Personalisatie van uw website diensten
Aangezien de relatie verandert van casual browser aan geïnteresseerde vooruitzicht en vervolgens naar actieve koper, kan uw website verzamelen een hele reeks van persoonlijke voorkeuren, plannen, penchants en peccadilloes. U hoeft alleen maar te vragen. Koppeling van die informatie met offline gegevens uit enquêtes en commerciële databases, je hebt nu een kans om een volledig gerealiseerde portret van elke klant op te bouwen. Hoe evenwichtig is uw portret? Op het einde moet je wat granulariteit van identificatie besluiten zal u het best bevallen. Is het genoeg om de volgende over een bepaald type bezoeker weten?: • Interesse in product A • Werkt in de industrie B • Bij een bedrijf dat size C • Is bewegen door de kwalificatie-proces tegen een tarief van D Of, om meer te verkopen, sneller, bij een hogere marge, is het toevoegen aanzienlijk bij tot de onderste regel als u ook weet het volgende over haar?: • Een winkelcentrum type E (avontuurlijke ontdekkingsreiziger) • Recensies de F-sectie met een frequentie rating van G • Draagt grootte H schoenen Immers, hoe waardevol het is dat u weet welke klanten zoals groen moeras-kaasjeskruid manen in hun Rice Chex? Terwijl de enorme hoeveelheid data elementen is de belangrijkste factor in uw persoonlijk profiel diepte scoren, moet elk element worden gewogen op basis van de waarde ervan. Een klant-identificatienummer heeft geen gewicht bij omdat men niet te onderscheiden van de volgende. De gebruikelijke informatie verzameld over een klant (naam, adres, telefoonnummer) is kritisch, maar draagt een laag gewicht, omdat het niet voor beroep is. Soorten Customer Information Beroep informatie heeft betrekking op voorkeuren van de klant, inkoop geschiedenis, en verklaarde belangen. Zorg ervoor dat u de juiste wegen impliciete, expliciete en feitelijke informatie: • Impliciet: Hij keek naar die pagina's dus hij moet zijn geïnteresseerd in de volgende items. • Explicit: Hij vulde een enquête en vertelde ons dat hij geïnteresseerd was in deze items. • Feit Hij keek naar die pagina's en kocht deze items. Website bezoekers vertellen expliciete informatie, en je afleiden impliciete informatie. Zo kan een klant zeggen dat hij graag lezen biografieën en wil Amazon.com meldingen over beroemde figuren in de Europese geschiedenis e-mail. Maar als hij koopt boeken over honden, Amazon weet wat te leggen op zijn aanbeveling lijst. Kijken wat klanten daadwerkelijk doen is veel meer dan het lezen onthullend wat ze zeggen. En het is veelzeggend op manieren die niet noodzakelijkerwijs zin. Stel dat de database blijkt dat de bezoekers die winkelen voor elektrische scheerapparaten koopt ook persoonlijke cd-spelers, of dat bezoekers die de gedetailleerde specificaties van de oppervlakte mijnbouw en bouwmachines lezen zijn zelden geïnteresseerd in de uitgebreide garantie-informatie. Zijn dit de soort correlaties marketing Mavens gaan om te komen met brainstormen in vergaderingen? Nee, ze geen enkele zin, maar ze zijn waar. Dus nu in de handel brengen Mavens hebben een nieuwe DataPoint te werken met, en de systemen achter de schermen hebben de mogelijkheid om te handelen op de informatie in real time. Naast wegen gegevenselementen gebaseerd op de vraag of zij zijn verklaard of afgeleid, moet de waarde ervan rekening te houden met frisheid en resultaten. Het kennen van de correlatie tussen elektrische scheerapparaten en persoonlijke cd-spelers is de eerste stap, met behulp van deze informatie is de tweede, en het meten van de resultaten van dat gebruik is het belangrijkste. Data Cleansing Leven tot customer relationship management betekent dat de gegevens gebruikt door de marketing en de klantenservice is fris, actueel en accuraat zijn. Dat betekent dat de gegevens bij elkaar brengen van vele systemen en dat middelen uit te vinden hoe je al die gegevens gelijk te kijken. Data normalisatie heeft meestal toegepast op het formaat van de informatie die wordt ingevoerd in een systeem. Is het midden voorzien van een eerste periode? Is het telefoonnummer bevatten haakjes of streepjes? Is de postcode vijf cijfers of negen? Is er een streepje in het midden? Maar in deze dagen van CRM, data cleansing gaat veel verder dan leestekens. Laten we aannemen dat u een sales contact management systeem, een systeem voor facturering, customer care en een database in elk van de vier divisies. Laten we zeggen dat John Smith stuurt u een e-mail van Je moet meerdere punten van vergelijking. Misschien Gegevens reiniging richt zich op de verificatie en validatie van de informatie. Als al uw John Smiths zijn geformatteerd hetzelfde, ben je uit om een goede start. Als geen van uw John Smith records zijn gecontroleerd voor meer dan 6 maanden, de waarde ervan verslechtert. Ik probeer duidelijk te verbeelden een reeks van problemen die noch gemakkelijk, noch snel op te lossen. Als het gaat om zo veel te kosten en dergelijke pijn te maken, hoe ga je over het meten van de waarde van al deze mogelijkheden? De vraag is of de kosten van inzameling en verwerking van de informatie waard is de waarde die u ontlenen aan met de informatie, verminderd met de pijn die je ervoor zorgen dat uw klanten in haar collectie. Personalisatie Quotient Dr Kamran Parsaye, voorzitter van Intelligence Ware, Inc en auteur van Intelligente Database Tools en toepassingen (John Wiley & Sons, 1993) schreef een white paper genaamd "PQ: De Personalisatie Quotiënt van een website." Op dit moment kan het papier te vinden online (www.kellen.net/ect586/personalization_parsaye.pdf), hoewel het bedrijf Parsaye werkte toen hij het schreef (NovuWeb) niet kan. In zijn paper, Parsaye een dappere poging om "een kader en een persoonlijke theorie over hoe een systeem maatregel is in termen van de Personalisatie Quotiënt (PQ) en illustreren hoe de theorie kan worden gebruikt voor verbetering van e-dienstverlening." Het concept van de personalisatie quotiënt wordt vervolgens gebruikt om gepersonaliseerde hoe een systeem echt maatregel is. In deze paper, Dr Parsaye onderscheid gemaakt tussen een onpersoonlijk systeem, dat iedereen op dezelfde manier behandelt, en een volledig gepersonaliseerd systeem, dat zijn gedrag aanpast aan specifieke gebruikers. Een onpersoonlijke systeem heeft een PQ van nul, omdat het dezelfde statische reactie geeft alle gebruikers, ongeacht hun kenmerken. Personalisatie komt over als een reactie op individuele informatie, en Dr Parsaye verdeelt personalisatie in drie gebieden-aanpassingen, individualisering en groupcharacterization. Customization is de oudste en soms het makkelijkst aan te pakken. Het staat u te stellen specifieke voorkeuren, bijvoorbeeld, de bestanden die u wilt bijhouden, het soort nieuws dat u wilt zien, de kleuren die u wilt instellen op je scherm, enz. Individualisering gaat verder dan deze vaste instelling en maakt gebruik van patronen van uw eigen gedrag (en niet een andere gebruiker) te leveren specifieke inhoud aan jou. [Bijvoorbeeld] als u hebt geklikt veel op financiën-gerelateerde items, maar niet over sport, het zal u meer dan financieel nieuws sport nieuws, zonder dat je vraagt. In groep-karakterisering ontvangt u een aanbeveling op basis van de voorkeuren van mensen "als" u, bijvoorbeeld, kunnen boeken worden aanbevolen om u op basis van bestelde boeken worden door mensen met dezelfde interesses. Een aanpak gebaseerd op collaborative filtering, case-based redeneren, enz. richten op de groep-karakterisering maatregel. • PQ: De Personalisatie Quotient neemt alle drie van deze zaken rekening gehouden. Het heeft drie specifieke onderdelen, PQ1, PQ2 en PQ3, indien: PQ1 maatregelen vermogen van het systeem om items aan te passen. PQ2 maatregelen het vermogen van het systeem om individuele voorkeuren te gebruiken. PQ3 maatregelen vermogen van het systeem om te gaan met de groep op basis van voorkeuren. Vervolgens meten PQ als het gemiddelde van deze twee elementen, te weten: VE = (PQ1 + PQ2 + PQ3) / 3 Hier elke PQ1, PQ2 en PQ3 zal een getal tussen 0 en 100. Een systeem met een PQ van 100 is volledig gepersonaliseerd, terwijl een systeem met een PQ van nul volkomen onpersoonlijk is. Dr Parsaye beschrijft dan het creëren van een ultieme profiel van uw site bezoeker: Een manier te vertegenwoordigen en te meten gelijkenis van de gebruikers en klanten is in termen van DNA strings of kenmerk vectoren. Een DNA-string voor een webpagina gebruiker is een set reeks getallen tussen 0 en 9, bijvoorbeeld de string 1309735183291. Elk integer hier toont de relatieve waarde van bepaalde eigenschap, bijvoorbeeld, scoren een 8 of een 9 op de "sportspage" indicator betekent dat je oog veel sport-gerelateerde pagina's, terwijl een 0 betekent dat je nooit te zien dergelijke pagina's at all. Ook kunnen andere getallen op de string vertellen hoe u de site bezoekt en hoe je klik door op de banner reclame-all in relatieve termen. Evenzo kunnen definiëren we een DNA-string voor een webpagina door te overwegen de componenten die omvatten het. Bijvoorbeeld, het aantal banners en de aard van de banners. Hij concludeert door te suggereren "Een interessante richting voor verbeteringen zal zijn dat het meten van de vergelijkende PQ van twee systemen." Hij dwaalt vervolgens af in een wereld waar alleen wiskundigen durft te betreden door uitglijden in een aantal ernstige formules, zoals: PQ3 (U, P) = 100 / maximum ((ä U / ä P), (ä P / ä U)). Maar hoe kunnen we factor in de pijn op de site bezoeker die wordt gevolgd om van pagina naar pagina door een cookie en vroeg om een advies over de vraag of het leven van een vrouw wordt vervuld alleen als ze een gelukkig thuis voor haar kunnen familie? Dat is waar de personalisatie index komt binnen Personalisatie Index Het universum van het profiel van elementen is nagenoeg onbegrensd, waarbij bekende items zoals naam en het kantooradres, technische begrippen zoals IP-adres en verbindingssnelheid en domein-specifieke attributen van poriegrootte (voor cosmetica) aan levensstijl risicoprofiel (voor verzekering) . Door toevoeging van incrementele profiel informatie, e-business managers zijn in staat om prospecten en klanten te gaan door de vier stadia van e-klant begrijpen, de transformatie van categorie 1 anonieme gebruikers in de verschillende, real-world categorie 4 personen. Het verzamelen van informatie is een ding. Met behulp van het op een verstandige manier is een andere. De personalisatie index (PI) onderscheidt hoe goed je bent met behulp van de gegevens die u verzamelen. De index is een maat voor hoe effectief een e-business is gebruik te maken van deze klant gegevens. Als uw PI hoger is dan 0,75, dan ben je het optimaal benutten van de informatie die je verzamelt. Dat betekent dat uw inspanningen zijn niet verspild, noch die van uw klanten die het verstrekken van de grondstof. De voorgaande ervan uitgegaan dat u een groot aantal elementen zijn gebruikt om een gepersonaliseerde webpagina ervaring te maken. Als u slechts twee elementen verzamelen en gebruiken hen beiden, kan uw PI-score worden 1.00, maar hier betekent dat je alleen gaat voor zover de segmentering in plaats van personalisatie-je bent alleen groepering uw prospects en klanten in brede categorieën. Hoewel nuttig, brede categorieën zijn niet zo krachtig als echte personalisatie gebaseerd op tientallen attributen. Wanneer je meer en meer elementen verzamelen, kunt u gebruikers in te delen in meer en meer clusters, en een brede segmentatie beweegt in de richting personalisatie. Dit is waar je begint aan een klant relatie te bevorderen en te veranderen in een loyaliteit relatie, een significante verhoging van de kosten voor uw klant om over te schakelen naar een andere leverancier. Als uw PI is minder dan 0,30, dan bent u meer informatie te verzamelen dan je gebruikt. Het goede nieuws is dat je een enorm onbenut reservoir van beroep gegevens over uw klanten. Het slechte nieuws is dat de gegevens ligt braak en waarschijnlijk krijgen oudbakken snel. Je moet beginnen ofwel met behulp van de gegevens die u hebt effectiever of minderen op hoeveel expliciete gegevens die u probeert te verzamelen. Waarschijnlijk het juiste antwoord is beide. Je bent je wielen spinnen verzamelen van die informatie, maar u niet gebruiken om uw klanten, die een nadelig effect ervaring van uw klanten ten goede komen. Dat is het grootste nadeel van een lage personalisatie quotiënt. Al die tijd en moeite die je kracht uw klanten om te investeren in het geven van je informatie is een afvalstof. Ze krijgen er niets van te maken. Zelfs wanneer het proces eenvoudig is, zoals het scannen van een sleutelhanger fob in de supermarkt, is er nog steeds geen echte waarde voor de klant. Why bother? Waarom worden ze lastig gevallen? Op dit punt hebben we eindelijk aangetrokken, genavigeerd, overtuigd, en omgezet die onbekend vooruitzicht naar een bekende klant. Kunnen we die klant terug te komen? een artikel afkomstig van Xavier D. Lewis
|
|||||
|