Personalização de seus serviços do Web site

Share

|

Enquanto o relacionamento muda do browser ocasional a prospeto interessado e então ao comprador ativo, seu Web site pode coletar um anfitrião inteiro de preferências, de plantas, de penchants, e de peccadilloes pessoais. Você necessita meramente pedir. Acoplando essa informação com dados fora de linha dos exames e das bases de dados comerciais, você tem agora uma possibilidade construir um retrato inteiramente realizado de cada cliente. Apenas como equilibrado é seu retrato?

Na extremidade, você tem que decidir-se que granularity da identificação o servirá melhor. É bastantes para saber o seguinte sobre algum tipo de visitante?:

• Interessado no produto A

• Trabalhos na indústria B

• Em uma companhia que seja o tamanho C

• Está movendo-se com o processo da qualificação em uma taxa de D

Ou, a fim vender mais, mais rápido, em uma margem mais elevada, adiciona significativamente à linha inferior se você souber também o seguinte sobre ela?:

• Um tipo E do shopping (explorador aventuroso)

• Revê a seção de F com uma avaliação da freqüência de G

• Desgasta sapatas do tamanho H

Apesar de tudo, apenas como o artigo de valor é ele que você sabe que clientes gostam de luas verdes do marsh-mallow em seu arroz Chex?

Quando a quantidade sheer de elementos de dados for o fator o mais significativo em sua profundidade pessoal do perfil que marca, cada elemento deve ser tornado mais pesado de acordo com seu valor. Um número de identificação do cliente não tem nenhum peso em tudo porque um é indistinguishable do seguinte. A informação usual coletada sobre um cliente (nome, endereço, número de telefone) é crítica mas carrega um peso baixo porque não é actionable.

Tipos de informação do cliente

A informação actionable pertence aos predilections de um cliente, comprando o history, e interesses declarados. Seja certo que você pesa corretamente a informação implícita, explícita, e factual:

• Implícito: Olhou aquelas páginas assim que deve estar interessado nestes artigos.

• Explícito: Encheu para fora um exame e dito nos estava interessado nestes artigos.

• Fato: Olhou aquelas páginas e comprou estes artigos. Os visitantes do Web site dizem-no que a informação explícita, e você derivam a informação implícita. Por exemplo, um cliente pode dizer que gosta de biografias da leitura e quer Amazon.com às notificações do email sobre figuras famosas no history europeu. Mas se comprar livros sobre cães, Amazon sabe o que pôr sobre sua recomendação alista. Prestar atenção ao que clientes realmente é revelar distante do que a leitura o que dizem. E está revelando nas maneiras que não fazem necessariamente o sentido.

Suponha que a base de dados mostra que os visitantes que estão comprando razors elétricos estão comprando também jogadores de CD pessoais, ou que os visitantes que lêem as especificações detalhadas da mineração de superfície e do equipamento de construção estão raramente interessados na informação da garantia prolongada. São estes que as sortes das correlações mavens do marketing estão indo vir acima com em reuniões do brainstorming? Não. Não fazem nenhum sentido, mas são verdadeiros. Assim agora os mavens do marketing têm um datapoint novo a trabalhar com, e os sistemas atrás das cenas têm a abilidade de agir na informação no tempo real.

Além de pesar os elementos de dados baseados sobre se estão declarados ou derivados, seu valor deve fazer exame no frescor e nos resultados do cliente. Saber a correlação entre razors elétricos e jogadores de CD pessoais é a primeira etapa, usando-se que a informação é o segundo, e medir os resultados desse uso é a mais importante.

Cleansing Dos Dados

Viver até a gerência do relacionamento do cliente significa assegurar-se de que a informação usada pelos sistemas de marketing e pelos representantes de serviço de cliente seja fresca, atual, e exata. Isso significa trazer os dados junto de muitos sistemas e esse os meios que figuram para fora de como começar a tudo esses dados olhar igualmente.

O normalization dos dados aplicou-se tipicamente ao formato da informação que é incorporada em um sistema. A inicial média carrega um período? O número de telefone inclui parênteses ou traços? É o código de fecho de correr cinco dígitos ou nove? Há um hífen no meio? Mas nestes dias de CRM, cleansing dos dados vai distante além da pontuação.

Deixe-nos supo-lo têm um sistema de gerência do contato das vendas, um sistema de facturação, e uma base de dados do cuidado do cliente em cada uma de quatro divisões. Deixe-nos dizer John que Smith lhe emite um email < de JohnSmith@Yahoo.com >. Que John Smith é este?

Você necessitará pontos múltiplos da comparação. Talvez < JohnSmith@Yahoo.com > deixaram o deslizamento que tinha o problema com seu produto quando estava em Califórnia para a primeira vez. Você pode então eliminar todo o John Smiths que vive em Califórnia. Possivelmente mencionou que produto ou serviço de seu usava. Talvez inclui seu número de telefone em sua lima da assinatura do email. Aquele poderia ser o indício que você necessita identificar este John Smith do twentyseven outro em sua base de dados.

Focos cleansing dos dados na verificação e no validation da informação. Se todo seu John Smiths for formatado o mesmos, você está desligada a um começo bom. Se nenhuns de seus registros de John Smith forem verificados por mais de 6 meses, seu valor deteriora-se. Eu estou tentando descrever claramente um jogo dos problemas que são nem fáceis nem rápidos de resolver. Se estiver indo custar assim muito e criar tal dor, como você vai sobre a medição do valor de todas estas possibilidades? A pergunta é se o custo de coletar e de processar a informação vale a pena o valor que você se deriva de ter a informação, menos a dor você causa seus clientes em sua coleção.

Quociente Da Personalização

O Dr. Kamran Parsaye, presidente de Inteligência Ware, de Inc. e de autor de ferramentas inteligentes da base de dados e de aplicações (John Wiley & Filho, 1993) escreveu um papel branco chamado "PQ: O quociente da personalização de um Web site." No momento em que, o papel pode ser encontrado em linha (www.kellen.net/ect586/personalization_parsaye.pdf), mesmo que a companhia Parsaye trabalhasse quando escreveu nela (NovuWeb) não possa.

Em seu papel, em Parsaye feitos uma tentativa valiant de criar "uma estrutura e uma teoria para medir como personalizado um sistema está nos termos do quociente da personalização (PQ) e para ilustrar como a teoria pode ser usada melhorar o e-serviço." O conceito do quociente da personalização é usado então medir como personalizado um sistema é realmente.

Neste papel, o Dr. Parsaye diferencia-se entre um sistema impessoal, que trate todos a mesma maneira, e um sistema inteiramente personalizado, que ajuste seu comportamento aos usuários específicos. Um sistema impessoal tem um PQ de zero, desde que fornece a mesma resposta de estática a todos os usuários não obstante suas características.

A personalização vem aproximadamente como uma reação à informação individual, e o Dr. Parsaye divide a personalização em três áreas—do customization, o individualization e o groupcharacterization. O customization é o mais velho e às vezes o mais fácil para dirigir-se. Permite que você ajuste as preferências específicas, por exemplo, o estoque que você quer seguir, o tipo de notícia você quer ver, as cores você quer o jogo em sua tela, etc.. O individualization vai além deste ajuste reparado e usa testes padrões de seu próprio comportamento (e de não nenhum outro usuário) entregar-lhe o índice específico . [ por exemplo, ] se você estalar muito em artigos financi-relacionados mas não em esportes, mostrará a lhe uma notícia mais financeira melhor que a notícia dos esportes, sem sua pedir ele. Na grupo-caracterização você recebe uma recomendação baseada nas preferências dos povos "como" você, por exemplo, os livros podem ser-lhe recomendados basearam nos livros requisitados por povos com interesses similares. Aproximações baseadas em filtrar collaborative, em raciocínio caixa-baseado, etc.. foco na medida da grupo-caracterização.

• PQ: O quociente da personalização faz exame de todos os três destas edições no cliente.

Tem três componentes específicos, PQ1, PQ2 e PQ3, onde:

PQ1 mede a abilidade do sistema de customize artigos.

PQ2 mede a abilidade do sistema de usar preferências individuais.

PQ3 mede a abilidade do sistema de tratar das preferências grupo-baseadas.

Nós medimos então PQ como a média destes dois elementos, isto é:

PQ = (PQ1 + PQ2 + PQ3)/3

Aqui cada PQ1, PQ2 e PQ3 serão um número entre 0 e 100. Um sistema com um PQ de 100 está personalizado totalmente, quando um sistema com um PQ de zero for totalmente impessoal.

O Dr. Parsaye descreve então criar um perfil final de seu visitante do local:

O one-way a representar e a similaridade da medida dos usuários e dos clientes estão nos termos de cordas do DNA ou de vetores do atributo.

Uma corda do DNA para um usuário da correia fotorreceptora é uma corda do jogo dos inteiros entre 0 e 9, por exemplo, a corda 1309735183291. Cada inteiro aqui mostra que o valor relativo de algum traço, por exemplo, marcando uns 8 ou uns 9 no indicador do "sportspage" significa que você vê muitas páginas esporte-relacionadas, quando um 0 significarem que você nunca vê tais páginas em tudo. Similarmente, outros inteiros na corda podem dizer-nos como você visita o local e como você estala completamente na bandeira que anuncia—tudo em termos relativos. Similarmente, nós podemos definir uma corda do DNA para um Web page considerando os componentes que o compreendem. Por exemplo, o número das bandeiras e o tipo de bandeiras.

Concli sugerindo "um sentido interessante para realces será aquele de medir o PQ comparativo de dois sistemas."

Vagueia então fora em um mundo onde somente os matemáticos ousem pisar deslizando em algumas fórmulas sérias tais como: PQ3(U, P) = ä de 100/maximum(( U/ ä P), (ä P/ ä U)). Mas como nós fator na dor causada ao visitante do local que é seguido ao redor da página à página por um bolinho e perguntado para uma opinião aproximadamente se a vida de uma mulher está cumprida somente se pode fornecer um repouso feliz para sua família? Isso é o lugar aonde o índice da personalização vem dentro.

Índice Da Personalização

O universo de elementos do perfil é virtualmente unbounded, cobrindo artigos familiares tais como o último nome e o endereço de negócio, os conceitos técnicos tais como o IP address e a conexão apressam-se, e atributos domínio-específicos do tamanho do pore (para cosméticos) ao perfil do risco do lifestyle (para o seguro). Adicionando a informação de perfil incremental, os gerentes do e-negócio podem mover prospetos e clientes através dos quatro estágios da compreensão do e-cliente, transformando usuários anonymous da categoria 1 nos indivíduos distintos, real-world da categoria 4.

Coletar a informação é uma coisa. Usá-la em uma maneira judicious é outro. O índice da personalização (PI) distingue-o apenas como bom você está usando os dados está recolhendo. O índice é uma medida de como eficazmente um e-negócio leveraging estes dados do cliente.

Se seu PI estiver acima 0.75, a seguir você está fazendo o a maioria da informação que você está coletando. Isso significa que seus esforços não estão desperdiçados, nem são aqueles de seus clientes que estão fornecendo o material cru.

Preceder supõe que você está usando um número significativo dos elementos fazer uma experiência personalizada da correia fotorreceptora. Se você estiver coletando somente dois elementos e os estiver usando ambos, sua contagem do PI pode ser 1.00, mas aqui significa que você está indo somente assim distante como a segmentação de mercado melhor que a personalização que—você está agrupando somente seus prospetos e clientes em categorias largas. Quando úteis, as categorias largas não são tão poderosas quanto a personalização verdadeira baseada em dúzias dos atributos.

Quando você coleta mais e mais elementos, você pode classificar usuários em mais e mais conjuntos, e movimentos largos da segmentação para a personalização. Isto é o lugar onde você começa promover um relacionamento do cliente e o girar em um relacionamento da lealdade, significativamente levantando o custo para seu cliente para o interruptor para um outro vendedor.

Se seu PI for menos de 0.30, então você está coletando mais informação do que você se está usando. A notícia boa é que você tem um reservatório untapped enorme de dados actionable sobre seus clientes. A notícia má é que os dados são fallow se encontrando e provavelmente começar rápido velho. Você necessita começar usar os dados que você tem mais eficazmente ou reduz em quanto dados explícitos você está tentando coletar. Muito provável, a resposta correta é ambos. Você está girando suas rodas que coleta essa informação, mas você não a está usando beneficiar seus clientes, que afeta adversamente a experiência dos seus clientes.

Aquele é o downside o mais grande a um quociente baixo da personalização. Todos esses hora e esforço que você força seus clientes a invest em lhe dar a informação são um desperdício. Não começam nada fora dele. Mesmo quando o processo é simples, como fazer a varredura de uma corrente chave fob na loja do mantimento, não há ainda nenhum valor real ao cliente. Por que incômodo? Por que estão sendo incomodados? Neste momento, nós finalmente atraímos, navigated, persuadimos, e convertemo-nos esse prospeto desconhecido em um cliente conhecido. Podemos nós começar esse cliente voltar?