डिजिटल मार्केटिंग और प्रोडक्ट के संदर्भ में, पर्सनलाइज़ेशन का अर्थ है कंटेंट, लेआउट, सिफ़ारिशों या संदेशों को अलग-अलग यूज़र्स या तय यूज़र सेगमेंट के अनुरूप ढालना। यह व्यवहार, जनसांख्यिकी, स्थान, रेफ़रल स्रोत या पिछली इंटरैक्शन जैसे डेटा पर आधारित होता है, और इसका लक्ष्य अनुभव को अधिक प्रासंगिक बनाकर जुड़ाव या कन्वर्ज़न बढ़ाना है। पर्सनलाइज़ेशन सरल नियम-आधारित तरीकों से लेकर, जैसे पहली बार आने वाले और लौटने वाले विज़िटर्स को अलग होमपेज बैनर दिखाना, परिष्कृत मशीन लर्निंग संचालित प्रणालियों तक फैला है, जो अनुमानित मंशा के आधार पर वास्तविक समय में व्यक्तिगत प्रोडक्ट सिफ़ारिशें बनाती हैं या पेज कंटेंट का क्रम गतिशील रूप से बदलती हैं।
पर्सनलाइज़ेशन का औचित्य इस अवलोकन पर टिका है कि कोई एक सामान्य अनुभव विविध ऑडियंस की समान रूप से अच्छी सेवा शायद ही कर पाता है। कीमत के प्रति संवेदनशील पहली बार आने वाले विज़िटर के लिए ऑप्टिमाइज़ किया गया लैंडिंग पेज उस पेज से भिन्न संदेश प्राथमिकताएँ रख सकता है जो किसी प्रीमियम टियर का मूल्यांकन कर रहे लौटते ग्राहक के लिए ऑप्टिमाइज़ किया गया हो। ईकॉमर्स और SaaS में हुए शोध आमतौर पर दिखाते हैं कि सेगमेंट-विशिष्ट संदेश या ऑफ़र सामान्य कंटेंट से सार्थक अंतर से बेहतर प्रदर्शन कर सकते हैं, हालाँकि यह परिमाण इस पर काफ़ी निर्भर करता है कि अंतर्निहित सेगमेंट कितने अलग हैं और पर्सनलाइज़ेशन लॉजिक चलाने के लिए कितना प्रासंगिक डेटा उपलब्ध है। पर्सनलाइज़ेशन को आमतौर पर किसी एक मेट्रिक से नहीं, बल्कि तुलनात्मक टेस्टिंग से मापा जाता है, जिसमें एक तय टेस्ट अवधि में, आमतौर पर साप्ताहिक व्यवहार चक्रों को ध्यान में रखते हुए दो से चार हफ़्ते, पर्सनलाइज़्ड अनुभव के कन्वर्ज़न रेट, जुड़ाव या औसत ऑर्डर वैल्यू की तुलना बिना-पर्सनलाइज़ेशन वाले कंट्रोल समूह से की जाती है।
पर्सनलाइज़ेशन लागू करने के लिए आमतौर पर तीन घटक चाहिए: एक डेटा लेयर जो प्रासंगिक यूज़र विशेषताओं या व्यवहारों की पहचान कर सके, चाहे वह फ़र्स्ट-पार्टी डेटा, साइट पर व्यवहार संबंधी संकेतों या CRM इंटीग्रेशन से हो; एक नियम या मॉडलिंग लेयर जो तय करे कि किसी यूज़र को कौन-सा कंटेंट वेरिएंट दिखाया जाए; और एक डिलीवरी तंत्र, अक्सर टैग-आधारित पर्सनलाइज़ेशन प्लेटफ़ॉर्म या CMS की अंतर्निहित कार्यक्षमता, जो बिना ध्यान देने योग्य देरी के सही वेरिएंट रेंडर करे। पर्सनलाइज़ेशन के आम उपयोग-मामलों में भौगोलिक कंटेंट शामिल है, जैसे स्थानीय मुद्रा या क्षेत्र-विशिष्ट केस स्टडी दिखाना, व्यवहारिक ट्रिगर, जैसे कार्ट में आइटम जोड़कर खरीदे बिना जाने वाले यूज़र्स को एग्ज़िट-इंटेंट ऑफ़र दिखाना, और लौटने वाले विज़िटर का लॉजिक, जो यूज़र द्वारा पहले देखे गए पेजों के आधार पर संदेश बदलता है।
एक आम भ्रांति यह है कि अधिक पर्सनलाइज़ेशन अपने आप बेहतर नतीजे देता है। व्यवहार में, प्रति सेगमेंट पर्याप्त ट्रैफ़िक के बिना अत्यधिक सेगमेंटेशन कमज़ोर पावर वाली तुलनाओं को जन्म देता है जो सांख्यिकीय भरोसे तक नहीं पहुँच पातीं। और विरल या अविश्वसनीय डेटा संकेतों पर आधारित पर्सनलाइज़ेशन गलत निशाने पर लग सकता है, जो अप्रासंगिक या अरुचिकर कंटेंट दिखाकर भरोसा बनाने के बजाय उसे नुकसान पहुँचाता है। पर्सनलाइज़ेशन और गोपनीयता अपेक्षाओं के बीच भी एक अच्छी तरह प्रलेखित तनाव है, खासकर थर्ड-पार्टी कुकीज़ पर ब्राउज़र-स्तर की पाबंदियों और GDPR जैसे नियमों के बाद, जिन्होंने इस क्षेत्र को फ़र्स्ट-पार्टी डेटा रणनीतियों और ऐसे संदर्भ-आधारित पर्सनलाइज़ेशन की ओर धकेला है जो क्रॉस-साइट ट्रैकिंग पर कम निर्भर होता है। एक और चूक पर्सनलाइज़ेशन को एक बार सेट करके भूल जाने वाली पहल मानना है, बजाय इसके कि हर नियम को नियंत्रित टेस्टिंग से परखा जाए, क्योंकि किसी सेगमेंट की पसंद के बारे में धारणाएँ वास्तविक डेटा से जाँचने पर अक्सर गलत निकलती हैं।
CRO और ग्रोथ कंसल्टेंसी के काम में, पर्सनलाइज़ेशन आमतौर पर तभी लाया जाता है जब सभी यूज़र्स को प्रभावित करने वाली बुनियादी कन्वर्ज़न समस्याएँ सुलझ चुकी हों, क्योंकि मूल रूप से कमज़ोर पेज को पर्सनलाइज़ करने से मेहनत तो कई गुना बढ़ती है पर नतीजे नहीं। कंसल्टेंट आमतौर पर मौजूदा एनालिटिक्स डेटा से उन सेगमेंट की पहचान करके शुरुआत करते हैं जिनका व्यवहार या मंशा सार्थक रूप से भिन्न हो। फिर पूरी साइट पर एक साथ व्यापक पर्सनलाइज़ेशन की कोशिश करने के बजाय वे उच्च-भरोसे वाले थोड़े-से पर्सनलाइज़ेशन नियम डिज़ाइन और टेस्ट करते हैं, और प्रोग्राम को आगे बढ़ाने से पहले हर नियम के वृद्धिशील प्रभाव को सत्यापित करते हैं।
एक प्रतिनिधि उदाहरण एक ऑनलाइन रिटेलर का है जिसके नए और लौटने वाले विज़िटर सेगमेंट का व्यवहार बहुत भिन्न है। नए विज़िटर्स को आमतौर पर व्यापक कैटेगरी नेविगेशन और भरोसा बनाने वाला कंटेंट चाहिए, जबकि लौटने वाले विज़िटर, खासकर वे जिन्होंने पहले खास प्रोडक्ट ब्राउज़ किए हैं, सामान्य प्रमोशनल बैनर की तुलना में उस होमपेज पर बेहतर प्रतिक्रिया देते हैं जो हाल में देखे गए आइटम या संबंधित सिफ़ारिशें सामने लाता है। बाकी सभी तत्व स्थिर रखते हुए इस एक सेगमेंट-आधारित पर्सनलाइज़ेशन नियम को स्थिर होमपेज के विरुद्ध टेस्ट करना, यह सत्यापित करने का आम तरीका है कि भौगोलिक स्थिति या खरीद-इतिहास टियर जैसे अतिरिक्त सेगमेंट तक पर्सनलाइज़ेशन बढ़ाने से पहले ज़रूरी डेटा इंफ़्रास्ट्रक्चर और नियम-लॉजिक में निवेश उचित है या नहीं।
P से शुरू होने वाले और शब्द
पी-वैल्यू (P-Value)PESTEL विश्लेषण (PESTEL Analysis)पे-पर-क्लिक (PPC)पेमेंट गेटवे (Payment Gateway)पीक-एंड रूल (Peak-End Rule)परफ़ॉर्मेंस बजट (Performance Budget)पोर्टर की पाँच शक्तियाँ (Porter's Five Forces)पोज़िशनिंग स्टेटमेंट (Positioning Statement)प्रेडिक्टिव एनालिटिक्स (Predictive Analytics)प्रेस विज्ञप्ति (Press Release)प्रोडक्ट एनालिटिक्स (Product Analytics)प्रोडक्ट डिटेल पेज (PDP)
