ROI pengalaman yang dipersonalisasi: Pengukuran audiens

Ini adalah yang pertama dari seri tiga bagian tentang ROI personalisasi. Bagian kedua dan ketiga akan melihat pengukuran isi dan proses.

Statistik terbaru mendukung kebutuhan merek untuk menciptakan pengalaman pelanggan yang lebih personal.

• 80% konsumen lebih cenderung membeli dari merek yang memberikan pengalaman yang disesuaikan.
• 70% konsumen mengatakan loyalitas mereka dipengaruhi oleh seberapa baik merek memahami kebutuhan individu mereka.
• 71% pelanggan merasa frustrasi ketika mereka tidak memiliki pengalaman yang dipersonalisasi.

Meskipun semua hal di atas mungkin benar, akan sulit untuk menentukan laba atas investasi yang diperlukan untuk menciptakan pengalaman yang benar-benar satu lawan satu. Jalan untuk melakukannya bisa memakan waktu berbulan-bulan, ditambah jutaan dolar, untuk mendapatkan yang benar.

Dalam rangkaian tiga bagian ini, saya akan mengeksplorasi bagaimana pemasar dapat mengukur kinerja dan pengembalian saat menciptakan pengalaman pelanggan yang dipersonalisasi. Saya juga akan membahas beberapa pertanyaan yang harus ditanyakan organisasi mana pun sebelum memulai apa yang berpotensi menjadi inisiatif berskala besar.

Mari kita mulai diskusi tentang mengukur pengalaman pelanggan yang dipersonalisasi dengan berfokus pada aspek penting — pelanggan . Mengukur personalisasi berdasarkan kinerja audiens berarti bahwa kami mengukur baik individu maupun kelompok individu dan bagaimana mereka bereaksi terhadap konten, penawaran, dan perjalanan yang lebih disesuaikan.

Dalam artikel ini, saya akan membahas berbagai cara dalam memandang audiens dan personalisasi serta membahas beberapa skeptisisme seputar pengembalian kemanjuran personalisasi satu-ke-satu.

Memahami audiens adalah kunci untuk personalisasi

Kita semua mendapatkan email atau pesan teks yang mengatakan hal yang sama dengan, “Hai [masukkan nama Anda di sini], apakah Anda ingin diskon 50% untuk [masukkan produk atau layanan di sini]?”

Beberapa orang mungkin menyebutnya "personalisasi" karena nama Anda dimasukkan alih-alih hanya mengatakan, "Hai, orang acak". Tapi ini bukan jenis pengalaman yang dipersonalisasi yang ingin saya bahas di sini.

Sebut saja pendekatan yang baru saja saya jelaskan "substitusi" daripada "personalisasi" dan sebagai gantinya fokus pada contoh dan ide yang lebih kuat.

Namun, untuk melakukan apa pun di luar substitusi sederhana, kita perlu memahami lebih banyak tentang pelanggan atau calon pelanggan kita daripada sekadar nama depan dan belakang, alamat email, atau nomor telepon mereka.

Masukkan strategi data pihak pertama dan alasan Anda melihat begitu banyak merek berinvestasi dalam alat seperti platform data pelanggan (CDP) dan bahkan platform pihak kedua yang mengumpulkan data pelanggan di antara pihak tepercaya. Strategi ini sangat penting sekarang karena cookie pihak ketiga dan pelacakan ID perangkat seluler sudah tidak digunakan lagi oleh perusahaan teknologi besar.

Jadi inilah pertanyaannya, jika personalisasi bergantung pada pemahaman pelanggan Anda dengan baik, bagaimana Anda tahu seberapa baik Anda memahami mereka?

Jawabannya terletak pada pembuatan strategi dan infrastruktur data pihak pertama yang memungkinkan Anda membangun profil pelanggan dan mengembangkan informasi mereka dari waktu ke waktu.

Membangun strategi data pihak pertama memerlukan:

• Infrastruktur yang tepat (misalnya, CDP dan CRM).
• Kepercayaan pelanggan yang memberikan datanya kepada Anda sejak awal.
• Cara untuk terus memperkaya dan melayani pelanggan dengan pengalaman yang dipersonalisasi berdasarkan data tersebut.

Gali lebih dalam: Apa itu pemasaran yang dipersonalisasi dan bagaimana penggunaannya saat ini?

Pengukuran relatif sangat penting untuk memahami peningkatan personalisasi

Yang ini untuk skeptis personalisasi sejati di luar sana. Bagaimana Anda bisa memahami jika personalisasi Anda berfungsi kecuali Anda menyiapkan eksperimen nyata dan mengukur perbedaan antara menggunakan personalisasi dan tidak? Tidak terlalu baik, memang!

Inilah mengapa pengukuran relatif dapat memberikan banyak wawasan tentang cara kerja personalisasi Anda (atau tidak). Anggap saja sebagai berikut (yang mungkin pernah Anda lihat sebelumnya):

• Tunjukkan kepada pelanggan produk persis yang mereka beli dalam citra di situs web atau email.
• Tunjukkan kepada pelanggan produk yang mereka sesuaikan pada kunjungan terakhir mereka.
• Sesuaikan citra pelanggan yang ditampilkan berdasarkan geografi atau demografi lainnya.

Kemudian, bandingkan hasil dari melakukannya dengan menunjukkan kepada mereka produk umum atau teks atau gambar satu ukuran yang cocok untuk semua. Anda mungkin melihat peningkatan di beberapa area dan tidak di area lain, tetapi ini adalah bagian dari nilai penggunaan pengukuran relatif.

Karena membuat konten, penawaran, dan pengalaman yang dipersonalisasi membutuhkan lebih banyak sumber daya daripada pendekatan satu ukuran untuk semua, penting untuk memiliki pemahaman yang lebih baik tentang pengungkit yang menghasilkan nilai paling banyak.

Pada akhirnya, Anda mungkin dapat mempersonalisasi segalanya untuk semua orang di setiap saluran. Namun sementara itu, mengetahui aspek mana yang memiliki dampak terbesar dapat membantu Anda melakukan peningkatan yang berarti tanpa menguras sumber daya.

Gali lebih dalam: Cara memanusiakan pengalaman digital dengan data pihak pertama

CLV adalah ukuran akhir

Meskipun ada banyak pengukuran yang berguna untuk menentukan keefektifan pengalaman yang dipersonalisasi, pengukuran yang paling bermanfaat juga dapat menjadi yang paling menantang untuk digunakan. Nilai seumur hidup pelanggan (CLV) membutuhkan banyak informasi tentang rangkaian lengkap tindakan individu dan, mungkin, komoditas paling berharga sepanjang waktu.

Mengukur CLV memungkinkan kami untuk benar-benar melihat efek pengalaman pelanggan yang dipersonalisasi dan komprehensif terhadap pembelian dan penggunaan produk atau layanan seseorang. Ini memperhitungkan biaya untuk mendapatkan pelanggan, yang seringkali dapat menjadi investasi untuk mengonversi mereka dan kemudian menunjukkan bagaimana satu pelanggan dapat mendorong nilai dari waktu ke waktu.

Tentu saja, komponen berbasis waktu menjadikan ini yang paling menantang. Misalnya, jika umur rata-rata pelanggan lebih dari lima tahun:

• Bagaimana Anda mendapatkan model CLV yang berguna dalam waktu yang relatif singkat?
• Bagaimana Anda bisa mengetahui peran apa yang dimainkan personalisasi dalam model itu?

Saya telah melihat banyak model berbeda untuk menghitung nilai umur pelanggan, tetapi mereka akan menggunakan data historis untuk membuat rata-rata pembelanjaan selama masa pakai, churn, dan lainnya. Anda dapat menggunakan ini sebagai pengukuran dasar Anda.

Selain itu, Anda dapat menggunakan pengukuran relatif untuk melihat efek pada nilai umur pelanggan bagi pelanggan yang menerima pengalaman yang kurang dipersonalisasi versus pelanggan baru yang mungkin mendapat manfaat dari pengalaman yang lebih dipersonalisasi.

Saya akan berbicara lebih banyak tentang atribusi multi-sentuh di artikel selanjutnya dalam seri ini, tetapi dapat mengatribusikan nilai dan konversi ke interaksi dan saluran atau poin kontak tertentu juga dapat membantu saat Anda ditanyai pertanyaan tentang menentukan nilai personalisasi di CLV secara keseluruhan.

Berapa banyak personalisasi yang cukup?

Di luar statistik yang mengatakan bahwa personalisasi pemasar memiliki dampak positif pada perilaku pembelian, sebagai konsumen itu sendiri, kami menghargainya ketika pengalaman kami disesuaikan dengan merek.

Namun personalisasi itu menimbulkan kerugian bagi merek (yang mungkin diteruskan kepada kami sebagai pelanggan) dan berpotensi terhadap jumlah data yang kami berikan (yang dapat memengaruhi privasi data kami). Jadi pertanyaannya tetap, seberapa banyak personalisasi yang cukup? Dan apakah ada yang namanya terlalu banyak personalisasi?

Ada beberapa cara untuk melihat ini.

• Dari perspektif sumber daya internal, terlalu banyak personalisasi yang terlalu cepat dapat menguras sumber daya jika sistem dan proses yang tepat tidak disiapkan untuk menangani peningkatan kebutuhan.
• Personalisasi satu-ke-satu yang sebenarnya bergantung pada model kecerdasan buatan dan pembelajaran mesin (AIML) dan analitik prediktif yang dapat bekerja dengan sangat efektif tetapi membutuhkan waktu dan pelatihan untuk melakukannya.

Jadi mungkin daripada menanyakan seberapa banyak personalisasi yang cukup, lebih baik bertanya:

• Berapa banyak personalisasi yang cukup untuk membuat peningkatan sekarang ?
• Apa yang harus kita bangun untuk masa depan?

Mengambil pendekatan ini berarti pelanggan Anda dapat memperoleh manfaat dari pengalaman yang lebih disesuaikan sementara tim internal dan infrastruktur Anda beradaptasi dengan perubahan yang diperlukan untuk terus menjadikan pengalaman yang dipersonalisasi ini lebih efektif.

Saat Anda memperhatikan aspek penting audiens Anda ini, mengukur ROI pada konten, penawaran, dan pengalaman yang dipersonalisasi menjadi sangat berharga.

Pendapat yang diungkapkan dalam artikel ini adalah dari penulis tamu dan belum tentu MarTech. Penulis staf tercantum di sini.

Tambahkan MarTech ke feed Google News Anda.

---