Kişiselleştirme, dijital pazarlama ve ürün bağlamında; içeriği, yerleşimi, önerileri veya mesajları davranış, demografi, konum, yönlendiren kaynak ya da geçmiş etkileşimler gibi verilere dayanarak bireysel kullanıcılara veya tanımlı kullanıcı segmentlerine göre uyarlama ve böylece deneyimi daha alakalı hale getirerek etkileşimi veya dönüşümü artırma uygulamasıdır. Kişiselleştirme, ilk kez gelen ve geri dönen ziyaretçilere farklı ana sayfa bannerları göstermek gibi basit kural tabanlı yaklaşımlardan, bireyselleştirilmiş ürün önerileri üreten ya da sayfa içeriğini tahmin edilen niyete göre gerçek zamanlı olarak yeniden sıralayan gelişmiş makine öğrenmesi destekli sistemlere kadar uzanır.
Kişiselleştirmenin gerekçesi, tek bir genel deneyimin çeşitli bir kitleye nadiren eşit derecede iyi hizmet ettiği gözlemine dayanır. Fiyata duyarlı, ilk kez gelen bir ziyaretçi için optimize edilmiş bir açılış sayfası, premium bir katmanı değerlendiren geri dönen bir müşteri için optimize edilmiş sayfadan farklı mesaj öncelikleri kullanabilir. E-ticaret ve SaaS alanındaki araştırmalar, segmente özel mesajların veya tekliflerin genel içeriği anlamlı farklarla geride bırakabildiğini sıklıkla gösterir; ancak bu farkın büyüklüğü, alttaki segmentlerin ne kadar farklı olduğuna ve kişiselleştirme mantığını besleyecek ne kadar ilgili veri bulunduğuna göre önemli ölçüde değişir. Kişiselleştirme genellikle tek bir metrikle değil karşılaştırmalı testle ölçülür: kişiselleştirilmiş deneyimin dönüşüm oranı, etkileşimi veya ortalama sipariş değeri, kişiselleştirilmemiş bir kontrol grubuyla tanımlı bir test süresi boyunca, haftalık davranış döngülerini hesaba katmak için genellikle iki ila dört hafta, karşılaştırılır.
Kişiselleştirmeyi uygulamak genellikle üç bileşen gerektirir: birinci taraf veri, site içi davranışsal sinyaller veya CRM entegrasyonu aracılığıyla ilgili kullanıcı özelliklerini ya da davranışlarını tanımlayabilen bir veri katmanı; belirli bir kullanıcının hangi içerik varyantını görmesi gerektiğini belirleyen bir kural veya modelleme katmanı; ve fark edilebilir gecikme yaratmadan doğru varyantı oluşturan, çoğunlukla etiket tabanlı bir kişiselleştirme platformu ya da yerleşik CMS işlevselliği olan bir sunum mekanizması. Yaygın kişiselleştirme kullanım alanları arasında yerel para birimi veya bölgeye özel vaka çalışmaları göstermek gibi konum tabanlı içerik, sepete ürün ekleyip satın almayan kullanıcılara çıkış niyeti teklifi göstermek gibi davranışsal tetikleyiciler ve kullanıcının daha önce hangi sayfaları görüntülediğine göre mesajı değiştiren geri dönen ziyaretçi mantığı yer alır.
Sık görülen bir yanılgı, daha fazla kişiselleştirmenin otomatik olarak daha iyi sonuç vereceğidir. Pratikte segment başına yeterli trafik olmadan yapılan aşırı segmentasyon, istatistiksel güvene ulaşamayan yetersiz güçte karşılaştırmalara yol açar ve seyrek ya da güvenilmez veri sinyallerine dayanan kişiselleştirme ters tepebilir; alakasız ya da hatta rahatsız edici içerik göstererek güven inşa etmek yerine güveni zedeler. Özellikle üçüncü taraf çerezlerine yönelik tarayıcı düzeyindeki kısıtlamalar ve GDPR gibi düzenlemelerin ardından, kişiselleştirme ile gizlilik beklentileri arasında iyi belgelenmiş bir gerilim de vardır; bu durum alanı, siteler arası takibe daha az dayanan birinci taraf veri stratejilerine ve bağlamsal kişiselleştirmeye yöneltmiştir. Bir başka tuzak ise kişiselleştirmeyi kur-ve-unut bir girişim olarak görmek, her kuralı kontrollü testlerle doğrulamamaktır; çünkü belirli bir segmentin neyi tercih ettiğine dair varsayımlar gerçek verilerle karşılaştırıldığında sıklıkla yanlış çıkar.
CRO ve büyüme danışmanlığı çalışmalarında kişiselleştirme genellikle yalnızca tüm kullanıcıları etkileyen temel dönüşüm sorunları giderildikten sonra devreye alınır; çünkü temelde zayıf bir sayfayı kişiselleştirmek çabayı katlar ancak sonuçları katlamaz. Danışmanlar genellikle mevcut analitik verilerini kullanarak davranışı veya niyeti anlamlı biçimde farklı olan segmentleri belirleyerek başlar; ardından tüm site genelinde geniş bir kişiselleştirme girişiminde bulunmak yerine, yüksek güvenilirlikli az sayıda kişiselleştirme kuralı tasarlayıp test eder ve programı genişletmeden önce her kuralın artımlı etkisini doğrular.
Temsil edici bir örnek, çok farklı davranan belirgin yeni ve geri dönen ziyaretçi segmentlerine sahip bir çevrimiçi perakendecidir. Yeni ziyaretçilerin genellikle geniş kategori navigasyonuna ve güven oluşturan içeriğe ihtiyacı vardır; geri dönen ziyaretçiler ise, özellikle daha önce belirli ürünlere göz atmış olanlar, genel promosyon bannerları yerine yakın zamanda görüntülenen ürünleri veya ilgili önerileri öne çıkaran bir ana sayfaya daha iyi yanıt verme eğilimindedir. Bu tek segment tabanlı kişiselleştirme kuralını, diğer tüm öğeleri sabit tutarak statik bir ana sayfaya karşı test etmek, gerekli veri altyapısı ve kural mantığına yapılan yatırımın, kişiselleştirmeyi coğrafya veya satın alma geçmişi kademesi gibi ek segmentlere genişletmeden önce haklı olup olmadığını doğrulamanın yaygın bir yoludur.
P ile başlayan diğer terimler
P-Değeri (P-Value)PESTEL Analizi (PESTEL Analysis)Tıklama Başına Ödeme (PPC)Ödeme Geçidi (Payment Gateway)Zirve-Son Kuralı (Peak-End Rule)Performans Bütçesi (Performance Budget)Porter'ın Beş Gücü (Porter's Five Forces)Konumlandırma Beyanı (Positioning Statement)Tahmine Dayalı Analitik (Predictive Analytics)Basın Bülteni (Press Release)Ürün Analitiği (Product Analytics)Ürün Detay Sayfası (PDP)
