Hyperpersonalisering på webben

Den här tisdagen, inom ramen för eventet Business+ Ecommerce Lab 2026 – Strategisk Ecommerce: AI, logistik och upplevelse för att sälja bättre, deltar jag i ett rundabordssamtal där jag ska försöka bidra med min syn på det här med personalisering baserad på digital marknadsföring.

Något som inte är nytt, utan som jag har tillämpat i projekt i mer än tio år, som du snart kommer att se. Men sanningen är att AI möjliggör enorm skala på genomsnittlig användarnivå, något som tidigare var svårt att uppnå. Det har faktiskt förändrats.

Nedan får du mitt svar på var och en av de stora punkterna vi diskuterade i samtalet.

Vilka organisatoriska och tekniska förmågor är avgörande för att gå från enkel datainsamling till intelligent realtidsaktivering utan att skapa operativa problem? (datastyrning, samordning mellan marketing och IT…)

I allmänhet är det varken en organisatorisk eller teknisk fråga, utan snarare en fråga om vision. Om att analysera vilka data vi har och vad man kan göra med dem.

En vanlig webbplats eller app genererar miljarder datapunkter. Vissa samlar du in på ett sätt (server), andra på ett annat (Google Analytics eller CRM) och andra samlar du helt enkelt inte in. För att de inte intresserar dig eller för att det inte har slagit dig, vilket är det som oftast händer.

Så detta är inte ett verktygsproblem, utan, som jag säger, främst en fråga om vision. Och det första är att ha en.

Härifrån måste marketing, IT och business prata med varandra:

• Bestämma vad som behöver samlas in.
• För vad.
• Hur det ska genomföras tekniskt.
• Hur datan ska aktiveras.
• Och en sak som ofta glöms bort: hur framgången för åtgärden ska mätas.

Och klart.

Längre fram ger jag flera exempel på personalisering och svarar på dessa fyra frågor i vart och ett av dem, men först vill jag att du tar med dig en idé:

Total realtid finns inte.

Och det är inget problem, eftersom många av dessa aktiveringar och personaliseringar inte behöver millisekunder, utan logik och konsekvens.

Hur används avancerad analys (prediktiva modeller, machine learning, scoring) för att förutse köpbeteenden och inte bara reagera på dem? (övergiven kundvagn, dynamisk prissättning…)

Det första är att skilja analys från reporting. Reporting är en del av analys och görs i alla medelstora företag. Men analys är mer. Och avancerad analys mycket mer.

Att se att en användare överger checkout är inte avancerad analys. Det är inte ens analys, enligt mig. Det är en händelse som ska trigga en åtgärd, som en popup för exit-intent eller utskick av ett automatiskt email. Då skulle vi snarare prata om CRO.

En annan sak är när vi går in i modeller som tilldelar sannolikhet till en användare / kund:

• Köpsannolikhet.
• Sannolikhet för avhopp.
• Churn-sannolikhet.

Att kontrollera och tilldela sådana scoringmodeller gör det möjligt att agera innan händelsen sker, med större chans till framgång än om åtgärden utförs efteråt.

Till exempel kan en köppropensitetsscore som aktiverar specifika erbjudanden eller innehåll fungera mycket bra. Samma sak med dynamisk pricing: att justera priser utifrån efterfrågan, lager och beteende har direkt påverkan om det är integrerat i affären.

I båda fallen är det svåra att skilja de “signaler” som driver en användare mot köp, från resten som beteendet lämnar efter sig. När de väl upptäckts är det relativt lätt att aktivera dem.

Dessutom fungerar, enligt min erfarenhet, enkla regler som utförs väl -som de som bygger på biaser- bättre än andra mer komplexa och krångliga algoritmer.

Var ligger balansen mellan verkligt handlingsbar segmentering och analytisk komplexitet som lamslår genomförandet? (automatisering, kostnad, omnichannel…)

Här tror jag att jag går mot strömmen. Jag säger det eftersom jag ser projekt som börjar med enkel segmentering och gör den allt mer komplicerad, för att till slut hamna med hundratals mikrosegment som tillför rätt lite.

I den meningen gillar jag att använda segment från beprövade metoder som RFM och inte röra mig långt därifrån. Jag tycker att den är mycket väl genomtänkt och gör det möjligt att rikta sig till användargrupper som faktiskt skiljer sig från varandra.

Självklart språk och/eller land, måste beaktas, framför allt för material och copy, mer än för själva beteendet, även om det också spelar roll.

Hur garanterar man en sammanhängande hyperpersonaliserad upplevelse i alla kontaktpunkter —webb, email, social, paid media, kundservice— utan att bryta varumärkeskonsekvensen?

Jag har tidigare redan pratat om vad omnikanalitet innebar i motsats till multikanalitet. Hyperpersonalisering gör detta mycket mer komplicerat. Därför tycker jag att man inte ska bli galen.

Ett exempel: på Lowi, när vi gick från att erbjuda mobil till fiber, upptäckte vi att det fanns fler än 100 olika kundfall vid upselling (en linje, flera linjer, lika eller olika, företag, privatpersoner…). Det var uppenbart ohanterligt.

Vad gjorde vi? Vi valde att erbjuda en rimligt bra upplevelse för alla. Det fanns mer frekventa fall vars upplevelse slipades mer, men de märkligaste grupperades under en acceptabel upplevelse, inte den mest optimala.

Gjorde vi fel? Genom hyperpersonaliseringens prisma kan det verka så, men att lösa varje fall ett och ett på mest optimalt sätt hade krävt en MYCKET större resursinvestering än de förmodade fördelarna. Det kompenserade inte.

Därför, enligt mig, vinner konsekvens och omnikanalitet alltid över personalisering. För om systemet inte är perfekt trimmat kan en användare få ett budskap via email, ett annat på webben och ett tredje i butiken, vilket skapar mycket mer friktion än om du inte försökte personalisera något alls. 

Utmaningen är att personalisera konsekvent. Och det är inte alltid möjligt.

Dessutom finns det en varumärkeskomponent som ofta ignoreras. Allt ska inte hyperpersonaliseras. Det finns budskap som måste vara lika för alla eftersom de bygger positionering. Balansen ligger i att kombinera lager: sammanhängande varumärkesbas plus kontextuell personalisering, det är det svåra.

Vilka mätetal visar att hyperpersonalisering verkligen påverkar konvertering, snittorder och lojalitet, och hur beräknas dess ROI på ett strikt sätt?

Jo, på dessa nivåer antas företag som överväger hyperpersonalisering ha optimerat allt som kommer före mycket väl. Och då blir det inga stora språng, utan små ökningar.

Så eftersom du redan är på en hög nivå görs förändringar försiktigt och, eftersom du behöver experimentera, är A/B-tester dina vänner.

Och var beredd på att se många tester som inte förbättrar konverteringen eller saknar statistisk signifikans.

Det är normalt.

Detta gäller webben eller appen. Men om det handlar om att gå från att inte ha automatiserad email marketing till att sätta upp välsegmenterade flöden och RFM, då förändras saken. Och då kan vi faktiskt se tvåsiffriga ökningar i konvertering och kanalintäkter.

Utöver denna ökning kommer troligen två andra KPI:er:

• Andel återkommande kunder.
• Total omsättning.

Anledningen är inget annat än repetitionseffekten i reklam: du lyckas vara mycket mer närvarande i kundens huvud, vilket är det bästa som kan hända dig.

När det gäller ROI, ja, om du känner mig vet du att jag inte är särskilt förtjust i detta mätetal utom när vi pratar om att sälja digitala produkter eller utbildning. Så jag skulle ljuga om jag gav dig en siffra, för jag vet den inte och den oroar mig inte. I personalisering, som med nästan allt i onlinekanalen, räcker det att göra saker bra, steg för steg och med sunt förnuft.

Exempel på personalisering som kan ge dig idéer

Det är några fall vi har genomfört i projekt i olika kanaler och format.

Komplett flöde: kanaler + webb

Detta har hittills varit det största personaliseringsarbete jag deltagit i. Och det var ett mycket ambitiöst projekt som omfattade:

• Webbplatsen.
• Landing pages.
• Kundområdet.
• Alla marknadsföringskampanjer och kanaler.
• Callcentret (agenten såg exakt samma sak som kunden).

Användarens hela journey, från det att han såg oss (display) eller sökte efter oss (SEM), tills han tecknade avtal eller ringde callcentret.

Och när jag säger webben menar jag inte ett litet meddelande här och ett annat där. Nej. Hela webben personaliserades:

Kort sagt, ett jätteprojekt, för nu kommer du att se alla variabler vi kunde ta hänsyn till, som på grund av sektorn är mycket annorlunda än vanligt.

Variabler

• Operatör som användaren surfar från:
• Kund hos företaget.
• Från ett annat bolag i gruppen
• Från konkurrenten.
• Avtalade tjänster.
• Har fibertäckning.
• Har ADSL-täckning.
• Besök på landing pages för priser.
• Tjänster av intresse.
• Antal besök på webbplatsen.
• Besök i kundområdet.
• Om han är kund, om han har bindningstid.
• Infogning av dynamiska keywords: de exakta som användaren använder i SEM visar vi på webben.
• Om användaren kommer från jämförelsesajter (Idealo, Rastreator).
• Visad displaykampanj: replikeras på webben.

Som du ser är det inte vanligt i vilket webbprojekt som helst att ha all denna typ av data.

Mätning

Komplex övning:

• Mätning före och efter personaliseringsövningen.
• Google Analytics.
• AdServer.
• Skräddarsydd avancerad analys.

CRM

Här är en lista över alla personaliserade email vi skickade vid den tiden på Yo pongo el hielo:

Email marketing för ecommerce.

Att lägga till dessa segmenterade email, tillsammans med det dagliga emailet, var en game-changer i projektet. De två variablerna jag nämnde tidigare, återköp och omsättning, sköt i höjden.

Variabler

Många, även om färre än tidigare:

• Kön.
• Ålder och födelsedag.
• RFM (antal beställningar, datum och belopp).
• Köpta produkter.
• Föredragen kategori.
• Andra föredragna kategori.
• Produkter som användaren har tittat på.
• Produkter som andra användare har tittat mest på på webbplatsen.

Och säkert någon mer som jag glömmer.

Mätning

Emailserver:

• Leveransbarhet.
• Antal skickade email.
• Avregistreringar.

Google Analytics:

• Trafik från taggade länkar.
• Intäkter.

Ecommerce

Modul med användarens senast visade produkter

Enkel och effektiv. Denna modul påminner användaren om de produkter han nyligen har tittat på, så att vi återexponerar honom för något som i princip fångar hans uppmärksamhet.

Variabler

Produkter som användaren har tittat på.

Mätning

Event i GA4.

Sociala medier

Personaliserat material för målgrupper på Lowi (olika karaktärer, fotbollslag…). Det påverkade inte resultaten särskilt mycket, så insatsen var inte värd det.

Variabler

Intressen och sociodemografi, om jag minns rätt.

Mätning

Plattform för Facebook Ads (det var inte Meta ännu).

Slutsatser

Personalisering är inte en fråga om verktyg, utan om analys och om att veta vad man ska göra med data. Utan det samlar du data – inte ens information – som du inte gör något med.

En annan myt som måste rivas är att realtid är överskattat. I de flesta fall är det viktiga inte hastighet eller omedelbarhet, utan affärslogiken bakom.

Inom analys är det mer användbart den som låter dig agera tidigare med dina kunder, än den som förklarar vad som redan har hänt.

En annan viktig punkt är att att komplicera segmenteringen oftast är ett misstag. Hellre få väl differentierade segment (använd RFM) än många knappt användbara eftersom de är för lika.

Å andra sidan kan inte allt personaliseras. Om du bryter konsekvensen mellan marknadsförings- eller försäljningskanaler försämrar du upplevelsen.

På vissa nivåer förändrar hyperpersonalisering inte affären på en gång, utan hjälper med små ökningar.

I slutändan skulle jag säga att om du vill personalisera, tänk på mindre komplexitet och mer genomförande.