Bir müşteri sabah mobil uygulamanızdan ürün araştırıyor, öğlen mağazanıza geliyor ve akşam masaüstü tarayıcısından sepetini tamamlıyor. Bu üç temas noktasını birbirinden bağımsız yönetiyorsanız, kişiselleştirme değil tesadüf satıyorsunuz demektir. Türkiye perakende ve e-ticaret sektöründe 2019 itibarıyla omnichannel söylemi oldukça yaygınlaştı; ancak çoğu şirkette bu söylem, kanal entegrasyonundan çok çoklu kanal varlığına işaret ediyor. Gerçek kişiselleştirme, verinin hangi kanaldan geldiğinden bağımsız olarak tek bir müşteri profilinde birleştirilmesini gerektiriyor. Sorun teknoloji eksikliğinden çok veri mimarisinin kurulmamış olmasından kaynaklanıyor.
Kanallar arası kişiselleştirmenin temelinde üç veri katmanı yatıyor: kimlik verisi, davranış verisi ve bağlam verisi. Bu üç katman olmadan yapılan kişiselleştirme, en iyi ihtimalle demografik segmentasyondur; gerçek anlamda bireysel deneyim değil. Kimlik verisi, farklı kanallardaki müşteri izlerini tek bir profile bağlayan yapıştırıcıdır. Davranış verisi, o müşterinin ne aradığını, neyi terk ettiğini ve ne satın aldığını anlatır. Bağlam verisi ise hangi cihazda, hangi saatte, hangi coğrafyada ve hangi kampanya döneminde davrandığını ortaya koyar. Bu üçü birlikte olmadan kişiselleştirme motorunun ürettiği öneriler, müşteriye alakasız gelmeye mahkumdur.
Kimlik verisinin toplanması kulağa basit gelir; pratikte en çok çözülemeyen sorun budur. Türkiye’deki orta ölçekli bir perakendecide tipik senaryo şudur: e-ticaret sitesinde kayıtlı e-posta adresi var, mağaza sadakat kartında telefon numarası var, mobil uygulamada cihaz kimliği var. Bu üç tanımlayıcı aynı müşteriye ait olabilir ama sistemler birbirini tanımıyor. Kimlik çözümleme (identity resolution) bu noktada devreye giriyor: farklı kaynaklardaki tanımlayıcıları deterministik ya da olasılıksal yöntemlerle eşleştirerek tek bir müşteri kaydı oluşturuyor. Deterministik eşleştirme, ortak bir tanımlayıcı üzerinden çalışır; müşteri iki farklı kanalda aynı e-posta adresini kullandıysa bu bağlantı kesindir. Olasılıksal eşleştirme ise cihaz tipi, IP aralığı, davranış örüntüsü gibi sinyalleri istatistiksel modelle birleştirir; daha geniş kapsam sağlar ama hata payı taşır. Küçük veri setlerinde olasılıksal eşleştirme güvenilmez sonuç üretebilir; bu sınırı görmezden gelen projeler yanlış kişiselleştirmeyle müşteri güvenini zedeler.
Davranış verisi toplamanın asgari seti şunları kapsamalıdır: ürün görüntüleme, arama terimi, sepete ekleme ve terk etme, satın alma, iade ve müşteri hizmetleri teması. Bu olayların her birinin kanaldan bağımsız olarak zaman damgasıyla birlikte merkezi bir veri deposuna yazılması gerekiyor. Türkiye’deki pek çok şirkette bu verinin bir kısmı e-ticaret platformunda, bir kısmı CRM’de, bir kısmı ise mağaza POS sisteminde dağınık biçimde duruyor. Entegrasyon yoksa davranış verisi kanalın içinde hapsoluyor ve kanallar arası örüntü görünmez oluyor. Bir müşterinin web sitesinde üç kez baktığı ürünü mağaza personelinin bilmemesi, o müşteriye mağazada yeniden tanıtım yapmak anlamına geliyor. Bu hem verimsiz hem de müşteri deneyimi açısından sinir bozucu. Davranış verisinin toplanmasında teknik altyapı kadar veri kalitesi de kritik; eksik veya hatalı olay kaydı, kişiselleştirme motorunun önerilerini doğrudan bozar.
Bağlam verisi çoğu zaman göz ardı edilen katmandır. Hangi cihazda işlem yapıldığı, günün hangi saatinde, hangi kampanya döneminde ve müşterinin hangi coğrafi konumda olduğu; bu bilgiler aynı müşterinin farklı bağlamlarda farklı davrandığını ortaya koyar. Türkiye’de mobil kullanım oranı masaüstünü geride bıraktı; ancak mobil sepet terk oranı masaüstüne kıyasla hâlâ yüksek. Bunun nedeni büyük ölçüde ödeme adımındaki sürtünmedir. Bağlam verisini okuyan bir sistem, mobil cihazdan gelen müşteriye ödeme adımında farklı bir deneyim sunabilir; masaüstü müşterisine ise daha ayrıntılı ürün karşılaştırması gösterebilir. Bu düzeyde kişiselleştirme, bağlam verisini gerçek zamanlı olarak işleyebilen bir mimari gerektiriyor. 2019 itibarıyla bu mimarinin kurulumu Türkiye’de büyük ölçekli perakendecilerin gündemine girmiş durumda; KOBİ’ler için ise hâlâ erken aşamada.
Üç veri katmanını birleştiren yapı, sektörde Müşteri Veri Platformu (CDP) olarak adlandırılıyor. CDP’yi CRM’den ayıran temel fark şudur: CRM müşteri ilişkisini yönetmek için tasarlanmıştır; CDP ise farklı kaynaklardan gelen ham veriyi birleştirip temizleyerek birleşik müşteri profili oluşturmak için. Türkiye’de 2019 itibarıyla CDP kavramı büyük perakendeciler ve bankacılık sektöründe tanınmaya başladı; ancak bütünleşik uygulama örnekleri henüz sınırlı. Pek çok şirket CDP işlevini mevcut veri ambarı ve CRM kombinasyonuyla karşılamaya çalışıyor. Bu yaklaşım gerçek zamanlı profil güncelleme ve anlık kişiselleştirme söz konusu olduğunda yetersiz kalıyor; çünkü veri ambarları toplu işleme için tasarlanmış, gerçek zamanlı olay akışı için değil. Kur baskısı ve bütçe kısıtları nedeniyle Türkiye KOBİ’lerinin hazır CDP çözümlerine yatırım yapması 2019 koşullarında zorlu; bu nedenle asgari uygulanabilir mimariyi doğru tanımlamak kritik önem taşıyor.
Kişiselleştirme mimarisine yatırım yapmadan önce şu soruyu yanıtlamak gerekiyor: Müşterilerinizin yüzde kaçını kanallar arası tek profilde tanımlayabiliyorsunuz? Bu oran yüzde otuzun altındaysa, önce kimlik çözümleme altyapısını kurmak; sonra davranış ve bağlam verisini toplamak; en son kişiselleştirme motorunu devreye almak doğru sıradır. Teknolojiyi öne, veri mimarisini arkaya koymak en yaygın ve en maliyetli hatadır. Türkiye’de bu sırayı tersine çeviren projelerin büyük çoğunluğu, kişiselleştirme motorunu çalıştıracak temiz ve birleşik veri olmadığı için beklenen sonucu vermiyor. Yol haritanızı veriden başlatın; teknoloji seçimi ikinci adım olsun.