Personalización de sus servicios del Web site

Share

|

Mientras que la relación cambia del browser ocasional a la perspectiva interesada y entonces al comprador activo, su sitio del Web puede recoger un anfitrión entero de preferencias, de planes, de inclinaciones, y de peccadilloes personales. Usted necesita simplemente pedir. Juntando esa información con datos fuera de línea de exámenes y de bases de datos comerciales, usted ahora tiene una ocasión de construir un retrato completamente observado de cada cliente. ¿Apenas cómo es equilibrado es su retrato?

En el extremo, usted tiene que decidir qué granularity de la identificación le satisfará lo más mejor posible. Está bastantes para saber el siguiente sobre cierto tipo de visitante?:

• Interesado en el producto A

• Trabajos en la industria B

• En una compañía que es el tamaño C

• Se está moviendo con el proceso de la calificación en un índice de D

O, para vender más, más rápido, en un margen más alto, agrega perceptiblemente al fondo si usted también sabe el siguiente sobre ella?:

• Un tipo E (explorador adventurero) de las compras

• Repasa la sección de F con un grado de la frecuencia de G

• Usa los zapatos del tamaño H

¿Después de todo, apenas cómo el objeto de valor es él que usted sabe qué clientes tienen gusto de las lunas verdes de la melcocha en su arroz Chex?

Mientras que la cantidad escarpada de elementos de datos es el factor más significativo de su profundidad personal del perfil que anota, cada elemento se debe cargar según su valor. Un número de identificación del cliente no tiene ningún peso en todos porque uno es indistinguible del siguiente. La información generalmente recogida sobre un cliente (nombre, dirección, número de teléfono) es crítica pero lleva un peso bajo porque no es actionable.

Tipos de información del cliente

La información actionable pertenece a los predilections de un cliente, comprando historia, e intereses declarados. Sea seguro que usted pesa correctamente la información implícita, explícita, y efectiva:

• Implícito: Él miraba esas páginas así que él debe estar interesado en estos artículos.

• Explícito: Él completó un examen y dicho nos lo estaba interesado en estos artículos.

• Hecho: Él miraba esas páginas y compró estos artículos. Los visitantes del sitio del Web le dicen que la información explícita, y usted deriven la información implícita. Por ejemplo, un cliente puede decir que él tiene gusto de biografías de la lectura y que desea Amazon.com a las notificaciones del email sobre figuras famosas en historia europea. Pero si él compra libros acerca de perros, Amazon sabe qué poner encendido su recomendación enumera. Mirar lo hacen qué clientes realmente es el revelar lejano que la lectura qué dicen. Y está revelando de las maneras que no tienen necesariamente sentido.

Suponga que la base de datos demuestra que los visitantes que están haciendo compras para las maquinillas de afeitar eléctricas también están comprando a lectores de cd personales, o que los visitantes que leen las especificaciones detalladas de la explotación minera superficial y del material de construcción están raramente interesados en la información de la garantía extendida. ¿Son éstos que las clases de correlaciones mavens de la comercialización van a venir para arriba con en reuniones de la reunión de reflexión? No. No tienen ningún sentido, sino que son verdades. Tan ahora los mavens de la comercialización tienen un nuevo datapoint a trabajar con, y los sistemas detrás de las escenas tienen la capacidad de actuar en la información en tiempo real.

Además de pesar los elementos de datos basados encendido si están declarados o derivados, su valor debe considerar frescura y resultados. Saber la correlación entre las maquinillas de afeitar eléctricas y los lectores de cd personales es el primer paso, usando que la información es el segundo, y medir los resultados de ese uso es el más importante.

Limpiamiento De los Datos

El vivir hasta la gerencia de la relación del cliente significa asegurarse de que la información usada por los sistemas de comercialización y los representantes/delegados técnico de cliente es fresca, actual, y exacta. Eso significa traer datos juntos de muchos sistemas y ese los medios que calculan fuera de cómo conseguir a todos esos datos para mirar igualmente.

La normalización de los datos se ha aplicado típicamente al formato de la información que se incorpora en un sistema. ¿La inicial media lleva un período? ¿El número de teléfono incluye paréntesis o rociadas? ¿Es el código postal cinco dígitos o nueve? ¿Hay un guión en el centro? Pero adentro actualmente de CRM, el limpiamiento de los datos va lejano más allá de la puntuación.

Asumámosle tienen un sistema de gerencia del contacto de las ventas, un sistema de facturación, y una base de datos del cuidado del cliente en cada uno de cuatro divisiones. Digamos a Juan que Smith le envía un email de < JohnSmith@Yahoo.com >. ¿Qué Juan Smith es éste?

Usted necesitará puntos múltiples de la comparación. < JohnSmith@Yahoo.com > dejaron quizá resbalón que él tenía apuro con su producto mientras que él estaba en California para la primera vez. Usted puede entonces eliminar a todo el Juan Smiths que vivan en California. Él mencionó posiblemente qué producto o servicio el tuyo él utilizaba. Quizás él incluye su número de teléfono en su archivo de la firma del email. Ésa podría ser la pista que usted necesita identificar a este Juan Smith del twentyseven otros en su base de datos.

Focos de limpiamiento de los datos en la verificación y la validación de la información. Si ajustan a formato a todo su Juan Smiths iguales, usted está apagado a un buen comienzo. Si no se ha verificado ningunos de sus expedientes de Juan Smith por más de 6 meses, su valor deteriora. Estoy intentando representar claramente un sistema de los problemas que son ni fáciles ni rápidos de solucionar. ¿Si va a costar tanto y a crear tal dolor, cómo usted va sobre medir el valor de todas estas posibilidades? La pregunta es si el coste de recoger y de procesar la información vale el valor que usted deriva de tener la información, menos el dolor usted causa a sus clientes en su colección.

Cociente De la Personalización

El Dr. Kamran Parsaye, presidente de Intelligence Ware, de Inc. y de autor de las herramientas inteligentes y de los usos ( Juan Wiley y Sons, 1993) de la base de datos escribió un papel blanco llamado "PQ: El cociente de la personalización de un Web site." En el momento que, el papel se puede encontrar en línea (www.kellen.net/ect586/personalization_parsaye.pdf), aunque no puede la compañía Parsaye trabajó en cuando él escribió ella (NovuWeb).

En su papel, Parsaye hizo una tentativa valerosa de crear "un marco y una teoría para medir cómo está personalizado un sistema está en los términos del cociente de la personalización (PQ) e ilustrar cómo la teoría se puede utilizar para mejorar e-servicio." El concepto del cociente de la personalización entonces se utiliza para medir cómo está personalizado un sistema realmente está.

En este papel, el Dr. Parsaye distingue entre un sistema impersonal, que trata cada uno la misma manera, y un sistema completamente personalizado, que ajusta su comportamiento a los usuarios específicos. Un sistema impersonal tiene un PQ de cero, puesto que proporciona la misma respuesta estática a todos los usuarios sin importar sus características.

La personalización viene alrededor como una reacción a la información individual, y el Dr. Parsaye divide la personalización en tres áreas—del arreglo para requisitos particulares, individualización y groupcharacterization. El arreglo para requisitos particulares es el más viejo y ocasionalmente el más fácil tratar. Permite que usted fije las preferencias específicas, e.g., la acción que usted desea seguir, el tipo de noticias usted desea ver, los colores usted desea el sistema en su pantalla, etc. La individualización va más allá de esto ajuste fijado y utiliza patrones de su propio comportamiento (y de no ningún otro usuario) para entregarle el contenido específico . [ por ejemplo, ] si usted ha chascado mucho en artículos financiar-relacionados pero no en deportes, demostrará le noticias más financieras más bien que a noticias de los deportes, sin su pedir ella. En la grupo-caracterizacio'n usted recibe una recomendación basada en las preferencias de la gente "como" usted, e.g., los libros se pueden recomendar a usted basaron en los libros pedidos por la gente con intereses similares. Acercamientos basados en la filtración de colaboración, el razonamiento caso-basado, el etc. foco en la medida de la grupo-caracterizacio'n.

• PQ: El cociente de la personalización toma los tres de estas ediciones en cuenta.

Tiene tres componentes específicos, PQ1, PQ2 y PQ3, donde:

PQ1 mide la capacidad del sistema de modificar artículos para requisitos particulares.

PQ2 mide la capacidad del sistema de utilizar preferencias individuales.

PQ3 mide la capacidad del sistema de ocuparse de preferencias grupo-basadas.

Entonces medimos PQ como el promedio de estos dos elementos, es decir:

PQ = (PQ1 + PQ2 + PQ3)/3

Aquí cada PQ1, PQ2 y PQ3 serán un número entre 0 y 100. Un sistema con un PQ de 100 se personaliza totalmente, mientras que un sistema con un PQ de cero es totalmente impersonal.

El Dr. Parsaye entonces describe el crear de un último perfil de su visitante del sitio:

Una forma a representar y la semejanza de la medida de usuarios y de clientes está en términos de las secuencias de la DNA o de los vectores de la cualidad.

Una secuencia de la DNA para un usuario del Web es una cadena del sistema de números enteros entre 0 y 9, e.g., la secuencia 1309735183291. Cada número entero aquí demuestra que el valor relativo de un cierto rasgo, e.g., anotando 8 o 9 en el indicador del "sportspage" significa que usted opinión muchas páginas deporte-relacionadas, mientras que un 0 significa que usted nunca ve tales páginas en todos. Semejantemente, otros números enteros en la secuencia pueden decirnos cómo usted visita el sitio y cómo usted chasca a través en la bandera que anuncia—todos en términos relativos. Semejantemente, podemos definir una secuencia de la DNA para una página del Web considerando los componentes que la abarcan. Por ejemplo, el número de banderas y el tipo de banderas.

Él concluye sugiriendo "una dirección interesante para los realces será el de medir el PQ comparativo de dos sistemas."

Él entonces vaga apagado en un mundo tales como donde solamente los matemáticos se atreven a pisar deslizándose en algunos fórmulas serios: PQ3(U, P) de = ä 100/maximum(( U/ ä P), (ä P/ ä U)). ¿Pero cómo factor en el dolor causado al visitante del sitio que es seguido alrededor de la página a la página por una galleta y preguntado una opinión alrededor si la vida de una mujer está satisfecha solamente si ella puede proporcionar un hogar feliz para su familia? Aquí es adonde viene el índice de la personalización adentro.

Índice De la Personalización

El universo de los elementos del perfil es virtualmente ilimitado, cubriendo artículos familiares tales como nombre pasado y la dirección comercial, los conceptos técnicos tales como IP address y la conexión apresuran, y las cualidades dominio-especi'ficas del tamaño del poro (para los cosméticos) al perfil del riesgo de la forma de vida (para el seguro). Agregando la información de perfil incremental, los encargados del e-negocio pueden mover perspectivas y a clientes a través de las cuatro etapas de la comprensión del e-cliente, transformando a usuarios anónimos de la categoría 1 en los individuos distintos, del mundo real de la categoría 4.

Recoger la información es una cosa. Usarlo en una manera juiciosa es otro. El índice de la personalización (pi) le distingue apenas cómo esta' bien usted está utilizando los datos está recolectando. El índice es una medida de cómo un e-negocio leveraging con eficacia estos datos del cliente.

Si su pi está arriba 0.75, después usted está haciendo el la mayoría de la información que usted está recogiendo. Eso significa que sus esfuerzos no están perdidos, ni son los de sus clientes que estén proporcionando la materia prima.

El preceder asume que usted está utilizando un número significativo de elementos para hacer una experiencia personalizada del Web. Si usted está recogiendo solamente dos elementos y los está utilizando ambos, su cuenta del pi puede ser 1.00, pero aquí significa que usted va solamente en cuanto la segmentación de mercado más bien que la personalización—usted están agrupando solamente a sus perspectivas y clientes en amplias categorías. Mientras que son útiles, las amplias categorías no son tan de gran alcance como la personalización verdadera basada en docenas de cualidades.

Cuando usted recoge más y más elementos, usted puede clasificar usuarios en más y más racimos, y amplios movimientos de la segmentación hacia la personalización. Aquí es donde usted comienza a fomentar una relación del cliente y a darle vuelta en una relación de la lealtad, perceptiblemente levantando el coste para su cliente al interruptor a otro vendedor.

Si su pi es menos de 0.30, entonces usted está recogiendo más información que usted está utilizando. Las buenas noticias son que usted tiene un depósito sin aprovechar enorme de datos actionable sobre sus clientes. Las malas noticias son que los datos son barbecho de mentira y probablemente conseguir rápido añejo. Usted necesita comenzar a usar los datos que usted tiene más con eficacia o que reduce en cuánto datos explícitos usted está intentando recoger. Muy probablemente, respuesta correcta es ambas. Usted está haciendo girar sus ruedas que recoge esa información, pero usted no la está utilizando para beneficiar a sus clientes, que afecta al contrario la experiencia de sus clientes.

Ésa es la desventaja más grande a un cociente bajo de la personalización. Todo ese vez y esfuerzo que usted fuerza a sus clientes invertir en darle la información es una basura. Él no consigue nada de él. Incluso cuando el proceso es simple, por ejemplo la exploración de una cadena dominante F.O.B. en el almacén de la tienda de comestibles, todavía no hay valor verdadero al cliente. ¿Por qué incomodidad? ¿Por qué se están incomodando? A este punto, finalmente hemos atraído, hemos navegado, hemos persuadido, y hemos convertido esa perspectiva desconocida en un cliente conocido. ¿Podemos conseguir a ese cliente volverse?