현대의 아더 왕 (Arthur King)과 그의 모든 기사들처럼 디지털 마케터는 영원히 성배를 추구합니다. 소비자에게 개인성을 부여하는 웹 사이트입니다.
우리가 개인의 디지털 경험을 사용자 정의 할 수 있다면 사고가 발생하여 모든 적절한 신호와 행동 촉구와 함께 구매를 완료하도록 권장 할 수 있습니다. 회심 컵이 끝날 것입니다.
문제는 완벽하게 맞춤화 된 경험이 성배 자체만큼이나 어렵다는 것입니다.
기업은 다양한 유형의 경험을 요구하는 다양한 종류의 사용자를 보유하고 있으며 고객의 행동을 미리 예측하고 맞춤형 온라인 경험을 제공 할 수있는 백만 달러짜리 아이디어가 궁극적 인 해결책으로 강요됩니다. 기업들은 경쟁 우위를 확보하고 수익을 높이기 위해 개인화에 자원을 집중하고 있습니다.
그러나 이것의 많은 것은 시간과 현금의 낭비입니다.
고객 그룹 간 유사한 행동을 식별 할 수 있다면 유사 고객의 행동 방식을 예측할 수 있다는 생각에 쉽게 빠질 수 있습니다. 그러나 큰 데이터에서 빠른 수정을 찾고 소수의 숫자를 처리하면 비즈니스는 실제로 함정에 빠지게됩니다.
당신은 개인적으로 접근해야하지만 사고 방식으로는 아닙니다.
기업은 소비자에 관한 데이터를 가지고 있습니다. 사용자 행동 (클릭 수, 페이지 뷰), 소셜 이벤트 (좋아요, 공유), 항목 세부 정보 (카테고리, 가격) 및 문맥 정보 (시간, 날씨, 기기)와 관련된 데이터가 있습니다.
그러나이 모든 정보가 우리의 손끝에 있음에도 불구하고 우리는 고객이 왜 귀하의 제품을 사는지 (또는 구매하지 않은지) 정말로 알지 못합니다. 이 놀라운, 풍부한 데이터는 고객이하는 일에 대해 많은 것을 말해 주지만, 왜 그들이 고객이하는 일인지에 대해서는 아무 것도 말해주지 않기 때문입니다.
건강 식품 저장소는 소비자 행동에 대한 데이터 기반 분석을 수행하고 평균 고객 지출이 여름보다 여름에 훨씬 높다고 결정합니다. 여기에 근거한 데이터 기반의 결론은 사람들이 여름에 건강 식품 품목에 더 많은 돈을 투자 할 의사가 있다는 것입니다.
그러나 그러한 결론을 내리는 것은 몇 가지 잠재적 교란 변수를 무시합니다. 몇 가지 다른 잠재적 인 요인들이 작용하고 있습니다. 여름은 수영복 시즌이기도합니다. 즉, 사람들은 더 건강한 활동과 라이프 스타일 선택을 뜨거운 달에 접하는 경향이 있으며,이 경우 더 많은 건강 식품 품목을 구매하는 것이 부차적 인 결과입니다.
고객의 행동을 진정으로 이해하려면 데이터를 사람들이 생각하고 행동하는 방식에 대한 깊은 이해를 보여주는 방식으로 구성해야합니다. 그것은 담요 개인화에 관한 것이 아닙니다. 그것은 심리학자처럼 생각하는 것입니다. 또는 더 나은 방법은 심리학자를 고용하여 그 숫자를 줄이는 것입니다.
인간의 삶과 마찬가지로, 그것은 복잡합니다.
데이터 과학자들은 우리가 "블랙 박스"가정이라고 부르는 것에 빠지기 쉽습니다 : 인간의 행동이 단순히 외부 데이터를 관찰함으로써 이해 될 수 있다고 생각하십시오. 인간은 기계가 아닙니다. 우리는 복잡하고 지능적이며 정서적입니다. 소비자를 이해하기 위해 차가운 숫자에 너무 많이 의존하는 회사는 이것을 잊어서 스스로 속이고 있습니다.
기계 학습은 새롭고 흥미 진진한 방법으로 고객에게 도달 할 수있는 무한한 잠재력을 제공합니다. 기계 학습 방법을 사용하여 육안으로 볼 수없는 패턴을 식별 할 수 있습니다. 그러나 우리에게 제공 할 수없는 기계 학습의 한 가지는 적어도 아직은 내부의 인간 경험에 대한 포털입니다.
이 인기있는 비유를 생각해보십시오. 요즘 기계는 꽤 좋은 날씨 예측을합니다. 폭풍의 내부를 예측할 수도 있습니다. 그러나 그것은 결코 컴퓨터 내부에 젖지 않습니다.
왜이 문제가 중요합니까? 우리가 모든 인간의 행동이 숫자의 행처럼 깨끗하고 깔끔하다고 믿고 싶지만, 현실은 의사 결정의 대부분이 직감과 감각에서 비롯되기 때문입니다. 우리가 이것을 받아 들일 수 없다면 인간 행동을 진정으로 이해하기 위해 앞으로 나아갈 것입니다.
데이터 분석은 "그냥 시도하고 보자"라는 접근 방식 대신 전문 지식과 심리학 이론에 의해 유도되어야합니다. 마케팅 담당자가 효과적으로 데이터를 사용하려면 축소해야하며 데이터를 읽는 한 방향, 한 크기에 모두 접근하는 것이 거의 항상 부족하다는 사실을 기억해야합니다.
전환은 많은 정지 및 시작으로 구성된 프로세스입니다. 기존의 데이터 과학자들의 지혜는 전환을 하나의 행동이나 사건으로 바라 보았습니다.
이것은 근시안적으로 근시안적인 접근법입니다.
초기 브랜드 노출에서 결제까지의 경로는 길어서 사용자가 전환 할 때까지 몇 번의 터치 포인트가 필요합니다. 전환율에 대해 이야기하는 것을 중단하고 전환주기에 대해 이야기해야합니다.
"전환주기"에는 많은 사이트 방문, 모바일과 데스크톱 간 전환, 회사의 온라인 및 오프라인 상점 간 여러 번 중지가 포함될 수 있습니다. 비용, 스타일, 개인 재정, 정서적 인력, 가족 결정 등 여러 가지 문제를 고려하여 여러 가지 서로 다른 결정을 내린 결과입니다.
기업이 진정으로 고객을 확대하고 수익을 창출 할 수있는 귀중한 통찰력을 얻으려면 고객이 사이트를 방문 할 때 사이트 방문이 이상적으로 이끌어 낼 수있는 미로의 작은 데이터 포인트에 불과하다는 것을 기억해야합니다 결국 전환으로 이어집니다.
그러나 회사가 미로의 특정 데이터 지점에있을 때 고객이 전환 과정에서 어디에 있는지 파악할 수 있다면 그녀는 효과적으로 행동에 영향을 줄 수있는 유용한 도구를 갖게됩니다.
데이터를 활용하여 파기하기
단일 차원에서 기존의 것으로 변환 및 데이터 모델을 생각해 보려합니다. 그러나 기계 학습이 제공하는 금광을 활용하고 우리 고객의 손에 달려있는 귀중한 데이터를 사용하려면 삽을 꺼내서 두 번째, 세 번째 및 네 번째 층을 파낼 필요가 있습니다 .
여기에 예제가 있습니다. 가장 큰 소매 고객 중 한 명의 데이터 과학자는 자신의 관리자에게 자신의 웹 사이트에서 필터를 제거하라고 말하기 직전이라고 말했습니다. 왜? 그는 개조 한 고객에 대한 분석을 실시 했으므로 사이트에 방문한 후 구매하지 않고 떠난 방문자들 사이에서 필터가 인기를 얻었지만 실제로 변환하지 않은 방문자는 실제로 필터를 사용하지 않는 것으로 나타났습니다.
나는 더 깊숙이 가기로 결정했다. 이 데이터 과학자와 저는 변환하는 방문객이 이미 사이트를 잘 알고 있고 더 이상 찾고자하는 것을 찾기 위해 필터를 필요로하지 않는 방문자를 재 방문하고 있다는 것을 알게되었습니다. 그 같은 방문자는 처음으로 사이트를 방문했을 때 필터를 사용하여 구입하기 위해 돌아 오는 바로 그 제품을 검색했습니다.
삽과 같은 심리적 모델을 생각해보십시오 : 모든 데이터 계층 아래에는 감정, 비합리성,인지 편견 및 감정적 단서와 같은 인간 문제가 있습니다.
구매 결정에 많은 요인들이 작용합니다. 기업이 고객의 전환을 유도하는 데 도움이되기를 원한다면 데이터에서 레이어를 벗겨 내고 이러한 고객을 다차원적이고 복잡한 사람들로보아야합니다.
고객의 행동에 대한 심리적 모델은 고객의 의도를 파악하기 위해 데이터와 함께 사용할 수 있으며 각 사이트 방문시 방문자가 전환주기에 있었던 위치를 파악하는 데 도움이됩니다. 알고리즘은 의도를 결정하기 위해 페이지 유형이나 웹 사이트 유형과 같은 방문자 액션, 속성 및 컨텍스트를 통합 할 수 있습니다.
이러한 유형의 맞춤 설정 – 고객을 사람으로 식별하고 차트에있는 데이터의 점이 아닌 -을 진정한 성배입니다. 앞서 나가기를 원하는 어떤 회사라도 오늘 이것을 목표로해야합니다.
