Mergulho profundo no que faz um mecanismo de personalização funcionar para o usuário final e impacto de tendências, lógica de negócios & experimentação

Após a parte 1, vamos olhar para uma personalização tanto da perspectiva lógica & business e adicionar um sabor de experimentação dentro do contexto de Link Dedicado.

Recapitular

No artigo anterior, discutimos como a afinidade e o contexto são usados ​​para adaptar o conteúdo com o qual você, como usuário, se envolve … A afinidade determina sua preferência geral enquanto o contexto determina suas preferências atuais (ou de curto prazo). Você pode ler mais sobre aqueles aqui:

Mudança de exemplo

Neste artigo, mudaremos da personalização média para o exemplo de personalização de alimentos, pois é mais rico em fatores que podemos explorar. Esse mesmo exercício pode ser repetido para personalização média, mas é necessário para a imaginação do leitor. 🙂

Para preparar o palco, vamos supor que, para a Affinity, só estamos preocupados com sua afinidade com a cozinha de um restaurante (categoria). E para o contexto, consideraremos apenas o tempo e a localização da entrega (suas necessidades alimentares diferem se você estiver no escritório, à tarde versus quando você estiver em casa à noite).

E por questão de simplicidade, vamos considerar que você está procurando sugestões de restaurante na tela inicial do aplicativo de comida – tirando a dependência do nível do canal. Então, para contextualizar o acima, agora teremos uma matriz que será usada para classificar entre os 5 restaurantes disponíveis:

Link Dedicado

Tendências

Com tendências, tentamos responder – O que é popular agora que é relevante para mim? para o cliente.

Na busca desta resposta, é fácil se perder. Cada tendência pode ter um impacto no comportamento do usuário de forma diferente. Por exemplo, para um aplicativo de pedidos de comida, uma tendência externa de “chá de bolha” pode pressionar os usuários a comprar isso, e assim recomendar que seria uma ótima maneira de obter engajamento.

No entanto, se você adicionar sua afinidade a certas tendências (sensibilidade à tendência) como uma divisão em sua matriz de personalização geral, você verá que é mais fácil calcular sua preferência. Ou seja, se você é mais propenso a ser influenciado por tendências no gerenciamento de produtos (historicamente, você se engajou mais com um artigo de tendência na gestão de produtos, como exemplo) sua sensibilidade de tendência é maior do que dizer, Marketing. Observe que, a sensibilidade da tendência está em um nível de categoria, enquanto a tendência está em um nível de artigo – a sensibilidade que significa que se você tem alta para as tendências de Gerenciamento de Produtos, mas o artigo que estou escrevendo não é tendência , você pode não ser discriminar o artigo.

Exemplo

Tomando nosso exemplo de pedido de comida, sua sensibilidade de tendência de tendência e a pontuação atual do restaurante (que é essencialmente popular nos últimos, digamos, 30 dias) será:

Algo interessante aconteceu aqui – o pedido sem Tendências mostra que os restaurantes de culinária americana foram a escolha óbvia, mas porque sabemos que sua sensibilidade para os restaurantes indianos em tendência é alta, faz sentido que você veja restaurantes indianos.

Isso pode parecer contra-intuitivo – e até certo ponto é … e o principal culpado aqui é uma maneira como consideramos o impacto das avaliações na pontuação … em vez disso, se tivéssemos considerado que a pontuação normalizada base dez) só aumenta a ordem final, o quadro seria diferente:

Agora, você pode ver o badalado restaurante indiano A, seguido pelo restaurante de culinária americana C, seguido pelo Restaurante D. Aqui, nós somos capazes de explicar o seu contexto e a sensibilidade da tendência.

Isso mostra que as interações entre esses vários conceitos importantes e, sempre que possível, essas interações (ou funções / pesos) são ajustadas manualmente para conforme desejadas.

Lógica empresarial

Com a Business Logic, tentamos responder – O que é importante para o negócio? para o cliente. Isso pode parecer estranho – como o cliente é trazido para o ângulo de negócios? Deixe-me explicar.

À medida que seu negócio amadurece, pode chegar um momento em que ele queira se concentrar no valor derivado de cada cliente e buscar respostas para a pergunta perene – Como o negócio pode obter mais valor do cliente?

A forma como você aborda a resposta para a pergunta acima afetará drasticamente a experiência do cliente e sua abordagem à personalização. Uma miríade de fatores pode ser levada em conta quando consideramos a Lógica empresarial … vamos considerar dois, no contexto do exemplo:

Exemplo lógica de negócios: valor do restaurante

Cada restaurante no ramo alimentício traz diferentes níveis de valor para o negócio de aplicativos de pedidos de comida. Alguns resultados têm comissões mais altas, enquanto outros criam oportunidades de ordem repetida a um valor de cesta menor. Alguns outros tendem a trazer mais despesas em termos de suporte ao call center. Tudo isso pode ser resumido como uma pontuação de valor único, mas eu aconselharia quebrá-lo e manter uma tabela separada separada KPIs individuais por um restaurante.

Tudo isso pode ser usado para identificar os mecanismos de pontuação para a ordem final dos restaurantes especificados. Considere o restaurante de menor classificação – se eles são mais rentáveis (ou gerar mais valor) para o negócio, faria sentido elevar o restaurante no ranking. Esta é uma espécie de empurrão para fazer você, como consumidor, explorar esse restaurante e eventualmente pedir.

Link Dedicado

Outro método que é comumente perseguido é a priorização paga (algo como anúncio de pesquisa do Google, mas mais sutil). Se o aplicativo de pedidos de comida permite que os restaurantes paguem seu caminho (em caso de, digamos, um novo lançamento), faz sentido empurrar isso para o topo da ordem, desde que faça sentido de uma perspectiva de afinidade. O que significa que um restaurante sushi recém-lançado não deve figurar nas principais recomendações para você como usuário quando você tem uma pontuação de baixa afinidade para cozinhas sushi-esque.

Experimentação

Com a experimentação, tentamos responder – Como você pode melhorar minha experiência?

Vamos encarar – você, como usuário, está ok para trocar um pequeno soluço em sua recomendação (como ver um restaurante sushi), só para que o aplicativo saiba nunca mais te mostrar isso … tudo na esperança de que amanhã eles podem mostrar- lhe um incrível novo restaurante cuja comida vaiir você fora de seus pés. Na busca de uma melhor experiência, uma experimentação completa uma resposta crítica – de que está tudo bem para os clientes enfrentarem um pequeno soluço – um soluço que não acontecerá novamente e ajudará a dar aos usuários uma melhor experiência.

Imagine que você tinha uma opção de ajustar a ordem acima e empurrar uma cozinha completamente diferente que o usuário não tinha ideia sobre … e realmente funcionou! Esse usuário agora ama essa culinária e agora está procurando por mais restaurantes desse tipo! Agora, imagine tentar fazer isso para cada usuário em seu site, para cada exibição na tela inicial. Impossível, não é?

É aí que as máquinas entram … você pode programar uma máquina para introduzir essas variações para um pequeno segmento de usuários (ou para todos os usuários em vários momentos) para ver seus comportamentos. A máquina pode aprender com essas coisas e criar regras para si mesma – uma delas pode ser que você não deve ser um restaurante sushi porque você viu e nunca pediu dele. Outra poderia ser, mostrar cozinhas italianas apenas quando você está em casa procurando opções de almoço.

Tudo isso não pode ser jogado em uma matriz – pois é uma visão muito simplificada. As máquinas podem ser treinadas para criar oportunidades de experimentação e aprender com elas, melhorando seu aprendizado sobre o usuário, um experimento de cada vez.

E isso está acontecendo em todas as grandes associações (o Google publicou um artigo sobre experimentação em 2010; imagine quantos anos antes disso eles definem. Há equipes montadas em todo o quadro que tentam construir máquinas que tentam empurrá-lo de várias maneiras lucrativas para os Negócios. Tudo a serviço de uma melhor experiência, levando a mais engajamento, levando a lucros.