Руслан Валеев - руководитель цифровой трансформации «Biletarium» - инновационной технологии бронирования услуг в объекты туристического показа для иностранных и российских туроператоров и туристов.
New York Times в 2012 году выпустили статью под названием «Как компании узнают ваши секреты», описывающую кейс Эндрю Пола по сбору информации о клиентах магазина Target. Они обратили внимание на некоторые закономерности в поведении определенных групп клиентов, например, беременные женщины в начале беременности начинают покупать лосьон без запаха, а также чаще приобретают витамины, кальций, магний и цинк.
Эндрю Пол рассказал, как рассерженный отец вошел в магазин и потребовал узнать, почему его дочь подросток получила купоны на детские товары, но позже обнаружил, что она и в самом деле беременна. Как выяснилось, продавец смог спрогнозировать ее беременность и впоследствии персонализировать получаемые ею рекламные акции, во многом благодаря большому количеству собранных и проанализированных данных.
Это и есть персонализация контента – процесс адаптации контента, который видит клиент, в зависимости от его особенностей или предпочтений. Пример попроще. Вы примеряете обувь в своем любимом магазине, и продавец приносит вам еще несколько пар для примерки, исходя из выбранных вами вариантов. Именно это действие будет считаться персонализацией в магазине. Такой же метод высоко ценится в Интернете. Как и в офлайн-магазине, ваши пользователи ожидают некоторой формы персонализации при просмотре вашего веб-сайта или использовании мобильных приложений.
Эта персонализация может принимать разные формы: реклама, информационный контент или продукты. Один маленький шаг в персонализации может иметь большое значение, поскольку увеличивает вовлеченность пользователей и, в свою очередь, может увеличить ваши продажи, если все сделано правильно. Если пользователь заходит на ваш веб-сайт и сначала не видит ничего, что ему нравится, скорее всего, он покинет сайт и больше не вернется.
Однако, если пользователь заходит на ваш веб-сайт и видит на главной странице несколько элементов, которые его интересуют, вы сразу увеличиваете CLV (пожизненную ценность клиента) этого пользователя Существует множество способов реализовать персонализацию контента на вашем веб-сайте, но обычно они сводятся к настройке на основе следующих типов данных:
- Демографические данные - демографические данные включают такие факторы, как образование, возраст, раса, информация о занятости и доходе, пол, статус брака и т. д. Зная об этом, предприятия электронной коммерции могут показывать различные рекламные предложения одиноким родителям и парам, выходящим на пенсию.
- Контекстные данные – любые релевантные факты из окружающей среды: используемое устройство или браузер, географическое положение и погодные условия, взаимодействие в социальных сетях и т. д.
- Поведенческие данные - поведенческие данные относятся к информации, собранной в результате действий на веб-сайте, и обычно связаны с покупательским и пользовательским поведением, случаем и временем, полученными выгодами, лояльностью и т. д.
Поэтому мы предпринимаем шаги по персонификации контента на нашем ресурсе. На настоящий момент мы реализовали использование IP-адреса посетителя сайта для принятия решения о содержании нашей платформы, а именно: языка, валюты, информации о способах оплаты (WeChat для китайских пользователей) и рекомендованных для посещения музеях. Таким образом мы учли географический признак нашей аудитории.
Безусловно, это не все возможности персонализации. Мы постоянно изучаем передовой опыт, чтобы выявить наиболее подходящие инструменты для нашего Biletarium. Больше прочих впечатляют достижениями в персонализации Amazon и Netflix! Рекомендации Amazon по контенту невероятно успешны. Более 35% их продаж приходится на персонализированные рекомендации. Алгоритмы рекомендаций гиганта розничной торговли основаны на нескольких элементах: истории покупок пользователя, товарах, которые пользователь отложил в корзину, о приобретённых товарах, а также о том, что просматривали и покупали другие клиенты. Amazon инвестирует большое количество талантов и ресурсов в улучшение искусственного интеллекта, в частности в технологию глубокого машинного обучения, чтобы сделать механизмы рекомендаций, которые обучаются и масштабируются еще более эффективными.
С помощью своего алгоритма Amazon понимает, что большинству пользователей, которые заказали продукт X, также интересен продукт Y. Эти данные помогают компании узнать, что посетители, которые покупают нетоксичную кухонную посуду, также могут быть заинтересованы в заказе органических продуктов. 80% видео, которые смотрят клиенты Netflix, являются результатом предложений системы рекомендаций компании.
Персонализация зрителей экономит компании более 1 миллиарда долларов в год на ненужных расходах. Экономия, полученная с помощью алгоритма Netflix, проявляется в увеличении количества просмотров и снижении оттока. Netflix использует комбинацию машинного обучения, данных от своих пользователей и алгоритмов, чтобы упорядочить свой контент и решить, что показывать вам в вашей учетной записи. Если вы хотите знать, как это сделать, Netflix предлагает полезный обзор своей системы на своем веб-сайте. Если кратко, то алгоритм Netflix учитывает:
- Как вы взаимодействуете с платформой (например, ваша история просмотров, поисковые запросы и личные рейтинги). Здесь же учитываются предпочтения, указанные вами при регистрации.
- Данные, собранные от других участников сайта, похожих на вас: людям со схожими признаками нравятся вот эти фильмы, значит и вам эти фильмы можно предложить.
- Предпочтения, указанные вами при регистрации Сегодня нет места более загруженного, чем онлайн-мир; информация обрушивается на нас со всех сторон.
Подписывайтесь на нас в соцсетях, если хотите быть в курсе последних событий в сфере бизнеса и технологий.
