Представим ситуацию: у вашего племянника через две недели день рождения. Он любит машинки Hot Wheels, и вы решаете подобрать ему одну из них в интернет-магазине. 

Вы планировали потратить на выбор модели и оформление покупки максимум 10 минут, а в итоге провели несколько часов, просматривая все игрушки в каталоге. На сайте нет фильтров, категорий, и никакой возможности сузить область поиска. Печально, не так ли?

К счастью, большинство современных интернет-магазинов работают не так. Иначе у них бы не было клиентов. Тем не менее, эта ситуация отражает подходы маркетологов не только к отображению товаров, но и к сегментации клиентов на протяжении многих лет.

Когда маркетологи агрегируют данные клиентов, зачастую получается хаотичный список. Все необходимые данные есть, но они не структурированы. Нет четких профилей клиентов с блестящим тегом "Я готов покупать!" рядом с именем.

Преобразование этих списков в практические данные требует огромных усилий и временных затрат, но даже в этом случае результаты могут быть противоречивыми.

Со временем маркетологи разработали новые методы структурирования данных (то есть, сегментирования списков), но ни один из них не достиг 100% точности.

Однако благодаря последним достижениям в области данных и машинного обучения сейчас нам удалось приблизиться к небывалой ранее точности сегментации. (И, вероятно, это будет лучшим из того, что есть, до тех пор, пока не появятся магические хрустальные шары и B2C-решения для чтения мыслей).

Зачем необходимо погружение в историю?

У вас может возникнуть желание сразу перейти к основной теме статьи. Вы ведь здесь именно поэтому? Однако начнем все же с обзора того, что собой представляет предиктивная сегментация и как она сформировалась. Это поможет вам лучше понять, как работать с инструментом сегодня.

По мере развития методов сегментации маркетологи перешли от рассылки одних и тех же сообщений по всем спискам клиентов (надеясь на результат) к более целенаправленным кампаниям, обеспечивающим лучшие отклики.

Несмотря на все затраченные усилия, одна фундаментальная проблема до недавнего времени оставалась нерешенной. Сейчас мы отправимся в прошлое, чтобы в ней разобраться.

История развития сегментации в маркетинге

Хотя предиктивная сегментация может показаться всего лишь модным словечком эпохи искусственного интеллекта, ее история началась еще в 20 веке.

До предиктивной сегментации: ранние методы и статические данные

До появления сегментации маркетологам приходилось отправлять одно и то же сообщение всему списку клиентов. По мере роста бизнеса потребность в точности и рентабельности вложений в маркетинг становилась более острой, особенно с учетом затрат на печатную рекламу и прямую почтовую рассылку — основные каналы маркетинга на то время.

В начале 20 века маркетологи уже экспериментировали с различными способами структурирования своих кампаний. В 1950-х годах эти усилия наконец увенчались успехом. Сегодня мы можем узнать об этом из исследования Венделла Р. Смита. В работе "Дифференциация продуктов и сегментация рынка как альтернативные маркетинговые стратегии" он заложил основу сегментации.

Ранняя сегментация основывалась на демографических и географических данных. Маркетологи разделяли своих клиентов на группы на основе таких переменных, как возраст, пол и местоположение. Это было значительное улучшение, но все же недостаточное. Вскоре появились и другие подходы.

RFM-анализ

К 1960–1970-м годам специалисты по прямому маркетингу разработали RFM-анализ, позволяющий эффективнее работать со списками клиентов. Они определили три ключевых фактора в основе прогнозирования будущих покупок:

• Recency (R) — давность последней покупки;
• Frequency (F) — частота покупок;
• Monetary (M) — сумма всех совершенных покупок или средний чек.

Комбинируя эти факторы, маркетологи получили возможность создавать более точные сегменты. Клиенты, набравшие высокие баллы по всем трем переменным, скорее всего, будут совершать повторные покупки, и к ним следует относиться как к VIP-покупателям.

RFM-анализ по-прежнему активно используется маркетологами. Благодаря современной автоматизации он может быть очень эффективным в сочетании с другими инструментами сегментации.

Психографическая сегментация

В 1960-1970-х годах был разработан новый метод, получивший название психографическая сегментация, позволяющий маркетологам лучше понимать своих клиентов путем анализа более тонких критериев. Подход учитывает такие факторы, как образ жизни, социальный класс, личностные качества, ценности, отношения и интересы.

Поведенческая сегментация

Примерно в то же время появилась поведенческая сегментация. Этот метод позволил выйти за пределы общих статистических данных и детальнее рассмотреть поведение клиентов как покупателей. Туда относится такая информация, как историю покупок, взаимодействие с брендом, предпочтения и многое другое.

Хотя поведенческая сегментация была довольно надежным методом, в 1990-х годах она стала еще более эффективной. Активное развитие электронной коммерции и CRM-систем позволило маркетологам эффективнее отслеживать поведение клиентов, включая такие незначительные сигналы, как история просмотров, списки желаний и отказы от веб-страниц.

Классические маркетинговые кампании, основанные на ранних методах

Давайте посмотрим на успешные примеры маркетинговых кампаний, в основе которых – традиционные методы сегментации, которые мы рассмотрели выше.

Как Marlboro полностью изменил маркетинг сигарет с помощью одной кампании

До 1950-х годов эти сигареты продавались в первую очередь женщинам — в рекламе эксплуатировались образы гламура и элегантности, что привлекало именно женскую половину целевой аудитории сигарет. Однако все изменилось в 1954 году.

Легенда рекламы Лео Бернетт сделал радикально новую кампанию. В рекламе был изображен суровый ковбой, излучающий мужественность и силу. Этот подход нашел отклик у мужчин, которые быстро восприняли ребрендинг продукта.

С годами Marlboro Man стал одним из символов поп-культуры. Хотя эту рекламную кампанию справедливо критикуют за негативное воздействие на здоровье из-за популяризации курения, с маркетинговой точки зрения она произвела революцию на рынке, переориентировавшись на другую аудиторию.

Как Volkswagen отвоевал огромную долю автомобильного рынка США, изменив свою привлекательность

Автомобильный рынок США в середине 20 века был довольно консервативным. Основными критериями среди большинства покупателей были размер и мощность автомобиля – чем больше, тем лучше. Кроме того, покупатели скептически относились ко всему, что производится за пределами США.

Немецкий производитель автомобилей Volkswagen с его крошечным Beetle находился в крайне невыгодном положении. Было крайне мало шансов, что автомобиль, созданный в нацистской Германии, сможет конкурировать с устойчивыми американскими брендами — Ford и Chevy. Немецкому концерну был нужен особый подход в рекламе.

В 1959 году Хельмут Кроне и Джулиан Кениг из агентства Doyle Dane Bernbach создали новую кампанию для Beetle под названием "Думай о малом" (“Think small”). Он был ориентирован на покупателей, заботящихся о цене, которым нужен простой в обслуживании и не потребляющий много топлива автомобиль.

Решение переориентироваться на совершенно другой психографический сегмент привело к значительному увеличению доли рынка Volkswagen в США.

Проблемы с ранними методами сегментации

Хотя психографический и поведенческий подходы к сегментации позволили значительно улучшить маркетинговые результаты, осталось несколько проблем:

Недостаток точности. Ранние методы основывались на широких критериях, что приводило к созданию больших и часто неточных групп клиентов.

Статические данные. Традиционные подходы учитывали факторы, которые не сильно менялись. Хотя разделение на мужчин и женщин помогло, оно не учитывало меньшие, постоянно меняющиеся различия внутри этих сегментов.

Ограниченная емкость хранилища. Более ранние решения для хранения данных не могли обрабатывать большие объемы информации. Стоимость хранения была высокой, а системы не были оптимизированы для обработки различных типов данных.

Неэффективный сбор данных. До появления Интернета и социальных сетей не было достаточного количества доступных данных. Интеграция данных из разных источников была сложной и трудоемкой задачей. К тому же, не было методов сбора и обработки данных в реальном времени.

Технологические ограничения. До недавнего времени ни одна система не была способна обрабатывать большие объемы данных. Традиционные базы данных и платформы обработки разрабатывались без учета масштабируемости, а аналитических инструментов было недостаточно для выполнения сложных аналитических операций.

Такие методы, как кластерный анализ, частично решают эти проблемы. С их помощью мы можем выделить определенные характеристики и привычки (например, недавние покупки или регулярные заказы) покупателей. 

Однако они носят в первую очередь описательный характер. То есть мы можем сделать какие-то выводы о прошлом, но предсказать будущее все же будет сложно.

Что, если бы вы могли смоделировать будущее поведение покупателей? Не только учитывая предыдущие показатели, но и имея обоснованные представления о том, как они будут вести себя в будущем. Вот здесь нам и нужно предиктивное моделирование.

Рост предиктивной сегментации в маркетинге

В своей статье "Объяснять или предсказывать?" Галит Шмуэли дает прекрасное определение этого понятия:

"Предиктивное моделирование – процесс применения статистической модели или алгоритма майнинга данных к существующей информации с целью прогнозирования будущих наблюдений".

Профессор Шмуэли выделяет два компонента предиктивного моделирования: статистическую модель (или алгоритм) и данные. Обе эти составляющие привели к прорывам в 21 веке.

История цифровых баз данных началась в 1960-х годах с Роберта Кестенбаума. Он разработал подходы к цифровому хранению и анализу данных, которые на то время были существенно ограничены инфраструктурой.

Прошло время, и в 2000-х годах все изменилось. Развитие программного обеспечения привело к взрывному росту сервисов облачных вычислений, таких как Amazon Web Services, Google Cloud Platform и Microsoft Azure. В результате – хранение и обработка данных клиентов стали значительно более эффективными и доступными для бизнеса.

Более того, с развитием электронной коммерции, социальных сетей и Интернета вещей бренды вскоре получили доступ к огромному количеству информации о других компаниях.

А последним элементом пазла стали современные алгоритмы машинного обучения, которые позволили компаниям выйти за рамки человеческих возможностей обработки данных. Теперь компании могут использовать огромные массивы информации о рынке для принятия решений на ежедневной основе.

Критическая проблема, с которой справилась предиктивная сегментация

Традиционные методы сегментации значительно улучшили маркетинговые результаты. Однако у всех них был один серьезный недостаток, который не удавалось решить до появления предиктивной сегментации. Давайте посмотрим на несколько примеров:

• Большую часть косметических товаров покупают женщины. Означает ли это, что мужчины никогда не покупают очищающие и увлажняющие средства? Все ли женщины покупают одинаковые виды косметики?
• Предметы роскоши покупают в первую очередь состоятельные люди. Все ли состоятельные люди покупают предметы роскоши? А как насчет тех, кто тратит деньги только на то, чтобы в течение следующих нескольких недель есть лапшу быстрого приготовления?
• Мы знаем, что люди, совершившие недавнюю покупку, с большей вероятностью купят снова. Сделают ли все недавние покупатели еще одну покупку? А как быть с теми, кто давно совершили покупку и сейчас активно просматривают новинки?

Все вышеупомянутые факторы связаны с более высокой вероятностью конверсии, но ни один из них не приводит к конверсии напрямую.

Традиционная сегментация носит корреляционный характер. Она учитывает факторы, связанные с желаемыми маркетинговыми результатами, такими как вероятность действия или оттока клиентов. Однако не затрагивает эти факторы напрямую.

Предиктивное моделирование избавляет от необходимости проверять одну за одной комбинации критериев, чтобы найти тот, который больше других коррелирует с желаемым результатом. Вместо этого модель анализирует все параметры одновременно и выделяет взаимозависимости, которые способствуют конверсии.

Раннее использование предиктивной сегментации

Предиктивные методы использовали в различных отраслях с середины 20 века. В финансовой индустрии – для оценки рисков кредиторов (т.н. кредитный скоринг). Здравоохранение начало использовать предиктивные методы для прогнозирования распространения заболеваний. А ритейлеры – чтобы предсказать, когда им потребуется пополнить запасы товаров.

И все же некоторое время предиктивная сегментация была доступна только для государственных организаций и корпоративного сектора. Давайте посмотрим на первые коммерчески успешные применения предиктивной сегментации.

Meta Ads (ранее Facebook Ads)

Имея доступ к огромному количеству данных о клиентах, корпорация Meta была одной из первых, кто внедрил предиктивное моделирование. В марте 2013 года компания представила новую опцию, доступную рекламодателям — похожая аудитория (lookalike audiences).

До этого рекламодатели полагались исключительно на демографические и основанные на интересах критерии таргетинга рекламы.

Благодаря сложным алгоритмам, лежащим в основе похожих аудиторий, стало возможным достичь нового уровня точности. Они анализируют существующих клиентов и находят общие характеристики.

Чтобы использовать эту функцию в Meta Ads, вам необходимо установить три переменные:

1. Источник: подписчики страницы, аудитория из других кампаний или список клиентов, импортированный в виде файла.
2. Местоположение: страна или регионы, в которых алгоритм будет искать людей с похожими характеристиками.
3. Размер аудитории: процент людей, наиболее похожих на вашу исходную аудиторию. Например, вы загрузили свою клиентскую базу из 15 000 имен и хотите создать похожую аудиторию в регионе, в котором насчитывается 100 миллионов Meta-пользователей. Размер аудитории 10% создаст аудиторию в 10 миллионов человек, что наиболее близко к исходному списку в 15 000 человек. Вариант 1% еще больше сузит его до 1 миллиона.

Благодаря похожей аудитории рекламодатели получили мощный инструмент, который позволил им автоматизировать настройку таргетинга, сосредоточиться на других областях вместо того, чтобы бесконечно тестировать различные критерии таргетинга.

Google Ads (ранее Google AdWords)

В том же году Google представил функцию под названием "похожие аудитории" (similar audiences). Аналогично похожим аудиториям Meta, целевой аудиторией были люди, близкие к существующим спискам ремаркетинга. Десять лет спустя, в 2023 году, Google удалил аналогичную аудиторию из-за проблем с конфиденциальностью.

Однако некоторые из их функций — оптимизированный таргетинг, расширение аудитории и интеллектуальное назначение ставок — по прежнему сохраняются.

Amazon

Гигант электронной коммерции впервые применил методы прогнозирования в электронной коммерции с совместной фильтрацией, используемой для прогнозирования вероятности следующих покупок. Amazon использовал два основных типа совместной фильтрации для формирования рекомендаций по продуктам:

• Совместная фильтрация на основе сходства пользователей. Этот метод рекомендует продукты на основе сходства предпочтений пользователей. Если есть два похожих пользователя, и первый купил товары А и Б, а второй – только Б, система порекомендует и второму пользователю товар А.
• Совместная фильтрация на основе сходства товаров. В отличие от предыдущего, этот метод предоставляет рекомендации, основанные на сходстве продуктов. Если два товара часто покупаются вместе, один из них может быть рекомендован при покупке другого.

Имея доступ к большим объемам данных о клиентах, компания Amazon продолжала развивать и совершенствовать свои алгоритмы прогнозирования. В 2020 году Amazon выпустили MQ Transformer — модель, способную изучать собственную историю для повышения точности прогнозов.

Другие примеры

Британский ритейлер “Tesco” запустил программу лояльности Clubcard в 1995 году. Это была одна из первых программ лояльности, в которой широко использовался анализ данных.

Tesco собирала данные о поведении и предпочтениях клиентов посредством транзакций через клубные карты, чтобы прогнозировать будущие покупки и адаптировать рекомендации.

В начале 2000-х годов Эндрю Поул, статистик американского ритейлера “Target”, разработал модель прогнозирования беременности покупательниц. Поул составил список примерно из 25 продуктов, которые коррелируют с беременностью.

Это позволило Target предлагать релевантные товары до рождения ребенка — это произошло задолго до того, как другие ритейлеры получили возможность внедрить такую систему.

Пионер стриминговых сервисов “Netflix”, использовал предиктивную сегментацию, чтобы стать ведущей компанией в отрасли. Алгоритмы Netflix прогнозируют, какие шоу и фильмы могут понравиться пользователям, основываясь на их истории просмотра, рейтингах и предпочтениях.

Они даже создают оригинальные сериалы, которые могут стать хитами, исходя из предпочтений клиентов, касающихся определенных жанров и актеров.

Заключение

У предиктивной сегментации длинная и яркая история развития и становления. Теперь этот метод наконец стал доступным каждому бизнесу, а не только крупным корпорациям.

Для маркетологов это – эффективный способ достижения бизнес-целей, сохраняя удовлетворенность клиентов. Предиктивная сегментация повышает рентабельность маркетинговых кампаний, экономит время и увеличивает вовлеченность клиентов.

В следующей статье рассмотрим особенности работы алгоритмов прогнозирования. А пока вы можете почитать, как украинский ритейлер "Пром" увеличил продажи на 10% с помощью персонализированных товарных рекомендаций.

Получить персонализированную консультацию