Kunden bestämmer – personlig marknadsföring

Inom marknadsföring har personalisering blivit allt viktigare under de senaste åren. Medan mycket traditionell kommunikation ofta är självklar, ger online-medier oss möjligheten att noggrant kartlägga målgrupperna.

‍

Vi vet mycket om (potentiella) kunder och kan därför anpassa budskapet allt bättre efter deras önskemål, vilket har en bevisad positiv effekt på omsättningen. Dessutom förväntar sig kunderna numera att vi ska erbjuda personalisering. Även om möjligheterna till personalisering blir allt mer självklara och man numera talar om hyperpersonalisering, ser vi att detta i praktiken fortfarande tillämpas i mycket liten utsträckning eller inte alls.

‍

Personalisering ger företag ett försprång gentemot konkurrenterna. Företag kan vända upp och ner på marknaden genom att erbjuda ett extremt personaliserat utbud eller skapa en mycket bra personlig matchning mellan leverantör och konsument, som trots allt har en allt kortare uppmärksamhetsspännvidd. Framgången för företag som Uber Eats och Airbnb beror alltså till stor del på den grad av personalisering som de kan erbjuda.

‍

Insamling och lagring av data

Traditionella företag inser att de under de senaste åren har blivit omkörda på flera fronter när det gäller personalisering och vill därför också hänga med i utvecklingen. Men om vi tittar på vilka personaliseringsinitiativ som faktiskt sätts igång, är det bara en handfull kunder där vi till exempel arbetar med 1-till-1-personalisering med hjälp av maskininlärning och algoritmer.

‍

Visst, för många företag är det kanske fortfarande ett för stort steg, och ett bra första steg är att centralt samla in och lagra data från alla kanaler samt information om förbättringsområden i relationen till kunden. Detta kan ske i ett datalager, en lagringslösning eller via en DMP (datahanteringsplattform), så att en helhetsbild av kunden skapas. Att ha ordning på dessa datamängder är grunden. När ett företag har organiserat sitt datalager och molnet på rätt sätt är de redan på god väg. DMP:er underskattas för närvarande ganska mycket och blir egentligen först intressanta för stora företag som växer snabbt och har en stor variation av datanätverk.

‍

Från segmentering till maskininlärning

Det första steget är att noggrant kartlägga alla data. Därefter kan marknadsförare och CRO-experter dela upp dessa data i olika kategorier. Tänk till exempel på uppdelningen mellan män och kvinnor, var någon bor, intressen och om någon redan har anmält sig till nyhetsbrevet.

‍

När dessa data väl har berikats och en fullständig användarprofil har skapats kan man ta fram ännu mer komplexa komponenter. Så småningom blir dessa komponenter och scenarier så specifika att det blir svårt för människor att identifiera och analysera dem utifrån regler. Det är då förändringen kommer att ske, och då måste maskininlärningen komma till nytta.

‍

Mognadsgrad inom personalisering

Som ”bransch” har vi nu nått en fas där användningen av maskininlärning är normalt, och vi utvecklar många nya system utifrån kundernas önskemål. Vi förutsäger till exempel vad människor är intresserade av utifrån tidigare köp eller sökningar. Denna förutsägelse används för att anpassa webbplatsen och medierna genom reklam. Utvecklingen av datamognad och personalisering går alltså hand i hand. När denna utveckling är klar kan det vara klokt att börja arbeta med en DMP. Det gör det möjligt att identifiera de noggrant definierade målgrupperna och segmenten och erbjuda dem samma personaliserade budskap, både över olika enheter och kanaler. I denna process av ”personaliseringens mognad” har olika team – marknadsförare, dataforskare, CRO-experter – sina egna fokusområden, men de arbetar tillsammans mot samma mål: att göra det så intressant som möjligt för konsumenten.

‍

Det bör här betonas att det handlar om att anpassa både medierna och plattformarna, såsom webbplatsen och appen. Båda utgör viktiga knutpunkter för många företag.

‍

Maskininlärning som en handelsvara

Personalisering kan inte ses separat från utvecklingen inom maskininlärning. Vi befinner oss nu redan i ett skede där många verktyg och program för maskininlärning, från exempelvis Google, Salesforce och Adobe, ingår som standard i deras programpaket. Dessa kan användas för samma typ av uppgifter och aktiveras med ett knapptryck. I den meningen har maskininlärning blivit en massprodukt, något som används i stor skala av företag, till skillnad från en teknik under utveckling där det fortfarande investeras mycket. Dessa verktyg finns helt enkelt tillgängliga i CRM-systemet och datalagret och kan i princip användas av vem som helst.

‍

Är dataforskare viktigare än någonsin?

Frågan är därför vad detta innebär för dataanalytikerns arbete, eftersom denne i praktiken inte längre behövs i processer som försäljningsprognoser och liknande. Men samtidigt utvecklas företagen alltmer när det gäller mognadsgraden inom personalisering, och det uppstår fler ”problem” som maskininlärning i sin standardform inte kan lösa. Detta innebär alltså att det på sikt kommer att behövas fler dataanalytiker för att tillämpa maskininlärning på alla dessa unika frågor och utmaningar.

‍

Kort sagt: den växande efterfrågan gör att maskininlärning automatiseras och görs tillgänglig i stora programvarupaket, men i slutändan kommer det att finnas många fler användningsfall som kräver en datavetare för att kunna tolkas korrekt. Internets utveckling går inte att stoppa. Det dröjer inte länge förrän köpcentrum kan ge en fullständig bild av varje steg som besökarna tar. Det ger enorma mängder data, vilket kommer att göra det möjligt att sätta igång mycket specifika personaliseringsprocesser. I detta sammanhang blir dataforskarens roll bara större och större.

‍

Små steg

Visst, för många företag är detta ännu inte ett alternativ. En mer realistisk plan är att se till att datamängderna är i ordning. Den första frågan som en organisation kan ställa sig är: hur blir jag mer intressant för min målgrupp? Och därmed specifikt för alla delgrupper inom den målgruppen. Utifrån det kan man sedan ta fler och fler steg mot personalisering. Det är en process, steg för steg.

‍