Hyperpersonalisering på nett

Denne tirsdagen, under arrangementet Business+ Ecommerce Lab 2026 – Strategisk Ecommerce: KI, logistikk og opplevelse for å selge bedre, deltar jeg i en rundebordssamtale der jeg skal prøve å bidra med mitt syn på dette med personalisering basert på digital markedsføring.

Noe som ikke er nytt, men som jeg har brukt i prosjekter i mer enn ti år, som du snart skal se. Men sannheten er at KI muliggjør enorm skala på nivået til gjennomsnittsbrukeren, noe som tidligere var vanskelig å få til. Det har faktisk endret seg.

Nedenfor gir jeg deg svaret mitt på hvert av de store punktene vi diskuterte i praten.

Hvilke organisatoriske og teknologiske evner er nødvendige for å gå fra enkel datainnsamling til intelligent aktivering i sanntid uten å skape operative problemer? (datastyring, samordning marketing-IT…)

Vanligvis er det verken et organisatorisk eller teknologisk spørsmål, men snarere et spørsmål om visjon. Om å analysere hvilke data vi har og hva som kan gjøres med dem.

En vanlig nettside eller app genererer milliarder av datapunkter. Noen samler du inn på én måte (server), andre på en annen (Google Analytics eller CRM), og andre samler du rett og slett ikke inn. Fordi de ikke interesserer deg, eller fordi du ikke har kommet på det, som er det som oftest skjer.

Så dette er ikke et verktøyproblem, men, som jeg sier, hovedsakelig et spørsmål om visjon. Og det første er å ha en.

Herfra må marketing, IT og business snakke sammen:

• Bestemme hva som må samles inn.
• Til hva.
• Hvordan det skal utføres teknisk.
• Hvordan dataene skal aktiveres.
• Og en ting som ofte glemmes: hvordan suksessen til handlingen skal måles.

Og det var det.

Lenger ned gir jeg flere eksempler på personalisering og svarer på disse fire spørsmålene i hvert av dem, men først vil jeg at du skal sitte igjen med én idé:

Total sanntid finnes ikke.

Og det er helt greit, fordi mange av disse aktiveringene og personaliseringene ikke trenger millisekunder, de trenger logikk og konsistens.

Hvordan brukes avansert analyse (prediktive modeller, machine learning, scoring) til å forutse kjøpsatferd og ikke bare reagere på den? (forlatt handlekurv, dynamisk prising…)

Det første er å skille analyse fra reporting. Reporting er en del av analyse og gjøres i alle mellomstore selskaper. Men analyse er mer. Og avansert analyse mye mer.

Å se at en bruker forlater checkout er ikke avansert analyse. Det er ikke engang analyse, etter mitt syn. Det er en hendelse som må utløse en handling, som en exit-intent popup eller utsending av en automatisk e-post. Da ville vi heller snakket om CRO.

Noe annet er når vi går inn i modeller som tilordner sannsynlighet til en bruker / kunde:

• Kjøpssannsynlighet.
• Sannsynlighet for frafall.
• Churn-sannsynlighet.

Å kontrollere og tildele slike scoringer gjør det mulig å handle før hendelsen skjer, med større sannsynlighet for suksess enn hvis tiltaket settes inn etterpå.

For eksempel kan en score for kjøpstilbøyelighet som aktiverer spesifikke tilbud eller innhold fungere veldig godt. Det samme med dynamisk pricing: å justere priser basert på etterspørsel, lager og atferd har direkte effekt hvis det er integrert i businessen.

I begge tilfeller er det vanskelige å skille “signalene” som beveger en bruker mot kjøp, fra resten som atferden hans etterlater oss. Når de først er oppdaget, er det relativt lett å aktivere dem.

I tillegg, etter min erfaring, fungerer enkle regler som er godt utført -som de basert på biaser- bedre enn andre mer komplekse og utspekulerte algoritmer.

Hvor ligger balansen mellom virkelig handlingsbar segmentering og analytisk kompleksitet som lammer gjennomføringen? (automatisering, kostnad, omnichannel…)

Her tror jeg at jeg går mot strømmen. Jeg sier det fordi jeg ser prosjekter som starter med enkel segmentering og gjør den stadig mer komplisert, og ender med hundrevis av mikrosegmenter som bidrar ganske lite.

I denne sammenhengen liker jeg å bruke segmenter fra testede metodikker som RFM og ikke bevege meg langt bort fra det. Jeg synes den er veldig godt tenkt ut og lar deg angripe brukergrupper som faktisk skiller seg fra hverandre.

Åpenbart språk og/eller land, må tas med i betraktningen, særlig på grunn av materiell og copy, mer enn på grunn av selve atferden, selv om det også teller.

Hvordan sikrer man en sammenhengende hyperpersonalisert opplevelse i alle kontaktpunkter —web, email, social, paid media, kundeservice— uten å bryte merkevarekonsistensen?

Jeg har tidligere snakket om hva omnikanalitet innebar i motsetning til multikanalitet. Hyperpersonalisering gjør dette mye mer komplisert. Derfor mener jeg at man ikke skal bli gal.

Et eksempel: hos Lowi, da vi gikk fra å tilby mobil til fiber, oppdaget vi at det fantes mer enn 100 ulike kundetilfeller ved upselling (én linje, flere linjer, like eller ulike, bedrifter, privatpersoner…). Dette var åpenbart uhåndterlig.

Hva gjorde vi? Vi valgte å tilby en rimelig god opplevelse for alle. Det fantes hyppigere tilfeller der opplevelsen ble pusset mer, men de merkelige ble alle gruppert under en akseptabel opplevelse, ikke den mest optimale.

Gjorde vi feil? Sett gjennom hyperpersonaliseringens prisme kan det virke slik, men å løse hvert tilfelle ett for ett på mest mulig optimal måte ville ha krevd en MYE større ressursinvestering enn de antatte fordelene. Det lønte seg ikke.

Derfor, slik jeg ser det, vinner konsistens og omnikanalitet alltid over personalisering. For hvis systemet ikke er perfekt justert, kan en bruker få én melding på email, en annen på web og enda en annen i butikken, noe som skaper mye mer friksjon enn om du ikke prøvde å personalisere noe i det hele tatt. 

Utfordringen er å personalisere konsekvent. Og det er ikke alltid mulig.

I tillegg finnes det en merkevarekomponent som ofte ignoreres. Ikke alt bør hyperpersonaliseres. Det finnes budskap som må være like for alle fordi de bygger posisjonering. Balansen ligger i å kombinere lag: sammenhengende merkevarebase pluss kontekstuell personalisering, det er det kompliserte.

Hvilke metrics viser at hyperpersonalisering virkelig påvirker konvertering, gjennomsnittlig ordreverdi og lojalitet, og hvordan beregnes ROI-en på en grundig måte?

Vel, på disse nivåene, selskaper som vurderer hyperpersonalisering, antas å ha alt som kommer før svært godt optimalisert. Og da blir det ikke store sprang, men små økninger.

Så siden du allerede er på et høyt nivå, gjøres endringer forsiktig, og siden du må eksperimentere, er A/B-tester vennene dine.

Og gjør deg klar til å se mange tester som ikke klarer å forbedre konverteringen eller mangler statistisk signifikans.

Det er normalt.

Dette når vi snakker om web eller app. Men hvis det handler om å gå fra å ikke ha automatisert email marketing til å sette opp godt segmenterte flyter og RFM, da endrer saken seg. Og da kan vi faktisk se tosifrede økninger i konvertering og kanalinntekter.

I tillegg til denne økningen vil sannsynligvis to andre KPI-er følge med:

• Andel tilbakevendende kunder.
• Total omsetning.

Årsaken er ingen annen enn repetisjonseffekten i reklame: du kommer til å være mye mer til stede i hodet til kunden din, og det er det beste som kan skje deg.

Når det gjelder ROI, vel, hvis du kjenner meg, vet du at jeg ikke er særlig tilhenger av denne metrikken bortsett fra når vi snakker om å selge digitale produkter eller opplæring. Så jeg ville lyve hvis jeg ga deg et tall, for jeg vet det ikke, og det bekymrer meg ikke. I personalisering, som med nesten alt i online-kanalen, holder det å gjøre ting godt, litt etter litt og med sunn fornuft.

Eksempler på personalisering som kan gi deg ideer

Dette er noen tilfeller vi har gjennomført i prosjekter i ulike kanaler og formater.

Komplett flow: kanaler + web

Dette har hittil vært det største personaliseringsarbeidet jeg har deltatt i. Og det var et veldig ambisiøst prosjekt som omfattet:

• Nettsiden.
• Landing pages.
• Kundeområdet.
• Alle kampanjer og markedsføringskanaler.
• Callcenteret (agenten så nøyaktig det samme som kunden).

Hele brukerreisen, fra han så oss (display) eller søkte etter oss (SEM), til han bestilte eller ringte callcenteret.

Og når jeg sier web, mener jeg ikke en liten melding her og en annen der. Nei. Hele websiden ble personalisert:

Kort sagt, et kjempeprosjekt, for nå vil du se alle variablene vi kunne ta hensyn til, som på grunn av sektoren er svært forskjellige fra de vanlige.

Variabler

• Operatør som brukeren surfer fra:
• Kunde i selskapet.
• Fra et annet selskap i gruppen
• Fra konkurrenten.
• Kontrakterte tjenester.
• Har fiberdekning.
• Har ADSL-dekning.
• Besøk på landingsider for priser.
• Tjenester av interesse.
• Antall besøk på nettsiden.
• Besøk i kundeområdet.
• Om han er kunde, om han har bindingstid.
• Innsetting av dynamiske keywords: de eksakte som brukeren bruker i SEM, viser vi på websiden.
• Om brukeren kommer fra sammenligningstjenester (Idealo, Rastreator).
• Sett displaykampanje: replikeres på websiden.

Som du ser, er det ikke vanlig å ha all denne typen data i et hvilket som helst webprosjekt.

Måling

Kompleks øvelse:

• Måling før og etter personaliseringsøvelsen.
• Google Analytics.
• AdServer.
• Skreddersydd avansert analyse.

CRM

Her er en liste over alle de personaliserte emailene vi sendte den gangen i Yo pongo el hielo:

Email marketing for ecommerce.

Å legge til disse segmenterte emailene, sammen med den daglige emailen, var en game-changer i prosjektet. De to variablene jeg nevnte tidligere, gjentakelse og omsetning, skjøt i været.

Variabler

Mange, selv om færre enn før:

• Kjønn.
• Alder og bursdag.
• RFM (antall bestillinger, dato og beløp).
• Kjøpte produkter.
• Foretrukket kategori.
• Andre foretrukne kategori.
• Produkter sett av brukeren.
• Produkter som er mest sett av andre brukere på nettsiden.

Og sikkert noen flere som jeg glemmer.

Måling

Emailserver:

• Leveringsdyktighet.
• Antall sendte emailer.
• Avmeldinger.

Google Analytics:

• Trafikk fra taggede lenker.
• Inntekter.

Ecommerce

Modul med brukerens sist viste produkter

Enkel og effektiv. Denne modulen minner brukeren om produktene han nylig har sett, slik at vi treffer ham på nytt med noe som i utgangspunktet allerede fanger oppmerksomheten hans.

Variabler

Produkter sett av brukeren.

Måling

Event i GA4.

Sosiale medier

Personalisert materiell for målgrupper i Lowi (ulike figurer, fotballag…). Det påvirket ikke resultatene særlig mye, så innsatsen lønte seg ikke.

Variabler

Interesser og sosiodemografiske data, hvis jeg husker riktig.

Måling

Plattform for Facebook Ads (det var ikke Meta ennå).

Konklusjoner

Personalisering er ikke et spørsmål om verktøy, men om analyse og om å vite hva man skal gjøre med dataene. Uten det samler du data – ikke engang informasjon – som du ikke gjør noe med.

En annen myte som må rives ned, er at sanntid er overvurdert. I de fleste tilfeller er det viktige ikke hastighet eller umiddelbarhet, men forretningslogikken bak.

Innen analyse er det mer nyttig den som lar deg handle tidligere med kundene dine, enn den som forklarer hva som allerede har skjedd.

Et annet viktig punkt er at å komplisere segmenteringen vanligvis er en feil. Bedre med få godt differensierte segmenter (bruk RFM) enn mange lite brukbare fordi de er for like.

På den andre siden kan ikke alt personaliseres. Hvis du bryter konsistensen mellom markedsførings- eller salgskanaler, forverrer du opplevelsen.

På visse nivåer endrer ikke hyperpersonalisering businessen over natten, men hjelper med små økninger.

Til slutt vil jeg si at hvis du vil personalisere, bør du tenke på mindre kompleksitet og mer gjennomføring.