Что нужно для того, чтобы определить посетителей сайта электронной коммерции, которые с наибольшей вероятностью совершат покупку при этом посещении? И сделайте это, пока они еще находятся на сайте, используя лишь первые несколько кликов. Или выявлять недовольных клиентов, как только они покажут первые признаки того, что покидают мобильное приложение?

Мало того, что эти типы прогнозов основаны на прогнозировании результатов в короткие промежутки времени, они также сильно зависят от текущей активности или краткосрочного поведения. Эти сценарии представляют собой следующее поле битвы за персонализацию клиентского опыта и представляют собой смесь ожидания (модели машинного обучения) и действий (контент или другая информация, влияющая на результаты).

Что такое краткосрочное поведение?

Давайте подробнее остановимся на проблеме определения посетителей сайта, которые будут покупать. В частности, мы хотим распознавать посетителей, которые не будут покупать в обычных условиях, но могут быть склонны к покупке. Эту проблему можно сформулировать как создание модели машинного обучения, которая понимает поведение во время сеанса, чтобы прогнозировать результаты в рамках одного и того же посещения. Рисунок 1 иллюстрирует эту цель: выявить тех, кого можно убедить, или тех, кто вряд ли купит, если на него не повлияют. Это так называемые покупатели на заборе.

Нам также необходимо определить тех, кто, вероятно, купит «верные вещи» и «не беспокоит», чтобы мы могли оставить их в покое. Наконец, знание «безнадежных дел» поможет нам не пытаться обратить их во время этого визита.

Почему важно краткосрочное поведение?

Стремление предвидеть поведение потребителей не ново. Изучение прошлых данных помогло маркетологам ответить на вопрос «что» в отношении взаимодействия с потребителем — например, сопоставить аудиторию с рекомендациями по продуктам или рекламным контентом. Хотя прошлое поведение является хорошим предиктором будущих результатов, оно также создает некоторые проблемы.

Состояние потребителей быстро меняется, поэтому прогнозы могут легко устареть.

Поведение потребителей может значительно различаться при многократном посещении одного и того же сайта в зависимости от их цели, срочности этой потребности, а также времени или места доступа к сайту. Поведение клиентов сегодня также зависит от тенденций в реальном времени и того, что популярно. Однако включение исторических данных, таких как прошлые транзакции, и данных профиля, таких как демографические данные, остается полезным и должно продолжать использоваться для прогнозов. Комбинация этих двух факторов требует более серьезного учета более свежих данных и поведения — возможно, путем акцентирования внимания на том, что происходит во время сеанса, и уменьшения акцента на действиях из прошлого.

Что хорошего в прогнозах ИИ, если мы не действуем.

Нам нужно подумать о действенности интеллекта. Компании хотят оценивать действия, основанные на предсказаниях, с точки зрения наиболее важных для них целей. Продольный временной анализ направлен на то, что и в меньшей степени на то, когда. С точки зрения действенности вполне возможно, что действия, основанные только на долгосрочных прогнозах, могут оказаться вне контекста.

Эффективность требует своевременных прогнозов.

Важно делать прогнозы вскоре после появления тренда. Или понимать вероятность совершения покупки, как только клиент заходит на ваш сайт. Для новых посетителей все, что у вас есть, — это возможность в течение первых нескольких кликов по ссылке. Делая прогноз в начале сеанса, вы получаете возможность показать большему количеству посетителей убедительное предложение, прежде чем они, скорее всего, покинут сайт. Однако раннее предсказание склонности к покупке не является тривиальным. Нам также необходимо принять незамедлительные меры в отношении ранних прогнозов. Поведение потребителей меняется быстро, поэтому прогнозы покупок для сеанса должны использоваться немедленно, чтобы инициировать действия, и их необходимо вычислять для каждого последующего посещения отдельно.

Источники краткосрочных поведенческих данных

Краткосрочное поведение пользователей может быть получено из 4 ключевых факторов: данных о кликах в сеансе, активности клиентов между сеансами, совокупной активности на сайте, представляющей популярные тенденции, и контекстных данных о пользователях (таких как баланс баллов лояльности или содержимое корзины), а также страницы сайта (например, метаданные страницы, такие как категория, цена, количество в наличии и т. д.).

Демократизация данных означает, что нам необходимо переосмыслить способы сбора и организации данных о клиентах. Что необходимо, так это переход от централизованного хранения данных о клиентах в стиле CRM к принципиально децентрализованному и федеративному способу хранения данных. Кроме того, в дополнение к пониманию всех атрибутов, которые являются частью профиля клиента, важно, чтобы данные об их действиях были проанализированы с использованием методов профилирования данных, чтобы извлечь информацию из необработанных данных о клиентах.

Прогнозы с использованием краткосрочного поведения

Применение машинного обучения для понимания и анализа краткосрочного поведения вместе с историческими данными является ключом к созданию моментального взаимодействия с клиентами. Распознав краткосрочное поведение, которое влияет на результаты сеанса, компании могут адаптировать свои предложения, используя персонализацию и коммуникации, к тому, что происходит с каждым потребителем в режиме реального времени.

Подобно картированию генома человека, ZineOne разработала новый способ моделирования краткосрочного поведения в виде упорядоченной последовательности, которую мы называем ДНК клиента. Поскольку кодирование и анализ ДНК человека произвели революцию в науке, наши запатентованные алгоритмы упорядочили пространственные и временные потребительские характеристики, коренным образом изменив нашу способность предвидеть поведение.

ZineOne объединяет эти отраслевые модели последовательностей на основе машинного обучения для создания высокоэффективных «отраслевых геномов». Затем эта структура пополняется потоками данных в реальном времени и периферийной аналитикой для выявления шаблонов, которые соответствуют оптимальным или неоптимальным действиям потребителя, и, в свою очередь, для непрерывного потока определений о том, как лучше всего продвигать свое путешествие. Архитектура ZineOne позволяет ему работать как с высокой скоростью, так и с большим масштабом, так что бренды, на которых он основан, могут предоставлять своим потребителям беспрецедентный опыт работы в режиме реального времени.

Это может быть использовано, например, для выявления потенциальных покупателей — посетителей сайта, которые с меньшей вероятностью совершат покупку, — пока они еще находятся на сайте. Затем вы можете сосредоточиться на наименее вероятных покупателях и дать им персонализированный толчок, например, 30-минутное персонализированное предложение, основанное на их склонности к покупке. Мы видели, что такие предложения на основе ИИ оказывают большое влияние, что приводит к увеличению доходов на 20-30%.

Прогнозирование ключевых результатов в короткие сроки предоставляет новые возможности для выполнения ряда действий в ходе сеанса, чтобы повлиять на прибыль бизнеса. Они варьируются от рекламных поощрений до информационных напоминаний и вознаграждений за лояльность, и все это может быть доставлено в виде персонализированных сообщений в приложении или в виде сообщений после посещения. Некоторые примеры таких действий:

  • Персонализированные предложения
  • Индивидуальный порог бесплатной доставки — на основе корзины, для конкретного отдела, в белых перчатках или фиксированная ставка
  • Персонализированные вознаграждения за лояльность — бонусный заработок или пониженный порог погашения.

Бренды используют краткосрочное поведение, чтобы улучшить качество обслуживания клиентов, устраняя точки трения как для онлайн-покупателей, так и для многоканальных покупателей, и сосредотачиваясь на индивидуальной помощи, улучшенной поддержке клиентов по телефону и добавляя гибкости своим политикам возврата.

Чтобы увидеть Speed ​​to Sense в действии или узнать больше о персонализации на основе ИИ, посетите ZineOne.