NL
EN
Google Cloud

Wat is jouw discover weekly? - Hoe je met personalisatie een betere klantervaring biedt

Om te dealen met veranderende klantverwachtingen, hebben marketeers machine learning (ML) nodig.

De voordelen van het gebruik van machine learning bij personalisatie zijn namelijk enorm. Zo kun je individuele, persoonlijke ervaringen creëren, dynamische inhoud gebruiken en de klantervaring continu verbeteren. En doe je meer met minder: machine learning haalt het meeste uit je marketingbudget, omdat het de betrokkenheid, loyaliteit en aandacht van gebruikers vergroot. 

Personaliseer jouw ervaring
De normale (old school!) manier van personalisatie is gebaseerd op regels, waarbij klanten worden verdeeld in segmenten met vooropgestelde criteria. Vandaag zijn we een stap verder: we hebben nu de know-how om groepen van één persoon te maken. Fantastisch. Maar hoe meer we personaliseren, hoe meer data we hebben. Hier komt machine learning om de hoek kijken. Omdat ML geprogrammeerd is om alles over de klant te leren, is het niet afhankelijk van regels. Op basis van onze kliks en voorkeuren, selecteert het de meest aantrekkelijke klantervaring. De reactie van de klant wordt dan gebruikt voor de volgende ervaring en zo verder… een continue verbetering van de klantervaring, altijd. 

Een mooi voorbeeld is Spotify, die luisteraars nu gepersonaliseerde playlists aanbiedt op basis van hun unieke smaak. Spotify leerde dat gebruikers op deze manier vaker langer luisteren. Bovendien groeide het aantal luisteraars dat een nummer opzoekt na het te hebben ontdekt in hun gepersonaliseerde playlist met 80%. Voor de techies onder ons: leer meer over hoe Spotify & Google samen muziek voor iedereen speciaal maken met onderstaande video. 

 

De juiste data kiezen
Vrouwen die advertenties krijgen voor herenschoenen. Iemand die een digitale tip krijgt voor een boek dat hij net heeft gekocht. Er zijn veel voorbeelden van mislukte personalisatie. Machine learning kan al veel zelf, maar heeft nog steeds menselijke input nodig. Marketeers hebben een belangrijke rol bij het kiezen van de juiste data om daarmee de relevantie van de machine learning zo groot mogelijk te maken.

De marketeer moet sommige keuzes nog steeds zelf maken. Allereerst moet het juiste algoritme gekozen worden. Een ‘trending’ algoritme kiezen, kan bijvoorbeeld het populairste artikel op een website laten zien zodra een klant op de bedankpagina terechtkomt. Verder moeten er filters, boosters en variaties gekozen worden. Hiermee kunnen bepaalde voorkeuren ingesteld worden voor de getoonde advertenties. Dit kan betekenen dat er op de bedankpagina een aantal voorkeurs artikelen staan (boosters), een aantal artikelen niet wordt getoond omdat de klant die net heeft gekocht (filters) of sommige artikelen een maximum aantal keren te zien is (variaties).

Werkte het?
Het kiezen van de juiste data en tech is net zo belangrijk als de analyse achteraf. Of een klant nu wel of niet toehapt op een gepersonaliseerde aanbieding, het is belangrijk om te weten waarom de klant koos wat hij koos. De resultaten van de personalisatie moeten goed geanalyseerd worden, wil je in de toekomst betere keuzes kunnen maken en je machine-learningmodel daarop aanpassen. Die analyse vergroot het succes van machine learning bij personalisatie en kan uiteindelijk je verkoop positief beïnvloeden.

Bronnen: