Omalla datalla johdettu personoitu asiakaskokemus

Tarkasti personoitua asiakaskokemusta ei voida saavuttaa manuaalisella työllä. 

Personoinnin toteutukseen on tarjolla kyllä kolmannen osapuolen työkaluja, jotka pyrkivät toteuttamaan ainakin osittain personoitua asiakaskokemusta, mutta niidenkin käytössä on usein ongelmia: 

• Asiakaskokemuksen toteutuu tuntemattoman ”Black box” algoritmin kautta.
• Liiketoiminnan tarpeet ja nämä black box algoritmit eivät aina kohtaa.
• Prosessista saatava data ei ole läpinäkyvää asiakasymmärryksen kehitykseen.  

Tämä kirjoitus käsittelee tätä problematiikkaa ja pyrkii avaamaan, miten personoitu asiakaskokemus voidaan toteuttaa ja automatisoida omalla läpinäkyvällä datalla, omilla algoritmeilla ja tekoälyn avustuksella. 

Tyypillisesti personoitu asiakaskokemus on monien erilaisten laskentojen lopputulos. Jokaisella laskennalla on oma itsenäinen tehtävä valmistella pieni osa kokonaisuutta. Kun nämä laskennat isketään lopulta yhteen pakettiin, siitä syntyykin omalla datalla johdettu personoitu asiakaskokemus. 

Näin data kulkee laskennasta toiseen ja lopulta personoituun sisältöön. 

Kuva 1: Esimerkkejä personoidun asiakaskokemuksen laskennoista. 

Asiakkaiden automatisoitu profilointi

Automatisoidulla profiloinnilla tarkoitetaan sitä, että asiakkaan selailu- ja ostodatasta tai erilaisista eventeistä lasketaan asiakkaan kiinnostusta kuvaava pisteytys sellaisille dimensioille, joiden suhteen asiakkaita halutaan lopulta segmentoida. 

Dimensiot voivat olla esimerkiksi tuotteiden attribuutteja tai tuoteryhmiä. Mitä isomman pisteytyksen dimensio saa, sitä kiinnostuneempi asiakas on kyseisestä attribuutista. 

Kukaan ei määrittele käsin mitään segmenttien sääntöjä CDP-järjestelmään. Laskenta tapahtuu automaattisesti ja tulokset virkistyvät 24/7 tietokantaan ja esimerkiksi CDP-järjestelmään, jos segmenttejä halutaan hyödyntää myös siellä. 

Näin laskennan avulla jokaiselle asiakkaalle syntyy moniulotteinen ja automaattisesti päivittyvä asiakasprofiili, jota voidaan hyödyntää personoinnin pohjana.   

Kuva 2: Asiakkaille lasketut profiilit ovat yksi osa personoitua asiakaskokemusta

Personoidun sisällön tuottaminen asiakasprofiileille. 

Personoidussa sisällössä on kyse siitä, että jokaiselle asiakkaalle lasketaan segmentoinnin tai profiloinnin pisteytystä parhaiten vastaavat tuotteet, sisällöt tai vaikka bannerit, joita halutaan esittää personoituna sisältönä. 

Nämäkin laskennat pyörivät taustalla 24/7 ja ne tallettavat tuloksia asiakas_id & sisällön_id pareina talteen. Jokaiselle asiakkaalle voidaan laskea monenlaisia suosituksia erilaisiin tauluihin valmiiksi eri käyttötapauksia varten. Laskentojen data päivittyy automaattisesti ilman manuaalista työtä. Jos asiakkaan käyttäytyminen muuttuu tai sisältöihin liittyvä numeerinen data muuttuu, myös asiakkaalle lasketut suositukset muuttuvat. 

Tässä kohdassa on erityisen tärkeää, että näytettävän sisällön laskentaan on tarjolla jotain numeerista dataa. Sisältöön liittyvän datan avulla jokaiselle näytettävälle elementille voidaan laskea tärkeysjärjestys. Tämmöinen data voi olla esimerkiksi myyntiä, klikkauksia, näyttöjä ja päivämääriä, joiden perusteella algoritmin logiikka määritellään. Tässä kohdassa myös liiketoiminnan valitsemalla ohjaavalla painoarvolla voi olla iso merkitys sisältöihin, joissa yhdistyvät personoitu kiinnostus ja liiketoiminnan ohjaava tekijä. 

Tässä kohdassa on erityisen tärkeää myös se, että jokainen näytettävä sisältö linkittyy jonkin avaimen kautta asiakkaalle lasketun profiilin dimensioon. Muuten sisältöä ei päästä oikein millään kohdentamaan vastaamaan asiakkaan kiinnostusta. 

Kuva 3: Asiakkaalle esilasketut suositukset osana personoidun kokemuksen toteutusta.

Suositusten näyttäminen sisältönä valitussa kanavassa  

Laskennan viimeisessä vaiheessa esilasketut asiakas_id & sisällön_id parit yhdistetään vielä sisältöä kuvaavaan dataan. Tämmöisiä sisältöjä kuvaavat datat voivat olla esimerkiksi bannerien katalogeja, tuotekatalogeja tai sisältönostoja kuvaavia katalogeja, joista löytyy kyseistä sisältöä edustava nimi, otsikko, kuvaus, kuva, tuotteen hinta ja mitä kaikkea tietoja sisällön näyttämiseen tarvitaankaan. 

Nyt personoitua sisältöä esittävä kanava pystyy kysymään tunnistetut asiakas_id:n avulla asiakkaalle suositeltavia sisältöjä ja se saa vastauksena asiakkaalle lasketut sisällöt sisältäen myös sisältöä kuvaavat kentät. 

Lopulta sisältö renderöidään HTML-koodiksi valitun ulkoasun ja templaten perusteella ja lopputulos tulee näkyviin asiakkaalle personoituna sisältönä siellä kanavassa, missä sisältö halutaan esittää. Tämä kanava voi olla verkkokaupan mikä tahansa sivu, mobiilisovellus tai vaikkapa uutiskirjeen sisältö. Tyypillisesti puhutaan omista kanavista, missä asiakkaan tunniste on saatavilla ja missä sisältöä voidaan vapaasti hallita.

Datan matka raakadatasta personoiduksi suositukseksi on aika pitkä

Tästä kirjoituksesta käykin ilmi, että datan tekee monenlaista työtä ennen personoidun suosituksen näyttämistä.
Matkan varrella on tapahtunut yllättävän monta erilaista laskentaa ja data on kulkenut raakadatan muodosta jo aika pitkän matkan asiakkaan selaimelle asti. Kaikki ei voi olla täysin reaaliaikaista, koska laskentoja joudutaan usein suorittamaan taustalla ajastetusti.

Tekoäly ja AI-agentit mahdollistavat täysin uudenlaisia käyttötapauksia 

Ylläkuvattu laskenta vaikuttaa suoraviivaiselta, jos kaikki segmentit, sisällöt, ja laskentaan käytetyt muuttujat linkittyvät avaimien kautta yhteen. Usein tämmöisiä avaimia ei kuitenkaan ole tarjolla ja datan laadussa on erilaisia ongelmia, jotka estävät laadukkaan toteutuksen: 

• Manuaaliset CRM-kirjaukset ovat strukturoimatonta dataa, jota ei voi suoraan hyödyntää laskelmissa, vaikka ne sisältävätkin meille ihmisille tosi mielenkiintoista dataa. 
• Datassa on duplikaatteja eli sama asia on kirjattu dataan monella eri tavalla tietokantaan. 
• Asiakkaan profiilien ja näytettävien sisältöjen välillä ei olekaan mitään avainta. 

Kuva 4: AI-agentit puhdistamassa dataa ja rakentamassa avaimia dataan. 

Näitäkin ongelmia voidaan ratkoa datan ja laskentojen avulla. Esimerkiksi Google Analytics dataan tallentuneiden sessioiden kautta löytyy suorat linkit ja korrelaatiot sisältöjen, tuotteiden ja markkinointidatan välille. Erilaisten asioiden välille voidaan laskea avaimia lennossa ns. isoimman korrelaation periaatteella. 

Myös generatiivinen tekoäly voidaan valjastaa luokittelemaan stukturoimatonta dataa oman liiketoiminnan määrittelemiin luokituksiin ja personointiin käytettäviin sisältöihin. 

Generatiivinen tekoäly voi olla myös hyvä apuri tunnistamaan erilaisia duplikaattien sääntöjä ja automatisoimaan korjauksia, jotka puhdistavat taustalla dataa kuntoon.   

Nämä kaikki keinot parantavat dataa ja luovat linkityksiä engagement-datan, tapahmumien, CRM-kirjauksien ja sisältöjen välille.

Näin generatiivinen tekoäly avaa ihan uusia mahdollisuuksia automatisoituun personointiin, joita ei aikaisemmin pystytty skaalassa toteuttamaan.

Kannattaako tämä kaikki vaiva nähdä?  

Loppupohdintana on ihan paikallaan miettiä, kannattaako kaikki tämä vaiva nähdä personoidun asiakaskokemuksen saavuttamiseksi?  

Tämä voi tuntua aika isolta työltä. Kaikki vaiva kuitenkin palkitaan siinä vaiheessa, kun tämä kokonaisuus on käynnissä ja alat ohjata sisältöjä, suosituksia ja asiakkaiden segmentointia läpinäkyvästi liiketoimintasi omalla datalla. 

Algoritmien painoarvojen muuttaminen muuttaa suositusten sisältöjä isossa mittakaavassa kaikille profiileille. Algoritmeihin voidaan ujuttaa erilaisia ohjaavia tekijöitä, jotka muuttavat sisältöjä kaikille asiakkaille liiketoiminnan toivomaan suuntaan, eikä kukaan tee välissä manuaalista työtä. Tässä vaiheessa skaalautuvuuden edut ovat jo ihan kiistattomia. 

Samaan aikaan kaikki asiakasprofiloinnit ja suositukset tuottavat täysin läpinäkyvää dataa asiakaskokemuksen ja asiakasymmärryksen kehittämiseen. Profiilien historiadatan kautta voi alkaa kehittämään, vaikka ennustettuja asiakaspolkuja erityyppisille asiakkaille. 

Tästä juuri on kyse. Personoitu asiakaskokemus toimii skaalautuvasti ja reagoi kaikkiin segmentteihin ja kanaviin täysin automaattisesti ja sitä voidaan ohjata oman liiketoiminnan datalla ja päätöksillä. 

Mitä suurempi data ja volume tätä kokonaisuutta ohjaa, sitä suurempia hyötyjä siitä saadaan samalla vaivalla ulos.