Personointi tarkoittaa digitaalisen markkinoinnin ja tuotteen kontekstissa sisällön, asettelun, suositusten tai viestinnän räätälöintiä yksittäisille käyttäjille tai määritellyille käyttäjäsegmenteille datan, kuten käyttäytymisen, demografisten tietojen, sijainnin, liikenteen lähteen tai aiempien vuorovaikutusten, perusteella. Tavoitteena on tehdä kokemuksesta relevantimpi ja siten lisätä sitoutumista tai konversiota. Personointi vaihtelee yksinkertaisista sääntöpohjaisista lähestymistavoista, kuten eri etusivubannerien näyttämisestä ensikertalaisille ja palaaville kävijöille, kehittyneisiin koneoppimiseen perustuviin järjestelmiin, jotka tuottavat yksilöllisiä tuotesuosituksia tai järjestävät sivun sisällön dynaamisesti uudelleen reaaliajassa ennustetun aikeen perusteella.
Personoinnin perustelu nojaa havaintoon, ettei yksi yleinen kokemus palvele monimuotoista yleisöä harvoin yhtä hyvin. Hintaherkälle ensikertalaiselle optimoidun laskeutumissivun viestinnän painotukset voivat poiketa premium-tasoa harkitsevalle palaavalle asiakkaalle optimoidusta. Verkkokauppa- ja SaaS-tutkimukset osoittavat yleisesti, että segmenttikohtainen viestintä tai tarjoukset voivat ylittää yleisen sisällön merkittävästi, vaikka vaikutuksen suuruus vaihtelee paljon sen mukaan, kuinka erilaisia taustalla olevat segmentit ovat ja kuinka paljon relevanttia dataa personointilogiikan ohjaamiseen on käytettävissä. Personointia ei yleensä mitata yhdellä mittarilla vaan vertailevalla testauksella, jossa tarkastellaan konversioastetta, sitoutumista tai keskimääräistä ostoskorin arvoa personoidulle kokemukselle verrattuna personoimattomaan kontrolliryhmään määritellyn testijakson aikana, tavallisesti kahdesta neljään viikkoa viikoittaisten käyttäytymissyklien huomioimiseksi.
Personoinnin toteuttaminen vaatii tyypillisesti kolme osaa: datakerroksen, joka kykenee tunnistamaan olennaiset käyttäjäominaisuudet tai käyttäytymisen joko ensimmäisen osapuolen datan, sivustolla havaittujen käyttäytymissignaalien tai CRM-integraation kautta, sääntö- tai mallinnuskerroksen, joka päättää, minkä sisältövariantin kukin käyttäjä näkee, sekä toimitusmekanismin, usein tunnistepohjaisen personointialustan tai CMS:n natiivitoiminnon, joka renderöi oikean variantin aiheuttamatta havaittavaa viivettä. Yleisiä personoinnin käyttötapauksia ovat maantieteellinen sisältö, kuten paikallisen valuutan tai alueellisten referenssitapausten näyttäminen, käyttäytymiseen perustuvat laukaisimet, kuten poistumisaikeeseen perustuvan tarjouksen näyttäminen käyttäjille, jotka ovat lisänneet tuotteita ostoskoriin ostamatta, sekä palaavan kävijän logiikka, joka muuttaa viestintää sen mukaan, mitä sivuja käyttäjä on aiemmin katsonut.
Yleinen väärinkäsitys on, että enemmän personointia tuottaa automaattisesti parempia tuloksia. Käytännössä ylisegmentointi ilman riittävää liikennettä segmenttiä kohti johtaa liian pieniin vertailuihin, jotka eivät saavuta tilastollista luottamusta. Harvaan tai epäluotettavaan datasignaaliin perustuva personointi voi myös epäonnistua näyttämällä epärelevanttia tai jopa luotaantyöntävää sisältöä, joka vahingoittaa luottamusta sen rakentamisen sijaan. Personoinnin ja yksityisyysodotusten välillä on myös hyvin dokumentoitu jännite, erityisesti selaintason kolmannen osapuolen evästerajoitusten ja GDPR:n kaltaisten säädösten myötä. Ne ovat ohjanneet alaa kohti ensimmäisen osapuolen datastrategioita ja kontekstuaalista personointia, jotka nojaavat vähemmän sivustojen väliseen seurantaan. Lisäksi sudenkuoppana on kohdella personointia kertaasetettavana hankkeena sen sijaan, että kukin sääntö validoitaisiin kontrolloidulla testauksella, sillä oletukset siitä, mitä tietty segmentti suosii, osoittautuvat usein vääriksi todellista dataa vasten.
CRO- ja kasvukonsultoinnissa personointi otetaan tyypillisesti käyttöön vasta sen jälkeen, kun kaikkia käyttäjiä koskevat perustavanlaatuiset konversio-ongelmat on korjattu, koska pohjimmiltaan heikon sivun personointi moninkertaistaa työn mutta ei tuloksia. Konsultit aloittavat yleensä tunnistamalla olemassa olevan analytiikkadatan perusteella segmentit, joiden käyttäytyminen tai aikeet poikkeavat merkittävästi toisistaan. Sen jälkeen he suunnittelevat ja testaavat pienen määrän vahvasti perusteltuja personointisääntöjä sen sijaan, että yrittäisivät laajaa personointia koko sivustolla kerralla, ja validoivat kunkin säännön lisävaikutuksen ennen ohjelman laajentamista.
Tyypillinen esimerkki on verkkokauppa, jonka uudet ja palaavat kävijäsegmentit käyttäytyvät hyvin eri tavoin. Uudet kävijät tarvitsevat tyypillisesti laajaa kategorianavigointia ja luottamusta rakentavaa sisältöä, kun taas palaavat kävijät, erityisesti ne, jotka ovat aiemmin selailleet tiettyjä tuotteita, reagoivat yleensä paremmin etusivuun, joka nostaa esiin äskettäin katsotut tuotteet tai aiheeseen liittyviä suosituksia yleisten kampanjabannerien sijaan. Tämän yhden segmenttipohjaisen personointisäännön testaaminen staattista etusivua vastaan kaikkien muiden elementtien pysyessä vakioina on yleinen tapa validoida, onko tarvittavan datainfrastruktuurin ja sääntölogiikan investointi perusteltu, ennen kuin personointia laajennetaan lisäsegmentteihin, kuten maantieteeseen tai ostohistoriatasoon.
Lisää kirjaimella P alkavia termejä
P-arvo (P-Value)PESTEL-analyysi (PESTEL Analysis)Klikkauskohtainen hinnoittelu (PPC)Maksuyhdyskäytävä (payment gateway)Huippu-loppu-sääntö (Peak-End Rule)Suorituskykybudjetti (performance budget)Porterin viiden voiman malli (Porter's Five Forces)AsemointilausumaEnnakoiva analytiikka (predictive analytics)Lehdistötiedote (Press Release)Tuoteanalytiikka (product analytics)Tuotesivu (product detail page, PDP)
