Персонализация, в дигитален маркетинг и продуктов контекст, е практиката за персонализиране на съдържание, оформление, препоръки или съобщения към отделни потребители или определени потребителски сегменти въз основа на данни като поведение, демографски данни, местоположение, източник на препратка или минали взаимодействия, с цел да се направи преживяването по-подходящо и по този начин да се увеличи ангажираността или конверсията. Персонализацията варира от прости подходи, базирани на правила, като например показване на различни банери на началната страница на посетители за първи път спрямо завръщащи се посетители, до сложни системи, задвижвани от машинно обучение, които генерират индивидуализирани препоръки за продукти или динамично пренареждат съдържанието на страницата в реално време въз основа на прогнозирано намерение.
Обосновката за персонализацията се основава на наблюдението, че едно-единствено генерично преживяване рядко обслужва еднакво добре разнообразна аудитория; целева страница, оптимизирана за ценово чувствителен посетител за първи път, може да използва различни приоритети за съобщения от такава, оптимизирана за връщащ се клиент, оценяващ премиум ниво. Изследванията в електронната търговия и SaaS обикновено показват, че специфичните за сегмента съобщения или оферти могат да превъзхождат генеричното съдържание със значителни маржове, въпреки че величината варира значително в зависимост от това колко различни са основните сегменти и колко релевантни данни са налични за задвижване на логиката на персонализация. Персонализацията обикновено се измерва не като единична метрика, а чрез сравнително тестване, изследване на процента на конверсия, ангажираност или средна стойност на поръчката за персонализирано преживяване спрямо неперсонализирана контролна група за определен тестов период, обикновено от две до четири седмици, за да се отчетат седмичните цикли на поведение.
Внедряването на персонализация обикновено изисква три компонента: слой данни, способен да идентифицира съответните атрибути или поведения на потребителите, независимо дали чрез данни от първа страна, поведенчески сигнали на място или CRM интеграция; слой с правила или моделиране, който определя кой вариант на съдържание трябва да види даден потребител; и механизъм за доставяне, често базирана на тагове платформа за персонализиране или вградена CMS функционалност, който изобразява правилния вариант без забележимо забавяне. Често срещани случаи на употреба на персонализация включват геобазирано съдържание, като например показване на местна валута или специфични за региона казуси, поведенчески тригери, като например показване на оферта за намерение за излизане на потребители, които са добавили артикули в количката, без да са извършили покупка, и логика за завръщащи се посетители, която променя съобщенията въз основа на това кои страници потребителят е разглеждал преди това.
Често срещано погрешно схващане е, че по-голямата персонализация автоматично води до по-добри резултати; на практика, свръхсегментацията без достатъчен трафик на сегмент води до недостатъчни сравнения, които не могат да достигнат статистическа достоверност, а персонализацията, базирана на оскъдни или ненадеждни сигнали от данни, може да се провали, показвайки неподходящо или дори отблъскващо съдържание, което уврежда доверието, вместо да го изгражда. Съществува и добре документирано напрежение между очакванията за персонализация и поверителност, особено след ограниченията на ниво браузър за „бисквитки“ на трети страни и регулации като GDPR, които тласнаха областта към стратегии за данни от първа страна и контекстуална персонализация, които разчитат по-малко на проследяване между сайтове. Друг капан е третирането на персонализацията като инициатива „настрой и забрави“, вместо валидиране на всяко правило чрез контролирано тестване, тъй като предположенията за това какво предпочита даден сегмент често са погрешни, когато се проверяват спрямо действителните данни.
В рамките на CRO и консултантски ангажименти за растеж, персонализацията обикновено се въвежда едва след като са били решени фундаменталните проблеми с конверсията, засягащи всички потребители, тъй като персонализирането на фундаментално слаба страница умножава усилията, без да умножава резултатите. Консултантите обикновено започват с идентифициране на сегменти със смислено различно поведение или намерение, използвайки съществуващи аналитични данни, след което проектират и тестват малък брой правила за персонализация с висока степен на достоверност, вместо да се опитват да внедрят широка персонализация в целия сайт наведнъж, като валидират постепенното въздействие на всяко правило, преди да разширят програмата допълнително.
Представителен пример е онлайн търговец на дребно с ясно изразени сегменти от нови и завръщащи се посетители, които се държат много различно: новите посетители обикновено се нуждаят от широка навигация по категории и съдържание, изграждащо доверие, докато завръщащите се посетители, особено тези, които са разглеждали конкретни продукти преди, са склонни да реагират по-добре на начална страница, която показва наскоро разглеждани артикули или свързани препоръки, отколкото на общи промоционални банери. Тестването на това правило за персонализиране, базирано на един сегмент, спрямо статична начална страница, като всички останали елементи са постоянни, е често срещан начин за валидиране дали инвестицията в необходимата инфраструктура от данни и логика на правилата е оправдана, преди да се разшири персонализацията към допълнителни сегменти, като например география или ниво на история на покупките.