Jednym z kluczowych zagadnień, które coraz częściej pojawia się w kontekście zarządzania komunikacją z klientami, jest hiperpersonalizacja. Popularność usług dostarczanych przez liderów świata cyfrowego, jak Amazon czy Netflix, spowodowała, że tego typu podejście oczekiwane jest dziś praktycznie od wszystkich firm – z operatorami telekomunikacyjnymi na czele.
Spersonalizowana komunikacja oparta o rekomendacje wygenerowane na bazie indywidualnych preferencji, jak i bieżącego kontekstu, to dziś standard. Kluczową rolę w realizowaniu tego typu komunikacji odgrywa analityka. Czasy ręcznego definiowania segmentów, reguł komunikacji oraz dobierania do tego treści i kreacji odchodzą do lamusa. Konieczność personalizacji na poziomie pojedynczych klientów oraz prospektów wymaga zastosowania szerokiego spektrum modeli analitycznych jako następcy sztywnych reguł biznesowych, które nie pozwalają na skalowanie działań prowadzonych przez zespoły CRM i marketingu. Nie jest możliwe ręczne zarządzanie regułami odpowiedzialnymi za personalizację komunikacji z wielomilionową bazą klientów, do których kierowane mogą być dziesiątki ofert, a każda z nich komunikowana na wiele sposobów. Nie oznacza to jednak, że podejście oparte o reguły biznesowe nie ma zupełnie zastosowania. Nadal jest to jeden z mechanizmów zapewnienia spójności działań rekomendowanych przez analitykę z przyjętą strategią organizacji.
Spora liczba przedsiębiorstw nadal wykorzystuje modele analityczne przeliczane w zadanych cyklach (np. dziennie czy też tygodniowo). Jeżeli zachodzi potrzeba ukontekstowienia tego typu rekomendacji (aby dopasować do bieżącej interakcji) stosuje się reguły biznesowe. Tu pojawia się możliwość zastosowania podejścia alternatywnego – opartego o wykorzystanie analityki czasu rzeczywistego.
Zamiast przeliczać modele cyklicznie na bazie danych, które (w najlepszym razie) pochodzą z dnia poprzedniego, modele czasu rzeczywistego pozwalają na przeliczenie w trakcie trwania interakcji. Szereg cech wejściowych do modelu może pochodzić wprost z kontekstu dialogu z klientem. Oczywiście podejście to ma również swoje ograniczenia. Jednym z nich jest konieczność zapewnienia odpowiedniej wydajności całego procesu, który zapewni aktualne dane o interakcji, pozwoli na przeliczenie modelu (bądź szeregu modeli) w locie i zwróci odpowiedź do kanału. Czas trwania całego procesu musi być liczony w milisekundach, aby nie wprowadzać niepotrzebnego opóźnienia w oczekiwaniu klienta na odpowiedź.
Weźmy na przykład klienta, który jest zainteresowany przedłużeniem umowy o świadczenie usług mobilnych wraz z nowym telefonem. Aby wygenerować spersonalizowaną ofertę, konieczna jest informacja o tym, czy i jakie telefony oglądał na stronie internetowej, z jakiej strony przyszedł (być może zainspirowany jakimś artykułem czy testem porównawczym) oraz w jakim pułapie cenowym się poruszał. Po zebraniu tych informacji jesteśmy w stanie wygenerować ofertę utrzymaniową wraz z odpowiednio przeliczonym poziomem zobowiązania względem początkowej opłaty za telefon. Jednocześnie czas wygenerowania takiej oferty nie może być zbyt długi, aby nie wpływać negatywnie na doświadczenie klienta w kanale cyfrowym.
