行銷人該如何為日趨上升的「超個性化」做準備

從「個性化」到「超個性化」,我們該如何應對?

發表於 2019- 06- 21   |   行銷分析   |   Lucy Hsiao
行銷人該如何為日趨上升的「超個性化」做準備

如果你曾直接收到或根據你的前張訂單而來的品牌行銷郵件,那你應該對「個性化 (personalisation)」這行銷手法不陌生。「個性化行銷」是企業與消費者的初步接觸,而隨著其發展,企業也以分析數據的工具,產生了新形式的資料庫,例如上下文相關的內容或特定區域的資訊。

這種一對一接觸的行銷方式被認為能夠以較佳的客戶體驗,提高品牌忠誠度。現在,人工智慧 (AI) 逐漸成為主流,人工智慧連結了消費者旅程,也證明即時的「個性化」對企業是有益處的,或者新術語「超個性化 (hyperpersonalisation)」。

「超個性化」在商業上的好處是,提升客戶體驗的品質以及底線。然而,「超個性化」並不該(或不能)被廣泛應用,例如新的概念、轉捩點、以及一些重要初始程序都需要一定程度的保密。

 

什麼是「超個性化 (hyperpersonalisation)」?

「超個性化」不僅使用在行銷電子郵件中。 為了使「超個性化」達到真正的「超級」,它需要多種類型的技術和數據匯集在一起,以適應每個客戶的客戶體驗,例如可能會包含「他們在哪裡被吸引」、「他們正在購買什麼」、「他們想要如何體驗您的服務。」等這類型的數據。 我們不僅需要數據來達成「超個性化」,而且最重要的是它要能被人工智慧(AI)使用。

 

真實世界裡的「個性化」

「超個性化」不只是一個能實際應用的概念。 以快餐店來說,「超個性化」可能意味著動態調整菜單,該菜單可根據隊列長度、用餐時間以及廚房中有哪些食材而改變。 此外,由於餐廳內建的系統有辨識功能,它可以召回你最近的訂單,並依此顯示您上次的購買品項,讓你能快速加入購物車,最後重複購買相同的東西。 也可以通過推薦新商品來嘗試推銷具有相似品味的商品。

它對企業和客戶來說都是好的影響。 客戶無需在多頁的菜單中滑動即可找到他們每次訂購的相同內容,餐廳也可以創建更高效能的系統並增加銷售額,同時,他們收集的數據可以用於其他行銷和營運流程。
由於客戶可以順利地使用並有感於「超個性化」帶來的利益, 這個解決方案正迅速被植入於相關行銷及自動化平台中。金融服務業是這方面的主要試驗場,交叉銷售是商業模式的重要組成部分,例如,購買抵押貸款的消費者可能會發現內含與自身相關的個性化優惠。

同樣,聊天機器人是「可預測性之個性化」蓬勃發展的領域。 透過AI使行銷團隊能夠預測客戶需求,並通過量身定制的優惠,彈性定價。

當然,「個性化行銷」並不代表消費者一定會買單,進而提高轉換率,由 Netflix 等公司開創的規範和推薦選擇原則也是其他行業的首選。

 

將「超個性化」付諸實踐

鑒於消費者「如何迅速接受如 Netflix 等所提供的個性化服務」,可得知消費者需要這類的服務。 這概念也具有商業意義:「該技術可用」、「平台可以集成和支持它」。 但與所有新技術一樣,行銷和客服團隊在成功採用「超個性化」時要克服障礙和挑戰。

整合企業內部數據,包括物理和數字,內部和外部數據,是重要的第一步。需要算法來過濾和理解數據並將其反饋到客戶接觸點。你可能需要反覆調整才能使流程正確無誤。

 

人工智慧|真實的結果

為了整合企業內部數據,包括物理和數字、內部和外部數據,第一步是以演算法來過濾和理解數據並將其反饋到客戶端, 你可能會需要多次重複調整才能使流程正確。

現今消費者的購買行為從十年前就無法識別,所以,當我們從「個性化」轉向「超個性化」時,帶來新的「行銷及客戶體驗策略」的個性化概念正處於另一個重要的變化邊緣。

客戶們知道他們自己正經歷改變,從流媒體服務建議的內容開始,他們已經準備好更廣泛地接受這種變化。在蓬勃發展的 AI startups 的幫助下,分析和機器學習正實際應用於客戶數據,領導這場革命的組織可以獲得豐厚的收益,你願意加入嗎?

 

*來源:https://www.marketingtechnews.net/news/2019/jun/17/how-marketers-can-prepare-rise-hyperpersonalisation/

更多文章
2022 - 06 - 23

快來與你的顧客互動

2022 - 09 - 15

一半 (51%) 的消費者現在承認:「如果相關廣告得到網紅的推薦,他們更有可能近一步了解商品。」

2020 - 05 - 21

對於企業而言,未來的展望以及增強品牌形像非常重要,如何保持整體一致性,將是企業最需要關注的目標

創作者與編輯
Affiliates.One 聯盟網 Affiliates.One 聯盟網
Anthony Wu Anthony Wu
Kent Wu Kent Wu
Jane Wang Jane Wang
Olivia Tseng Olivia Tseng
Shirley Swee Shirley Swee
Murphy Sun Murphy Sun
Maggie Leong Maggie Leong
Sophia Chan Sophia Chan
Leona Ng Leona Ng
Mark Chang Mark Chang
Scarlett Chen Scarlett Chen