Cá nhân hoá hay tuỳ biến: ai cầm lái?

Bạn bán cà phê rang xay qua mạng và muốn mỗi khách thấy một thứ khác nhau. Có hai đường. Một: hệ thống nhìn lịch sử mua rồi tự chọn gói gợi ý. Hai: khách tự chọn độ rang, độ xay, tỷ lệ pha trộn. Người ta hay gọi cả hai là "cá nhân hoá", nhưng chúng đòi dữ liệu, chi phí và kiểu rủi ro khác nhau. Bài này tách chúng bằng một câu hỏi: ai là người quyết định?

Cá nhân hoá và tuỳ biến khác nhau ở điểm nào?

Khác ở người quyết định. Theo Arora và cộng sự (2008), cá nhân hoá là khi doanh nghiệp quyết định marketing mix nào hợp với từng người, thường dựa trên dữ liệu thu từ trước. Tuỳ biến là khi khách chủ động chỉ định một hoặc nhiều yếu tố trong marketing mix của mình (Arora et al., 2008). Ví dụ của họ: Amazon gợi ý sách, nhạc; Dell cho khách cấu hình máy. Cả hai là marketing một-một, tức phân khúc cực đoan với nhóm mục tiêu chỉ có một người (Arora et al., 2008).

Ranh giới này không phải lúc nào cũng được giữ, và chính nhóm tác giả ghi chú hai từ hay bị dùng lẫn (Arora et al., 2008). Bài "E-customization" của Ansari và Mela (2003) tối ưu nội dung email cho từng người dùng từ dữ liệu clickstream (chuỗi nhấp chuột) (Ansari và Mela, 2003). Doanh nghiệp là bên quyết định, nên theo định nghĩa trên đó là cá nhân hoá, và Arora và cộng sự cũng xếp nó vào phần cá nhân hoá (Arora et al., 2008).

Hai cột khác nhau ở đầu và cuối: cá nhân hoá bắt đầu bằng thu dữ liệu và khép bằng vòng phản hồi cho thuật toán; tuỳ biến bắt đầu bằng giao diện cho khách chọn và khép bằng sản xuất đúng thứ đã chọn. Năm bước này là bản phác của thư viện; xem Đào sâu.

Netflix cho thấy cá nhân hoá do hệ thống dẫn trông thế nào?

Gomez-Uribe và Hunt (2015), hai người làm việc tại Netflix, viết rằng hệ thống gợi ý của họ không phải một thuật toán mà là tập hợp nhiều thuật toán cho các tình huống khác nhau. Thuật toán PVR sắp toàn bộ danh mục cho từng hồ sơ thành viên, nên cùng một hàng thể loại có thể ra video hoàn toàn khác ở hai người. Cá nhân hoá này không thuần: PVR chạy tốt hơn khi pha tín hiệu cá nhân với "một liều khá lớn" độ phổ biến không cá nhân hoá (Gomez-Uribe và Hunt, 2015).

Vì sao để hệ thống dẫn? Theo họ, người ta kém trong việc chọn giữa nhiều lựa chọn và dễ chọn "không cái nào". Nghiên cứu người dùng cho thấy một thành viên thường mất hứng sau khoảng 60 đến 90 giây, khi đã lướt chừng 10 đến 20 tựa phim. Họ cũng viết rằng điều khách đòi (càng nhiều lựa chọn càng tốt) và điều thực sự hiệu quả (ít lựa chọn hấp dẫn, trình bày đơn giản) rất khác nhau; ý này họ dùng để bênh vực thử nghiệm A/B hơn là lời khách nói (Gomez-Uribe và Hunt, 2015).

Các con số kinh doanh đều do công ty tự báo, không kèm cách tính. Hệ thống gợi ý ảnh hưởng đến lựa chọn của khoảng 80% số giờ xem, còn 20% đến từ tìm kiếm. Tỷ lệ rời bỏ hàng tháng của họ ở mức một chữ số thấp, và qua nhiều năm cá nhân hoá cùng gợi ý đã giúp giảm "vài điểm phần trăm"; công ty nghĩ tác động gộp tiết kiệm hơn 1 tỷ USD mỗi năm (Gomez-Uribe và Hunt, 2015). Xem thêm ca Netflix.

Share a Coke thuộc ô nào?

Trang lịch sử của Coca-Cola, đăng ngày 25/9/2014, kể rằng ý tưởng được chọn ở Úc năm 2011: thay nhãn Coke trên chai và lon bằng 150 tên phổ biến nhất nước này. Công ty nói mùa hè đó bán hơn 250 triệu chai và lon có tên, ở một nước chưa đến 23 triệu dân, và chiến dịch sau đó đến hơn 70 nước (The Coca-Cola Company, 2014).

Theo cách đọc của tôi, đặt vào khung của Arora và cộng sự, chai in tên trên kệ rơi vào chỗ lửng. Nó chưa phải cá nhân hoá: Coca-Cola chọn tên theo độ phổ biến toàn nước Úc, và trang không nhắc dữ liệu nào về từng người mua (The Coca-Cola Company, 2014). Nó chưa phải tuỳ biến: khách không chỉ định gì, chỉ tìm chai có tên mình. Gần nhất là điều Arora và cộng sự gọi là tăng số biến thể: nhiều biến thể để khách chọn, không có đối thoại một-một (Arora et al., 2008).

Chính người làm chiến dịch nêu giới hạn của kiểu này. Họ biết 150 tên chỉ phủ khoảng 42% dân số, kể cả khi thêm các tên chung như Mẹ, Bố, Bạn, nên chuyển lời mời sang chia sẻ: tặng một chai cho người khác thay vì giữ cho mình. Phần gần với tuỳ biến hơn có ở chỗ khác: ki-ốt di động ở trung tâm thương mại cho khách tuỳ biến một lon, và cửa hàng online ở Đức để đặt chai in tên giao tận nhà (The Coca-Cola Company, 2014).

Trang này không có doanh số trước chiến dịch, nên "bán hơn 250 triệu" không tách được phần đóng góp của tên in trên chai. Người phụ trách cũng nói họ đã gieo chiến dịch qua những người có ảnh hưởng và chi cho truyền hình, và nếu làm lại có lẽ chỉ chi một phần nhỏ khoản đó (The Coca-Cola Company, 2014). Xem thêm ca Coca-Cola. Bài học tôi rút ra: nhãn "cá nhân hoá" trên bao bì che một lựa chọn thiết kế. Tên in sẵn không cần dữ liệu từng người, nhưng chỉ chạm được người tình cờ có tên trong danh sách.

Một tiệm cà phê rang xay nên chọn bên nào?

Năm câu hỏi dưới đây là tổng hợp của tôi từ những rủi ro Arora và cộng sự nêu. Ví dụ là giả định: tên tiệm và mọi con số do tôi bịa.

Ví dụ giả định. "Cà phê Hạt Gió", một tiệm rang xay ở Cần Thơ bán qua web, có 800 khách từng đặt ít nhất hai lần. Chủ tiệm cân ba phương án. A, cá nhân hoá: gợi ý gói cà phê từ đơn cũ. B, tuỳ biến: khách chọn độ rang (3 mức), độ xay (3 mức) và pha trộn (4 loại). C, lai: điền sẵn lựa chọn theo đơn cũ rồi để khách sửa.

Các dòng này rút từ những rủi ro Arora và cộng sự nêu: đoán sai, quá tải lựa chọn, và khách tự thiết kế rồi thấy mình hợp sản phẩm chuẩn hơn (Arora et al., 2008).

Áp vào Hạt Gió. Phương án B nhân ra 3 × 3 × 4 = 36 tổ hợp. Nếu độ xay làm lúc đóng gói, kho chỉ giữ 3 × 4 = 12 loại hạt, nhưng một màn hình 36 lựa chọn vẫn dễ làm người mới choáng. Phương án A trên 800 khách mới đặt ít nhất hai lần là dữ liệu mỏng, và Arora và cộng sự nói mô hình đơn giản như RFM (ngày mua gần nhất, số lần mua, tổng tiền) có thể là hướng tốt nhất khi dữ liệu hạn chế (Arora et al., 2008). Tôi nghiêng về C: dùng RFM chọn sẵn một gói cho khách quay lại, rồi để họ đổi một trong ba tuỳ chọn. Đó là suy luận của tôi từ khả năng lai mà nhóm tác giả nêu (Arora et al., 2008); bài không có số đo C có hơn A hay B. Cách này hợp nếu tiệm có vài trăm khách quay lại và rang theo đơn. Nó không hợp nếu phần lớn khách chỉ mua một lần: không có lịch sử để điền sẵn, nên để khách chọn từ ba gói cố định.

Đào sâu: tôi đã đọc gì, chưa đọc gì?

Tôi đọc toàn văn bài của Arora và cộng sự qua bản PDF do một tác giả đăng công khai, và toàn văn bài của Gomez-Uribe và Hunt qua một bản PDF công khai khác. Cả hai là bản chuyển đổi tự động. Trang của Coca-Cola tôi đọc trọn. Bài của Ansari và Mela, Tam và Ho tôi chỉ đọc phần tóm tắt. Từ Tam và Ho (2006) bài chỉ rút một điều: người dùng cởi mở với nội dung cá nhân hoá và thấy nó hữu ích khi ra quyết định, qua một thí nghiệm phòng lab và một nghiên cứu thực địa (Tam và Ho, 2006).

Hai chỗ cần thận trọng. Một, năm giai đoạn ở bảng đầu bài là bản phác của thư viện. Trong toàn văn Arora và cộng sự, tôi không thấy năm giai đoạn này; họ nêu ba bước (thu dữ liệu, biến dữ liệu thành hiểu biết, triển khai), dẫn từ Black và Thomas (2004), nguồn tôi chưa đọc. Hai, mức 7,6% của Rossi và cộng sự và mức tăng 62% số lượt nhấp kỳ vọng của Ansari và Mela là số Arora và cộng sự dẫn lại; 62% là tiềm năng từ mô hình, không phải kết quả đã thực hiện (Ansari và Mela, 2003).

Netflix và Coca-Cola đều là lời tự thuật: con số 1 tỷ USD là ước tính của nhân viên Netflix, còn số 250 triệu của Coca-Cola không có mốc so sánh. Đủ để mô tả cách làm, chưa đủ để nói cách nào thắng.