Au-delà de la segmentation, il s'agit de personnaliser au niveau individuel

Quiconque a travaillé sur une plate-forme de marketing a traité avec personas de clients – ces idéaux d'audience artificiels comme "Maggie the Millennial" et "Craig the CTO".

Au cours de la dernière décennie, les personas des clients sont passés d'une innovation relativement nouvelle à une composante inévitable de la plupart des stratégies de marketing – au point qu'il est difficile d'imaginer un lancement de campagne sans eux.

Mais aussi populaires que les personnalités des clients restent, ils ont

À l'époque où la segmentation était la meilleure que nous pouvions faire, les personas nous ont aidés à regrouper nos publics par âge, carrière, goût et autres attributs – puis ciblez différentes campagnes vers chacun de ces groupes. Mais les outils de personnalisation de l'automatisation d'aujourd'hui vont bien au-delà de ce niveau de résolution, établissant des trajets personnalisés uniques et adaptatifs pour chacun de vos clients.

Dans ce nouveau monde de modélisation individuelle prédictive , les personas des clients montrent leur âge. Ils sont maladroits, artificiels et obsolètes – et il est temps pour eux de mourir.

Pour voir pourquoi, prenons un examen plus approfondi de ce que, exactement, les personas nous ont dit au sujet de notre public. Ensuite, nous examinerons les informations sur l'audience que nous obtenons avec les outils de personnalisation personnalisés d'aujourd'hui . Au fur et à mesure que nous opposons les deux approches, nous verrons plus clairement pourquoi il est temps d'aller au-delà de la segmentation – et de consigner les personnages des clients d'hier au tas d'ordures.

Les personas clients nous ont aidés à faire des prédictions exploitables dans un monde de résolution limitée.

Le but des personas client n'était jamais de décrire des individus spécifiques, bien sûr, mais d'aider à diviser un public large et complexe en groupes cibles. Grâce à une combinaison de réponses à des enquêtes, de données transactionnelles et d'études de marché, nous avons formulé des hypothèses sur les goûts, les aspirations et les idéaux de ces groupes – ce qui nous a aidés à concevoir des campagnes distinctes qui parlaient de chacun de ces ensembles de traits.

Cette approche était suffisamment utile , pour autant qu'il aille. Au début des années 2000, alors que l'écosystème de données numériques était encore à ses balbutiements, nous avons travaillé avec ce que nous avions – et ce que nous avions, le plus souvent, étaient des ensembles de données incomplets rassemblés il y a des mois.

Tout comme un téléviseur analogique des années 1970 offre une résolution bien inférieure à celle d'un téléviseur HD 4K moderne, les ensembles de données fragmentés et temporisés d'hier nous ont donné des vues en basse résolution de notre public. [19659002] Nous avons comblé les lacunes de ces ensembles de données avec nos propres intuitions et meilleures suppositions, construisant des modèles d'audience hypothétiques qui semblaient correspondre aux modèles que nous avons détectés. Et ainsi, les personnages du public sont nés. À l'époque, les personas représentaient une avancée majeure par rapport au monde encore plus ancien du marketing par e-mail «taille unique» – et pour les prochaines années, ils ont fait leurs preuves en nous aidant à faire des prédictions exploitables sur nos publics,

Mais tout comme les anciens téléviseurs analogiques ont cédé la place aux écrans plasma modernes, l'ancien monde à basse résolution des personnages d'audience montre rapidement son âge alors que les données d'audience à haute résolution deviennent instantanément disponible. Tout d'un coup, les prévisions «ciblées» d'hier ne semblent plus aussi ciblées.

Les outils de modélisation de parcours actuels offrent un niveau de résolution beaucoup plus élevé sur les clients individuels.

Aussi utiles que soient les personnages du public, ils étaient toujours ourlés par une limitation manifestement évidente: ils décrivaient des groupes hypothétiques de personnes – pas de vrais clients individuels. Leur intention était de prendre des ensembles de données extrêmement complexes et de les rendre facilement gérables, dans les limites des capacités technologiques à notre disposition.

À l'époque où les personnages ont été imaginés pour la première fois, l'idée de modéliser un parcours distinct pour chaque client était irréaliste – mais la science des données et l'apprentissage automatique ont progressé par ligues depuis cette époque.

Lorsque la segmentation de l'audience représentait la pointe de la technologie marketing, la modélisation de parcours individuel dépassait largement la puissance de calcul de l'époque, ou la résolution des ensembles de données auxquels nous avions accès. Nous nous sommes contentés d'esquisses approximatives de groupes hypothétiques de clients, basées sur des données vieilles de plusieurs mois – parce que, franchement, c'était la meilleure chose que nous devions faire.

Aujourd'hui, d'autre part, nous avons une richesse de données en temps réel sur les interactions de chaque client sur des centaines de points de contact, des points de vente en magasin aux interactions par e-mail et aux publications sur les réseaux sociaux. De plus, nous avons une nouvelle génération d'outils de modélisation mathématique qui nous permettent de tirer des informations de ces interactions en temps réel – et d'utiliser ces informations pour prédire où chaque client se dirige ensuite.

La modélisation individualisée prédictive nous permet d'offrir des moments magiques aux individus – pas aux personas.

Le saut quantique des personas aux individus est un facteur critique premièrement, car cela augmente considérablement notre capacité à reconnaître les tournants les plus significatifs de leurs voyages. Cela signifie que nous pouvons les rencontrer directement, en tant qu'individus, précisément aux moments qui importent le plus – servir un régime de messagerie personnalisé qui déclenche un moment de connexion magique après l'autre.

Quand «Craig the CTO» prend soudainement sa retraite et se lance à la pêche à la mouche dans le Montana, nous n'avons plus à attendre que les données le rattrapent, nous pouvons donc le trier dans une autre boîte.

En fait, la dernière génération d'outils de modélisation individualisée prédictive ne met jamais Craig dans une boîte du tout . Nous n'en avons pas besoin – parce que nous reconnaissons exactement où il se dirige ensuite, et nous sommes prêts à le rencontrer là-bas avec des messages aussi personnels que les notes d'un vieil ami.

Avec le temps, ces moments magiques de connexion s'établissent une vie de confiance – et offrent une valeur bien supérieure à toute campagne personnalisée. Soyez témoin du contraste par vous-même, et vous comprendrez clairement pourquoi il est temps que les personnages du public soient déposés dans la poubelle de l'histoire.

La personnalisation est très importante en marketing. Combien devez-vous personnaliser cependant? Et quand devriez-vous vous individualiser? Consultez «Personnalisation vs individualisation: ce qu'ils sont et comment les utiliser» pour le découvrir.

Lire le blog à