淮海锐思危机公关手册：常见的个性化误解
大多数营销人员相信个性化的好处。他们同意他们的客户期望个性化，并且如果他们提供更多相关的体验，那么他们将增加他们的底线。
然而，与我交谈的许多人仍在为他们的潜在客户和客户提供静态体验。当我问为什么时，我收到的最常见的答复是：（i）他们的大部分流量都是匿名的，因此个性化将不会有效；（ii）他们没有必要的资源用于个性化。这些原因可能在过去是正确的，但在机器学习时代已不再成立。
在此博客文章中，我将解释如何使用您了解的每个网站访问者的所有信息，即使他们是首次访问者和/或匿名访问者，也可以以最有效的方式自动选择最佳体验。
没有“零数据”人员
当匿名的首次访问者登陆您的网站时，欢迎体验可以而且应该比默认体验更相关和有效。
即使您不知道某个人的身份，也可以找到很多有关该人的信息。以下是一些上下文数据点，这些数据点可以在一个人到达您的站点后立即被识别：
- 浏览器，设备类型和操作系统
- 获取源和引荐域
- 地理位置（国家，城市，州）
- 该地点的天气
- 在那个位置的时间
- 一周中的天
- （可选）DMP可以提供的第三方数据，例如人口统计数据，公司统计数据，有购买意向的购物行为，派生的相似度/兴趣等
这对您进行实时决策（一个人到达您的站点的第二秒）是否有用，是否有用凉鞋或雨具，度假或商务旅行，信用卡或汽车保险有用吗？
这就是您可以立即捕获的数据。当您的访客开始浏览时，就会以人为单位实时捕获，存储和分析更多信息。该数据包括以下内容：
- 浏览产品/页面/内容
- 参与或忽略的促销
- 区隔成员资格
- 对您的业务环境的亲和力（例如产品类别，博客主题等）
- 浏览类别，品牌，颜色，样式，主题等所花费的活动时间。
- 预测分数
这种类型的浏览数据功能强大，并且应该考虑到人们将来应该在您的网站上看到的各种产品，首页消息，图像或内容。
您网站上的每一处房地产都有机会吸引客户-帮助他们在众多选择中找到他们真正想要的东西，或者发现新的和相关的产品……而一个人仍然对您不知情。
因此，即使您的大部分访问量都是匿名的，您仍然可以了解和使用每个访问者太多的内容。如果此上下文和浏览行为用于帮助增强您的欢迎体验（以及随着您学到的知识而不断增加的体验），那么它将带来更好的客户体验和更好的结果。
为了优化此数据的有效性，您需要有一个系统，该系统使您能够不断进行大规模决策并不断学习和优化。
是时候改变对所需工作的思考了
公司仍然不进行个性化设置的另一个常见原因是，他们认为他们没有必要的资源专门用于个性化设置，即使他们相信这种想法。
他们之所以会这样，是因为当许多营销人员考虑将访问者数据用于个性化时，他们只考虑基于规则的个性化。通过这种个性化设置，营销人员可以手动选择一种体验，以提供给特定的访问者群体（例如，向人们展示纽约市的城市图像或城市产品趋势）。这无疑是建立相关性的一种宝贵方法。这是使您的脚趾融入个性化的一种好方法-选择一些预定义的片段来进行交谈。但是，当您尝试扩展规模以使其与每个人都息息相关时，使用基于规则的方法就需要克服一些挑战。
首先，营销人员需要手动创建许多细分，以及与这些细分相对应的体验。此过程占用大量专用资源，并且如果要扩展到几个核心细分之外，可能会造成混乱和难以管理。
第二，仍然涉及大量的猜测。您如何知道制定哪些规则？您是否在最有效地利用所有可用数据？您定位到哪些细分受众群？您如何知道您花时间积累的经验实际上为该细分市场中的每个人带来了最佳体验？
基于规则的方法很有用，但是如果您投资仅提供此功能或仅使用此功能的解决方案，则无法最大化长期投资回报，因为您无法实现提供独特体验的梦想针对每个人进行了优化。
现在是时候让您的思维从依赖预设规则转变为开始使用机器学习模型了。这是唯一的扩展方式。
将所有内容与机器学习结合在一起
如上所述，即使您的大多数网站流量都是匿名的，您仍然对它们了解很多。您当然可以利用规则和细分来对这些数据进行操作，从而为匿名访问者提供更相关的体验。但是机器学习可以使过程更加有效。
想象一下，主页英雄横幅有十种变体（各种图像，促销内容，产品促销等）。如果要使用手动细分来利用每个细分，则必须定义十个或更多细分，并将每个细分与您认为与每个细分最相关的匹配。
相反，如果让算法来为您做出决定，那么您要做的就是设计体验，并允许算法根据所有可用数据（即使是初次访问者），为每个人确定最适合的人。
总结
个性化不必太难。您想利用所有可用数据，甚至是匿名访问者，也要转向机器学习驱动的决策。它将节省您的时间和资源，消除猜测，帮助您发掘见解并在任务中释放新的机会，以一对一的方式提供相关的体验，同时促进更多的参与和转换。
