Früher war es viel einfacher, Ihre Kunden kennenzulernen. Sie warteten in Ihrem Geschäft in der Schlange, um zur Kasse zu gehen, und tauschten Höflichkeiten aus, als sie sich der Kasse näherten, um ihre Waren zu bezahlen. Während Sie Beziehungen zu treuen Kunden aufbauen, könnten Sie sie darüber informieren, wann ein neues Produkt auf Lager ist oder wann etwas zum Verkauf steht.
Heute ist die Art und Weise, wie wir Geschäfte machen, nicht so einfach. Der Großteil der Kundeninteraktionen hat sich von Geschäften auf Websites und Apps verlagert, und Zahlungen im Geschäft werden durch digitale Kassensysteme ersetzt.
Trotz dieses Wandels möchten sowohl Marken als auch Kunden bestimmte Aspekte des traditionellen Kundenerlebnisses beibehalten. Kunden schätzen das Gefühl, dass Marken ein grundlegendes Verständnis ihrer Vorlieben und Interessen zeigen, insbesondere wenn es um Betrugsprävention und Kundenservice geht. Marken möchten Kunden benachrichtigen, wenn ein relevantes neues Produkt verfügbar ist, und streben danach, das Nutzererlebnis an die Interessen jedes Kunden anzupassen. Sie müssen auch die Kundenidentität verfolgen, um Anfragen von betroffenen Personen zu erfüllen und eine verantwortungsvolle Datenverwaltung zu gewährleisten.
Die Herausforderung liegt jedoch in der Tatsache, dass die Identifizierung Ihrer Kunden in der heutigen, digitalen, geräteübergreifenden Welt komplexer ist als in einem stationären Geschäft. Kunden interagieren während der gesamten Customer Journey an mehreren Kontaktpunkten, und sie sind nicht immer auf jedem Gerät angemeldet. Um zu verstehen, wer mit Ihrer Marke interagiert, und auf der Grundlage dieser Informationen relevante Erlebnisse bieten zu können, müssen Sie in der Lage sein, geräteübergreifende Daten zu einheitlichen Kundenprofilen aufzulösen.
Zwei Methoden zur Identitätsauflösung wurden entwickelt, um Marken dabei zu unterstützen: probabilistische Modellierung und deterministisches Matching.
Was ist ein probabilistisches Modell?
Die probabilistische Modellierung verknüpft Interaktionen eines einzelnen Benutzers auf mehreren Geräten mit einem einheitlichen Kundenprofil, indem prädiktive Algorithmen verwendet werden, um Informationen wie IP-Adresse, Betriebssystem, Standort, WLAN-Netzwerk und Verhaltensdaten mit einer Person auf einem bestimmten Konfidenzniveau zu verknüpfen.
Wenn beispielsweise ein anonymer Kunde ein bestimmtes Produkt auf zwei separaten Geräten besucht, die mit demselben WLAN-Netzwerk verbunden sind, kann ein probabilistischer Modellierungsalgorithmus diese Interaktionsdaten mit einem einzigen Benutzerprofil verknüpfen. Wenn jedoch ein drittes Gerät im selben WLAN-Netzwerk aktiv wird und anfängt, eine völlig andere Produktkategorie zu durchsuchen, können diese Interaktionsdaten mit einem separaten Benutzerprofil verknüpft werden.
Der Vorteil der probabilistischen Modellierung besteht darin, dass Sie damit Kundenprofile erstellen können, ohne personenbezogene Daten (PII) wie E-Mail, Name und Telefonnummer des Kunden zu sammeln. Das macht es einfacher, den Umfang Ihrer Datenbank zu vergrößern, Profile für potenzielle Top-Funnel-Kunden zu erstellen und die Reichweite Ihrer Kampagnen zu erhöhen.
Der Nachteil der probabilistischen Modellierung besteht darin, dass ein Spielraum für Fehler besteht. Prognosealgorithmen werden niemals zu 100% genau sein, und eine Datenbank voller ungenauer Kundenprofile kann zu manuellem Identitätsmanagement für Ihre Entwickler, verschwendete Ausgaben für bezahlte Medien für Ihr Marketingteam und zu schlechten Erfahrungen für Ihre Kunden führen.
Was ist ein deterministisches Modell?
Deterministisches Matching hingegen nutzt First-Party-Daten, die von Kunden bereitgestellt wurden, um Daten auf Geräteebene mit hundertprozentiger Sicherheit zu eindeutigen Kundenprofilen zu vereinheitlichen. Interaktionen auf Geräteebene werden nur verknüpft, wenn gemeinsame PII geteilt wurden, wobei die Genauigkeit Ihrer Kundenprofile im Vordergrund steht.
Wenn ein Kunde beispielsweise auf seinem Handy und Tablet mit Ihrer Marke interagiert und sich auf beiden Geräten mit einer gemeinsamen E-Mail-Adresse bei seinem Konto anmeldet, werden die Interaktionsdaten auf Geräteebene von beiden Plattformen mit einem gemeinsamen Kundenprofil verknüpft. Wenn derselbe Kunde jedoch weiterhin auf seinem Laptop surft und sich mit keinen identifizierbaren Informationen anmeldet, werden die Interaktionsdaten aus diesem Kanal nicht mit dem Profil vereinheitlicht, auch wenn sie dieselbe Produktkategorie durchsucht.
Der Vorteil des deterministischen Abgleichs ist die Genauigkeit der erstellten Profile. Da Aktivitäten auf Geräteebene nur verknüpft werden, wenn ein gemeinsamer Bezeichner gemeinsam genutzt wird, hilft Ihnen die deterministische Lösung dabei, die Grundlage für eine qualitativ hochwertige Kundendatenbank zu schaffen. Darüber hinaus können Sie mithilfe führender Tools zur Identitätsauflösung steuern, wie und wann Profile zusammengeführt werden, je nach den Nuancen Ihrer Kundenreise. Deterministische Profile können genutzt werden, um personalisierte E-Mail-, App-Messaging- und Retargeting-Kampagnen mit hoher Zuverlässigkeit zu versenden.
Der Nachteil des deterministischen Abgleichs besteht darin, dass Aktivitäten auf Geräteebene nur dann zusammengeführt werden, wenn eine gemeinsame Kennung gemeinsam genutzt wird, und nicht, wenn sie wahrscheinlich stammt vom gleichen Kunden. Aus diesem Grund bietet deterministisches Matching nicht die gleiche Skalierbarkeit wie probabilistische Modelle und ist möglicherweise weniger effektiv bei der Erstellung von Profilen für potenzielle Kunden, von denen Sie weniger identifizierbare Informationen gesammelt haben.
Welche Methode sollten Sie heute anwenden?
Die Art und Weise, wie Sie Kundenprofile erstellen, hängt letztlich von Ihren Anwendungsfällen und Ihrer Datenverwaltungsrichtlinie ab. Mit der probabilistischen Modellierung können Sie Profile für Kunden erstellen, von denen Sie nur wenige Null- und First-Party-Daten gesammelt haben, die jedoch eine gewisse Fehlerquote aufweisen. Aus diesem Grund wurden probabilistische Profile häufig für 1:Many -Anwendungsfälle verwendet, wenn Sie ein einzelnes Erlebnis einem breiten Publikum bieten möchten und schlechte Matches relativ wenig Konsequenzen haben. Im Gegenteil, mit Profilen, die wahrscheinlich Präzise, um 1:1 -Kundenkommunikation wie E-Mail zu ermöglichen, kann schnell zu schlechten Kundenerlebnissen führen.
Für diese 1:1 -Anwendungsfälle sind deterministische Profile sehr nützlich. Da sie auf verknüpften PII basieren, ermöglichen Ihnen deterministische Profile eine direkte und effizientere Kommunikation mit Kunden.
In den letzten Jahren hat sich die Art und Weise, wie Marken Kundendaten sammeln können, geändert. Von der Einführung der DSGVO und des CCPA über die Beschränkung des Cookie-Trackings durch Drittanbieter bis hin zur Einführung des App Tracking Transparency (ATT) Frameworks von Apple haben Verbraucher mehr Kontrolle darüber erhalten, wie ihre Daten von den Marken, mit denen sie Geschäfte machen, erfasst und verwendet werden.
Damit Marken ihr Schicksal selbst in die Hand nehmen können, müssen sie ihre Abhängigkeit von Drittanbieter-Cookies durchbrechen und ihre eigene Erstanbieter-Datenbank entwickeln.
Viele der Identifikatoren, auf denen probabilistische Systeme basieren, wie Geräte-IDs und Drittanbieter-Cookies, werden für Marken immer schwieriger zu erheben, da Google und Apple den Verbrauchern das Recht einräumen, zu entscheiden, wie diese Informationen weitergegeben werden. Die Wirksamkeit eines probabilistischen Modells hängt von der Qualität und Breite der bereitgestellten Daten ab. Ohne Zugriff auf ein vielfältiges Angebot an Daten auf Geräteebene, die einem Identitätsdiagramm hinzugefügt werden können, wird die Genauigkeit probabilistischer Kundenprofile in Frage gestellt.
Da Marken gezwungen sind, von einer Drittanbieter-Datenbank abzuweichen, müssen sie die Grundlage für eine First-Party-Datenstrategie legen und dem Vertrauensaufbau bei ihren Kunden Priorität einräumen. Wenn Sie einen deterministischen Ansatz als Kern Ihrer Identitätsstrategie verfolgen, können Sie hochwertige Kundenprofile erstellen, die auf den Informationen basieren, die Ihre Kunden Ihnen direkt zur Verfügung stellen, sodass Sie persönliche Erlebnisse bieten können. Sobald Sie Ihre deterministische Grundlage geschaffen haben, ist es immer noch möglich, probabilistische Modelle an der Peripherie Ihrer Infrastruktur zu nutzen, um bestimmte Anwendungsfälle zu unterstützen.
IDSync von mParticle bietet Ihnen die Möglichkeit, deterministische Kundenprofile mit Daten zu erstellen, die von allen Geräten aus einheitlich sind. Diese Profile können mit der Profil-API von mParticle programmgesteuert für Ihre digitalen Inhalte aktiviert, mit Ihren bevorzugten Tools für Marketingautomatisierung, Analyse und Experimentierung verbunden und zur langfristigen Speicherung über die über 300 Integrationen von mParticle in Ihr Data Warehouse exportiert werden.
.jpg)
.jpeg)
