اوبر چطور با مارکتینگ اتومیشن میلیاردها پیام را شخصیسازی میکند؟
وقتی تعداد کاربران یک کسبوکار به میلیونها نفر میرسد، دیگر سؤال اصلی این نیست که «چه پیامی برای مشتریها بفرستیم؟». مسئله مهمتر این است که کدام کاربر باید چه پیامی را، در چه زمانی و از چه کانالی دریافت کند.
اوبر برای حل همین مسئله، زیرساختی برای شخصیسازی ارتباطات خارج از اپلیکیشن ساخته است؛ از ایمیل و پیامک گرفته تا پوش نوتیفیکیشن. سیستم شخصیسازی اوبر در سال ۲۰۲۴ بیش از ۴ میلیارد پیام شخصیسازیشده را در بازارها و خطوط کسبوکار مختلف مدیریت میکرد.
اما نکته جالب این نمونهکاوی فقط مقیاس اوبر نیست. بسیاری از منطقهایی که این برند برای ارتباط با مشتری استفاده میکند، با ابزارهای مارکتینگ اتومیشن مثل زبلاین نیز در مقیاس کسبوکارهای ایرانی قابل اجرا هستند.
چالش اوبر؛ وقتی ارسال بیشتر، الزاماً ارتباط بهتر نمیسازد
با رشد Uber Eats، تیمهای مختلف بازاریابی، محصول و عملیات شروع به ارسال پوش نوتیفیکیشن برای کاربران کردند. تا پایان سال ۲۰۲۰، حجم این پیامها به میلیاردها نوتیفیکیشن در ماه رسیده بود.
این حجم بالا مشکلاتی هم ایجاد کرد؛ بعضی کاربران چند پیام را در فاصله کوتاه دریافت میکردند، پیامها گاهی با هم تداخل داشتند و شخصیسازی زمان و تعداد ارسال محدود بود. حتی هماهنگی دستی این کمپینها برای بعضی اعضای تیم تا ۱۵ ساعت در هفته زمان میگرفت.
این دقیقاً یکی از مسائلی است که مارکتینگ اتومیشن قرار است حل کند: بهجای اینکه هر کمپین مستقل از بقیه اجرا شود، ارتباطات مشتری در قالب یک مسیر مشخص مدیریت شوند.
در زبلاین، این منطق از طریق طراحی سفر مشتری قابل پیادهسازی است؛ یعنی میتوان مشخص کرد هر کاربر بر اساس رفتار و مرحلهای که در آن قرار دارد، وارد چه مسیر ارتباطی شود.
اوبر فقط نمیپرسد «چه پیامی بفرستیم؟»
اوبر برای مدیریت پوش نوتیفیکیشنها سیستمی ایجاد کرد که میان پیامهای آماده ارسال و دستگاه کاربر قرار میگیرد.
این سیستم فقط محتوای پیام را بررسی نمیکند؛ بلکه محدودیتهایی مثل تعداد مجاز پیام در روز، فاصله میان دو نوتیفیکیشن، زمان پایان پیشنهاد، ساعت ارسال و حتی باز بودن رستوران را هم در تصمیمگیری وارد میکند.
بنابراین یک پیام ممکن است آماده ارسال باشد، اما سیستم تصمیم بگیرد الان زمان مناسبی برای ارسال آن نیست.
این مفهوم در زبلاین هم اهمیت زیادی دارد. با قابلیت مدیریت زمان در اتومیشن میتوان زمانبندی و فاصله بین اقدامات مختلف در Journey را مدیریت کرد تا کاربر در زمان نامناسب یا با تعداد پیام بیش از حد مواجه نشود.
هر کاربر باید در سگمنت درست قرار بگیرد
یکی دیگر از پایههای سیستم اوبر، شناخت تفاوت میان کاربران است.
کاربری که هر هفته سفارش غذا ثبت میکند، با فردی که چند ماه است از Uber Eats استفاده نکرده رفتار یکسانی ندارد. سابقه سفارش، تعاملات قبلی و علایق کاربر از جمله دادههایی هستند که اوبر برای انتخاب پیشنهاد مناسبتر استفاده میکند.
در مقیاس کسبوکارهای ایرانی نیز نقطه شروع همین است: همه کاربران نباید یک پیام واحد دریافت کنند.
با بخشبندی مشتریان در زبلاین میتوان کاربران را بر اساس ویژگیها، تعاملات، رفتار خرید و سایر دادهها در گروههای مختلف قرار داد.
برای مثال یک کسبوکار میتواند سگمنتهایی مثل این بسازد:
مشتری تازهوارد
مشتری پرتکرار
مشتری با ارزش خرید بالا
کاربر کمفعالیت
مشتری در معرض ریزش
از این مرحله به بعد، هر گروه میتواند Journey و پیام متفاوتی داشته باشد.
شخصیسازی واقعی؛ فراتر از آوردن نام مشتری در پیام
اوبر در سیستم پیشنهاددهی خود از دادههای رفتاری برای انتخاب رستورانها و پیشنهادهای مرتبطتر استفاده میکند.
برای مثال، این شرکت یک تصویر خلاصه از ترجیحات غذایی کاربر بر اساس تاریخچه سفارشهای او ایجاد کرده است. رفتارهای جدیدتر نیز وزن بیشتری دارند تا تغییر علایق کاربر در طول زمان در سیستم دیده شود.
در یکی از آزمایشهای اوبر، اضافه کردن این اطلاعات به مدل رتبهبندی پیشنهادها باعث ۴ درصد افزایش نرخ کلیک ایمیل شد.
این مثال نشان میدهد شخصیسازی فقط این نیست که در ابتدای ایمیل بنویسیم «سلام پانتئا!».
شخصیسازی واقعی یعنی محتوای پیام بر اساس چیزی که درباره رفتار و نیاز کاربر میدانیم تغییر کند.
در زبلاین، این منطق از طریق طراحی کمپین و شخصیسازی محتوا قابل اجراست؛ یعنی میتوان محتوای ارتباط را برای گروههای مختلف مشتری متناسبتر طراحی کرد.
زمان مناسب هم به اندازه پیام مناسب اهمیت دارد
اوبر برای انتخاب زمان ارسال نیز از رفتار کاربران استفاده میکند. مدل این شرکت عواملی مانند ساعت روز، روز هفته، سابقه سفارش و سابقه تعامل با نوتیفیکیشنها را بررسی میکند تا احتمال اقدام کاربر پس از دریافت پیام را تخمین بزند.
در واقع، یک پیام مناسب اگر در زمان نامناسب ارسال شود، ممکن است نتیجه مطلوبی نداشته باشد.
برای مثال ممکن است یک فروشگاه اینترنتی بخواهد بعد از رها شدن سبد خرید بلافاصله پیام نفرستد، بلکه ابتدا مدتی منتظر بماند و فقط اگر خرید تکمیل نشد، مرحله بعدی Journey فعال شود.
ساختار میتواند به این شکل باشد:
۱. کاربر محصول را به سبد خرید اضافه میکند
↓
۲. خرید تکمیل نمیشود
↓
۳. مدت مشخصی صبر میکنیم
↓
۴. وضعیت خرید دوباره بررسی میشود
↓
۵. در صورت تکمیل نشدن خرید، پیام یادآوری ارسال میشود
این نوع سناریوها را میتوان با طراحی Jorurney در زبلاین و ابزارهای زمانبندی اجرا کرد.
حتی یک پیام خوب هم باید تست شود
اوبر شخصیسازی را به اجزای خود ایمیل هم رسانده است.
در سیستم CRM این شرکت، عنوان ایمیل و متن پیشنمایش میتوانند برای کاربران مختلف بهینه شوند. اوبر بهجای اینکه فقط یک نسخه ثابت را برای همه انتخاب کند، از دادههای رفتاری برای پیدا کردن نسخه مناسبتر استفاده میکند.
این شرکت اشاره میکند که یک A/B Test سنتی برای مقایسه فقط دو یا سه نسخه ممکن است حدود ۴ تا ۶ هفته زمان ببرد؛ به همین دلیل در مقیاس خود از مدلهای پیچیدهتری برای آزمایش تعداد زیادی نسخه استفاده کرده است.
کسبوکارها الزاماً به زیرساخت یادگیری ماشین اوبر نیاز ندارند تا همین منطق را وارد کمپینهایشان کنند.
با قابلیت آزمون A/B در زبلاین میتوان نسخههای مختلف یک مسیر یا پیام را آزمایش کرد و بر اساس عملکرد واقعی کاربران، گزینه مناسبتر را انتخاب کرد.
ماجرا با ارسال پیام تمام نمیشود
یکی از مهمترین بخشهای مارکتینگ اتومیشن، اندازهگیری اتفاقی است که بعد از ارسال پیام رخ میدهد.
اوبر تعامل کاربران با ارتباطات خود را ثبت میکند و این دادهها دوباره در بهبود مدلها و ارتباطات بعدی استفاده میشوند.
در یک سیستم بازاریابی دادهمحور نیز چرخه باید چیزی شبیه این باشد:
۱. ثبت رفتار کاربر
↓
۲. دستهبندی کاربر
↓
۳. اجرای Journey
↓
۴. ارسال پیام مناسب
↓
۵. ثبت تعامل و تبدیل
↓
۶. تحلیل نتیجه و بهینهسازی
در زبلاین، گزارشهای تحلیلی برای بررسی عملکرد کمپینها و رفتار کاربران در دسترساند. همچنین از طریق قابلیتهای رهگیری میتوان بررسی کرد کاربر بعد از دریافت پیام چه اقدامی انجام داده است.
تجربه اوبر چه ربطی به یک کسبوکار ایرانی دارد؟
ممکن است در نگاه اول تصور شود Case Study اوبر فقط برای کسبوکارهایی با صدها میلیون کاربر کاربرد دارد. اما مسئله اصلی به مقیاس مربوط نیست.
اصل ماجرا این است:
یک مشتری ≠ همه مشتریها
یک فروشگاه با پنجاه هزار کاربر هم همان مسئلهای را دارد که اوبر در مقیاس بسیار بزرگتر با آن مواجه است: کاربران رفتار متفاوتی دارند و باید ارتباط متفاوتی هم دریافت کنند.
فرض کنید یک کسبوکار حملونقل آنلاین سه نوع کاربر دارد:
مشتریای که مرتب از سرویس استفاده میکند.
مشتریای که قبلاً فعال بوده اما مدتی است برنگشته.
کاربری که ثبتنام کرده اما هنوز اولین سفارش را انجام نداده است.
فرستادن یک پیام مشابه برای این سه نفر، بخش بزرگی از اطلاعاتی را که از رفتارشان داریم نادیده میگیرد.
زبلاین برای کسبوکارهای این حوزه نیز راهکار مارکتینگ اتومیشن ویژه حملونقل و لجستیک ارائه میکند تا ارتباطات مشتری بر اساس رفتار و مرحله چرخه عمر او مدیریت شود.
اگر بخواهیم منطق اوبر را در زبلاین اجرا کنیم چه شکلی میشود؟
قرار نیست سیستم اختصاصی اوبر را عیناً بازسازی کنیم. اما میتوان منطق پشت آن را به یک Journey عملی تبدیل کرد.
مثلاً برای بازگرداندن مشتری غیرفعال:
۱. شناسایی کاربرانی که در ۶۰ روز گذشته خرید نداشتهاند
↓
۲. ورود خودکار آنها به یک سگمنت
↓
۳. شروع Journey بازگشت مشتری
↓
۴. ارسال پیام متناسب با سابقه و رفتار کاربر
↓
۵. انتظار برای تعامل
↓
۶. بررسی خرید یا عدم خرید
↓
۷. ادامه مسیر یا خروج کاربر از Journey
اینجا چند قابلیت زبلاین همزمان کنار هم قرار میگیرند:
بخشبندی مشتریان برای پیدا کردن گروه هدف، طراحی سفر مشتری برای ساخت سناریو، مدیریت زمان در اتومیشن برای کنترل فاصله اقدامات و گزارشهای تحلیلی برای اندازهگیری نتیجه.
درس اصلی اوبر برای مارکتینگ اتومیشن چیست؟
مهمترین نکته این Case Study تکنولوژی پیچیده اوبر نیست؛ تغییر نگاه به ارتباط با مشتری است.
در مدل سنتی، سؤال تیم بازاریابی این است:
«این هفته چه کمپینی برای دیتابیس بفرستیم؟»
اما در یک مدل مبتنی بر مارکتینگ اتومیشن، سؤال تغییر میکند:
«این کاربر الان چه رفتاری داشته، در چه مرحلهای قرار دارد و بهترین اقدام بعدی برای او چیست؟»
این همان تغییری است که زبلاین تلاش میکند در فرآیند بازاریابی ایجاد کند؛ حرکت از ارسالهای عمومی و دستی به سمت ارتباطات رفتاری، خودکار و قابلاندازهگیری.
جمعبندی
اوبر نشان میدهد وقتی داده، شخصیسازی، زمانبندی و اتوماسیون کنار هم قرار بگیرند، ارتباط با مشتری میتواند از یک مجموعه کمپین جداگانه به یک سیستم منظم تصمیمگیری تبدیل شود.
سیستمهای اوبر اختصاصی این شرکت هستند و زبلاین همان زیرساخت فنی یا مدلهای یادگیری ماشین اوبر را ارائه نمیدهد. اما اصولی که پشت این تجربه قرار دارند، مثل بخشبندی کاربران، طراحی Journey، شخصیسازی پیام، کنترل زمان ارسال، تست و تحلیل عملکرد در زبلاین قابل اجرا هستند. قابلیتهای اصلی زبلاین نیز دقیقاً حول همین اجزای مارکتینگ اتومیشن طراحی شدهاند.
اگر میخواهید ببینید این منطق چطور میتواند برای دادهها، مشتریان و سناریوهای واقعی کسبوکار شما اجرا شود، میتوانید درخواست دموی زبلاین ثبت کنید.