การปรับแต่งเฉพาะบุคคล (personalization) ในบริบทของการตลาดดิจิทัลและผลิตภัณฑ์ คือแนวปฏิบัติในการปรับเนื้อหา เลย์เอาต์ คำแนะนำ หรือข้อความให้เหมาะกับผู้ใช้แต่ละรายหรือกลุ่มผู้ใช้ที่กำหนด โดยอาศัยข้อมูล เช่น พฤติกรรม ข้อมูลประชากร ตำแหน่งที่ตั้ง แหล่งที่มา หรือการโต้ตอบในอดีต โดยมีเป้าหมายเพื่อให้ประสบการณ์เกี่ยวข้องกับผู้ใช้มากขึ้น และเพิ่มการมีส่วนร่วมหรืออัตราการแปลง การปรับแต่งเฉพาะบุคคลมีตั้งแต่แนวทางแบบอิงกฎอย่างง่าย เช่น การแสดงแบนเนอร์หน้าแรกที่ต่างกันระหว่างผู้เข้าชมครั้งแรกและผู้เข้าชมที่กลับมา ไปจนถึงระบบที่ขับเคลื่อนด้วยแมชชีนเลิร์นนิงขั้นสูงที่สร้างคำแนะนำสินค้าเฉพาะรายบุคคลหรือจัดลำดับเนื้อหาหน้าเพจใหม่แบบเรียลไทม์ตามความตั้งใจที่คาดการณ์ไว้
เหตุผลของการปรับแต่งเฉพาะบุคคลอยู่ที่ข้อสังเกตว่าประสบการณ์ทั่วไปแบบเดียวแทบไม่เคยตอบโจทย์กลุ่มผู้ชมที่หลากหลายได้เท่าเทียมกัน แลนดิงเพจที่ปรับให้เหมาะกับผู้เข้าชมครั้งแรกที่อ่อนไหวต่อราคาอาจใช้ลำดับความสำคัญของข้อความต่างจากหน้าที่ปรับให้เหมาะกับลูกค้าเก่าที่กำลังประเมินแพ็กเกจระดับพรีเมียม งานวิจัยในอีคอมเมิร์ซและ SaaS มักแสดงว่าข้อความหรือข้อเสนอเฉพาะกลุ่มสามารถทำได้ดีกว่าเนื้อหาทั่วไปอย่างมีนัยสำคัญ แม้ขนาดของผลจะแตกต่างกันมากขึ้นอยู่กับว่ากลุ่มย่อยต่างกันเพียงใดและมีข้อมูลที่เกี่ยวข้องสำหรับขับเคลื่อนตรรกะการปรับแต่งมากน้อยเพียงใด โดยทั่วไปการปรับแต่งเฉพาะบุคคลไม่ได้วัดด้วยตัวชี้วัดเดียว แต่วัดผ่านการทดสอบเปรียบเทียบ โดยตรวจสอบอัตราการแปลง การมีส่วนร่วม หรือมูลค่าคำสั่งซื้อเฉลี่ยของประสบการณ์ที่ปรับแต่งเทียบกับกลุ่มควบคุมที่ไม่ปรับแต่งตลอดช่วงทดสอบที่กำหนด ซึ่งมักเป็นสองถึงสี่สัปดาห์เพื่อรองรับวงจรพฤติกรรมรายสัปดาห์
การนำการปรับแต่งเฉพาะบุคคลไปใช้โดยทั่วไปต้องมีสามองค์ประกอบ ได้แก่ ชั้นข้อมูล (data layer) ที่สามารถระบุคุณลักษณะหรือพฤติกรรมของผู้ใช้ที่เกี่ยวข้อง ไม่ว่าจะผ่านข้อมูลบุคคลที่หนึ่ง (first-party data) สัญญาณพฤติกรรมบนเว็บไซต์ หรือการเชื่อมต่อ CRM ชั้นกฎหรือการสร้างโมเดลที่กำหนดว่าผู้ใช้แต่ละรายควรเห็นเนื้อหาตัวแปรใด และกลไกการส่งมอบ ซึ่งมักเป็นแพลตฟอร์มปรับแต่งแบบใช้แท็กหรือฟังก์ชันดั้งเดิมของ CMS ที่แสดงตัวแปรที่ถูกต้องโดยไม่ทำให้เกิดความหน่วงที่สังเกตได้ กรณีการใช้งานทั่วไป ได้แก่ เนื้อหาตามภูมิศาสตร์ เช่น การแสดงสกุลเงินท้องถิ่นหรือกรณีศึกษาเฉพาะภูมิภาค ทริกเกอร์ตามพฤติกรรม เช่น การแสดงข้อเสนอเมื่อผู้ใช้กำลังจะออกจากหน้า (exit-intent) แก่ผู้ที่เพิ่มสินค้าลงตะกร้าแต่ยังไม่ซื้อ และตรรกะสำหรับผู้เข้าชมที่กลับมาซึ่งเปลี่ยนข้อความตามหน้าที่ผู้ใช้เคยดู
ความเข้าใจผิดที่พบบ่อยคือการเชื่อว่าการปรับแต่งมากขึ้นย่อมให้ผลดีขึ้นโดยอัตโนมัติ ในทางปฏิบัติ การแบ่งกลุ่มย่อยมากเกินไปโดยไม่มีทราฟฟิกเพียงพอต่อกลุ่มทำให้การเปรียบเทียบมีกำลังไม่พอและไม่สามารถไปถึงความเชื่อมั่นทางสถิติได้ และการปรับแต่งที่อิงสัญญาณข้อมูลที่บางหรือไม่น่าเชื่อถืออาจพลาด แสดงเนื้อหาที่ไม่เกี่ยวข้องหรือแม้แต่น่ารังเกียจที่ทำลายความไว้วางใจแทนที่จะสร้าง นอกจากนี้ยังมีความตึงเครียดที่มีการบันทึกไว้ดีระหว่างการปรับแต่งเฉพาะบุคคลกับความคาดหวังด้านความเป็นส่วนตัว โดยเฉพาะหลังข้อจำกัดระดับเบราว์เซอร์ต่อคุกกี้บุคคลที่สามและกฎระเบียบอย่าง GDPR ซึ่งผลักดันวงการไปสู่กลยุทธ์ข้อมูลบุคคลที่หนึ่งและการปรับแต่งตามบริบทที่พึ่งพาการติดตามข้ามเว็บไซต์น้อยลง ข้อผิดพลาดอีกประการคือการมองการปรับแต่งเฉพาะบุคคลเป็นโครงการที่ตั้งแล้วปล่อยทิ้ง แทนที่จะตรวจสอบกฎแต่ละข้อด้วยการทดสอบแบบควบคุม เพราะข้อสันนิษฐานเกี่ยวกับสิ่งที่กลุ่มหนึ่งชอบมักผิดเมื่อตรวจสอบกับข้อมูลจริง
ในงานที่ปรึกษาด้าน CRO และการเติบโต การปรับแต่งเฉพาะบุคคลมักถูกนำมาใช้หลังจากแก้ปัญหาการแปลงพื้นฐานที่กระทบผู้ใช้ทุกคนแล้วเท่านั้น เพราะการปรับแต่งหน้าเพจที่อ่อนแอโดยพื้นฐานเพียงคูณความพยายามโดยไม่คูณผลลัพธ์ ที่ปรึกษามักเริ่มจากการระบุกลุ่มที่มีพฤติกรรมหรือความตั้งใจต่างกันอย่างมีนัยสำคัญโดยใช้ข้อมูลวิเคราะห์ที่มีอยู่ จากนั้นออกแบบและทดสอบกฎการปรับแต่งที่มีความมั่นใจสูงจำนวนน้อย แทนที่จะพยายามปรับแต่งอย่างกว้างทั่วทั้งเว็บไซต์พร้อมกัน โดยตรวจสอบผลกระทบส่วนเพิ่มของแต่ละกฎก่อนขยายโปรแกรมต่อไป
ตัวอย่างที่เป็นตัวแทนคือร้านค้าปลีกออนไลน์ที่มีกลุ่มผู้เข้าชมใหม่และผู้เข้าชมที่กลับมาซึ่งมีพฤติกรรมแตกต่างกันมาก ผู้เข้าชมใหม่มักต้องการการนำทางหมวดหมู่แบบกว้างและเนื้อหาสร้างความไว้วางใจ ในขณะที่ผู้เข้าชมที่กลับมา โดยเฉพาะผู้ที่เคยเรียกดูสินค้าเฉพาะอย่าง มักตอบสนองได้ดีกว่ากับหน้าแรกที่แสดงสินค้าที่ดูล่าสุดหรือคำแนะนำที่เกี่ยวข้อง แทนที่จะเป็นแบนเนอร์โปรโมชันทั่วไป การทดสอบกฎการปรับแต่งตามกลุ่มข้อเดียวนี้เทียบกับหน้าแรกแบบคงที่ โดยคงองค์ประกอบอื่นทั้งหมดไว้เท่าเดิม เป็นวิธีที่ใช้กันทั่วไปในการตรวจสอบว่าการลงทุนในโครงสร้างพื้นฐานข้อมูลและตรรกะของกฎที่จำเป็นนั้นคุ้มค่าหรือไม่ ก่อนขยายการปรับแต่งไปยังกลุ่มอื่น เช่น ภูมิศาสตร์หรือระดับประวัติการซื้อ
คำศัพท์เพิ่มเติมที่ขึ้นต้นด้วย P
ค่า p (P-Value)การวิเคราะห์ PESTEL (PESTEL Analysis)การจ่ายต่อคลิก (Pay-Per-Click: PPC)เกตเวย์การชำระเงิน (Payment Gateway)กฎจุดสูงสุดและจุดจบ (Peak-End Rule)งบประมาณประสิทธิภาพ (Performance Budget)แรงห้าประการของ Porter (Porter's Five Forces)Positioning Statement (ข้อความระบุตำแหน่งทางการตลาด)การวิเคราะห์เชิงพยากรณ์ (Predictive Analytics)ข่าวประชาสัมพันธ์ (Press Release)การวิเคราะห์ผลิตภัณฑ์ (Product Analytics)หน้ารายละเอียดสินค้า (Product Detail Page: PDP)
