3 pendekatan untuk menggabungkan profil saat menyelesaikan identitas

Pemasar menerima sinyal yang lebih berbeda dari sebelumnya dari pelanggan mereka karena saluran digital yang terfragmentasi. Berurusan dengan ini membutuhkan pendekatan yang jelas untuk resolusi identitas. Bagaimana mereka mencocokkan pengidentifikasi dan menggabungkan profil pelanggan? Seberapa percaya diri mereka dengan pertandingan? Memiliki strategi yang jelas mengarah pada komunikasi yang lebih baik dengan pelanggan dan pengalaman pelanggan yang lebih efektif dan menguntungkan.

Pertama, organisasi harus mengadopsi kerangka kerja untuk strategi resolusi identitas mereka. Ini bisa berupa perangkat pertama, orang pertama, atau kombinasi keduanya. Yang penting adalah pemasar yakin bahwa pengidentifikasi yang mereka gunakan memungkinkan mereka mempertahankan pandangan pelanggan selama perjalanan digital.

Pencocokan deterministik vs probabilistik

Pelanggan yang berinteraksi dengan organisasi Anda melalui saluran digital yang berbeda dapat menyebabkan satu pelanggan memiliki beberapa profil di data Anda. Menggabungkan profil ini memerlukan cara untuk mencocokkan perangkat, akun digital, dan pengenal lainnya dengan satu orang.

Ada dua cara utama untuk melakukan ini.

Pencocokan deterministik. Ini berarti Anda hanya akan menggabungkan profil yang kecocokannya sudah pasti. Biasanya, ini terjadi ketika satu pengidentifikasi umum ditemukan di beberapa profil. Misalnya, jika pelanggan Anda melakukan pemesanan menggunakan alamat email, alamat pos atau nomor telepon yang ditemukan dengan pesanan tersebut dapat menunjukkan profil lain dari pelanggan yang sama. Pengidentifikasi umum ini membuat kecocokan deterministik.

Jika alamat email disertakan dalam profil pelanggan, misalnya, data pelanggan tersebut dapat digabungkan dengan informasi yang disimpan secara terpisah di penyedia layanan email (ESP).

Pencocokan probabilistik. Ini melibatkan AI yang menggabungkan data perilaku dengan sinyal lain untuk memprediksi kemungkinan bahwa interaksi pelanggan yang terpisah semuanya berasal dari pelanggan yang sama — tanpa menggunakan pengidentifikasi umum.

“Masalah dengan pencocokan semacam ini dan dengan semua resolusi identitas semacam ini adalah Anda akhirnya membuat banyak asumsi,” kata Greg Krehbiel, konsultan untuk The Krehbiel Group, di The MarTech Conference .

Namun, Krehbiel menunjukkan bahwa pencocokan deterministik pun tidak sepenuhnya dapat diandalkan. Dia berbagi kasus penggunaan yang sama sekali tidak langka. Ibu Krehbiel meminta saudara perempuannya untuk membantu berbelanja Natal, jadi saudara perempuannya membeli hadiah di Amazon menggunakan laptopnya sendiri dan kartu kredit ibunya. Pencocokan deterministik mungkin melompat ke kesimpulan bahwa ibu menggunakan laptop putrinya.

Menetapkan satu sumber kebenaran

Selalu ada penilaian yang diperlukan dalam menggabungkan profil pelanggan dan pengidentifikasi yang cocok. Untuk membuat ini seakurat mungkin, sebaiknya buat satu sumber kebenaran untuk data pelanggan Anda.

“Anda ingin memiliki satu catatan pelanggan sejauh yang Anda bisa, dan itu membutuhkan penggabungan banyak catatan lainnya,” kata Krehbiel. “Dan itu berarti bahwa satu sistem harus menjadi satu-satunya sumber kebenaran untuk hal itu, apa pun itu.”

Pikirkan tentang semua kasus penggunaan untuk saluran tertentu dan di mana data tersebut harus digabungkan. Ini akan membantu menghindari redudansi dan sumber kebenaran yang bersaing.

“Jika seseorang mengubah alamat email di [CRM], apakah itu akan menimpa barang di ESP?” tanya Krehbiel.

Dalam beberapa kasus, menggabungkan profil tidak ideal. Beberapa pelanggan, misalnya, lebih suka memiliki banyak email untuk keperluan kerja dan pribadi. Dalam kasus seperti itu, email tidak boleh digabungkan. Sebaliknya, organisasi Anda harus menganggap pelanggan ini sebagai persona multifaset dengan beberapa email.

Gali lebih dalam: Bagaimana Penske Media menggunakan CDP untuk membantu pengiklan menjangkau pengguna digital

Geser skala keyakinan

Pencocokan deterministik dan probabilistik bergantung pada kepercayaan pada data yang digunakan saat menggabungkan profil dan menyelesaikan identitas pelanggan.

Ini berarti pemasar harus memberi peringkat kepercayaan mereka pada skala geser tergantung pada kasus penggunaan — bagaimana mereka ingin berinteraksi dengan pelanggan mereka.

Perhitungan ini penting karena ada kasus-kasus ekstrem yang merusak asumsi yang dibuat saat menggabungkan data dari beberapa profil.

“Selalu ada kasus-kasus ekstrem,” kata Krehbiel. “Satu orang memiliki banyak alamat email, tetapi terkadang satu alamat email memiliki banyak orang, bukan? Atau, saya mengetahui beberapa keluarga yang memiliki satu alamat email untuk seluruh keluarga. Secara umum, itu adalah kasus-kasus ekstrem yang tidak perlu terlalu Anda khawatirkan. Jika itu menyebabkan masalah, itu bukan masalah terbesar di dunia. Atau mungkin — tetapi Anda harus memikirkan hal-hal itu dalam kaitannya dengan kasus penggunaan Anda.”

Menggunakan skala kepercayaan ini akan membantu menentukan kemungkinan kesalahan salah satu poin data. Misalnya, alamat pos yang salah mungkin hanya menghasilkan perangko yang sia-sia untuk pengiriman surat langsung. Namun jika itu adalah bagian dari informasi akun pelanggan dan mereka melihat alamat yang salah, mereka mungkin memiliki kekhawatiran yang lebih besar tentang privasi dan cara perusahaan Anda mengelola data.

Sekali lagi, ini bergantung pada kasus penggunaan khusus untuk bisnis Anda. Contoh lain: Jika perusahaan Anda adalah layanan pengiriman makanan dan pelanggan Anda memiliki alergi kacang, ini adalah informasi penting yang perlu diperbaiki oleh perusahaan Anda.

Mengingat kasus penggunaan ini akan membantu tim Anda membuat keputusan paling percaya diri dalam mencocokkan pengidentifikasi, menggabungkan profil, dan, pada akhirnya, memberikan pengalaman terbaik kepada pelanggan Anda.

Daftar untuk Konferensi MarTech di sini.