Profilowanie komunikacji w marketing automation

Większość wdrożeń marketing automation, które widzę, zatrzymuje się na tym samym etapie: kampanie wychodzą do wszystkich, a system, który miał rozmawiać z każdym osobno, jest drogim narzędziem do wysyłki newslettera. Ten tekst jest o kroku, którego brakuje — o profilowaniu komunikacji: jak zbudować obraz pojedynczego klienta i podejmować na jego podstawie decyzje o treści, kanale i momencie wysyłki.

Piszę z perspektywy wdrożeniowca. Przykłady są z user.com, bo tam wdrażam najczęściej, ale mechanika jest identyczna w HubSpocie, Klaviyo, SALESmanago czy iPresso — różnią się nazwy pól, nie sposób myślenia.

Profilowanie a segmentacja — to nie jest to samo

To rozróżnienie decyduje o wszystkim, co dalej, a mimo to w briefach klientów oba słowa padają zamiennie.

Segmentacja dzieli bazę na grupy według cech, które już znasz. Kobiety z Warszawy, które kupiły w ostatnim kwartale. Grupa jest rozłączna, statyczna i definiowana odgórnie — najpierw wymyślasz podział, potem wsypujesz do niego ludzi.

Profilowanie działa odwrotnie. Buduje opis pojedynczego kontaktu z tego, co ten kontakt robi, i aktualizuje go po każdym zdarzeniu. Nie pytasz „do której z moich pięciu grup on pasuje", tylko „co o nim wiem w tej sekundzie i co z tego wynika dla następnej wiadomości".

Segmentacja nie jest błędem — jest warstwą niżej. Profil bez segmentów szybko robi się nieczytelny, segmenty bez profilu uśredniają wszystkich w grupie do jednej wiadomości. W praktyce segmentu używasz do wyboru strategii, profilu do wyboru konkretnej treści i momentu.

Trzy warstwy danych profilowych

Każdy profil, który działa, składa się z trzech warstw. Mieszanie ich w jednym worku to najczęstszy błąd w modelu danych, jaki widzę w audytach.

1. Dane deklaratywne

To, co klient podał sam: imię, płeć, preferowana kategoria z formularza zapisu, wielkość firmy w B2B. Zaleta: precyzyjne i zrozumiałe. Wada: starzeją się i nikt ich nie aktualizuje. Osoba, która trzy lata temu zadeklarowała zainteresowanie kategorią „bieganie", dziś może być na innym etapie życia.

Zasada: dane deklaratywne mają w profilu datę. Bez niej nie odróżnisz deklaracji świeżej od archeologicznej.

2. Dane behawioralne

Zdarzenia: wyświetlenie produktu, wyszukiwanie, dodanie do koszyka, porzucenie, zakup, zwrot, otwarcie wiadomości, kliknięcie, wejście na stronę cennika. To najcenniejsza warstwa, bo zachowanie nie kłamie i nie starzeje się w ukryciu — jego brak też jest informacją.

Minimalny zestaw zdarzeń, od którego warto zacząć w e-commerce:

• wyswietlenie_produktu — z kategorią, ceną i identyfikatorem
• dodanie_do_koszyka — z wartością koszyka
• zakup — z wartością, kategorią i numerem zamówienia
• porzucenie_koszyka — wyliczane, nie zgłaszane z frontu
• wejscie_na_strone — z adresem, dla intencji poza katalogiem

Cztery zdarzenia i trzy atrybuty wystarczą, żeby uruchomić pierwsze trzy scenariusze. Modele danych z czterdziestoma zdarzeniami zwykle powstają w firmach, które jeszcze nie wysłały pierwszej zautomatyzowanej wiadomości.

3. Dane wyliczane

Warstwa, która odróżnia wdrożenie dojrzałe od poprawnego. Nie zbierasz ich — liczysz je z dwóch poprzednich:

• Scoring zaangażowania — ważona suma zdarzeń z ostatnich 30 dni, z wygaszaniem w czasie.
• Etap cyklu życia — nowy / aktywny / zagrożony / uśpiony / odzyskany, wyliczany z odstępu od ostatniego zakupu na tle mediany dla kategorii.
• Dominująca kategoria — nie ostatnia oglądana, tylko ta o największej wadze w ostatnich N sesjach.
• Wrażliwość na rabat — udział zakupów z kodem w całości zakupów. Klient, który nigdy nie użył kodu, nie potrzebuje rabatu, żeby kupić. Wysyłając mu go, po prostu oddajesz marżę.
• Preferowana pora kontaktu — godzina, w której historycznie otwiera wiadomości.

To dane wyliczane niosą pieniądze. Reszta jest surowcem.

Jak zbudować profil — kolejność, która działa

Krok 1: zacznij od decyzji, nie od danych

Pytanie brzmi nie „jakie dane możemy zbierać", tylko „jaką decyzję chcę podejmować automatycznie". Każdy atrybut w modelu musi mieć wskazaną decyzję, którą obsługuje. Atrybuty bez decyzji to koszt utrzymania bez przychodu.

Trzy decyzje, od których warto zacząć:

1. Czy w ogóle pisać? — profil uśpiony po trzech kampaniach bez otwarcia nie potrzebuje czwartej, tylko innej treści albo przerwy.
2. O czym pisać? — dominująca kategoria i ostatnio oglądany produkt.
3. Kiedy pisać? — pora dnia i odstęp od ostatniego kontaktu, czyli capping.

Krok 2: nazwij atrybuty tak, żeby dało się je czytać za rok

Konwencja nazw brzmi jak temat zastępczy, ale po roku to ona decyduje, czy ktokolwiek odważy się dotknąć scenariusza. Jedna konwencja dla całego systemu — mała litera, podkreślenia, prefiks warstwy:

dekl_kategoria_zainteresowania
beh_ostatnia_kategoria
wyl_scoring_zaangazowania
wyl_etap_cyklu_zycia

Prefiks mówi, skąd atrybut pochodzi i jak często się zmienia. Bez tego po pół roku nikt nie pamięta, które pole jest przeliczane nocą, a które ustawia formularz.

Krok 3: rozgałęziaj scenariusz, nie mnóż scenariuszy

Najczęstszy błąd architektury: osobna automatyzacja dla każdego wariantu profilu. Po trzech miesiącach masz czterdzieści scenariuszy, z których dwanaście robi prawie to samo, a zmiana stopki wymaga czterdziestu edycji.

Właściwy wzorzec: jeden scenariusz na cel biznesowy, rozgałęzienie w środku na profil. Odzyskiwanie porzuconego koszyka to jeden scenariusz z rozgałęzieniem na kupował wcześniej / nie kupował, wrażliwy na rabat / niewrażliwy, koszyk powyżej / poniżej progu darmowej dostawy. Osiem ścieżek, jedna rzecz do utrzymania.

Krok 4: zdefiniuj profil domyślny

Co system ma zrobić, kiedy nie wie nic? Zawsze jest jakaś część bazy bez historii — nowi, importowani, ci z wyłączonym śledzeniem. Ścieżka domyślna musi być zaprojektowana świadomie, a nie być tym, co zostaje po odjęciu wszystkich warunków. W praktyce: neutralna treść, najlepiej sprzedający się asortyment, mniejsza częstotliwość.

Krok 5: mierz osobno każdą gałąź

Skuteczność scenariusza liczona łącznie niczego nie mówi. Gałąź profilu z 12% konwersji i gałąź z 1% dają średnio 6% i wyglądają przyzwoicie — a jedną z nich trzeba przebudować, drugą skalować. To ta sama zasada, którą stosuję w CRO: mierzysz zmianę, nie zbiorczy wynik.

Gdzie personalizacja zaczyna szkodzić

Profilowanie ma punkt, w którym przestaje działać na korzyść. Trzy granice warto znać z góry.

Efekt niepokojącej trafności. Wiadomość odwołująca się wprost do zachowania sprzed pięciu minut czyta się jak obserwacja, nie jak obsługa. „Widzieliśmy, że oglądałeś ten produkt trzy razy" jest technicznie poprawne i psychologicznie kosztowne. Ta sama informacja podana jako „wróć do tego, co oglądałeś" działa, nie płosząc.

Zamknięcie w bańce. Profil zbudowany wyłącznie na historii pokazuje klientowi coraz węższy wycinek oferty. Klient, który raz kupił karmę dla kota, dostaje karmę dla kota do końca świata. Zdrowy profil ma zaprojektowany margines eksploracji — stały udział treści spoza dominującej kategorii.

Złożoność ponad zespół. Model, którego nie rozumie osoba odpowiedzialna za wysyłkę, przestaje być rozwijany i zaczyna gnić. Lepszy jest profil o pięciu atrybutach, który żyje, niż o pięćdziesięciu, którego nikt nie tyka.

Profilowanie a RODO — co trzeba wiedzieć

Nie jestem prawnikiem i poniższe nie jest poradą prawną, ale w każdym wdrożeniu przechodzę przez tę samą listę i ona wystarcza do rozmowy z prawnikiem po stronie klienta.

• Podstawa prawna. Dla profilowania marketingowego zwykle uzasadniony interes albo zgoda — zależnie od zakresu danych i kanału. Kanały elektroniczne mają dodatkowo wymogi Prawa telekomunikacyjnego.
• Obowiązek informacyjny. Polityka prywatności musi mówić, że profilujesz, na jakich danych i z jakim skutkiem. Zdanie „możemy przetwarzać dane w celach marketingowych" tego nie spełnia.
• Artykuł 22 RODO. Zakazane jest podejmowanie wyłącznie zautomatyzowanych decyzji wywołujących skutki prawne lub podobnie istotne. Dobór treści newslettera to nie jest taka decyzja. Automatyczna odmowa rabatu albo odcięcie od oferty na podstawie scoringu — może być.
• Prawo do sprzeciwu. Wobec marketingu bezpośredniego jest bezwzględne. Sprzeciw musi wygaszać także profilowanie, nie tylko wysyłkę.
• Retencja. Profil sprzed pięciu lat bez aktywności nie ma wartości marketingowej, a ma ciężar prawny. Ustal okres i egzekwuj go automatycznie.
• Dane wrażliwe. Kategoria zakupu potrafi ujawnić stan zdrowia, wyznanie albo orientację. To dane szczególnej kategorii — nie wolno ich pochopnie wciągać do profilu tylko dlatego, że technicznie są dostępne.

Praktyczna zasada: jeśli wysłanie wiadomości wymagałoby tłumaczenia się przed klientem, dlaczego to wiesz — nie wysyłaj jej, niezależnie od tego, co mówi prawnik.

Częste błędy wdrożeniowe

• Profilowanie bez cappingu. Pięć scenariuszy, z których każdy jest trafny osobno, razem dają pięć wiadomości dziennie. Globalny limit kontaktów jest ważniejszy niż trafność pojedynczej wysyłki.
• Atrybuty nadpisywane przez import. Nocny import z ERP kasuje atrybuty wyliczane. Klasyk, który wychodzi po miesiącu i wygląda jak „automation przestało działać".
• Zdarzenia bez wartości. zakup bez kwoty i kategorii nie pozwala policzyć nic poza liczbą zakupów.
• Brak zdarzenia negatywnego. Zwrot, reklamacja, rezygnacja z abonamentu. Bez nich profil widzi tylko dobre wiadomości i w najgorszym momencie wysyła zachętę do kolejnego zakupu.
• Testowanie na żywej bazie. Profil testowy z własnym adresem e-mail i pełną ścieżką zdarzeń to godzina pracy, która oszczędza jedną kompromitującą wysyłkę do dwudziestu tysięcy osób.

Od czego zacząć w przyszłym tygodniu

Jeśli masz system, ale nie masz profilowania, kolejność jest taka:

1. Wypisz trzy decyzje, które chcesz oddać automatowi.
2. Do każdej dopisz minimalny zestaw atrybutów — zwykle wyjdą trzy, nie trzydzieści.
3. Sprawdź, które z nich już masz w systemie. Zwykle połowa jest zbierana i nieużywana.
4. Zbuduj jeden scenariusz z rozgałęzieniem na dwa profile.
5. Mierz osobno każdą gałąź przez cztery tygodnie.

Dopiero po tych czterech tygodniach ma sens rozmowa o rozbudowie modelu — bo dopiero wtedy masz własne dane zamiast cudzych benchmarków.

Wdrażam marketing automation na user.com i pokrewnych systemach — od modelu danych po działające scenariusze. Jeśli chcesz sprawdzić, ile Twoja komunikacja traci na wysyłaniu wszystkim tego samego, napisz albo zobacz, jak wygląda moja analiza.