Będziemy rozmawiać o procesach zachodzących w produkcie, w każdym z jego obszarów. O segmentacji, zarówno tej związanej z towarem i usługą, jak i tej relacyjnej, biznesowej, a także tej opartej o procesy i demografię użytkownika – waszego klienta.
Sporą część programu poświęcimy zagadnieniom związanym z jakością i umiejętnością przetwarzania danych, których natłok znajdziemy nawet w najprostszym produkcie, co nieraz może nas przytłoczyć. Do tego kilka słów o marketing automation, o którym później ukaże się również osobny odcinek.

To wszystko omawiane w przystępnej formie, ze szczyptą humoru, a nawet sarkazmu – w oparciu o procesy zachodzące w typowym e-commerce.

A więc od początku – procesy

Produkt cyfrowy to tak naprawdę suma procesów. Użytkownik, poruszając się po systemie każdorazowo wchodzi w proces, który kończy się punktem konwersji (np. zakupem) bądź porzuceniem procesu, na jakimś tam etapie lub kroku. Brzmi to dosyć abstrakcyjnie, dlatego najlepiej będzie to przedstawić na przykładzie sklepu internetowego – internetowej księgarni z produktami cyfrowymi, czyli e-bookami oraz audiobooki. W naszym scenariuszu musieliśmy odtworzyć pełną ścieżkę użytkownika z punktami styku z produktem – tzw. customer journey map. Użytkownik wpisuje w wyszukiwarkę Google frazę “gra o tron saga sklep”. Jednym z wyników jest link do naszego e-commerce – i to jest pierwszy punkt styku z naszym produktem. Użytkownik, wchodząc w ten link trafia na listę publikacji gdzie wymienione są wszystkie produkty znajdujące się pod hasłem “gra o tron”. Użytkownik rozpoczyna swój proces – wchodzi na drogę wiodącą do punktu konwersji. Zobrazujmy sobie ten proces:

• lista produktów
• przeglądanie produktów zgodnie z segmentacją
• filtrowanie wyników
• karta produktu
• dodanie do koszyka
• zakup

Powyższy proces – dosyć uproszczony, w realiach powinien być jeszcze bardziej pogłębiony na danym kroku. Przykładowo przeglądanie produktów zgodnie z segmentacją może być osobnym, zmapowanym procesem podobnie jak filtrowanie, a w szczególności zakup. 

Ale do czego te procesy?

Segmentacja, czyli kategoryzacja, to pojęcie, które w każdym produkcie cyfrowym powinno być odmieniane przez wszystkie przypadki. W sklepie internetowym to kategorie produktów, podkategorie, zdefiniowane globalnie i w obrębie tych grup. Przy czym należy pamiętać, że segmentacja idzie w parze z nomenklaturą i wzorcami.  Jeżeli mamy książkę sensacyjną, to jest to pewien kanon nazewnictwa, który wszyscy znają, więc warto z tego skorzystać. Gdybyśmy tę książkę określili kategorią “z dreszczykiem” – zasadniczo też ma to sens, tylko jest to segment, który użytkownicy mogą zrozumieć, jako thriller, horror, dla niektórych może nawet romans (tam też mogą być dreszczyki). Segmentacja powinna być zero jedynkowa, jasna w nazewnictwie dla użytkownika. 

Prócz segmentacji, nazwijmy to, półkowej, jest jeszcze:

segmentacja relacyjna – zawierająca relacje między produktami i kategoriami, w tym i te biznesowe (np. pakiety zwiększające konwersje) – stałe połączenia, które wiążą pewne obszary w naszym produkcie.

segmentacja zachowań – wedle archetypu użytkownika (persony), demografii czy urządzenia, bo inaczej konsumuje się treści na mobile.

W produktach, gdzie nie ma towaru do typowo sklepowej kategoryzacji, segmentacji poddaje się procesy, narzędzia, uprawnienia, zachowania użytkowników… 

A teraz porozmawiajmy o Machine Learning

Zanim przejdziemy do uczenia maszynowego, musimy wiedzieć czego nasz skrypt ma się nauczyć, dlatego najpierw konieczne było zwrócenie uwagi na procesy i segmentację, bo machine learning to tylko i aż skrypt, który na podstawie zbieranych danych, segmentacji i procesów będzie się uczył optymalizacji wskazanych wątków.

Wyobraźcie sobie tabele, taką macierz, do której wpadają wszystkie dane z waszego sklepu. Oczywiście w określone segmentacją kolumny, ze zdefiniowanymi relacjami. Dzięki temu, że te dane mamy posortowane i opatrzone zachodzącymi procesami, a także zestawione z analityką, można wyciągać wnioski na podstawie tej macierzy. Szukać słabych punktów, znajdować wzorce zachowań użytkowników, które dla biznesu są najbardziej atrakcyjne. 

Takie dane trzeba umieć odpowiednio odczytywać, a także zarządzać wszystkimi wierzchołkami zbieranych informacji z obszaru biznesu, technologii i wiedzy o użytkowniku. Wyciągać wnioski. 

Uczenie maszynowe w ogromnym uproszczeniu, to czynności wykonywane przez oprogramowanie, które znacznie szybciej niż człowiek znajduje wszelkie prawidłowości, wzorce i relacje. Z czasem tenże skrypt powinien być na tyle “inteligentny”, że na podstawie tej macierzy danych będzie nam wskazywał procesy i segmentacje, które spowodują większe zaangażowanie użytkownika – zmieni układ interfejsu, doda lub usunie niepotrzebne dane w formularzu, etc…

Praktyczne użycie

W przypadku naszego sklepu internetowego można przytoczyć następujący przykład:

1. Użytkownik zakupił audiobooka Gry o Tron – pierwszy tom – więc jako sklep mamy już sporo informacji na jego temat, wiemy kim jest, jak się poruszał po sklepie, jakiej frazy kluczowej używał, aby do nas trafić
2. Przeprowadziliśmy segmentacje w macierzy, więc w tym wątku wiemy, że tomów jest dużo więcej.
3. Mamy adres mailowy użytkownika, i podczas wysyłania bieżącej komunikacji, a także regularnie wysyłanych do niego newsletterów, machine learning uczy się, kiedy, o której godzinie, na jakich urządzeniach odbiera maile.
4. Na odsłuchanie audiobooka przeznaczone jest w segmentacji około 3 tygodni. Założono więc, że tydzień później powinna iść do tego użytkownika automatyczna oferta z newsletterem na zakup drugiego tomu.
5. I normalnie rzecz tak by się zadziała, ale ML mając pełen dostęp do danych wykrył, że na za dwa tygodnie jest zaplanowana promocja na tego typu audiobooki, co może wskazywać na potencjalnie większe prawdopodobieństwo zakupu, więc oprogramowanie to sugeruje, by przesunąć wysyłkę oferty w późniejszym czasie lub już z promocją.

Machine Learning znajdziemy w większości systemów marketing automation. Dopracowane do tego stopnia, że po wprowadzeniu odpowiednich danych będą wspomagać wysyłkę maili tak, że użytkownik dostanie wiadomość podczas porannej kawy, a więc czasu poświęconego na przeglądanie poczty lub robienie prasówki – co znacznie zwiększy szanse na konwersje. 

Wszelkie gustomierze, np. ten Netflixa, polegają właśnie na machine learning…

Czy i co potrzebuje, by wdrożyć machine learning w swoim produkcie?

Wykorzystywanie uczenia maszynowego to działanie długofalowe, którego podstawą są procesy i segmentacja, a także świadomość ważności informacji tj. data driven, właściciela biznesu. Być może truizm, ale potrzebna jest też wizja.. 

A także cierpliwości, bo jak sama nazwa wskazuje uczenie maszynowe, to jest właśnie nauka tego, by rzeczy działy się automatycznie. Najpierw tej automatyzacji skrypt musi się nauczyć, musi popełnić błędy. Jest to proces długotrwały i w pierwszych fazach dosyć kosztowny, wymagający relatywnie drogiego specjalisty, który będzie wdrażał i wspomagał naukę algorytmu. 

Czy warto? Świat cyfrowy jest obecnie data driven. Danych, które możemy zbierać jest mnóstwo, narzędzi wspierających zbieranie tychże informacji – jeszcze więcej. Na rynku znajdują się już produkty typu SaaS, dla których ML jest istotnym elementem. Co więcej, stawiam hipotezę, że jedynie kwestią czasu jest szeroka popularyzacja narzędzi code less (z minimalną potrzebą kodowania przez programistę) zapewniających wdrożenie uczenia maszynowego do produktu. 

Popularne platformy sklepowe, za chwilę tropem np. narzędzi do marketing automation będą oferować ML jako integralny element systemu sklepowego.

Wniosek właściwie jeden – nadrzędny

Niezależnie jaki produkt posiadasz, czy jest to sklep, narzędzie czy usługa. Dane są twoim orężem i zbroją jednocześnie. Trzeba je przetwarzać, segmentować, budować procesy i optymalizować je w oparciu właśnie o nie. A wszystko po to by w procesie nakładania tej zbroi wiedzy, robić to w odpowiedniej kolejności i dopasowywać jej fragmenty do odpowiednich części ciała. By uniknąć sytuacji nakładania jej jadąc konno lub nie wciskać nagolennika na przedramię..