Как сэкономить до 50% маркетингового бюджета с помощью предиктивной сегментации

Маркетологи долгое время работали с сегментацией вручную. Когда этот метод появился, он значительно повысил эффективность маркетинговых активностей. Однако со временем проявились и его существенные недостатки для бизнеса: высокая затратность по времени и высокая частота ошибок. Давайте рассмотрим примеры того, как мы можем значительно улучшить ситуацию, используя предиктивную сегментацию.

Ручная сегментация в реальной жизни

Знакомьтесь с Богданом, младшим маркетологом в интернет-магазине Х. Задача Богдана — извлечь максимальную пользу из информации о клиентах магазина. 

Богдан получил доступ к базе, в которой хранятся тысячи записей. Все клиенты разные. Например, кто-то, сделал одну покупку 5 лет назад и больше не возвращался. Кто-то изредка заказывает недорогие товары. Есть и другие примеры: один клиент ситуативно делает крупные покупки, а кто-то покупает много и часто и относится к VIP-категории клиентов.

Богдан предполагает, что некоторые клиенты из списка могли бы что-то купить прямо сейчас. Однако большинству это вряд ли будет актуально, каким бы удачным ни было предложение магазина.

Богдан решает запустить СМС-рассылку всем клиентам из списка. Результаты не радуют: магазину обходится первая кампания Богдана в 37 тыс. гривен убытков. Если он хочет сохранить свою работу, придется сделать так, чтобы подобное не повторилось.

Делать рассылку всем контактам подряд — не лучшая стратегия. Это может вызвать раздражение у тех, кто не готов сейчас к новой покупке – и потери сильно перевесят прибыль. 

Усвоив урок, Богдан решает сузить список получателей.

Теперь он ожидает, что те клиенты, которые недавно что-то приобрели в магазине, с большей вероятностью сделают заказ снова. Поэтому Богдан выбирает группу людей, которые что-то купили за последние 90 дней – и запускает новую рассылку. В этот раз результаты выглядят значительно лучше. Похоже, Богдан сохранит свою работу.

Важно:

Ручная сегментация имеет ограничения, которые снижают ее эффективность:

• Устаревшие данные: использование неактуальной информации о клиентах приводит к низкой точности таргетинга.
• Человеческий фактор: в ручных процессах неизбежно случаются ошибки, которые влияют на точность сегментации.
• Трудности масштабирования: с ростом клиентской базы такая сегментация становится сложнее, а ее точность — ниже.

Теперь Богдан задается вопросом: как планировать будущие кампании?

Как маркетологи задают неправильные вопросы

Много лет маркетологи пытались ответить на один вопрос: какие критерии сегментации дадут наилучшие результаты? Например, Богдан сейчас озадачен тем, является ли 90-дневный период хорошим критерием сегментации.

Хотя он может пойти и дальше в этих размышлениях: что, если взять 45 дней? Улучшится ли от этого ROMI или наоборот? А что даст 120-дневный период? Будет ли кампания по-прежнему прибыльной?

Столько вопросов... а правильного нет. На этом этапе Богдану стоит остановиться и спросить себя, зачем он это делает, а потом определиться с целями. Есть три основных ориентира, которые могут помочь Богдану с планированием:

• Максимизация прибыли кампании.
• Максимизация доходов при минимизации потерь.
• Максимизация охвата аудитории с допустимыми операционными потерями.

Посмотрим на графике:

Чтобы перестать строить догадки о критериях сегментации и начать работать над достижением конкретных целей, следует обратиться к предиктивной сегментации.

Предиктивная сегментация как ответ на ключевые вопросы маркетологов

Вместо того, чтобы разделять клиентов по количеству дней с их последней покупки (или любому другому косвенному показателю), Богдану лучше сосредоточиться на критериях, которые напрямую связаны с желаемыми результатами.

Начнем с вероятности покупки. Этот показатель должен быть интересен Богдану в первую очередь. Он помогает ранжировать клиентов на основе того, насколько актуальной будет для них повторная покупка. Однако ручные методы сегментации с этим не справятся – нужны более мощные инструменты.

Предиктивное моделирование основано на нейронных сетях и больших массивах данных. Бизнесы использует его для создания точных прогнозов поведения клиентов. 

В отличие от ручных методов, которые часто имеют дело с ограниченными временными рамками, ИИ способен анализировать данные за месяцы, годы и даже десятилетия и находить сходства в поведении клиентов. Кроме того, этот метод избавляет от работы с косвенными метриками и помогает использовать ключевые события клиентов: покупки, отток, отказы, подписки и т. д.

Еще одна метрика, которая поможет Богдану, — это охват (recall). Он отражает процент потенциальных покупателей внутри выбранного сегмента.

Если цель — охватить как можно больше потенциальных клиентов, даже включая тех, кто не готов покупать, используется более высокий показатель охвата (например, 70–80). А если нужно сосредоточиться на более узкой целевой группе потенциальных покупателей, устанавливается более низкое значение (например, 50–60). Это поможет снизить затраты и повысить коэффициент конверсии.

Чтобы прояснить это, рассмотрим пример: у нас есть список из 100 000 клиентов. Из них 1000 клиентов, судя по прогнозам, будут готовы совершить покупку. Если установим значение охвата равным 80, получим сегмент в 60 000 человек. Это означает, что 80% прогнозируемых покупателей (800 из 1000) включены в этот сегмент.

Если вместо этого мы установим значение охвата равным 55, система предоставит меньший сегмент, состоящий из 25 000 клиентов. Из них у 550 человек (55% от общего числа прогнозируемых покупателей), предположительно будет позитивная реакция на нашу кампанию.

Имейте в виду, что в контексте предиктивной сегментации охват не работает в пропорции. Меньшие значения приводят к более точным и экономически эффективным сегментам. Как правило, при охвате 80 на каждого покупателя может приходиться 99 ложных покупателей. В то же время при охвате 55 на каждого покупателя придется только 97 тех, кто не захочет покупать.

Вооружившись предиктивной моделью и ясной маркетинговой целью, Богдан решает запустить новую кампанию. Он хочет максимизировать доход, поэтому устанавливает охват на уровне 80.

Результаты радуют Богдана еще больше — доходы высокие, убытков нет. Обрадованный итогами кампании, он решает попробовать другой подход. Теперь маркетолог хочет, чтобы его кампания максимизировала прибыльность бизнеса. Он устанавливает охват равным 55 и запускает еще одну кампанию.

В этот раз результаты еще лучше. Богдан отправил лишь половину сообщений по сравнению с предыдущей кампанией – и прибыль оказалась самой высокой из всех кампаний, которые он успел запустить. При таких показателях Богдан может не только сохранить свою работу, но и получить повышение!

Объединив все результаты, у Богдана получается такая таблица:

Как использовать предиктивную сегментацию в CDP eSputnik

Каким бы профессионалом ни был маркетолог, он не сможет принять во внимание все данные из-за лимитов работы мозга. 

В то же время алгоритмы машинного обучения могут за секунды обрабатывать тонны данных и выделять самое важное. То же показывают и наши примеры: по сравнению с ручными методами предиктивный подход существенно повышает точность сегментации.

Заключение

Подводя итог всему описанному выше, мы видим в предиктивной сегментации конкретную пользу для бизнеса в виде:

• прогнозирования результатов кампаний: вместо догадок полагайтесь на прогнозы.
• привлечения именно тех клиентов, которым актуально предложение бизнеса: контактируйте только с теми, кто тоже настроен на контакт с вами, и не раздражайте тех, кому не до того. 
• Рационального распределения маркетингового бюджет: управляйте рисками с помощью прогнозов и не тратьте деньги на те кампании, у которых мало шансов на позитивные результаты. 

Если вы хотите попробовать предиктивную сегментацию для маркетинга своего бизнеса, CDP eSputnik будет кстати. От вас — добавить источники данных. Остальную работу мы возьмем на себя.

Чтобы узнать больше об использовании CDP eSputnik в реальных задачах, заполните форму ниже — и мы с вами свяжемся.

Special Request Inline