معرفی تابع افسانه‌ای Affinity در WebEngage

هر کاربری ترجیحاتی دارد. ژانر فیلمی که همیشه به سراغش می‌رود. دسته‌بندی محصولی که بدون هیچ محرکی آن را مرور می‌کند. سبک غذایی که معمولاً برای خودش سفارش می‌دهد. به عنوان یک Growth Marketer، شما همیشه می‌دانستید که این ترجیحات در قالب قصد کاربر (User Intent) یا همان Affinity وجود دارند و همیشه می‌خواستید بر اساس آن‌ها اقدام کنید. با این حال، برای اینکه حتی کمی به اجرای درست این کار نزدیک شوید، باید می‌جنگیدید.

دیگر نیازی به این دردسرها نیست. ما با هیجان زیاد، از تابع افسانه‌ای Affinity در WebEngage رونمایی می‌کنیم!

اجازه دهید این موضوع را در مقایسه با سگمنتیشنِ مبتنی بر Affinity شفاف کنم. بسیاری از پلتفرم‌های مدرن CDP/CEP (از جمله WebEngage) به شما اجازه می‌دهند Affinity-based Segments بسازید؛ مثلاً می‌توانید مخاطبانی بسازید از «کاربرانی که عمدتاً فیلم‌های هیجانی می‌بینند» یا «کاربرانی که بیشتر غذای ایتالیایی سفارش می‌دهند». در حالی که این نوع سگمنتیشن به نوبه خود مفید است، اما همچنان یک «خوشه» (Cluster) از کاربران است. شما می‌توانید برای این کاربران کمپین اجرا کنید یا آن‌ها را به روشی خاص تحلیل کنید.

اما نمی‌توانید شخصی‌سازی ۱:۱ (1:1 Personalization) را بر اساس قصد (Intent) آن‌ها اجرا کنید. پروفایل‌های کاربری (User Profiles) شما بدون اینکه در طول زمان با رفتار کاربر غنی‌سازی شوند، ثابت باقی می‌مانند.

تابع Affinity ما برای پر کردن این خلأ، مجموعه جدیدی از Derived Attributes را در پروفایل کاربران ایجاد، ذخیره و آپدیت (Refresh) می‌کند.

جایگاه Affinity کجاست؟

اگر قبلاً از Derived Attributes استفاده نکرده‌اید، توضیح کوتاهش این است: آن‌ها اتریبیوت‌های کاربریِ ازپیش‌محاسبه‌شده‌ای هستند که با استفاده از پروفایل کاربری موجود و داده‌های رفتاری ساخته می‌شوند. این اتریبیوت‌ها ذخیره شده و به طور مداوم آپدیت می‌شوند. برای فعال‌سازی این غنی‌سازیِ پروفایل بر اساس قصد کاربر (User Intent-based Profile Enrichment)، نیازی به ETL، Data Pipelines یا تخلیه داده‌ها (Data Dumps) ندارید.

تابع Affinity به لیست در حال رشدِ توابع تجمیعی (Aggregation Functions) ما در Derived Attributes مانند Sum، Average، Max، Min و Count می‌پیوندد که همگی روی داده‌های عددی کار می‌کنند. این توابع می‌توانند به شما بگویند یک نفر چقدر خرج کرده، چند وقت یک‌بار اپلیکیشن را باز کرده یا بالاترین ارزش یک سفارش او چقدر بوده است. اما هیچ‌کدام نمی‌توانند به شما بگویند یک کاربر چه چیزی را ترجیح می‌دهد (PREFERS). این کار به نوع متفاوتی از توانمندی نیاز دارد و این دقیقاً همان چیزی است که Affinity برای آن ساخته شده است.

این ویژگی چگونه کار می‌کند: راهنمای گام‌به‌گام برای سنجش User Intent با مثال

فرض کنید شما یک پلتفرم استریم ویدیو (Streaming Platform) را مدیریت می‌کنید. شما می‌خواهید یک Derived Attribute به نام Favourite Genre (ژانر مورد علاقه) برای هر کاربر بسازید که از تاریخچه تماشای فیلم او در ۳۰ روز گذشته محاسبه می‌شود. همین منطق در هر صنعتی صدق می‌کند. فقط کافی است اکشن یا فعالیت (مثلاً تماشای فیلم) و اتریبیوتی (مثلاً ژانر مورد علاقه) که می‌خواهید ردیابی کنید را تغییر دهید.

1. به WebEngage بگویید به چه اکشنی و تا چه زمانی در گذشته نگاه کند: اکشن کاربری که می‌خواهید تحلیل کنید را انتخاب کنید (که در این مورد movie completed است) و سپس یک بازه زمانی، مثلاً ۳۰ روز، تعیین کنید. 
2. متد Affinity را به عنوان روش محاسبه انتخاب کنید و تعیین کنید روی چه چیزی اندازه‌گیری شود: در منوی کشویی، تابع ()affinity را انتخاب کرده و ویژگی رویداد (Event Property مانند Genre) را برای تحلیل مشخص کنید.
3. آن را ذخیره کنید. WebEngage بقیه کارها را انجام می‌دهد: اتریبیوت را ذخیره کنید. WebEngage اکنون Favourite Genre را برای هر کاربر به طور خودکار محاسبه کرده و با تغییر رفتار آن‌ها، آن را به‌روز نگه می‌دارد. نیازی به رفرش دستی نیست.

چگونه می‌توانید از اتریبیوت‌های Affinity استفاده کنید؟

پس از محاسبه شدن Favourite Genre (یا هر اتریبیوت مبتنی بر Affinity)، این ویژگی در User Profile ذخیره شده و در سراسر پلتفرم در دسترس است.

1. غنی‌سازی پروفایل (Profile Enrichment): اکنون هر پروفایل کاربری تصویر غنی‌تر و واقعی‌تری از اینکه آن‌ها چه کسی هستند به همراه دارد. به جای لاگ‌های رفتاری خام، شما یک درکِ محاسبه‌شده دارید: این کاربر غذای ایتالیایی را ترجیح می‌دهد، این کاربر خریدار کتانی (Sneakers) است، این کاربر فیلم ترسناک می‌بیند. این اتریبیوت‌ها با تغییر رفتار کاربر به‌طور خودکار آپدیت می‌شوند؛ بدون نیاز به آپدیت دستی و بدون داده‌های تاریخ‌گذشته.
2. سگمنتیشن (Segmentation): شما می‌توانید از Derived Attributes مبتنی بر تابع Affinity در بخش Lists rule builder خود، در کنار سایر شروط رفتاری، دموگرافیک یا هر شرط سفارشی (Custom) دیگری استفاده کنید. شما قادر خواهید بود مخاطبانی مانند «لیست کاربرانی که دسته‌بندی مورد علاقه آن‌ها کفش است، بیش از دو بار خرید کرده‌اند، اما در ۳۰ روز گذشته خریدی نداشته‌اند» بسازید. این سگمنتی است که می‌داند کاربر چه چیزی را دوست دارد، می‌داند قبلاً خرید کرده است، اما اخیراً فعالیتی نداشته است.
3. شخصی‌سازی (Personalization): ساده‌ترین کاربرد: استفاده از اتریبیوت Affinity به عنوان یک متغیر شخصی‌سازی (Personalisation Variable) در کمپین‌هایتان. یک پوش نوتیفیکیشن که می‌گوید «جدیدترین‌های کتانی (Sneakers)، فقط برای شما» که در آن کلمه «کتانی» مستقیماً از اتریبیوتِ Favourite Category کاربر خوانده می‌شود، نه یک لیست دستی. هر کاربر پیامی مخصوص به خودش دریافت می‌کند، بدون هیچ کار اضافه‌ای برای هر کمپین.

   این کار را با Collections یک سطح ارتقا دهید. اتریبیوت‌های مبتنی بر تابع Affinity را مستقیماً به فیلتر Collection ما متصل کنید تا کل کاتالوگ محصولات شما خودبه‌خود مرتب شود. هر کاربر مرتبط‌ترین بخش کاتالوگ را می‌بیند که دقیقاً در همان لحظه‌ی ارسال، پردازش شده است. دیگر یک Segment تصمیم نمی‌گیرد که یک گروه چه چیزی ببینند. بلکه ترجیحِ شخصیِ هر فرد تصمیم می‌گیرد که او چه چیزی ببیند. (با Collections آشنایی ندارید؟ با استفاده از Collections می‌توانید به صورت داینامیک یک مجموعه شخصی‌سازی‌شده از آیتم‌ها را برای هر کاربر در لحظه فراخوانی کنید).

4. تحلیل و آنالیتیکس (Analytics): از سگمنت‌های مبتنی بر Affinity استفاده کنید تا نماهای تحلیلی خود را فیلتر یا تفکیک کنید و رفتار را از دریچه «ترجیحات» ببینید. آیا کاربرانی با Affinity ژانر ترسناک، زمان تماشای طولانی‌تری نسبت به کاربران طرفدار ژانر عاشقانه دارند؟ آیا طرفداران کتانی سریع‌تر از بقیه به خریدار تبدیل می‌شوند (Convert)؟ این‌ها سوالاتی هستند که می‌توانید بدون نیاز به گزارش‌گیری سفارشی (Custom Reporting) به آن‌ها پاسخ دهید.

این قابلیت چه معنایی برای شما دارد؟

اکثر تیم‌ها از اتریبیوت‌های مبتنی بر تابع Affinity برای اجرای کمپین‌های شخصی‌سازی‌شدهِ بهتر استفاده می‌کنند و این عالی است. اما بهترین تیم‌ها از آن برای شکل دادن به «نحوه تجربه کاربران از محصول» استفاده می‌کنند.

تابع Affinity می‌تواند در هر بُعدی از ترجیحات محاسبه شود: دسته‌بندی مورد علاقه، بازه قیمتی ترجیحی، روش پرداخت همیشگی، پُراستفاده‌ترین ماژول اپلیکیشن. وقتی این ترجیحات به عنوان اتریبیوت‌های زنده روی پروفایل کاربر ذخیره می‌شوند، می‌توانید کاری کنید که محصولتان طوری به نظر برسد که انگار آن شخص را از قبل می‌شناسد. کاربری که همیشه فیلم ترسناک می‌بیند، هرگز با بنر عاشقانه روبرو نمی‌شود. کاربری که اکثراً غذای گیاهی سفارش می‌دهد، هیچ‌وقت یک صفحه اصلی پر از گوشت را نمی‌بیند. کاربری که هر بار با کارت پرداخت می‌کند، صفحه «انتخاب روش پرداخت» را نمی‌بیند.

تعداد کافی از این اتریبیوت‌ها را کنار هم قرار دهید تا دیگر «کاربر» نداشته باشید. شما شروع به داشتن «انسان‌ها» می‌کنید؛ هر کدام با یک سلیقه مشخص، یک عادت شناخته‌شده، یک ترجیح واضح. یک پرسونای کامل، که به آن‌ها نسبت داده نشده، بلکه توسط خودشان ساخته شده است. بی‌سروصدا. از تمام کارهایی که انجام داده‌اند.

همان‌طور که در بالا اشاره شد، شما می‌توانید از Derived Attributes مبتنی بر تابع Affinity در موتور جدید سگمنتیشن WebEngage استفاده کنید. ماژول WebEngage Segmentation، با ترکیب یک Criteria Builder منعطف، تابع کاملاً جدید Affinity و یک تجربه کاربری (UX) نمادین، اکنون قابلیت Campaign Activation را در سطحی بی‌سابقه بازگشایی می‌کند. به لطف ابزار Segment AI Agent ما، دیگر حتی نیازی نیست این سگمنت‌ها را به‌صورت دستی بسازید؛ فقط با Segment Agent ما چت کنید و همه‌چیز برای اجرا آماده است!

تجربه بازطراحی‌شده‌ی Segmentation ما را بررسی کنید 

تابع Affinity در بخش Derived Attributes داشبورد ما در دسترس است. برای فعال‌سازی آن باید یکی از پکیج‌های Derived Attributes ما را خریداری کنید. لطفاً برای هرگونه راهنمایی با مدیر حساب (Account Manager) یا مشاور رشد (Growth Consultant) خود تماس بگیرید.