Клиенты видят, когда продукт относится ко всем одинаково, потому что зачастую он не очень хорошо работает: от пропуска форм, не имеющие отношения к делу, до получения бессмысленных “подсказок” или сообщени.
Продвинутые продуктовые команды применяют поведенческий таргетинг и рекомендации для персонализации и повышения качества обслуживания клиентов. Передовые команды уже давно полагаются на продуктовую аналитику и машинное обучения для определения пользовательских групп на основе поведения в прошлом, текущих действий в продукте и предсказанных вариантов развития событий (predictable behavior).
Таргетинг и рекомендации, при умелом обращении, создают устойчивый канал “роста за счёт продукта” (product-led growth, PLG).
Эпоха гиперперсонализации
Персонализация охватила цифровой мир настолько быстро, что многие команды до сих пор не могут приспособиться к новым ожиданиями клиентов. Harvard Business Review и Amplitude провели исследование и выяснили, что 81% руководителей продуктовых команд считают, что требования пользователей к отличному цифровому опыту стали высоки как никогда раньше.
В дополнение к растущим ожиданиям клиентов продукты конкурируют за внимание во все более и более насыщенным шумом мире. Сейчас уже вовсе не эффективно рассылать всем клиентам одинаковые сообщения одновременно.
Концепция таргетинга не новинка. Традиционно команды полагались на статические входные данные вроде демографии для анализа своих клиентов.
Продуктовая аналитика помогает командам использовать поведенческую сегментацию (behavioral segmentation), динамический таргетинг (dynamic targeting) и измерение отдачи (impact measurement).
Такой подход помогает продуктовым командам развивать пользовательский опыт для групп клиентов (когорт) на основе их действий в продукте, а не их слов.
В цифровых продуктах это означает создание персонализированного опыта и маркетинговых кампаний на основе поведения в прошлом, текущих действий и предсказанных вариантов развития событий (predictable behavior).
Достижение устойчивого “роста за счёт продукта” (product-led growth, PLG) с помощью таргетинга и рекомендаций
Таргетинг и рекомендации расширяют возможности “роста за счёт продукта” (product-led growth, PLG). Применение продуктовой аналитики для персонализации дает устойчивые результаты, потому что открывает новые возможности роста в доступных и предсказуемых каналах.
Когда приложение или цифровой продукт использует персонализацию, это значит, что приложение нацелено на подходящего человека с подходящим опытом в подходящий момент времени.
Поведенческий таргетинг создает новый устойчивый канал для “роста за счёт продукта” (product-led growth, PLG). В отличие от дорогостоящих или нестабильных стратегий привлечения (acquisition), вложения в поведенческий таргетинг минимальны, но имеют огромное влияние. Например, внедрение поведенческого таргетинга в существующую стратегию привлечения может снизить затраты на привлечение пользователей.
Один из клиентов Amplitude, колумбийский delivery-tech стартап, работающий в >28 городах Латинской Америки, поделился, что они сфокусировались на наиболее важных сегментах и нацелили на эту же аудиторию через персонализированные кампании. Это дало свои плоды, число первых заказов увеличилось на 10%, а затраты на привлечение пользователей снизились на 30%. Это огромное достижение, учитывая, что каждый месяц продукт привлекает миллионы пользователей.
Применение машинного обучения для предсказания поведения
Продуктовая аналитика задействует таргетинг и рекомендации и тем самым делает вашу стратегию “роста за счёт продукта” (product-led growth, PLG) более комплексной. На рисунке представлена обратная связь между комплексностью и персонализацией.
В какой-то момент в игру вступает так много данных, что команды уже испытывают не недостаток данных, а недостаток возможностей для их обработки традиционными способами и человеческими силами.
К счастью данные являются первыми кандидатами на получение выгоды от использования современных технологий машинного обучения. Машинное обучение вроде Amplitude Nova AutoML System представляет из себя использование компьютерных алгоритмов и статистических моделей, запрограммированных на изучение динамических баз данных и создание прогнозов. Основная функция машинного обучения — способность обучаться и развиваться без непосредственного программирования. Это означает, что команды могут использовать машинное обучение для решения сложных задач без необходимости изменений своих алгоритмов по мере роста или изменения наборов данных.
Рассмотрим успех другого клиента Amplitude, медиа-гиганта известного производством и распространение премиум-контента. Они используют готовые функции машинного обучения чтобы предсказать вероятность того, что кто-то подпишется на серию приветственных писем по электронной почте. Они узнали, что у лучших 20% получателей производительность улучшилась на 5%, но у остальных 80% она ухудшилась на 25%. После этого команда перестала отправлять электронные письма этим 80% аудитории и прибыль возросла.
Внедрение функций машинного обучения в продуктовую аналитику позволит вам:
- Применять готовые алгоритмы прогнозирования для анализа вероятности исхода
- Организовывать персонализацию на основе будущих вероятных результатов
- Быть проактивным к рискам или реальным эффектам (outcomes) до того как они проявят себя
Благодаря гибкому моделированию можно предсказать почти людей результат и увидеть как базовые модели переобучаются ежедневно.