D2C・eコマース・OMOビジネス 顧客体験シリーズ コンテンツリスト

オムニチャネルコミュニケーション パーソナライズ ロイヤリティカスタマープログラム& リワードプログラム Tips & Hints'

 

顧客購買体験の重要なCXー「購買後体験」とは

 

 

パーソナライゼーション用語解説

▶自社データ・ファースト パーティデータ

D2Cブランド・Eコマース会社・小売事業者が収集して所有する、その会社の顧客に関連するデータは、ファースト パーティデータと呼ばれます。

この場合、顧客に関する情報は、組織自体が所有するソフトウェアとシステムを通じて収集されています。その後、組織はこのデータ (人口統計、購入履歴、デジタル インタラクション、行動、好みなど) を使用して、ターゲットを絞ったエクスペリエンスをユーザーに提供し、ブランド ロイヤルティを高めることができます。ファースト パーティ データは、その費用対効果、正確性、およびブランドとの関連性から、ユーザー データの最も価値のあるソースの 1 つと見なされています。

▶第三者データ・サード パーティデータ

サイト訪問者または顧客と直接関係のない企業またはその他のエンティティによって収集されたデータは、サードパーティ データと呼ばれます。

多くの場合で、サードパーティのデータが収集、集約され、企業に販売され、より優れたデジタル カスタマーエクスペリエンスを構築し、リターゲティング施策を開発実行するのに役立ちます。企業の実際の顧客から直接収集されたものではなく、かつ潜在的な競合他社が利用でき、データの品質が不明確なことが多いため、サードパーティのデータはファーストパーティのデータほど価値があるとは見なされません。ただし、サードパーティのデータは、パーソナライズされたエクスペリエンスを開発する際にファーストパーティのデータを補完するものとして使用すると役立ちます。

顧客購買体験とは

 

パーソナライゼーション用語解説

レコメンド施策

D2C・Eコマース・オムニチャネル小売業者がプラットフォーム上でより優れたパーソナライゼーションを実装しようとするとき、マーケティング ROI を最大化できるレコメンデーション エンジンを作成するためには、堅実な商品レコメンデーション施策設計実行改善が不可欠です。

適切な商品が適切な顧客または消費者に推奨されるように、システムが可能な限り最良のアルゴリズム決定を行えるようにするには、各コンテキストで最も効果的なタイプのレコメンド・推奨施策を検討する必要があります。一般に、データは多いほど良いですが、色、商品・製品タイプ、スタイルなどのどの商品データと、どのユーザー データ、セグメント、年齢、人口統計、操作デバイス、または心理データが各コンテキストにとって最も重要であるか、考慮することが重要ポイントになります。

▶レコメンデーション エンジン

レコメンダー システム、レコメンデーション システム、最も一般的には、レコメンデーション エンジンは、データと機械学習アルゴリズムを使用して、顧客が与える好みやランクを予測することで、特定の顧客や買い物客に最も関連性の高いアイテムをレコメンデーションするソフトウェアです。

以前は、顧客を推奨する技術は、リアル販売スタッフまたは個人の買い物客からもたらされていました。今日、アルゴリズムは、消費者に推奨する顧客、サービス、または体験を決定するタスクを引き受けています。レコメンデーション エンジンには、協調フィルタリング、コンテンツ ベースのフィルタリング、および両方のブレンドの 3 つの主要なタイプがあります。

顧客購買後体験でコミュニケーションが重要な理由

Short Tips

メールの秘密のルール:
ブランドに関与していない人々にエネルギーを無駄にしないでください。
多くのブランドは、膨大な加入者リストがコミュニケーションや顧客資産としての成功の重要な指標であると想定しています。

⇒違います!

何も開かない10万人のリストよりも、
クリックする1,000人の人々がいるブランドを愛しているリストが
重要です。
あなたのリスト顧客を、どのカテゴリー・状態にいるかによって、それに適するするように扱って、オーディエンスとのコミュニケーションの基準を設定することは大事です。
・エンゲージメントルール
・ウィンバックフロー
興味に応じた特別オファーを送ることが基本になっています。
また、社会的証明と価値を伝えるUGCに頼ることをお勧めします。
新しい顧客を見つけるよりも以前の顧客を再獲得する方が4〜5倍コストは安いといわれています。

そこからがポイントです。

エンゲージメントのないものを「非アクティブ」としてタグ付けし、プロモーションメールや購買行動で売上を期待するメッセージが送信されない独自のセグメントに移動します。

オーディエンスメンバーを完全に削除するのではなく、非表示にすることをお勧めします。
これにより、オーディエンスメンバーに引き続きアクセスできます。なぜなら、
古い指標でも優れた指標です。その情報を完全に失いたくはありません。

結論:メトリクスと配信可能性を高く維持したい場合は、メールに触れていない顧客を削減する必要があります。

反面から見てみてください。
オープンレートを傷つけるためにお金を払っています。
プロモーションタブまたはスパムに当たる可能性が高まります。

エンゲージされていないものにタグを付け、それらをリストに集めてエンゲージメント解除シーケンスを開始し、リストをクリーンアップします。

 

顧客購買後体験で、開封体験・Unboxingが大切な理由

 

 

顧客購買後体験を最大化する返品・交換 物流フルフィルメントサービスとは

 

 

 

顧客購買後体験で、パーソナライズが大切な理由

 

パーソナライゼーション用語解説

▶行動セグメンテーション

最も効果的な e コマース マーケティング施策での重要な要素である「行動セグメンテーション」は、顧客の行動と購入ニーズに基づいて顧客をより小さなグループに分割する方法です。

従来の人口統計学的および地理的セグメンテーション方法を超えて、サイコグラフィックおよび行動データを活用することで、より直感的で人間味のあるマーケティング キャンペーンとレコメンデーションの実行が、AIを活用して可能になります。

効果的な行動セグメンテーションのプロセスにより、顧客と顧客が気に入る商品との間のつながりを深めることができます。
その結果、顧客にとってよりパーソナライズされたオンライン エクスペリエンスと、ブランド ロイヤルティの向上をも可能にします。

行動ターゲティング

最も関連性の高い広告とコンテンツを配信するために、行動によって「消費者:この段階では」をターゲティングし、グループにセグメント化する方法です。

行動ターゲティングを実施する場合には、顧客は、ブラウジング行動、訪問したページ、実行された検索、クリックされたリンク、訪問の最新性、使用されたデバイス、地理的な場所、購入した製品などのアクティビティとアクションに基づいてグループ化されます。

同様の行動をするコマースサイト訪問者は、定義されたオーディエンス セグメントにグループ化されるため、小売業者やD2Cブランドの広告主は、行動に基づいて特定の関連性の高い広告やコンテンツでターゲットを絞ることができます。

行動ターゲティングは、広告がコンバージョンにつながる可能性が高いという理由だけでなく、より優れた、よりパーソナライズされた e コマース エクスペリエンスを実現するためにも重要です。適切に実行された場合には、消費者に知識を提供することで、コミュニケーションが特別な気分と関係性を構築してくれます。

 

パーソナライゼーション用語解説

▶協調フィルタリング

機械学習(ML)を活用して商品のレコメンデーションを実行するための一般的なアプローチである協調フィルタリングは、顧客とアイテム全体の集合的な好みのセットを調べて、同様の行動パターンを持つ顧客から学習します。

レコメンデーション システムは、顧客によって積極的に提供される明示的なデータ (数値評価など) と、顧客の行動に基づいてシステムによって推測される暗黙的なデータ (過去に類似した商品を見た後の特定の商品の好みなど) の両方を収集します。

これらの大規模なデータセットにより、システムは予測を作成し、顧客の個々の親和性とショッピング行動に合わせて調整された関連商品の推奨・レコメンデーションを提供することができます。

▶コンテンツベースのフィルタリング

アイテムと顧客に関する固有の情報を使用して、ユーザーが好むアイテムの機能を理解していきます。

協調フィルタリングとは対照的に、コンテンツベースのフィルタリングでは、他の顧客のデータを必要とせずに、パーソナライズされたレコメンド:推奨事項を顧客に提供します。
現在の顧客に非常に具体的なレコメンド:推奨事項を提供できますが、既知の顧客の関心を拡張できないという意味でもは制限があります。


▶顧客セグメンテーション

効果的なマーケティング施策の標準的な柱である顧客セグメンテーションは、企業(ブランド)の顧客を、各グループの顧客間で類似点を共有するグループに分割する単純でシンプルな手法です。

最も重要な目標は、顧客にとっての価値と、D2Cブランドにとっての各顧客の価値の両方を最大化するために、各セグメントの顧客とどのように関わるかを決定できるようにすることです。

小売事業者やD2Cブランドは顧客セグメンテーションを実施する際、性格特性、サイコグラフィック データ、特定の興味、習慣、および居住地、収入レベル、年齢層などのその他の多数の人口統計学的要因によって消費者を分類することができます。

▶マクロセグメンテーション

顧客セグメンテーション施策を実行する場合、2 つの主要なタイプがあります。

言語、性別、地理的位置、ソース、デバイスなどの最上位の顧客データによって消費者を分割することに焦点を当てたマクロ セグメンテーションと、

より具体的なマイクロ セグメンテーションです。

行動データやサイコグラフィックデータの使用など、粒度の高いものなど。マクロ セグメンテーションは、より広い属性を調べるため、より大きなセグメントになりますが、セグメンテーションをまったく行わないよりはましです。

▶マイクロセグメンテーション

価値観やライフスタイルの選択など、より具体的な行動入力とサイコグラフィック データを使用します。

これにより、関連性のあるパーソナライズされたエクスペリエンスを作成するために、オーディエンスの明確なサブグループが確保されます。

あらゆる種類のオンライン パーソナライゼーションを実行する場合、マクロ セグメンテーションとマイクロ セグメンテーションの両方が重要なアプローチです。

 

パーソナライゼーション用語解説

▶ディープラーニング

機械学習(ML)のサブセットであるディープ ラーニングは、自然言語処理やコンピュータービジョンなど、ほとんどの機械学習サブフィールドのすべてのベンチマークで導入されて、その地位を確立しています。

これを実現するために、ディープ ラーニングでは「ニューラル ネットワーク」と呼ばれるアルゴリズムの多層構造が使用されています。ディープ ラーニングの重要な側面は、ニューラル ネットワークのこれらのレイヤーが、人間のエンジニアが手動で設計するのではなく、自動的に追加機能を構築できることです。従来の機械学習とは対照的に、オムニチャネル・e コマース内では、深層学習は通常、購入の予測に使用される特定の機能 (年齢や地域など) の初期セットを使用して、これらの初期機能のさまざまな組み合わせに基づいて、より抽象的で圧縮された機能を構築します。成長する技術分野です。

▶機械学習(ML)

人工知能 (AI) の一分野である機械学習は、膨大な量のデータを使用して、明示的にプログラムしなくてもコンピューターが人間と同じように学習できるようにするパターンを見つけることです。

機械学習は、システムがデータから学習し、パターンを識別し、人間の入力を最小限に抑えて意思決定を行うことができるという考えに根ざしています。機械学習により、ソフトウェア アプリケーションはさまざまな結果をより正確に予測できるようになります。現在、多くのアプリケーションで使用されている機械学習は、レコメンデーション エンジン、パーソナライズされたレコメンデーションやパーソナライズされた商品のレコメンデーションを作成する Web サイトから、バンキングソフトウェア、不正検出、音声認識、コンピュータービジョンに至るまで、あらゆるものの原動力となっています。

▶コンピュータビジョン

人工知能 (AI) の分野であるコンピューター ビジョンにより、デジタルシステムは、人間が行うのと同じ方法で視覚データを処理、分析、および理解することができます。

ディープ ラーニングとニューラル ネットワーク (CNN) を使用して、デジタル画像、ビデオ、およびその他の視覚的入力から意味のある情報を導き出し、その情報に基づいてアクションを実行したり、レコメンド:推奨事項を作成したりします。

コンピュータ ビジョン システムは大量のデータを使用して、区別を識別して最終的に画像を認識するまで何度も分析します。コンピューター ビジョンは、色、サイズ、形状、質感、プリント、スタイルなどの特徴と共に製品を識別することができるため、アパレル・ファッションの、e コマースを変革しています。

▶画像認識

コンピューター ビジョンのサブカテゴリである画像認識は、画像を検出、分析、解釈して意思決定 (画像が表すものを認識するタスク) を促進するための一連の手法で構成されています。

画像認識は、ディープ ラーニングとトレーニング済みのニューラル ネットワーク アルゴリズムを使用して、画像内の対象オブジェクト (人物、商品・製品の特徴、場所など) を識別し、それらがどのカテゴリに属しているかを認識することができます。

パーソナライズされたエクスペリエンスの向上に役立つ画像認識の現在および将来のアプリケーションには、ターゲットを絞った広告、顔分析、スマート写真ライブラリ、強化された研究機能などがあります。

▶ハイパーオートメーション

人工知能 (AI)、機械学習 (ML)、ロボティック プロセス オートメーション (RPA) などの複数の自動化テクノロジ、ツール、およびプラットフォームを組み合わせて、高度な人間のタスクを自動化し、複雑なビジネス プロセスを合理化することを目的としています。

標準的な自動化は通常小規模で行われて、個々のタスクに対応するソリューションを作成しますが、ハイパーオートメーションには複数の自動化ツールが含まれており、イニシアチブを実際にスケーリングします。そのため、ハイパーオートメーションは、組織内の生産性、効率、および正確性を最大化するのに最適です。

さらに、ハイパーオートメーションは、価値が低く時間のかかるタスクをボットに委任することで、企業が顧客の好みの理解や顧客体験の向上など、より価値の高いイニシアチブに専念できるようにします。

 

パーソナライゼーション用語解説

▶商品のタグ付け

機械学習、パーソナライゼーション、または単純な検索とフィルタリングを可能にするために、e コマースの商品タグ付けには、商品に割り当てられた説明的なタグが必要です。これは進行状況を整理、文書化、および追跡するのに役立ちます。

基本的に、商品タグは、ウェブサイト内で商品を識別するために使用されるキーワード、属性、または品質であり、非常に幅広いものから非常に具体的なものまでさまざまです。

たとえば、ファッション商品は、価格カテゴリ、ブランド、素材、色、スタイル、またはサイコグラフィック プロパティでタグ付けできます。
このように、商品タグは特定の機能によって商品を分類し、特定の狭い商品検索を可能にして、消費者が商品を簡単に見つけられるようにします。
e コマース・オムニチャネルコマースでは、関連する商品の検索と発見、および優れた顧客体験を可能にするために、商品のタグ付けは一貫性があり、更新され、正確である必要があります。

▶パーソナライズされた商品の発見

このエクスペリエンスは、人工知能 (AI) を使用して、買い物客が本当に欲しい商品を迅速、簡単、直感的に入手できるようにする顧客主導のアプローチです。

ホームページからチェックアウトまで、パーソナライズされた商品発見を実装することは、買い物客に最も関連性の高い商品、コンテンツ、およびサービスを提供することを意味します。これにより、e コマースの購入プロセスが合理化され、個々の顧客の好みが特定され、理解され、対応されるようになります。パーソナライズされた商品発見を適用することは、より全体的なユーザー エクスペリエンスを構築し、顧客エンゲージメントを促進するための鍵であり、最終的にはコンバージョンと訪問あたりの収益の増加につながります。

▶パーソナライゼーション エンジン

個々の顧客と消費者に関するより深いコンテキストを提供するパーソナライゼーション エンジンは、データ サイエンスを使用してパターンを推測して、D2Cブランド・E-コマース・オムニチャネル・小売事業者がパーソナライズされたメッセージ、コンテンツ、商品の選択、およびその他のやり取りを編集、購入、選択、調整、および提供できるようにしてくれます。

パーソナライゼーション エンジン ソフトウェア ソリューションは、通常、協調フィルタリングなどの機械学習アルゴリズムを使用しています。これは、類似した個人の選択に依存しています。過去の購入履歴、サイトでのやり取り、サイコグラフィック データなど、さまざまな変数を使用して、消費者をよりよく理解し、パーソナライゼーション エンジンを作成するときに正確なレコメンド・推奨事項を提供できます。効果的なパーソナライゼーション エンジンを使用すると、コンバージョン、広告の効果、消費者の満足度が向上し、ビジネスの成果が向上します。

 

パーソナライゼーション用語解説

▶予測分析

高度な分析の一部門である予測分析は、現在および過去の事実を分析して将来の結果をより正確に予測するさまざまな統計手法を組み合わせたものです。

履歴データ、統計アルゴリズム、予測モデリング、およびビッグデータの機械学習技術を使用して、予測分析システムは、将来のイベント、傾向、および行動を確実に予測できます。一般に、企業は予測分析を適用して、潜在的なリスクと機会を特定するのに役立つデータのパターンを見つけます。マーケティングにおいて、予測分析の主な資産の 1 つは、企業が明確な顧客セグメンテーションを開発し、正確なコンバージョンと購入予測を行うことができることです。

ロイヤリティ&リワードプログラムが大切な理由

 

チョットためになる用語解説

▶オムニチャネルリテール(小売業)

一貫した首尾一貫したカスタマー エクスペリエンスを提供するための小売業者の取り組みを表すオムニチャネル リテールは、通常、実店舗、アプリ、モバイル、ラップトップ、タブレット、および任意のオンライン プラットフォームを含むマルチチャネルの小売アプローチです。

オムニチャネルの小売施策を策定する場合、消費者がブランドや小売業者とやり取りする場所であればどこでも、シームレスなカスタマー エクスペリエンスを提供することに重点が置かれます。

シームレスなオムニチャネルの小売体験を作成することは、消費者が 1 日の多くの時点でブランドとのつながりを簡単に感じられるようにするために重要です。オムニチャネル小売戦略は、より良い消費者体験を生み出すだけでなく、収益の増加とより良い属性データを獲得することができます。

▶メタバース

メタバースは、ユーザーが仮想的に対話できる共有デジタル環境です。テクノロジーの複数の要素を組み合わせたメタバースは、ソーシャル メディア、オンライン ゲーム、暗号通貨、拡張現実 (AR)、仮想現実 (IR) の側面を統合して、非常に没入型のデジタル エクスペリエンスを構築します。

メタバースが成長するにつれて、物理世界と仮想世界が収束する多次元相互作用が可能になると予想されます。デジタル ファッションに関して言えば、パーソナライゼーションの機会は無限にあります。メタバース環境では、高度にカスタマイズされた多感覚体験を作成するために、何百万もの個別化された組み合わせが生み出される可能性があります。

▶非代替トークン (NFT)

ブロックチェーン上に存在し、複製できない独自の暗号資産です。NFT はその固有の性質上、同等のもので取引または交換することはできません。暗号通貨などの代替可能なトークンは互いに同一であるため、相互に交換可能ですが、代替不可能なトークンは 2 つと同じではありません。このように、代替不可能なトークンは、デジタル アートワークやデジタル ファッション アイテムなど、消費者の好みに合わせて調整できる 1 回限りの非常に価値のあるデジタル資産を生成する機会を可能にします。

多くの機会を提供する NFT は、アートワークや不動産などの実際のアイテムを表すためにも使用できます。物理的資産をデジタル資産に変換することにより、代替不可能なトークンは仲介者を排除し、取引を簡素化します。これにより、効率が向上し、プロセスが合理化されます。コピーや代用ができないため、NFT は詐欺の可能性も減らします。