A személyre szabás a digitális marketing és termék kontextusában azt jelenti, hogy a tartalmat, az elrendezést, az ajánlásokat vagy az üzeneteket az egyes felhasználókhoz vagy meghatározott felhasználói szegmensekhez igazítják olyan adatok alapján, mint a viselkedés, a demográfiai jellemzők, a földrajzi hely, a hivatkozó forrás vagy a korábbi interakciók, azzal a céllal, hogy relevánsabbá tegyék az élményt, és ezáltal növeljék az elköteleződést vagy a konverziót. A személyre szabás az egyszerű, szabályalapú megközelítésektől – például más nyitóoldali bannerek mutatása először látogató és visszatérő látogatók számára – egészen a kifinomult, gépi tanulásra épülő rendszerekig terjed, amelyek egyéni termékajánlásokat generálnak, vagy a becsült szándék alapján valós időben átrendezik az oldaltartalmat.
A személyre szabás indoklása azon a megfigyelésen alapul, hogy egyetlen általános élmény ritkán szolgál egyformán jól egy sokszínű közönséget; egy árérzékeny, először látogató felhasználóra optimalizált landing oldal más üzenetprioritásokat használhat, mint az, amelyet egy prémium csomagot mérlegelő visszatérő ügyfélre optimalizáltak. Az e-kereskedelmi és SaaS-kutatások jellemzően azt mutatják, hogy a szegmensspecifikus üzenetek vagy ajánlatok érdemi különbséggel felülmúlhatják az általános tartalmat, bár a mértéke jelentősen függ attól, mennyire különböznek egymástól a mögöttes szegmensek, és mennyi releváns adat áll rendelkezésre a személyre szabási logika működtetéséhez. A személyre szabást általában nem egyetlen mutatóval, hanem összehasonlító teszteléssel mérik: a személyre szabott élmény konverziós rátáját, elköteleződését vagy átlagos rendelési értékét vetik össze a nem személyre szabott kontrollcsoporttal egy meghatározott tesztidőszakon, jellemzően két-négy héten át, a heti viselkedési ciklusok figyelembevétele érdekében.
A személyre szabás megvalósítása jellemzően három összetevőt igényel: egy adatréteget, amely képes azonosítani a releváns felhasználói jellemzőket vagy viselkedéseket – első féltől származó adatokon, oldalon belüli viselkedési jelzéseken vagy CRM-integráción keresztül; egy szabály- vagy modellezési réteget, amely meghatározza, melyik tartalomváltozatot lássa az adott felhasználó; és egy kézbesítési mechanizmust, gyakran egy címkealapú személyre szabási platformot vagy natív CMS-funkciót, amely észrevehető késleltetés nélkül jeleníti meg a megfelelő változatot. Gyakori személyre szabási felhasználási esetek a földrajzi alapú tartalmak, például a helyi pénznem vagy a régióspecifikus esettanulmányok megjelenítése, a viselkedési kiváltók, például kilépési szándékra (exit-intent) adott ajánlat azoknak a felhasználóknak, akik terméket tettek a kosarukba, de nem vásároltak, valamint a visszatérő látogatók logikája, amely az üzenetet annak alapján módosítja, hogy a felhasználó korábban mely oldalakat tekintette meg.
Gyakori tévhit, hogy a több személyre szabás automatikusan jobb eredményt hoz; a gyakorlatban a szegmensenkénti elegendő forgalom nélküli túlszegmentálás alulméretezett összehasonlításokhoz vezet, amelyek nem érhetnek el statisztikai megbízhatóságot, a gyér vagy megbízhatatlan adatjelzésekre épülő személyre szabás pedig célt téveszthet: irreleváns vagy akár taszító tartalmat mutathat, amely a bizalmat nem építi, hanem rombolja. A személyre szabás és az adatvédelmi elvárások között is jól dokumentált feszültség áll fenn, különösen a harmadik féltől származó sütikre vonatkozó böngészőszintű korlátozások és az olyan szabályozások, mint a GDPR után, amelyek a területet az első féltől származó adatokra épülő stratégiák és a kevésbé a webhelyek közötti követésre támaszkodó, kontextuális személyre szabás felé tolták. További buktató, ha a személyre szabást „beállítom és elfelejtem” kezdeményezésként kezelik, ahelyett hogy minden szabályt kontrollált teszteléssel igazolnának, mivel a feltételezések arról, hogy egy adott szegmens mit preferál, a tényleges adatokkal összevetve gyakran tévesnek bizonyulnak.
A CRO- és növekedési tanácsadói megbízásokban a személyre szabást jellemzően csak azután vezetik be, hogy az összes felhasználót érintő alapvető konverziós problémákat orvosolták, mivel egy alapvetően gyenge oldal személyre szabása az erőfeszítést sokszorozza, az eredményt nem. A tanácsadók általában úgy kezdenek, hogy a meglévő analitikai adatok alapján azonosítják az érdemben eltérő viselkedésű vagy szándékú szegmenseket, majd kis számú, nagy bizonyosságú személyre szabási szabályt terveznek és tesztelnek ahelyett, hogy egyszerre az egész webhelyre kiterjedő, széles körű személyre szabással próbálkoznának, és minden szabály inkrementális hatását igazolják a program további bővítése előtt.
Jellemző példa egy online kiskereskedő, amelynek új és visszatérő látogatói szegmensei egészen eltérően viselkednek: az új látogatóknak jellemzően átfogó kategórianavigációra és bizalomépítő tartalomra van szükségük, míg a visszatérő látogatók – különösen azok, akik korábban konkrét termékeket böngésztek – inkább olyan nyitóoldalra reagálnak jól, amely a nemrég megtekintett termékeket vagy kapcsolódó ajánlásokat emeli ki az általános promóciós bannerek helyett. Ennek az egyetlen szegmensalapú személyre szabási szabálynak a tesztelése egy statikus nyitóoldallal szemben, minden más elem változatlanul hagyása mellett, gyakori módja annak igazolására, hogy a szükséges adatinfrastruktúrába és szabálylogikába fektetett beruházás indokolt-e, mielőtt a személyre szabást további szegmensekre, például földrajzi hely vagy vásárlási előzmények szintje szerint kiterjesztik.
További P betűvel kezdődő kifejezések
P-értékPESTEL-elemzés (PESTEL Analysis)Kattintásalapú hirdetés (PPC)Fizetési átjáró (payment gateway)Csúcs-vég szabály (peak-end rule)Teljesítménybüdzsé (performance budget)Porter-féle öt erő (Porter's Five Forces)Pozicionálási nyilatkozat (Positioning Statement)Prediktív analitika (predictive analytics)Sajtóközlemény (Press Release)Termékanalitika (product analytics)Termékoldal (PDP, product detail page)
