Une stratégie de confiance pour les données client et la personnalisation

L'idée centrale: La personnalisation crée de la valeur lorsque les…

La personnalisation crée de la valeur lorsque les clients comprennent ce qu'ils fournissent, ce qu'ils reçoivent et comment ils peuvent changer leur choix.

La plupart des programmes de personnalisation étaient fondés sur l'inférence : comportement observé, modèles dérivés, segments assignés. Cette architecture a fonctionné pendant que le signal tiers était abondant et il a été dégradant depuis plusieurs années, non pas à cause d'une seule réglementation, mais à cause d'une accumulation constante de changements de plate-forme, navigateur par défaut, et les exigences de consentement que chacun a supprimé un peu plus d'entrée. Les programmes qui luttaient le plus sont ceux dont la valeur dépendait des données qu'ils n'avaient jamais demandées.

Ce qui a changé, et pourquoi ça compte maintenant: Achèvement des préférences de suivi, utilisation des…

Le changement montre comment la personnalisation échoue maintenant. Les recommandations qui étaient tout simplement imprécises deviennent visiblement erronées, car le signal sous-jacent est plus mince et le modèle extrapole davantage. Les clients remarquent, et la réaction n'est pas neutre: une mauvaise recommandation d'une marque qui n'a jamais rien demandé se lit comme une surveillance qui ne fonctionne pas non plus, ce qui est le pire des deux positions. Entre-temps, les programmes fondés sur les préférences volontaires se dégradent lentement et de façon prévisible, car l'apport a été donné délibérément et reste valable jusqu'à ce que le client le modifie.

Construire le modèle d'exploitation: Lister chaque champ client, son propriétaire, la période…

Recueillir des préférences à des moments d'avantage évident, minimiser la rétention, expliquer l'utilisation en langage clair et fournir une surface de contrôle visible pour l'examen et la suppression.

L'échange doit être lisible au moment de demander. Un champ demandant une date de naissance sans dire ce qu'il produira est une taxe que le client paie sur la fiducie; le même champ à côté d'une déclaration spécifique — nous utilisons ceci une fois par an et rien d'autre — est une transaction. Poser progressivement plutôt que sous une seule forme: chaque demande doit être déclenchée par un moment où sa valeur est évidente, et le nombre total de questions est beaucoup moins important que si chacune est arrivée à un point où le client pouvait voir pourquoi.

Mesurer ce que la décision a produit: La première stratégie de confiance en matière de données…

Achèvement des préférences de suivi, utilisation des caractéristiques, raisons de refus, taux de plainte et valeur différentielle par rapport à un niveau de référence non personnalisé.

Mesurer le taux d'achèvement par champ plutôt que par formulaire, parce que l'agrégat cache quelle question pose les dommages. Suivre la proportion de préférences collectées qui sont effectivement utilisées dans les quatre-vingt-dix jours — c'est le nombre que la plupart des programmes évitent, et un écart important entre les préférences collectées et utilisées est le signe le plus clair que l'organisation garde plutôt que de personnaliser. Le taux de mise à jour des préférences est l'indicateur de confiance : les clients qui reviennent changer une préférence déclarée démontrent qu'ils croient qu'elle a un effet.

Lorsque l'exécution cesse: La personnalisation basée sur l'inférence dégrade chaque…

Plus de données peuvent réduire la confiance lorsque la collecte se sent cachée, les recommandations sont inexactes, ou les clients ne peuvent pas corriger le profil.

Le principal échec est de recueillir plus que l'organisation ne peut agir. Chaque champ inutilisé est une responsabilité stockée, une obligation de consentement et un petit retrait de la volonté du client de répondre à la question suivante. Un deuxième échec est de traiter le centre de préférences comme une page de paramètres plutôt que comme une surface de produit: enterré, rarement mis à jour, et déconnecté de l'expérience qu'il contrôle supposément, ce qui enseigne aux clients que l'affirmation d'une préférence ne change rien. Il y a un échec connexe dans la façon dont les préférences sont mises en version. Un client qui a déclaré quelque chose il y a dix-huit mois ne peut plus le vouloir dire, et un système qui traite chaque préférence déclarée comme permanente agira avec confiance sur l'information stagnante tout en croyant qu'elle est respectueuse. Les préférences vieillissantes et demandant à nouveau à un intervalle raisonnable font partie de la conception, et non pas l'admission que la réponse originale était inutile.

À quoi cela ressemble dans la pratique: La personnalisation basée sur l'inférence dégrade chaque…

Dans la pratique, un programme de travail ne demande que très peu et montre immédiatement l'effet. Un client de retour indique une taille une fois et ne voit plus jamais le mauvais. Un abonné choisit une fréquence et l'envoi suivant l'honore visiblement. Le mécanisme qui fait ce terrain est la confirmation: dire au client ce qui a changé à la suite de ce qu'ils vous ont dit, au moment où il change. Les programmes qui collectent silencieusement et personnalisent silencieusement obtiennent silencieusement le coût de conformité de la collecte de données avec aucun des avantages de la confiance.

L'argument le plus fort contre cette: La personnalisation crée de la valeur lorsque les…

La grave objection est que les données volontaires sont minces, biaisées envers les clients engagés et coûteuses à recueillir à l'échelle utilisée pour fournir gratuitement. Un moteur de recommandation formé sur les préférences indiquées seulement sera sous-performant avec un signal comportemental riche, et pour le commerce à faible marge de volume élevé que la différence est l'argent.

C'est vrai et il plaide pour un hybride plutôt que pour rester avec inférence. Le signal comportemental reste utile lorsqu'il est disponible et consenti; le point est que le système ne doit pas échouer lorsqu'il disparaît. La position pratique est de construire la couche durable à partir de ce que les clients ont déclaré, de traiter l'inférence comme une amélioration qui peut disparaître, et être en mesure de dire qui est - parce que les programmes qui ont le plus souffert étaient ceux qui ne pouvaient pas dire.

Une séquence de mise en œuvre de 30 jours: Achèvement des préférences de suivi, utilisation des…

Lister chaque champ client, son propriétaire, la période de conservation, l'avantage utilisateur et le chemin de suppression. Supprimer les champs sans but défendable.

Semaine un, listez chaque champ de données client que vous collectez et marquez ceux qui ont changé une expérience au dernier trimestre. S'attendre à ce que la proportion inutilisée soit inconfortable. Deuxième semaine, supprimer ou arrêter de recueillir les données inutilisées. Troisième semaine, choisissez les trois champs qui amélioreraient le mieux l'expérience et concevoiront le moment où chacun est demandé, avec l'échange indiqué dans une phrase. Semaine 4, expédiez la confirmation — le message qui dit à un client ce que leur réponse a changé — parce que c'est ce qui rend la deuxième question responsable.

Vérification par rapport aux taux utilisés et non par consentement

Gardez une table de chaque champ, la date à laquelle il a été utilisé pour changer une expérience, et l'équipe qui la possède. Les champs sans utilisation dans les deux quarts devraient être supprimés plutôt que justifiés. La table a tendance à être résistée parce qu'elle expose la collecte qui s'est produite pour un projet qui a été annulé, et c'est précisément sa valeur: les données personnelles inutilisées sont de pure responsabilité, et elle s'accumule silencieusement parce que la suppression de celle-ci n'est l'objectif de personne. Le tableau règle également l'argument selon lequel, autrement, chaque cycle de planification se répète, c'est-à-dire qu'il faut demander un champ de plus. Avec les données d'utilisation attachées à chaque champ existant, la question cesse d'être hypothétique : une équipe proposant un nouveau champ peut se poser lequel des champs actuels surpasse, et c'est une question avec une réponse.

Examiner tous les trimestres, et lire le taux de collecte à côté du taux d'utilisation et le taux de mise à jour des préférences ensemble. L'augmentation de la collecte pendant que l'utilisation reste plate signifie que le programme s'accumule plutôt que s'améliore. Un signal sain est que les clients reviennent à mettre à jour les préférences indiquées, car cela ne se produit que lorsqu'ils ont observé leur réponse précédente ayant un effet.

Conclusion éditoriale: La première stratégie de confiance en matière de données…

La première stratégie de confiance en matière de données est souvent présentée comme une réponse de conformité, qui la sous-estime. Le cas opérationnel est plus simple : l'information qu'un client a choisie de vous donner ne disparaît pas lorsqu'un navigateur met à jour, et elle vient avec l'autorisation jointe. Il y a aussi un avantage interne qui est rarement compté. Une préférence déclarée est lisible pour tous les membres de l'organisation sans une étape de modélisation, ce qui signifie que le merchandising, le service et le CRM peuvent tous agir sur le même fait plutôt que sur trois interprétations distinctes du même comportement. Les segments basés sur l'inférence ont tendance à diverger discrètement entre les équipes parce que chacune les reconstruise pour son propre but, et les réconcilier coûte plus de temps d'analyste que n'importe qui les budgets. Les organisations qui vont bien personnaliser en cinq ans sont celles qui ont passé cette année à apprendre à demander et à montrer que la réponse était importante. La question est la moitié facile. C'est là que s'arrête la plupart des programmes, et c'est la moitié qui détermine si un client répond à la deuxième question.