Персонализация — это процесс разработки чего-либо, отвечающего чьим-либо индивидуальным требованиям. Это святой Грааль клиентоориентированного дизайна. Компания буквально адаптирует опыт для отдельных клиентов. Это означает, что продукт будет доставлять совершенно разные впечатления разным клиентам и, таким образом, фактически станет совершенно другим продуктом!

– Разве это не здорово?

Да, это.

Персонализация в сервисах существует уже давно. Первоначально ограниченный несколькими отраслями, в последнее время он привлек внимание благодаря простоте реализации в сегодняшнюю информационную эпоху. Эффект Нетфликс только укрепил свою репутацию того самого метода предоставления клиентам опыта.

И почему бы нет!

Если бы у Ford была возможность выпускать персонализированную модель T, практически не влияющую на время выполнения заказа или запасы, она бы точно не стала внедрять процесс массового производства, которым она прославилась.

Современные цифровые сервисы используют собственные алгоритмы, чтобы угадать наилучший возможный опыт для клиента. От того, какой контент отображается, до того, как он отображается, все регулируется алгоритмом. Алгоритмы учитывают не только информацию о том, как клиент ранее оценил услугу, но и то, как клиенты со схожими предпочтениями. Это во многом определило такие сервисы, как Facebook, YouTube, Instagram и платформы OTT Video. Как и наш разум, алгоритмы машинного обучения также полагаются на распознавание образов для построения модели. А с обработкой больших данных эти алгоритмы только раздвигают границы, чтобы узнать больше о своих клиентах.

Netflix использует персонализацию, чтобы решить не только, какой контент будет отображаться на главной странице, но даже какую миниатюру вы предпочитаете для определенного заголовка. Все это предназначено для того, чтобы вы начали еще одну серию…

Различные алгоритмы из разных сервисов различаются по способу их разработки, что определяется их основной целью. Обычно алгоритмы разрабатываются с учетом определенных показателей, за которыми компания хочет следить. Например, Instagram хотел бы, чтобы его пользователи были вовлечены в приложение, которое приносит им доход от рекламы. Netflix хотел бы, чтобы вы были вовлечены в несколько заголовков, чтобы вы никогда не отказывались от подписки. Эти корпоративные цели определяют то, как алгоритм создается и обновляется.

Благодаря эффекту Netflix персонализация сегодня стала горячей темой. Теперь каждый хочет создать преимущество над своими конкурентами, предлагая персонализированный контент своим клиентам. В некоторых отраслях, в основном в индустрии развлечений и потребления, она стала точкой отсчета для разных брендов. Однако нынешнему способу тесной интеграции алгоритмов не хватает важнейшей человеческой вещи: элемента неожиданности, случайности!

Текущая реализация работает на основе того, как клиент (или один из подобных клиентов) получил доступ к его сервису, и пытается соответствующим образом предсказать предпочтения клиента. Предсказывать поведение клиента — это хорошо, но если мы будем продолжать в том же духе, мы упустим из виду тот факт, что текущая техника просто обслуживает пользователя, заходящего на сайт, а не самого клиента. Потому что клиент — это смесь множества других впечатлений, о которых алгоритм не знает. Алгоритм персонализации не может сам по себе создать истинный профиль клиента, чтобы правильно предсказать, что нужно доставить клиенту, если только клиент не привыкнет к «предсказуемым» прогнозам, которые сделает ИИ. И не нужно зацикливаться на том, чтобы знать все о клиенте, чтобы сделать алгоритм отличным и уникальным.

Предсказывать поведение клиента — это хорошо, но если мы будем продолжать в том же духе, мы упустим из виду тот факт, что текущая техника просто обслуживает пользователя, заходящего на сайт, а не самого клиента.

Это именно то, что Apple Music сделала, чтобы спасти свое исчезновение за популярностью Spotify. Spotify в значительной степени полагается на алгоритмы и свои возможности прогнозирования, что сделало практически невозможным появление на рынке любого другого сервиса потоковой передачи музыки. Apple Music осмелилась пустить пыль в глаза со своими радиостанциями, миксами которых занимались настоящие люди, а не алгоритмы. Это не только заставляет клиента исследовать новые записи, но даже может вызвать волнение в жанре, который клиент не слушал в течение длительного времени! Здесь Apple намеренно решила не быть слишком персонализированной. Он учитывал тот факт, что профиль клиента — это больше, чем последние 5 песен, которые кто-то прослушал. Главное, что я хочу, чтобы вы вынесли из этой статьи, — это понимание разницы между пользователем и покупателем. Лучший алгоритм — следующий шаг. В тот момент, когда мы примем это, автоматически будут созданы алгоритмы с пределом улучшения.

Алгоритм персонализации не может сам по себе создать истинный профиль клиента, чтобы правильно предсказать, что нужно доставить клиенту, если только клиент не привыкнет к «предсказуемым» прогнозам, которые сделает ИИ.

Настоящий опыт персонализации также даст пользователю возможность активно обучать алгоритм. Он будет заниматься созданием счастливых случайностей и будет ждать немедленной обратной связи, чтобы настроить свои параметры для клиента. YouTube использует несколько кнопок, которые помогают ему точно настроить свой алгоритм на то, какое видео хотел бы человек. Однако он представляет варианты таким образом, что пользователь публично выступает за что-то. Если вы тренируете свой алгоритм, это не идеально. И именно по этой причине Instagram с нетерпением ждет отказа от отображения количества лайков в публикации!

Давайте поговорим об отзывах, о которых я упоминал ранее. Обратная связь — это то, что пользователь предоставляет алгоритму, который затем используется им для настройки параметров персонализации для пользователя. Идеальным способом было бы записывать отзывы о каждом впечатлении, которое получает пользователь.Как это сделать: создайте кнопки действий с наименьшим сопротивлением. Пользователь не должен быть перегружен, сообщая алгоритму, нравится ему или ей что-то на платформе. Пользователей следует поощрять к участию в этих мероприятиях, и они могут добиться этого, запрашивая отзывы, которые не пугают пользователей.

Настоящий опыт персонализации также дает пользователю возможность активно обучать алгоритм.

Netflix использует только две кнопки: «палец вверх» и «палец вниз» для своих шоу. И нет никакого другого значения выбора чего-либо, кроме сообщения алгоритму о предпочтениях. И пользователь взаимодействует с этим, потому что он/она знает, что предпочтение не показывается публике. Именно такое мышление сделало Netflix королем персонализации и лидером рынка.

Идеальным способом улучшения было бы записывать отзывы для каждого впечатления, предлагаемого алгоритмом.

Тот факт, что даже некоторые громкие имена все еще работают над персонализацией, означает, что есть много возможностей для улучшений. Пришло время рассматривать персонализацию не как точку дифференциации, а скорее как точку паритета. Это открывает ворота для многих новых компаний, которые могут привнести свою A-Game и побороться за вершину. Я рад видеть, как технологическая индустрия (ну, теперь все вокруг технологии, не так ли?) использует персонализацию, чтобы предоставить клиентам еще лучший опыт.

И сейчас самое подходящее время, чтобы увидеть, как разворачивается будущее.