Unsere Reise zur Hyperpersonalisierung
Paul Gwynn, CTO, FanFinder berät, wie Hyperpersonalisierung erreicht werden kann.
Hyperpersonalisierung ist einer der wichtigsten Treiber hinter der Entwicklung unserer neuen Plattform. Wieso den? Denn Marken, die an jedem Berührungspunkt mit Verbrauchern zielgerichtete, relevante und ansprechende Erlebnisse schaffen, revolutionieren das Marketing.
Im Zentrum dieser Verschiebung stehen Daten. Daten, mit denen Sie an jedem Interaktionspunkt besser verstehen können, wer Ihre Kunden sind. Was sind ihre einzigartigen Interessen? Welche Vorlieben haben sie? Was definiert sie und die Inhalte, mit denen sie sich beschäftigen? Sobald Sie Antworten auf diese Fragen haben, ist es möglich, die Intelligenz aufzubauen, um Erfahrungen zu personalisieren.
Bei richtiger Ausführung besteht die Möglichkeit, diese verbesserten Erfahrungen für Ihre Benutzer mit effektiverem Marketing in Einklang zu bringen. Dies ist jedoch ein komplexes und technisches Unterfangen.
Trainiere deine KI
At FanFinder, haben wir das Glück, Zugriff auf viele historische Daten von Benutzern zu haben, die im Elternbereich unterschiedliche Altersgruppen, unterschiedliche Stadien ihrer Schwangerschaft oder unterschiedliche geografische Standorte umfassen können. Durch die Verwendung dieser verschiedenen Datenpunkte um unsere Benutzer herum können wir eine programmieren AI Algorithmus, um beispielsweise unseren Mitgliedern Angebote und Inhalte anzuzeigen, die für ihre aktuelle Schwangerschaftsphase oder ihren Wohnort relevant sind.
Während wir das KI-Modell trainieren, zielen wir darauf ab, Ursache und Wirkung jedes einzelnen Datenpunkts richtig zu gewichten; und vielleicht genauso wichtig ist es, beim Engineering unserer Datensätze in das KI-Modell sicherzustellen, dass wir weder absichtlich noch aus Versehen irgendwelche Vorurteile einbeziehen.
Nuancen finden
Anhand der von Ihnen bereitgestellten Daten wählt der Algorithmus die beste Übereinstimmung aus. Nehmen wir als Beispiel Angebote aus dem Bereich Eltern, alle könnten bis zu fünf Kategorien haben, die von Neugeborenen, 3-6 Monate bis hin zum Kleinkind reichen. Alternativ könnte es Themenkategorien wie Autositze, Kinderwagen, Reisen, Ernährung etc. geben.
Indem wir bestimmte Attribute auf das einzelne Angebot anwenden, das wir haben, und historisch sehen, welche Personen in den oben ausgewählten Kategorien ausgewählt wurden, können wir diese Tags zu allen neuen Angeboten auf der Plattform hinzufügen, und die KI wird die Relevanz anhand der demografischen Merkmale der Personen einstufen.
Warum KI verwenden? Sie könnten dies selbst über einen Algorithmus tun, aber das Tolle an KI ist, dass sie mit vielen Variablen umgehen, die Nuancen in diesen Datensätzen erkennen und entsprechend reagieren kann. Das Modell sollte in der Lage sein, alle Datenpunkte zu berücksichtigen und die Permutationen schnell zu analysieren, um das beste Ergebnis auszuwählen.
Realistischerweise kann alles, was über einen winzigen Satz von Datenpunkten hinausgeht, und der menschliche Verstand kann die Anzahl der Permutationen weder in Bezug auf Effizienz noch auf Genauigkeit handhaben.
Den Algorithmus füttern
Es ist wichtig, dass Ihr Data Engineering korrekt ist. Was ich damit meine ist, wenn Sie ein Rohdatum haben, zum Beispiel: Fälligkeitsdatum des Babys, ist diese Information für die KI bedeutungslos.
Sie können es jedoch so konstruieren, dass Sie bei der Angabe dieses Datums das Alter des Babys in Monaten klassifizieren, was zwischen -9 und 24 Monaten liegen kann. Jetzt kann die KI die Informationen effizient und richtig interpretieren. Es geht darum, die Daten, die Sie dem Trainingsalgorithmus zuführen, richtig zu formen.
Während des Trainings können Ihnen die Ausgaben auch ein Gefühl dafür geben, wie gut Muster in Ihren Daten erkannt wurden, die in einem Bereich von 0 bis 1 liegen können.
0 würde es sagen: „Sie haben mir eine Million Datensätze zum Verarbeiten gegeben, aber ich will verdammt sein, wenn ich irgendwelche erkennbaren Muster finden kann.“ 1 hingegen ist das Modell, das sagt, es habe ein konkretes Muster gefunden.
Was Sie erreichen möchten, ist, Ihr Modell in die hohen 0.9er-Bereiche zu bringen, wo es die Datenmuster identifizieren kann, die Ihre Benutzer massenhaft erstellen, was für Menschen im Allgemeinen unsichtbar wäre.
Das richtige Niveau
Obwohl es nichts Unethisches ist, Ihren Benutzern relevantere Inhalte zu zeigen, sollten Sie diese Bedenken beim Erstellen dennoch im Hinterkopf behalten.
Die Verwendung eines KI-Algorithmus zum Blockieren oder Sperren eines Benutzers von einer Website ist ein Beispiel für eine Entscheidung, die letztendlich zuerst von einem Menschen getroffen werden soll.
Es gibt keinen Grund, warum Sie KI nicht verwenden könnten, um Personen hervorzuheben, aber wir haben ausdrücklich entschieden, dass Aktionen, die jemandem bei der Verwendung einer Anwendung Einschränkungen auferlegen, niemals ohne menschliche Aufsicht durchgeführt werden sollten.
Die Erwartungen der Verbraucher an die Personalisierung steigen und diese müssen weiterhin die von uns entwickelte Technologie beeinflussen und das perfekte Niveau finden, damit sie gedeihen kann.
Die Art der Personalisierung, die wir für unsere Plattform anstreben, ist subtil, aber effektiv bis zu dem Punkt, an dem unsere Benutzer nicht unbedingt bemerken, wann es passiert – es muss nicht in Ihrem Gesicht sein, und wir wollen definitiv nicht, dass es Benutzer macht unbequem.
WEITERLESEN:
- Datenschutz versus Personalisierung: ein Balanceakt
- Wie Technologie Verbrauchern und Unternehmen helfen kann, personenbezogene Daten online zu verwalten
- 5 effektive Möglichkeiten zum Schutz personenbezogener Daten
- Experimentieren plus Personalisierung: die magische Gleichung für die Transformation von Geschäftsergebnissen
Wir wollen intelligente Wege finden, um Benutzern zur richtigen Zeit zu zeigen, was am interessantesten ist, Empfehlungen zu geben und vor allem Software zu entwickeln, die ihre Erfahrung verbessert.
Weitere Neuigkeiten von Top-Business-Tech, vergessen Sie nicht, unser tägliches Bulletin zu abonnieren!
Folge uns auf LinkedIn und Twitter
