１．従来のペルソナの問題点

通常、ペルソナは個人的な文脈から顧客が誰であるかという先入観に基づいているため、次のように見えます。

ペルソナを分かりやすいキャラクターにしてしまいがちですが、このように単純化しすぎると、それぞれにどのようなパーソナライズ体験を提供すべきかについての洞察が得られません。

実際のユーザー情報は、年齢や性別、居住地域だけではなく、デバイス固有の情報や行動、興味など、多くの情報が関係します。
ダニエルの場合を例に、プロフィール、潜在的な嗜好、サイトでの滞在時間などから、彼にとって最も理想的な体験とは何かを掘り下げてみましょう。

２．ケーススタディ

年齢：20歳
職業：学生
居住地：ニューヨーク

特徴的なバックグラウンド：
彼は最近、デザインを学ぶためにニューヨークに引っ越し、都会のライフスタイルに馴染んでいます。自分のスタイルを確立するために、ファッションはいつも個性的。デジタル全般を使いこなし、スマートフォンが手放せません。

買い物傾向と行動：
彼は友達から「ダニエルが好きそうなものがある」と勧められて、服やアクセサリーを探すためにサイトを訪れました。

直帰／離脱の理由：
彼は個性的で面白いものを見つけたいと思っているものの、予算は限られています。彼はいつも、探しているものを見つけられずにサイト内をあちこち見て回り、そのうち他のことに気を取られて離脱しています。

理想的な体験とは？

傾向として、ダニエルはサイトを集中して見ている時間が短く、時間をかけずに予算内で個性的な面白いものを見つけたいと考えています。つまり、彼の嗜好に合わせてセレクトされた商品を、モバイルで体験することが、満足のいく顧客体験の鍵となるのです。

ペルソナ設定において、仮説立てをする際のシーンを思い出してみてください。
具体的な事実ではなく、コンバージョンや収益に与える影響を分析しながら検証に適したオーディエンスロジックを具体化していってはいないでしょうか？

３．基本的なペルソナをリッチプロファイルへ

上記の情報を使用しても、特別な体験を提供するためのターゲット作成は依然として困難です。だからと言って顧客視点で考えたとしても、想像力に頼った、実際とはかけ離れたものになってしまいます。
そこで、データを活用してペルソナと個人の実際の属性を定義します。

以下を基準にすることで、個別のより深いプロファイルを様々な精度で情報を活用でき、データ量が多いほどより良くなります。

正確で高精度なオーディエンスを作成するためのオプションは無限にあり、ソース間を組み合わせることで、高度なセグメントの作成も可能です。

精度とサイズでランク分けされた、各データソースの内訳は次のとおりです。

データソースをバランスよく組み合わせ、規模と精度に比例した最大の関連性を生み出せるのが理想です。そこからペルソナの性格をリアルに定義することで、セグメントとして使用することができるのです。
本来の説明に基づくダニエルの情報から、以下のことが確認できます。

完璧なプロファイルを元に作られたペルソナが顧客体験デザインの中心にあることで、どのタッチポイントに、いつ、どのように影響を与えるのかを、より効果的にナビゲートします。
これらデータ駆動型のペルソナやマクロセグメントは、仮説ではなく実際の情報に基づいているため、ロードマップに沿いながら、潜在的なニーズを実際の体験として安定的に提供できるのです。

４．マクロレベルのアプローチをマイクロセグメンテーションに

主となるサブグループの顧客体験を調整することで小さなオーディエンスグループが出現し、エクスペリエンスの作成、最適化、および収益向上のための新たなビジネスチャンスの創出につなげることができます。また、ペルソナ化に基づくマクロレベルのアプローチからマイクロセグメンテーションに移行するには、多くの時間と工数、リソースを必要としますが、得られた結果からはより高い成果を生み出すことができます。

データ内のトレンドを分析し、観察することで、最も価値を提供しているミクロレベルで調整された顧客セグメントを特定して定義することができるため、収益向上を達成するための大きな一歩になります。今や購入者のプロファイル、サイト行動とその目的に関して多くの情報を得ることができるため、ターゲティングが非常に簡単になりました。一方で、それぞれの小さなセグメントに合わせてメッセージやコンテンツをカスタマイズし、顧客体験とフローを最適化する方法を慎重に考る必要があるという難題も。
しかし、Dynamic Yieldを活用することで、このプロセスを簡単に行うことができます。また、プレディクティブターゲティング機能を使用することで、異なるオーディエンス・セグメント間での体験のパフォーマンスやバリエーションをリアルタイムで分析し、施策規模に関わらず、個々のオーディエンスに最適なものを見出すことで、パーソナライズされたアプローチを実現します。

※この記事は、Dynamic Yield社による記事を引用・再構成しています。

一緒に読まれています