درک بنیادهای هشدارهای شخصی

شخصی سازی از یک ویژگی خوب به رفتار به یک راننده انتقادی از تعامل کاربر منتقل شده است، به ویژه در سیستم های هشدار طراحی شده برای کمک به مردم برای رسیدن به اهداف خاص خود را. اعلان های Generic اغلب شکست می خورند زیرا آنها فاقد ارتباط با شرایط منحصر به فرد فرد هستند، که منجر به نرخ های اخراج بالا و خستگی کاربر می شود.با تنظیم هشدار به اهداف خاص و ترجیحات، سازمان ها می تواند انگیزه، و پایبندی به طور قابل توجهی استراتژی های اولیه برای ایجاد اطلاعات جامع در حالی که از طریق جزئیات دقیق و جزئیات دقیق از طریق جزئیات دقیق از طریق جزئیات دقیق، در هنگام ایجاد می کند.

درک اهداف فردی و ترجیحات

پایه هر استراتژی شخصی سازی درک عمیق و ظریف از آنچه که هر کاربر را هدایت می کند.اهداف می توانند به دامنه هایی مانند سلامت و تناسب اندام، پس انداز مالی، توسعه حرفه ای، یادگیری مهارت های جدید یا رفاه شخصی تقسیم شوند.در هر دامنه، اهداف در خاص بودن، جدول زمانی و مشکل شامل کانال های ارتباطی (email, SMS, inapp)، زمان بندی واقعیت، و زمان بندی خاص (روزهای شبانه) است.

برای ثبت این اطلاعات، سازمان ها باید ترکیبی از جمع آوری داده های صریح (تحقیق، تنظیمات اولویت) و سیگنال های ضمنی (رفتار کاربر، الگوهای تعامل) را به کار گیرند، به عنوان مثال، یک برنامه تناسب اندام ممکن است از کاربران بپرسد که آیا آنها یادآوری های صبحگاهی یا شب را ترجیح می دهند، در حالی که یک ابزار پس انداز مالی می تواند فرکانس هشدار را از اینکه چگونه کاربران اغلب تعادل خود را بررسی می کنند، مورد بررسی قرار دهد.

همچنین بسیار مهم است که تشخیص دهیم که اهداف و ترجیحات در طول زمان تکامل می یابند. کاربری که در ابتدا یک هدف کاهش وزن را تعیین می کند ممکن است بعدا به ساختمان عضلانی تغییر کند.به طور مشابه، کسی که یک بار ترجیح می دهد هشدار ایمیل ممکن است بعد از تغییر در روال روزانه به SMS واکنش بیشتری پیدا کند، بنابراین سیستم باید برای انطباق از طریق چک کردن دوره ای، تجزیه و تحلیل رفتاری خودکار، یا کشف پیشرفته، “یادگیری سریع کاربر” با استفاده از قطره های شخصی فعلی، تنظیم کند.

استراتژی های شخصی سازی

1- جمع آوری و تجزیه و تحلیل داده های رفتاری و پیش فرض

شخصی سازی موثر با جمع آوری داده های قوی شروع می شود.استفاده از نظرسنجی های ساختاری در طول ورود به هدف های اولیه، کانال های ترجیحی و زمان های بهینه سازی این را با داده های مداوم از تعاملات کاربر آغاز می کند: که هشدارها باز، رد شده یا عمل می شوند؟ کدام نوع پیام ها بیشترین تعامل را دارند؟ تجزیه و تحلیل این سیگنال ها برای شناسایی الگوهای مانند واکنش های زمانی یا تنظیمات محتوا، به طور مداوم با هشدارهای ایمیل تعامل دارند، در حالی که ممکن است از طریق ایمیل های مختصر، به طور دقیق، به آنها کمک کنند.

داده ها باید در یک نمایه کاربر متمرکز ذخیره شوند که به روز رسانی در زمان واقعی. ابزار اهرم مانند پلتفرم های داده مشتری (CDPs) یا پرچم های ویژگی برای مدیریت ترجیحات به طور پویا اولویت دارند: همیشه رضایت صریح برای جمع آوری داده ها و ارائه گزینه های شفاف برای کاربران برای مشاهده و تغییر داده های خود را با استفاده از یک موافقت لایه - که در آن کاربران می توانند به جای دادن اجازه دادن به اطلاعات خاص، داده های خاص را انتخاب کنند و اعتماد به کاهش اعتماد به نفس.com و عدم اطمینان از ریسک.

۲- مخاطبان خود را با نوع هدف و رفتار تقسیم کنید

تقسیم بندی به شما اجازه می دهد پیام های هدفمند را بدون نیاز به تنظیمات کامل فردی ارائه دهید. معیارهای تقسیم بندی مشترک شامل دسته هدف (به عنوان مثال، تناسب اندام در مقابل امور مالی)، مرحله پیشرفت (در مقابل پیشرفته)، سطح تعامل (در مقابل زبان آموزان فعال) و سبک ارتباطی ترجیحی است.

بخش ها باید انعطاف پذیر و به طور خودکار به عنوان تغییر رفتار کاربران به روز شوند. تست A/B در بخش های مختلف می تواند استراتژی های پیام رسانی را اصلاح کند و ترجیحات غیرمنتظره را آشکار کند. یک مطالعه نشان داد که پیام های شخصی شده بر اساس بخش های کاربر، نرخ کلیک را بیش از 30٪ در مقایسه با کمپین های غیر تنظیم شده افزایش می دهد (Marketing Sherpa، با این حال، جلوگیری از ایجاد بسیاری از تجزیه و تحلیل های تجزیه و تحلیل با سیستم بالا، تنها می تواند باعث افزایش تجزیه و تحلیل بیشتر شود.

پیاده سازی الگوریتم های سازگار و یادگیری ماشین

شخصی سازی استاتیک به سرعت به الگوریتم های سازگار تبدیل می شود، به ویژه کسانی که از یادگیری ماشین استفاده می کنند، می توانند به طور مداوم تحویل هشدار را بر اساس بازخورد کاربر در زمان واقعی بهینه سازی کنند، به عنوان مثال، یک مدل یادگیری تقویت کننده می تواند یاد بگیرد که کاربر به طور مشابه با تست زمان های مختلف و تجزیه و تحلیل نرخ باز تعامل کند.اگر یک کاربر به طور مداوم هشدارهای دیر شب را نادیده می گیرد، سیستم انتقال می دهد تا به طور مشابه یک الگوریتم چند سلاح را به طور منظم انتقال دهد.

علاوه بر زمان، ML همچنین می تواند محتوای پردازش زبان طبیعی (NLP) را شخصی سازی کند (NLP) تکنیک های پیام پویا را تولید کند - برخی از کاربران به زبان شاد و جذاب پاسخ می دهند، در حالی که دیگران ترجیح می دهند به روز رسانی های ساده و مبتنی بر داده ها به جای ارسال اطلاعات کافی برای آموزش به طور موثر، به جای ارسال بینش های هشدار دهنده، به جای ارسال MLLT، به عنوان تعاملات کاربر سازگار، به طور پیش فرض یک مدل کسب و مطمئن بودن را مشاهده کنند.

۴- ارائه سفارشی سازی کاربر کنترل شده توسط Granular User-Controlled Customization

حتی پیچیده ترین الگوریتم نمی تواند جایگزین آژانس خود کاربر شود. تنظیماتی را ارائه دهد که به کاربران اجازه می دهد تا تجربه هشدار خود را به درستی تنظیم کنند: انتخاب کنید که کدام نوع اعلان ها دریافت می کنند (به روز رسانی های پیشرفته، یادآوری ها، راهنمایی های آموزشی)، ساعت های آرام تنظیم می کنند، کلاه های روزانه یا هفتگی را تعریف می کنند و کانال های ترجیحی را انتخاب می کنند.این افزایش رضایت و کاهش خستگی اطلاع رسانی را با توجه کاربران محلی که به طور پیش فرض در زمان های تماس با 310 درصد بالاتر را انتخاب می کنند – که میزان تماس را انتخاب می کنند – که میزان تماس را در آنها را در آنها را در آنها افزایش می دهد – که میزان تماس بیشتر است.

سفارشی سازی باید آسان برای دسترسی از داخل برنامه یا داشبورد، با رابط های شهودی مانند لغزنده، عینک و چک لیست باشد. برخی سیستم ها "تنظیم دقیق" را ارائه می دهند که تنظیمات را با یک ضربه واحد تنظیم می کنند، به عنوان مثال، کاربر ممکن است "حالت فوکوس" را تجزیه کند تا هشدارهای غیر فعال را در طول ساعات کار سرکوب کند.

۵- استفاده از محرک های هدف و Cuesual

شخصی سازی فقط در مورد زمانی و چگونگی ارسال هشدار نیست - همچنین در مورد آنچه آنها را تحریک می کند.چ هشدار به طور مستقیم به پیشرفت هدف: ارسال یک اطلاع رسانی هماهنگ زمانی که یک کاربر به یک نقطه عطف می پردازد، یادآوری ملایم هنگامی که آنها در حال سقوط هستند، یا پیشنهاد برای یک چالش جدید پس از دستیابی به یک هدف.

این محرک های آگاه باعث می شود هشدار به موقع و مناسب باشد.تحقیقات نشان می دهد که اعلان های حساس به زمینه به طور قابل توجهی نرخ های تعامل بالاتری دارند (تحقیقات)، با این حال، از شخصی سازی بیش از حد که احساس ناراحتی می کند، اجتناب کنید – به عنوان مثال، استفاده از داده های مکان برای ارسال کوپن در حالی که کاربر در یک فروشگاه ممکن است رضایت داشته باشد، اما در هنگام پیگیری آنها نمی تواند به وضوح توصیه شود.

بهترین روش ها برای هشدار های شخصی موثر

طراحی برای وضوح و اقدام

هر هشدار باید یک هدف روشن و یک تماس واحد برای اقدام (CTA) داشته باشد که آیا "غذای خود را" ، "پیاده روی 5000" یا "بررسی بودجه خود" است ، CTA باید بلافاصله قابل درک باشد.استفاده (FLT:0bold یا متن برجسته برای اقدام کلیدی برای کاهش بارگذاری شناختی.

تعادل و ارزش

هشدار های زیادی منجر به خستگی و افزایش نرخ های خروج از انتخاب می شود.خیلی کم و کاربران ممکن است حرکت خود را از دست بدهند. پیدا کردن نقطه شیرین با شروع محافظه کار و اجازه دادن به کاربران افزایش فرکانس در صورت تمایل. مانیتور معیارهای تعامل مانند نرخ باز و نرخ تبدیل برای تنظیم حالت پویا.یک قاعده خوب از شست: هر هشدار باید ارزش - یا یک پاداش، یک nudge، یا یک بینش جدید در نظر گرفتن یک گزینه "اطلاعات کمتر" برای یک پیام ساده.

آزمون و تکرار مستمر

شخصی سازی یک فرایند تنظیم و فراموش نشدنی نیست. Run A/B تست ها بر روی محتوای پیام، زمان، کانال و فرکانس است.استفاده از تجزیه و تحلیل گروه برای مقایسه حفظ و دستیابی به هدف بین گروه های شخصی و غیر شخصی سازی شده است. آن را بر اساس داده های کمی و بازخورد کیفی از مصاحبه های کاربر و یا نظرسنجی ها تنظیم می کند.

احترام به حریم خصوصی و ساخت اعتماد

شیوه های داده شفاف ضروری است.به وضوح توضیح دهید که چه داده هایی جمع آوری شده است، چگونه برای شخصی سازی هشدار ها استفاده می شود و چه کنترل کاربران دارند.ارائه گزینه های آسان انتخاب و درخواست های افتخار برای حذف داده ها، هنگامی که کاربران احساس می کنند اطلاعات خود را مسئولانه اداره می کنند، آنها بیشتر احتمال دارد با هشدارهای شخصی شده تعامل کنند. انطباق با مقررات مانند GDPR و CCPA غیر قابل مذاکره است، ارائه یک داشبورد حریم خصوصی دقیقا می تواند اطلاعات را ببیند - این که چه چیزی می تواند برای شفافیت استفاده شود و چه چیزی که می تواند استفاده شود.

غلبه بر چالش های اجرایی

کیفیت داده ها و ادغام

شخصی سازی بر داده های تمیز و دقیق متکی است.منابع داده های غیر متمرکز، زمینه های از دست رفته یا ترجیحات منسوخ شده می توانند سیستم را از بین ببرند. اطمینان حاصل کنید که خط لوله های یکپارچه سازی داده قوی و حسابرسی منظم داده ها، از ردیابی رویداد برای به روز رسانی های زمان واقعی و ایجاد سیاست های مدیریت داده برای حفظ کیفیت استفاده می کنند.

اجتناب از عامل “Toopy”

بیش از شخصی سازی می تواند کاربران را به احساس سورلd. ⁇ جلب تعادل مناسب نیاز به تست آستانه کاربر داشته باشد، به عنوان مثال، ارجاع تاریخ خرید خاص کاربر ممکن است در یک زمینه خرده فروشی خوش آمدید، اما برای یک برنامه بهداشتی نامناسب است.استفاده از (FLT:0opt-inity) [F1] بنابراین کاربران انتخاب می کنند که چگونه کاربر را به یک منطقه شخصی سازی (همیشه) ارائه دهند (همیشه از طریق تنظیمات ساده) استفاده می کنند.

مقیاس پذیری موتورهای شخصی سازی

به عنوان پایگاه های کاربر رشد می کند، منطق شخصی سازی باید بدون درجه بندی عملکرد، میکروسرویس های مبتنی بر ابر و معماری های بدون سرور می توانند تقسیم بندی پویا و زمان واقعی ML را مدیریت کنند، با استفاده از خدمات شخصی سازی مدیریت شده مانند AWS Personalize یا Google توصیه پروفایل های Google برای کاهش سربار توسعه، با این حال، توجه به تاخیر: اگر هشدار حساس به زمان هستند، اطمینان حاصل کنید که تصمیمات شخصی سازی اغلب در بخش های سرعت رایج و جلوگیری از استفاده می شود.

اندازه گیری موفقیت استراتژی های هشدار شخصی

شاخص های عملکرد کلیدی (KPIs) را تعریف کنید که با دستیابی به اهداف مطابقت دارند:

  • نرخ تکمیل: درصد از کاربران که در یک چارچوب زمانی به یک هدف مشخص می رسند.
  • نرخ بهره: باز، کلیک، یا تبدیل در هر نوع هشدار.
  • [در این باره] نرخ خستگی را کاهش می دهد؛ [[۱] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱۰] [۹] [۱] [۱] [۱] [۱] [۹] [۱] [۹] [۹] [۹] [۹] [۱] [۱] [۱] [۹] [۱] [۱] [۱] [۱] [۱] [۹] [۹] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۹] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱۰] [۱] [۹] [۹] [۱] [۱] [۱] [۱] [۹] [۹] [۱۰] [۹] [۹] [۹] [۹] [۹] [۱] [۹] [۹]
  • [در این باره] [و] امتیاز رضایت کاربران: از نظرسنجی های درون برنامه (به عنوان مثال، "چه کمکی به هشدار امروز بود؟"
  • نرخ برگشت: درصد از کاربران هنوز هم پس از 30، 60، 90 روز فعال هستند.

استفاده از تجزیه و تحلیل گروهی برای مقایسه گروه های شخصی سازی شخصی سازی شده در مقابل.یک استراتژی شخصی سازی به خوبی اجرا شده باید پیشرفت های آماری قابل توجهی در سراسر این KPI ها نشان دهد، به عنوان مثال، یک مطالعه توسط Accenture نشان داد که 91 درصد از مصرف کنندگان به احتمال زیاد با مارک هایی که پیشنهادات و توصیه های مربوطه را ارائه می دهند ([F:0Accent Interactive[F] نشان می دهد که استراتژی سلامت روزانه آنها را تنظیم کرده است و هشدار های شخصی سازی شده است.

روندهای آینده در هشدار شخصی سازی

فن آوری های نوظهور بیشتر شخصی سازی را افزایش می دهند.هوش آگاه که با دستگاه های پوشیدنی و سیستم های هوشمند خانه ادغام می شود می تواند هشدارها را هنگامی که کاربران بیشتر پذیرای هستند - به عنوان مثال، یک لرزش ملایم در یک ساعت هوشمند در طول یک وقفه جلسه، رابط های هشدار رایگان را فعال می کند، اجازه می دهد کاربران برای پاسخ دادن یا رد تجزیه و تحلیل کلامی پیش بینی می کند که کاربر نیاز به آن دارد، هیچ گونه فعالیت هشدار دهنده ای را به عنوان یک کاربر ایجاد کند که به عنوان یک از آن استفاده از آن استفاده می کند؛ به عنوان یک از وقفه های هشدار دهنده اطلاعات کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک سازمان های هشدار دهنده بازخورد کاربر، به عنوان یک روند پیام رسانی بیشتر از طریق جزئیات بیشتر از طریق تجزیه و تحلیل های هشدار دهنده بازخورد کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، ادامه دادن به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، به عنوان یک کاربر، ادامه دادن به عنوان یک کاربر، به عنوان یک روند پیام رسانی های هشدار کاربر، به عنوان یک کاربر

نتیجه گیری

شخصی سازی هشدارها بر اساس اهداف فردی و ترجیحات، اعلان های روتین را به ابزارهای انگیزشی قدرتمند تبدیل می کند.با جمع آوری و تجزیه و تحلیل داده ها، مخاطبان بخش بندی، استقرار الگوریتم های سازگار، ارائه سفارشی سازی کاربر و استفاده از محرک های متنی، سازمان ها می توانند سیستم های هشدار دهنده ای را ایجاد کنند که به طور فزاینده ای از هر کاربر پشتیبانی می کنند و اجرای این استراتژی ها نیازمند توجه به کیفیت داده ها، حریم خصوصی و مقیاس پذیری، اما قابلیت توجه دقیق است - اهداف کلیدی را افزایش می دهد، و دستیابی به طور فزاینده ای که به هدف های کلیدی را افزایش می دهد، و حفظ می دهد، به عنوان یک هدف کاربر را به عنوان یک هدف اختصاص می دهد.