Sådan personliggør AI kunderejsen inden for e-handel

AI personaliserer kunderejsen ved at analysere data om individuel adfærd for at levere specifikke produktanbefalinger, dynamisk prissætning og rettidige beskeder i realtid. Brede demografiske segmenter fungerer ikke længere, fordi de behandler vidt forskellige købere som identiske målgrupper. Vi erstatter disse statiske grupper med prædiktive modeller, der tilpasser købsrejsen for hver enkelt bruger.

Hvis du driver en webshop, går du glip af omsætning, hvis du behandler alle kvindelige købere mellem 25 og 35 år som én samlet persona. Kunstig intelligens løser dette ved at flytte fokus fra brede segmenter til individuelle adfærdsmønstre.

Skiftet fra segmenter til individer

Traditionel markedsføring bygger på statiske regler. Du inddeler købere efter alder, geografi eller tidligere køb og sender dem de samme kampagner. Kunstig intelligens bryder med denne model ved at forudsige, hvad den enkelte bruger ønsker, før de overhovedet beder om det.

"Virksomheder, der mestrer personalisering, genererer 40 procent mere omsætning fra disse aktiviteter end gennemsnittet." — McKinsey & Company, 2021

Vi håndterer marketingindsatsen for vækstende webshops over hele Danmark, og det gennemgående mønster er tydeligt. Når webshops stopper med at opbygge manuelle regler og i stedet lader machine learning-algoritmer styre rækkefølgen af beskeder, stiger konverteringsraten.

Prædiktiv AI analyserer klikmønstre, besøgstid og søgehistorik for at tilpasse weblayouts og e-mail-sekvenser til den enkelte besøgende.

Du behøver ikke gætte på, om en bestemt køber vil have en rabatkode eller fri fragt. Algoritmen tester begge muligheder på samme tid på tværs af tusindvis af sessioner og leverer præcis det incitament, der får den enkelte bruger til at gennemføre købet.

Løsningen på "cold start"-problemet

Forhandlere spørger ofte, hvordan personalisering fungerer for førstegangsbesøgende, der hverken har en konto eller købshistorik. Inden for data science er dette kendt som "cold start"-problemet.

Machine learning løser dette ved at tage udgangspunkt i den umiddelbare sessionskontekst frem for historiske data. Når en ny bruger lander på din side i januar 2024, evaluerer AI'en deres henvisnings-URL, enhedstype, lokation og tidspunktet på dagen.

Hvis en besøgende ankommer fra en eksklusiv boligblog på en mobiltelefon kl. 22:00, matcher systemet dem straks med tidligere købere, der delte præcis disse egenskaber. Derefter viser det de produkter, som disse lignende købere endte med at købe. Efterhånden som den nye bruger klikker sig rundt på siden, justerer algoritmen anbefalingerne ved hver eneste sidevisning.

3 faser i en AI-drevet købsrejse

Hvordan ser det ud i praksis? Machine learning-modellerne opererer på tværs af tre specifikke faser i transaktionen.

1. Opdagelse og søgeoptimering sker i det øjeblik, en besøgende lander på siden. Algoritmen omorganiserer kategorisider baseret på brugerens aktive session. Hvis en besøgende klikker på to high-end espressomaskiner, skjuler siden straks indstigningsmodellerne og skubber premium-tilbehør helt til tops i oversigten.
2. Dynamisk "tabt kurv"-gendannelse erstatter de klassiske automatiserede e-mails. Standardsekvenser for forladte indkøbskurve udløses ofte efter præcis 24 timer. AI-modeller beregner i stedet den præcise time, hvor en specifik bruger har størst sandsynlighed for at åbne en e-mail, og justerer forsinkelsen fra 45 minutter og helt op til tre dage afhængigt af deres historiske interaktionsmønstre.
3. Prædiktiv genopfyldning forudsiger, hvornår en kunde løber tør for et produkt. For forbrugsvarer beregner algoritmer de individuelle forbrugsrater frem for at læne sig op ad standardiserede 30-dages abonnementscyklusser. Hvis en bruger køber kaffebønner hver 22. dag, lander påmindelsen på dag 20.

Dette fjerner alt gætværk, når det kommer til timing af kampagner.

Datakrav til ægte personalisering

Algoritmer kræver rene data for at kunne levere præcise anbefalinger. Du kan ikke personalisere en checkout-oplevelse, hvis din e-mailplatform og din webanalyse fungerer i adskilte siloer.

For at forstå, hvordan vi strukturerer denne dataindsamling på tværs af forskellige platforme, kan du læse om, hvordan vores eksterne in-house team arbejder, når de auditerer digitale setups.

Vores erfaring med at auditere digitale setups for detailhandlen viser, at webshops, der samler deres analyse- og CRM-data, inden de implementerer prædiktive algoritmer, oplever en 15 til 20 procent højere basiskonverteringsrate på deres produktsider. Rene data gør det muligt for maskinen at drage præcise konklusioner om køberens intention. Dårlige data fører til irrelevante produktforslag, hvilket aktivt skader brugeroplevelsen.

---

Hvorfor regelbaseret automatisering fejler i stor skala

Mange virksomheder forveksler basal automatisering med kunstig intelligens. At opsætte et workflow, der sender en velkomstmail umiddelbart efter tilmelding, er automatisering. Det følger en fastlåst sekvens. At bruge AI betyder derimod, at systemet beslutter, om netop den specifikke bruger skal modtage en rabatkode i velkomstmailen baseret på deres anskaffelseskanal og enhedstype.

Regler bryder sammen, i takt med at dit varelager vokser. At administrere 50 manuelle kunderejser kræver konstante opdateringer, tests og overvågning. Når et produkt bliver udsolgt, fortsætter manuelle sekvenser ofte med at promovere det, indtil et menneske griber ind.

Machine learning-modeller opdaterer i realtid og fjerner omgående udsolgte varer på tværs af alle aktive kunderejser. Hvis du vil vurdere, om dit nuværende setup er for afhængigt af statiske regler, kan du se en oversigt over vores Gratis Analyse.

Implementering af prædiktiv indholdslevering

Overgangen til maskindrevne kunderejser kræver, at du ændrer måden, du opbygger dine kreative elementer på. I stedet for at designe én massiv e-mailkampagne, skaber du modulære indholdsblokke. Algoritmen sammensætter derefter disse blokke helt unikt for hver enkelt modtager.

• Emnelinjer genereres dynamisk ud fra præcis den formulering, der har størst sandsynlighed for at få en specifik profil til at åbne mailen.
• Produktoversigter udfyldes med varer, som brugeren har kigget på, men ikke købt, blandet med statistisk relevante mersalgsprodukter.
• Sendetidspunkter individualiseres, så mailen lander, når modtageren historisk set er mest aktiv i sin indbakke.
• Rabattilbud justeres baseret på marginkrav og brugerens forventede prisfølsomhed.

Modulær indholdslevering gør det muligt for et enkelt kampagneudkast at generere tusindvis af unikke e-mailvariationer helt automatisk.

Denne tilgang kræver mindre tid på at bygge workflows og mere tid på at producere kreative varianter af høj kvalitet. AI'en håndterer distributionslogikken og frigør dermed dit team, så de kan fokusere på selve budskabet i stedet for mekanikken bag udsendelsen.

Måling af den økonomiske effekt

Du måler succesen af individualiserede kunderejser gennem den inkrementelle stigning ("incremental lift"). Vi kører holdout-tests, hvor 10 procent af trafikken modtager den normale, ikke-personaliserede oplevelse.

En sammenligning af de to grupper afslører præcis, hvor meget ekstra omsætning de prædiktive modeller har genereret. Dette er afgørende, fordi mange analyseværktøjer tager æren for salg, der ville være sket alligevel. Ved at isolere en kontrolgruppe kan du verificere, at AI'en faktisk skaber ny omsætning og ikke bare opsnapper organiske købere.

FAQ

Hvordan ved AI'en, hvad kunden vil have? AI forudsiger kundens ønsker ved at analysere historiske købsdata, adfærd i den nuværende session og ligheder med andre købere. Den holder handlinger i realtid op imod millioner af tidligere transaktioner for at identificere det mest sandsynlige næste køb, og den opdaterer sine forudsigelser ved hvert eneste klik.

Kræver det massiv trafik at bruge prædiktiv personalisering? Nej, men du har brug for rene data. Selvom algoritmer lærer hurtigere med høj trafik, kan webshops med et stabilt månedligt salg træne effektive modeller, hvis deres webanalyse og CRM er forbundet korrekt. Kvaliteten af dine data er vigtigere end selve mængden.

Hvad er forskellen på automatisering og AI-personalisering? Automatisering udfører forudindstillede regler præcis som de er programmeret, mens AI-personalisering træffer selvstændige beslutninger om, hvilket indhold der skal vises, baseret på prædiktiv modellering. Automatisering kræver manuelle opdateringer, hvorimod prædiktive systemer løbende tilpasser sig nye data.

Er adfærdssporing i overensstemmelse med lovgivningen om beskyttelse af persondata? Ja, adfærdssporing overholder persondatalovgivningen, når du indsamler data med udtrykkeligt samtykke fra brugeren og anonymiserer personhenførbare oplysninger. Du skal sikre, at dine samtykkebannere for Cookies tydeligt forklarer, hvordan data indgår i dine anbefalingsmotorer.

Hvor lang tid tager det for en machine learning-model at optimere? De fleste e-handelsalgoritmer kræver to til fire ugers aktiv trafik for at etablere et grundlag for sine forudsigelser. I denne indledende fase tester systemet forskellige layouts og tilbud for at lære, hvordan netop dit publikum reagerer på forskellige stimuli.

Konklusion

Den absolut mest effektive ændring, du kan foretage i dag, er at erstatte standardforsinkelsen på 24 timer for forladte indkøbskurve med prædiktive sendetidspunkter. Få styr på timingen af dine eksisterende beskeder baseret på den enkelte brugers vaner, før du bekymrer dig om at skabe nye, komplekse indholdsblokke.