абсолютно точно так же в плане парсинга контента, которые посмотрел человек. И даже несмотря на то, что мы выдаем рекомендацию, одного и того же фильма, мы делаем это на базе того, на что клиент быстрее среагирует – на актера, оформление и т.д.

То же самое работает сейчас на сайтах. В принципе, уже существуют технологии, которые позволяют под клиента за сотые доли секунды создать сайт. Есть CMS, которые помогут понять, кто к нам пришел, какие у него интересы. Если клиент любит активный образ жизни, то мы ему показываем соответствующую выдачу. Важно, чтобы он увидел в нашем контенте себя, а не просто какой-то безликий очередной сайт.

Тесты, и почему персонализация с использованием Big Data – это непросто

Когда мы говорим про персонализацию контента, то это не что иное, как развитие инструмента мультивариантного теста. Но есть одно усложнение. Когда мы говорим про пару-тройку мультивариантных тестов, то это делается одним-двумя людьми команды. Но когда вы бизнес строите в целом на подобных технологиях и клиентских сценариях, получается, что у вас одновременно по десяткам тысячам товаров идут мультивариантные тесты, и ситуация меняется.

Поэтому на масштабе это работает только, когда у вас над одними моделями сидят другие модели – например, machine learning наблюдает за machine learning и определяет, какой из этих machine learning отработал лучше. Показывать релевантный контент вручную человек, в принципе, не может.

Даже искусственный интеллект, который сидит над искусственным интеллектом – это некая модель. А модель никогда не работает на 100%. Соответственно, всегда имеется риск не угадать – даже, если мы качественно распарсили данные и хорошо знаем клиента. Есть и такие интересные случаи, когда клиент всегда приходил к нам за чем-то одним, а тут вдруг пришел купить подарок сестре или еще что-то.

IT-архитектура технологии персонализации на основе Big Data на самая простая

75% клиентов на самом деле хотят управлять своим клиентским опытом

Мы провели исследование и оказалось, что 75% клиентов хотят управлять своим клиентским опытом. Хотят разговаривать с брендами, с которыми работают онлайн.

Очень красиво это реализовано в Яндекс.Такси. Например, когда вы пытаетесь вызвать машину через Яндекс.Такси, там появляется флажок рекомендации. Система знает, что обычно из этой локации в это время вы едете домой, и первая выдача будет такой. Второй будет ваш любимый бар, где вы с друзьями встречаетесь. Но под этим под всем есть поиск.

Так вот, мне кажется, что все мы должны идти по направлению двустороннего диалога – мы будем дизайнить наши системы таким образом, чтобы клиент все-таки имел возможность рассказать, зачем к нам пришел.

На хорошо отлаженной воронке, которая достаточно эффективна, применение таких инструментов дает увеличение конверсии от 20 до 30%. При этом надо понимать, что построение такой структуры стоит денег и времени. Поэтому на сегодняшний день, скорее, построение такой персонализации в большом масштабе и на большом объеме данных релевантно для больших игроков.

Каждый год на конференции "Электронная Торговля" делятся опытом руководители крупнейших ecommerce- и мультиканальных компаний. Содержание докладов по большей части остается коммерческой тайной.  Небольшая часть материалов публикуется на Oborot.ru спустя год.

Хотите знать все о последних трендах? Регистрируйтесь! 

*Facebook признан экстремистской организацией на территории РФ.