Kecerdasan buatan (AI) dan sistem pembelajaran mesin (ML) berkembang lebih cepat dari sebelumnya. Kita memiliki begitu banyak teknologi dan alat baru yang memungkinkan kita melakukan hal-hal yang sebelumnya tidak dapat dilakukan — contohnya: ChatGPT dari OpenAI.
Perubahan ini tidak terbatas pada sektor teknologi dan TI. Ini memengaruhi segala hal dalam pemasaran, dari memprediksi interaksi pelanggan dari awal hingga akhir hingga optimalisasi perjalanan pelanggan (CJO).
Dengan teknologi digital twin, yang menggunakan analitik lanjutan dan model ML, pemasar kini dapat membuat digital twin dari pelanggan (DToC) menggunakan data pelanggan historis dan real-time. Berbeda dengan entitas statis atau profil pelanggan, mereka adalah avatar dinamis yang terus diperbarui dengan data pengguna kehidupan nyata.
Mereka mencerminkan kondisi pikiran seseorang saat ini daripada tindakan masa lalu mereka.
Avatar virtual semacam ini tidak hanya mensimulasikan perilaku pelanggan tetapi juga memberikan konteks dan prediksi untuk upaya pemasaran di masa depan. Dengan munculnya pemasaran tanpa cookie dan regulasi privasi data, DToC adalah cara yang bagus untuk memahami prospek dan menerapkan strategi pemasaran berbasis data.
Dalam artikel ini, mari kita lihat asal-usul teknologi digital twin, pelajari tentang konsep digital twin pelanggan, dan pastikan personalisasi di semua titik sentuh.
Apakah Anda pernah mendengar tentang kecelakaan Apollo 13 – penerbangan antariksa NASA yang seharusnya mendarat di bulan tetapi tidak jadi? Organisasi ini berhasil menyelamatkan astronotnya dari kecelakaan dengan menggunakan teknologi digital twin.
Tentu saja, pada waktu itu mereka tidak disebut digital twin. NASA secara teratur menggunakannya untuk meniru sistem di luar angkasa sejak tahun 1960-an.
Ketika kecelakaan Apollo 13 akan terjadi, NASA memasukkan data dari pesawat luar angkasa yang rusak ke dalam model virtual di tempat untuk mensimulasikan situasi dan memilih yang menghasilkan hasil terbaik – sebuah skenario di mana ketiga astronot akan selamat. Dan mereka berhasil selamat.
Cepat maju ke tahun 2002, Michael Grieves memperkenalkan konsep digital twins sebagai bagian dari manajemen siklus hidup produk. Istilah ini secara resmi diperkenalkan oleh John Vickers, seorang teknolog utama NASA, pada tahun 2010.
Menurut IBM, “Digital twin adalah representasi virtual dari objek atau sistem yang dirancang untuk mencerminkan objek fisik dengan akurat. Itu mencakup siklus hidup objek, diperbarui dari data real-time dan menggunakan simulasi, pembelajaran mesin, dan penalaran untuk membantu membuat keputusan.”
Ini adalah replika virtual dari objek asli.
Digital twin mengintegrasikan teknologi Industri 4.0 seperti otomatisasi, kecerdasan buatan, data besar, dan pencetakan 3D untuk melakukan simulasi, memecahkan masalah kinerja, dan meningkatkan pengalaman pelanggan.
Oleh karena itu, mereka terutama digunakan dalam desain, manufaktur, konstruksi, operasi, pemeliharaan, arsitektur, perawatan kesehatan, dan rekayasa.
Namun, tidak semudah itu membuat digital twin. Ini terutama karena dua alasan: kekurangan data dan pemantauan sistem. Gangguan pada tingkat yang sangat halus belum dapat dipantau dengan kekuatan superkomputer. Dan ini sangat penting untuk dilacak karena mereka memengaruhi segala hal di tingkat sistem.
Data tidak pernah cukup. Anda membutuhkan data yang akurat dan dalam jumlah besar untuk membuat sesuatu menjadi masuk akal. Saat ini, data yang kita miliki masih jarang dan tidak lengkap, yang melibatkan banyak perkiraan untuk mengisi kekosongan.
Simulasi, seperti yang Anda ketahui, mewakili satu proses dan tidak menggunakan data terkini. Digital twin bukanlah simulasi; mereka mensimulasikan berbagai skenario dan proses, menggunakan data terkini. Ini bukan alur kerja satu arah – sistem digital twin menerima dan mengirimkan informasi.
Jadi, bagaimana cara kerjanya? Prosesnya dapat dibagi menjadi empat langkah:
Setelah selesai, model virtual akan membantu Anda membuat prediksi dan memberikan rekomendasi yang dipersonalisasi.
Tidak masuk akal untuk mengembangkan digital twin untuk segala hal. Anda tidak membutuhkannya untuk mesin bor sederhana. Penggunaannya sebagian besar terbatas pada objek fisik besar dan proyek kompleks untuk meningkatkan efisiensi.
Ambil contoh Google Maps, yang merupakan kembaran produk dari Bumi.
Selain itu, berbagai jenis digital twin diklasifikasikan menurut tingkat penggunaannya:
Digital twins memberi tahu Anda bagaimana objek berfungsi di bawah berbagai lingkungan, mengikuti siklus hidup produk dari desain dan pengembangan hingga pembuangan. Mereka mengurangi waktu ke pasar dengan membantu Anda mengoptimalkan desain produk dan pengambilan keputusan.
Anda dapat meneliti dan mengembangkan produk yang dapat dipasarkan, menguji berbagai prototipe, dan memeriksa fungsionalitas produk. Itu belum semuanya. Setelah produk Anda mencapai akhir masa pakainya, model digital juga dapat menyarankan opsi pembuangan produk seperti daur ulang.
Jacqueline Alderson, seorang ahli biokimia yang menggunakan teknologi digital twin untuk membantu pemain sepak bola menghindari cedera lutut, mengatakan bahwa digital twins memungkinkan Anda untuk “mengujicoba skenario tanpa risiko.” Lagi pula, itu adalah replika virtual dari orang atau objek yang sama dengan kondisi yang sama.
Model-model ini juga dapat dimanfaatkan untuk menambah atau mengganti informasi yang hilang atau sulit didapat.
Pembalap Formula 1 secara konsisten menggunakan digital twins untuk menguji berbagai konfigurasi sebelum turnamen. Mereka memasang berbagai sensor pada mobil balap mereka dan mempelajari suspensi, aerodinamika, dan faktor lainnya yang dapat meningkatkan peluang mereka untuk menang.
Sekarang, begini cara kerjanya dalam ritel.
Sebuah toko ritel dapat menggunakan digital twins untuk meningkatkan pengalaman berbelanja di dalam toko dengan menambahkan sensor gerakan dan laci pintar. Ini memungkinkan mereka untuk menganalisis pergerakan pelanggan dan perilaku pembelian, yang pada akhirnya membantu mereka:
Pengecer dapat membawa toko mereka ke dunia maya dan menyediakan pengalaman pembelanjaan multisaluran, melacak perjalanan pelanggan di semua platform. Bahkan, mereka dapat membuat pelanggan virtual di toko virtual menggunakan AI. Ini akan memungkinkan mereka untuk mempelajari dampak perubahan pasar terhadap bisnis ritel mereka dan menyempurnakan operasi untuk menghemat biaya.
Digital twin dari pelanggan (DToC) adalah representasi virtual dari pelanggan atau kelompok pelanggan yang meniru, menganalisis, dan memperkirakan perilaku pelanggan. Ini memanfaatkan data pihak pertama dan sumber data konsumen lainnya untuk mereplikasi pengalaman pelanggan dalam lingkungan digital.
Seperti teknologi kembar biasa, DToC menggunakan analitik lanjutan, AI, dan algoritma pembelajaran mesin untuk membangun versi digital dari pembeli Anda.
Gartner mengatakan, “Alih-alih hanya mengumpulkan titik data, [digital twin dari pelanggan] memberikan konteks dan prediksi perilaku di masa depan. Ini menggunakan interaksi online dan fisik dan bersifat dinamis, diperbarui seiring informasi baru masuk dan mengenali bahwa satu orang bisa mewakili lebih dari satu persona…”
Ini karena orang dan pada gilirannya, persona dapat berubah seiring waktu.
DToC membangun teknologi yang saat ini sedang dilakukan oleh merek-merek terkenal seperti Google, Amazon, dan Netflix: menggunakan algoritma AI dan ML untuk menginterpretasikan data perilaku dan menyesuaikan pengalaman produk.
Tim pemasaran dapat mengidentifikasi hambatan dalam perjalanan pelanggan, mempertahankan kepercayaan pelanggan, dan meningkatkan hasil bisnis.
Meskipun teknologi yang baru berkembang, 70% eksekutif teknologi C-suite di perusahaan besar sudah berinvestasi dalam digital twin. Pasar ini diperkirakan akan mencapai €7 miliar pada tahun 2025 di Eropa, dengan pertumbuhan 30%-45% per tahun.
Dan mengapa tidak?
Sekarang Anda tidak hanya dapat mereplikasi toko fisik dan online dengan digital twin, tetapi juga pelanggan yang mengunjungi toko tersebut. Ini memberi Anda wawasan tentang bagaimana pelanggan atau kelompok pembeli tertentu akan merespons perubahan dalam perjalanan pelanggan sebelum diterapkan, memungkinkan Anda untuk mengeliminasi tambahan yang merugikan.
Dengan pelanggan virtual di toko virtual, DToC dapat menyarankan penawaran yang disesuaikan dan membuat belanja menjadi pengalaman yang mulus dan personal, memastikan kepuasan pelanggan di semua level.
Digital twin dari pelanggan (DToC) berbeda dari pandangan 360 derajat tentang pelanggan terutama karena jenis data yang dikumpulkan dan digunakan.
Bagi mereka yang tidak tahu, pandangan 360 derajat tentang pelanggan melibatkan pengumpulan dan penggabungan data dari berbagai titik kontak dan platform data pelanggan ke dalam satu tempat. Ini membantu organisasi untuk sepenuhnya memahami prospek dan kebutuhan mereka.
Anda membutuhkan berbagai alat dan layanan untuk mengembangkan pandangan 360 derajat tentang pelanggan Anda.
Data yang luas diperlukan, seperti data perilaku pengguna, riwayat transaksi, minat, dan data atribut, untuk berhasil menciptakan pandangan menyeluruh tentang pelanggan. Melakukannya mahal dan memakan waktu, sehingga sulit dijangkau oleh banyak usaha kecil dan menengah.
Gartner telah menemukan bahwa hanya 14% organisasi yang telah mencapai pandangan 360 derajat tentang pelanggan mereka.
Dengan cookie pihak ketiga yang akan dihentikan di masa depan, Anda tidak akan bisa lagi menggunakannya untuk mengumpulkan ide minat dan penargetan. Ini akan menjadi jauh lebih sulit untuk menghasilkan pendapatan hanya berdasarkan data ini.
DToC tidak terpengaruh oleh ini.
Digital twin dari pelanggan sebagian besar menggunakan data pihak pertama sebagai data awal untuk menawarkan wawasan konsumen dan personalisasi sepanjang perjalanan pelanggan. Ini adalah pembeli digital yang dinamis yang mencerminkan sifat prospek yang selalu berubah tanpa mengorbankan kualitas dan kepercayaan data.
Sebuah artikel tentang digital twin dari pelanggan tidak lengkap tanpa menyebutkan persona sintetis dan sampling silikon.
Persona sintetis, atau sampel silikon, dibangun menggunakan model bahasa besar seperti ChatGPT dari OpenAI untuk membuat representasi digital dari pelanggan nyata Anda. Data dimasukkan ke dalam model AI generatif, yang kemudian diberi perintah untuk menghasilkan dan mengadopsi persona pelanggan yang datanya diberikan.
Anda dapat menggunakan persona ini untuk berbagai kasus penggunaan, seperti menguji iklan baru untuk situs ecommerce Anda atau mengevaluasi desain produk.
Kasus penggunaan lain yang menarik adalah memanfaatkan sampel silikon untuk menjawab pertanyaan survei pelanggan. Karena Anda menggunakan model LLM, hasilnya sebagian besar terdengar manusiawi dan memberi tahu Anda tentang tujuan, minat, dan preferensi pelanggan Anda terkait produk Anda.
Semakin baik kualitas data pelatihan, semakin baik respons survei Anda. Data sintetis ini dapat mengisi kekurangan yang tercipta akibat kelangkaan dan kualitas data, memungkinkan Anda untuk membuat keputusan yang berfokus pada pelanggan.
Digital twin dari pelanggan dapat digunakan terutama dalam pemasaran untuk optimasi perjalanan pelanggan (CJO).
Ini adalah proses pemetaan tindakan dan interaksi pelanggan di berbagai titik kontak untuk mengontrol atau memengaruhi pengalaman pelanggan dari awal hingga akhir. Anda mengarahkan pelanggan prospektif menuju peristiwa konversi, seperti mengunduh ebook atau mendaftar untuk percobaan gratis, berdasarkan data perilaku mereka.
Digital twin dari pelanggan memudahkan karena Anda tidak perlu memaksa orang untuk membuat keputusan – mereka melakukannya dengan sukarela.
Karena digital twin menganalisis secara menyeluruh data pelanggan yang ada dan historis, mereka dapat melihat tren dan pola unik untuk setiap individu. Dengan demikian, Anda mendapatkan wawasan yang membantu Anda membangun kampanye pemasaran yang dipersonalisasi sesuai dengan minat mereka dan mengirimkan penawaran yang tepat kepada orang yang tepat pada waktu yang tepat.
Personalisasi seperti ini menghasilkan tingkat keterlibatan dan konversi yang lebih tinggi.
Digital twin dapat mengidentifikasi titik kontak tempat pelanggan berhenti dalam perjalanan pembeli. Ini bisa berupa halaman checkout yang membingungkan, formulir pendaftaran newsletter dengan CTA yang buruk, atau bahkan halaman produk dengan detail yang tidak memadai. Mereka mengidentifikasi masalah dan juga menyarankan solusi – memungkinkan Anda untuk menguji berbagai skenario.
Selain itu, mensimulasikan perilaku pelanggan memungkinkan pemasar untuk merampingkan perjalanan pelanggan bersama dengan proses inbound lainnya. Ini menyarankan pengguna dengan tindakan terbaik di setiap tahap, membantu mereka mencapai tujuan mereka dan mengatasi hambatan apapun.
Pengalaman pelanggan (CX) tidak lebih dari kesan yang dimiliki pelanggan Anda tentang merek Anda di semua tahap perjalanan pembelian mereka. Ini bisa terjadi saat mereka berinteraksi dengan merek Anda dengan cara apapun, seperti mengklik iklan Anda untuk pertama kali, mengunjungi situs web Anda, membaca posting blog Anda, atau menghubungi dukungan pelanggan.
Digital twin dari pelanggan memberi Anda kemampuan untuk meningkatkan kesan yang dimiliki pelanggan tentang merek Anda. Ini penting karena:
Pendekatan DToC membantu Anda menyesuaikan taktik pemasaran dan pesan Anda secara real-time, menangguhkan kegiatan yang tidak bekerja atau yang mungkin berpotensi menyebabkan pengalaman pelanggan yang negatif. Dengan mengatasi situasi negatif sebelum terjadi, merek dapat memperkuat sentimen positif dan membangun basis pelanggan yang loyal.
Akibatnya, memanfaatkan keinginan, kebutuhan, keyakinan, harapan, dan pengalaman masa lalu prospek memberi Anda kekuatan untuk menciptakan strategi keterlibatan otomatis yang mengikuti tren industri dan perubahan preferensi pelanggan.
Mengembangkan digital twin pelanggan adalah proses yang memakan waktu. Anda perlu memahami analitik data dan teknik pembelajaran mesin untuk membangun model analitik yang dapat menggabungkan interaksi online dan fisik serta membimbing konversi pelanggan.
Jadi, ajukan tiga pertanyaan ini sebelum Anda mulai membuat digital twin pelanggan (DToC):
Dengan ketiga jawaban ini, Anda dapat membuat seluruh proses jauh lebih mudah. Tujuan akhir yang jelas dan set data yang baik memastikan bahwa digital twin memenuhi tujuan yang ditetapkan oleh organisasi Anda.
Langkah pertama adalah mengumpulkan data pelanggan yang ada dan menggunakannya untuk membangun persona pembeli – mereka adalah representasi semi-fiktif dari pelanggan ideal Anda. Menurut ITSMA, 44% pemasar saat ini menggunakan persona pembeli untuk memberi informasi pada aktivitas bisnis mereka.
Data tentu saja adalah bagian yang paling penting dalam pembuatan persona.
Gabungkan data pengguna historis dan saat ini dari berbagai sumber, kemudian proses, analisis, dan segmentasikan untuk membuat persona pelanggan target. Libatkan tim penjualan, layanan pelanggan, dan pengembangan produk Anda untuk membangun profil persona lintas fungsi.
Pilih persona pelanggan yang ingin Anda bangun digital twin-nya dan lengkapi dengan sumber data tambahan.
Setelah Anda memilih persona pelanggan, langkah selanjutnya adalah melengkapinya dengan data pelanggan berkualitas tinggi tambahan. Ini dapat mencakup interaksi digital dan fisik yang dikumpulkan melalui alat analitik, layanan berbasis lokasi, sensor, dan kamera pintar.
Riset pasar, analitik media sosial, dan Voice of the Customer (VoC) data juga merupakan input yang sangat baik.
Namun sebelum itu, pastikan Anda memiliki semua data yang diperlukan untuk sepenuhnya menangkap pengalaman pelanggan secara keseluruhan. Jika tidak, temukan cara untuk mengubah cara Anda mengumpulkan data saat ini. Pelajari tentang kemajuan teknologi terbaru dalam AI dan analitik data, serta pahami bagaimana model analitik memproses data untuk memberikan wawasan tentang perilaku konsumen.
Bagian besar dari penggunaan data pelanggan pihak pertama, atau data pribadi untuk hal itu, adalah memastikan bahwa penggunaan data Anda memenuhi semua aturan dan regulasi privasi data, seperti General Data Protection Regulation (GDPR) dan California Consumer Privacy Act (CCPA).
Ini membantu mengurangi risiko privasi dan kepatuhan untuk melindungi data pengguna yang dapat diidentifikasi yang dibutuhkan untuk membuat digital twin pelanggan. Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan data sintetis yang dihasilkan menggunakan algoritma AI.
Namun, Anda harus menjaga transparansi data dalam semua aktivitas Anda dan memungkinkan pengguna untuk ikut serta atau keluar dari program digital twin. Mereka perlu tahu apa itu dan bagaimana hal itu dapat menguntungkan mereka – bukan Anda. Pada akhirnya, pelanggan harus memiliki keputusan akhir mengenai bagaimana data pribadi mereka disimpan dan digunakan.
Setelah Anda membangun model data yang dapat diambil tindakan yang memungkinkan digital twin pelanggan, mulailah mengintegrasikannya ke dalam alur kerja bisnis Anda.
Digital twin dapat membantu menyempurnakan produk, layanan, dan pengalaman pelanggan secara keseluruhan. Anda dapat memprediksi perilaku pelanggan untuk mendorong model monetisasi baru, meningkatkan umur panjang pelanggan, dan membangun pengikut merek yang setia.
Bekerja sama dengan ahli materi pelajaran (SME) untuk menyesuaikan logika dan proses teknologi digital twin untuk kelompok pelanggan yang berbeda.
Setelah dibuat, digital twin Anda perlu tetap diperbarui dengan data baru, seperti transaksi terbaru, aktivitas media sosial, atau panggilan dukungan pelanggan. Integrasikan informasi ini ke dalam model virtual Anda, yang sudah mencakup minat produk, preferensi komunikasi, kepribadian, dan model analisis sentimen.
Seperti yang telah kami sebutkan, langkah pertama untuk membuat digital twin pelanggan adalah pembuatan persona. Persona oleh Delve AI adalah generator persona online yang memungkinkan Anda membangun persona berbasis data secara otomatis untuk bisnis Anda, pesaing, dan audiens media sosial.
Kami membuat persona dinamis menggunakan berbagai sumber data, termasuk data pihak pertama (CRM, analitik web, dan survei), data pihak kedua (analitik sosial dan intelijen pesaing), dan data publik (data VoC dari ulasan, peringkat, forum, komunitas online, dan berita). Ketika digabungkan menggunakan algoritma pembelajaran mesin dan AI, sumber-sumber ini memberikan gambaran 360 derajat tentang pelanggan Anda.
Alat persona kami mengumpulkan, menganalisis, dan membagi data untuk membuat tiga hingga lima persona pembeli untuk bisnis B2B (diberi sorotan hijau) dan B2C (diberi sorotan biru). Proses ini sepenuhnya otomatis dan hanya memerlukan beberapa menit.
Setiap kartu persona memberikan ringkasan mendalam tentang segmen audiens Anda, menunjukkan metrik penting seperti persentase pengguna, sesi, tingkat tindakan, konversi, transaksi, dan pendapatan.
Cukup klik pada Detail Persona dan Anda akan dibawa ke halaman yang memberi Anda deskripsi lengkap tentang persona tersebut.
Segala sesuatu mulai dari demografi konsumen hingga psikografi diperhitungkan; Anda mempelajari gaya hidup, tujuan, aspirasi, tantangan, saluran komunikasi, jenis konten, preferensi, hobi, minat, kepribadian, dan lainnya. Selain itu, wawasan spesifik industri memberi Anda data kata kunci terstruktur terkait dengan industri tempat Anda berada.
Contoh perjalanan pengguna tunggal untuk ecommerce/B2C dan perjalanan organisasi untuk bisnis B2B untuk setiap segmen persona memberi Anda gambaran tentang bagaimana pengguna berinteraksi dengan situs web dan konten Anda.
Persona diperbarui secara otomatis dengan data segar setiap bulan, menawarkan rekomendasi berbasis AI yang membantu Anda memperoleh dan mempertahankan audiens baru. Untuk informasi lebih lanjut tentang elemen-elemen persona pembeli, baca artikel kami tentang hal yang sama.
Digital twin pelanggan (DToC) adalah teknologi yang sedang berkembang yang harus dimasukkan oleh pemasar dalam rencana jangka panjang mereka. Teknologi ini menangkap motivasi, minat, dan perilaku pelanggan seperti yang belum pernah terjadi sebelumnya – tidak hanya di masa lalu tetapi juga di masa kini dan masa depan.
Terletak di persimpangan analitik lanjutan, AI, dan pembelajaran mesin, DToC memberikan wawasan pelanggan berbasis data yang berguna dalam pembuatan konten, penargetan iklan, dan optimasi perjalanan pelanggan, mendorong pendapatan dan pertumbuhan bisnis.
Mengandalkan sumber data pihak ketiga tidak lagi menjadi pilihan. Organisasi harus mulai berinvestasi dalam solusi alternatif seperti persona sintetis dan digital twin pelanggan untuk menjaga privasi data dan kepuasan pelanggan.
Salinan digital pertama kali digunakan oleh NASA untuk meniru sistem di luar angkasa, seperti pesawat Apollo 13. Kemudian, Michael Grieves memperkenalkan model salinan digital pada tahun 2002 sebagai bagian dari manajemen siklus hidup produk. Istilah "salinan digital" secara resmi diciptakan oleh John Vickers, kepala teknologi di NASA, dalam Laporan Peta Jalan tahun 2010.
Salinan digital kemudian diadopsi dalam pemasaran dan pengembangan produk untuk membangun model virtual dari pelanggan.
Ada empat jenis salinan digital: salinan komponen, salinan aset, salinan sistem, dan salinan proses.
1. Salinan komponen: Salinan digital dari bagian atau komponen individual dalam sebuah sistem.
2. Salinan aset: Mewakili aset, seperti mesin atau perangkat, dan interaksinya dalam sebuah sistem.
3. Salinan sistem: Memodelkan seluruh sistem, menangkap interaksi antar aset yang berbeda.
4. Salinan proses: Mensimulasikan proses, memberikan wawasan tentang alur kerja dan operasi dalam sebuah sistem.
Menggunakan salinan digital dalam pemasaran adalah ide yang baik, namun ada beberapa tantangan yang perlu dihadapi:
Subscribe for blog updates