Уявимо ситуацію: у вашого племінника за два тижні день народження. Він любить машинки Hot Wheels, і ви вирішуєте підібрати йому одну з них в інтернет-магазині.

Ви планували витратити на вибір моделі й оформлення покупки максимум 10 хвилин, а зрештою кілька годин переглядали всі іграшки, що є в каталозі. На сайті немає фільтрів, категорій, а також жодної можливості звузити зону пошуку. 

На щастя, більшість сучасних інтернет-магазинів працюють не так. Інакше б у них не було клієнтів. Проте ця ситуація відображає підходи маркетологів не лише до відображення товарів, а й до сегментації клієнтів упродовж багатьох років.

Коли маркетологи агрегують дані клієнтів, спершу виходить хаотичний список. Усі необхідні дані є, але вони не структуровані. Немає чітких профілів клієнтів, як і блискучих тегів «Я готовий купувати!» поряд з іменами.

Перетворення цих списків у практичні дані потребує зусиль і витрат часу, але навіть у цьому випадку результати можуть бути суперечливими.

Маркетологи пробували різні методи ручного структурування даних, але жоден з них не давав 100% точності.

Нарешті з останніми розробками у сфері даних і машинного навчання ми зараз наблизилися до значно вищої точності сегментації. (І, ймовірно, це буде найкращим з того, що є, доки не з'являться магічні кришталеві кулі та B2C-рішення для читання думок).

Навіщо потрібне занурення в історію?

У вас може виникнути бажання одразу перейти до основної теми статті. Адже ви тут саме для цього? Однак почнемо все ж таки з огляду того, що собою являє предиктивна сегментація і як вона сформувалася. Це допоможе вам краще зрозуміти, як працювати з інструментом сьогодні.

Упродовж розвитку методів сегментації маркетологи поступово переходили від розсилки однакових повідомлень за всіма списками клієнтів до таргетованих кампаній. Відгуки покращувались, а з ними і результати кампаній.

І все ж таки одна фундаментальна проблема донедавна залишалася невирішеною. Зараз ми звернемося до історії, щоб у ній розібратися.

Історія розвитку сегментації в маркетингу

Хоча предиктивна сегментація може здатися лише трендовим словом епохи штучного інтелекту, її історія почалася ще в 20 столітті.

До предиктивної сегментації: ранні методи та статичні дані

До появи сегментації маркетологам доводилося надсилати однакове повідомлення всьому списку клієнтів. Разом із ростом бізнес-потреб необхідність в точності й рентабельності вкладень у маркетинг ставала гострішою. Ще треба врахувати витрати на друковану рекламу і розсилку паперових листів — основні канали маркетингу на той час.

На початку 20 століття маркетологи вже експериментували з різними способами структурування своїх кампаній. У 1950-х роках ці зусилля нарешті почали приносити результати. Сьогодні ми можемо дізнатися про це з дослідження Венделла Р. Сміта. У роботі «Диференціація продуктів та сегментація ринку як альтернативні маркетингові стратегії» він створив основу сегментації.

Рання сегментація ґрунтувалася на демографічних і географічних даних. Маркетологи поділяли своїх клієнтів на групи на основі таких змінних, як вік, стать і місцезнаходження. Це було значне поліпшення, але все ж таки недостатнє. Невдовзі з'явилися й інші підходи.

RFM-аналіз

До 1960-1970-х років фахівці з прямого маркетингу розробили RFM-аналіз, що надає змогу ефективніше працювати зі списками клієнтів. Вони визначили три ключові чинники в основі прогнозування майбутніх покупок:

• Recency (R) — давність останньої покупки;
• Frequency (F) — частота покупок;
• Monetary (M) — сума всіх покупок клієнта або середній чек.

Оцінюючи клієнтів за цими чинниками, маркетологи отримали можливість створювати точніші сегменти. Клієнти з високими показниками з більшою ймовірністю робили повторні покупки та відносилися до VIP-покупців.

RFM-аналіз, як і раніше, активно використовується маркетологами. Завдяки сучасній автоматизації він може бути дуже ефективним у поєднанні з іншими інструментами сегментації.

Психографічна сегментація

У 1960-1970-х роках було розроблено новий метод – психографічна сегментація. Він враховував такі чинники, як спосіб життя, соціальний клас, особисті якості, цінності, відносини й інтереси.

Поведінкова сегментація

В той час з'явилася і поведінкова сегментація. Цей метод надав можливість вийти за межі загальних статистичних даних і детальніше розглянути поведінку клієнтів як покупців. Туди відноситься така інформація, як історію покупок, взаємодія з брендом, уподобання і багато іншого.

Хоча поведінкова сегментація була достатньо надійним методом, у 1990-х роках вона стала ще ефективнішою. З розвитком електронної комерції та CRM-систем маркетологи змогли ефективніше відслідковувати поведінку клієнтів, включно з історією переглядів, списками бажань і закриттям сторінок.

Класичні маркетингові кампанії, що базуються на ранніх методах

Давайте подивимося на успішні приклади маркетингових кампаній, основа яких — традиційні методи сегментації, які ми розглянули вище.

Як Marlboro повністю змінив маркетинг сигарет однією кампанією

До 1950-х років ці сигарети продавалися насамперед жінкам — у рекламі використовувалися образи гламуру й елегантності, що приваблювало саме жіночу половину цільової аудиторії сигарет. Однак усе змінилося 1954 року.

Легенда реклами Лео Бернетт зробив радикально нову кампанію. У рекламі був зображений суворий ковбой, що випромінює мужність і силу. Цей підхід знайшов відгук у чоловіків, які швидко сприйняли ребрендинг продукту.

З роками Marlboro Man став одним з символів поп-культури. Хоча цю рекламну кампанію справедливо критикують за негативний вплив на здоров'я через популяризацію куріння, з маркетингового погляду вона стала революційною на ринку, переорієнтувавшись на іншу аудиторію.

Як Volkswagen відвоював величезну частку автомобільного ринку США, змінивши свою привабливість

Автомобільний ринок США у середині 20 століття був консервативним. Основними критеріями для більшості покупців були розмір і потужність автомобіля — чим більше, тим краще. Крім того, покупці скептично ставилися до всього, що вироблялося поза США.

Тож німецький виробник автомобілів Volkswagen з його крихітним Beetle перебував у невигідному становищі. Було мало шансів, що маленький автомобіль, до того ж створений в нацистській Німеччині, зможе конкурувати зі стійкими американськими брендами — Ford і Chevy. Німецькому концерну потрібен був особливий підхід у рекламі.

У 1959 році Хельмут Кроне та Джуліан Кеніг з агентства Doyle Dane Bernbach створили нову кампанію для Beetle під назвою «Думай про мале» («Think small»). Він був орієнтований на покупців, яким важлива ціна й потрібен простий в обслуговуванні автомобіль, що не споживає багато палива.

Рішення переорієнтуватися на зовсім інший психографічний сегмент призвело до значного збільшення частки ринку Volkswagen у США.

Проблеми з ранніми методами сегментації

Хоча психографічний та поведінковий підходи до сегментації дозволили значно поліпшити маркетингові результати, залишалося кілька проблем:

Проблеми з точністю. Ранні методи ґрунтувалися на широких критеріях, що призводило до створення великих і часто неточних груп клієнтів.

Статичні дані. Традиційні підходи враховували чинники, які не сильно змінювалися. Хоча поділ на чоловіків і жінок допоміг, він не враховував менші відмінності, що постійно змінюються всередині цих сегментів.

Обмежені можливості сховища. На той час рішення для зберігання даних не могли зберігати великі обсяги інформації. Вартість використання була високою, ще й системи не були оптимізовані для різних типів даних.

Неефективне збирання даних. До появи Інтернету й соціальних мереж не було достатньої кількості доступних даних. Інтеграція даних з різних джерел була складним і трудомістким завданням. До того ж не було методів збирання і обробки даних у реальному часі.

Технологічні обмеження. Донедавна жодна система не була здатна обробляти великі обсяги даних. Традиційні бази даних і платформи обробки розроблялися без урахування масштабування, а аналітичних інструментів було недостатньо для виконання складних аналітичних операцій.

Такі методи, як кластерний аналіз, частково вирішують ці проблеми. З їхньою допомогою ми можемо виділити певні характеристики та звички (наприклад, нещодавні покупки або регулярні замовлення) покупців.

Проте вони мають насамперед описовий характер. Тобто ми можемо зробити якісь висновки про минуле, але покладатися на них з приводу майбутнього буде складно.

А якби ви могли змоделювати майбутню поведінку покупців? Не тільки з огляду на попередні показники, а й маючи обґрунтовані уявлення про те, як вони поводитимуться в майбутньому? Для цього вже є предиктивне моделювання.

Зростання предиктивної сегментації у маркетингу

У своїй статті «Пояснювати чи пророкувати?» Галіт Шмуелі дає прекрасне визначення цього поняття:

«Предиктивне моделювання — процес застосування статистичної моделі або алгоритму майнінгу даних до існуючої інформації для прогнозування майбутніх спостережень»

Професор Шмуелі виділяє два компоненти предиктивного моделювання: статистичну модель (або алгоритм) та дані. Обидві ці складові призвели до проривів у 21 столітті.

Історія цифрових баз даних розпочалася у 1960-х роках з Роберта Кестенбаума. Він розробив підходи до цифрового зберігання та аналізу даних, які на той час були суттєво обмежені інфраструктурою.

Минув час, і у 2000-х роках усе змінилося. Розвиток програмного забезпечення спричинив стрибок у зростанні сервісів хмарних обчислень, таких як Amazon Web Services, Google Cloud Platform і Microsoft Azure. У результаті — зберігання і обробка даних клієнтів стали значно ефективнішими й доступнішими для бізнесу.

Крім того, з розвитком електронної комерції, соціальних мереж та Інтернету речей бренди незабаром отримали доступ до величезної кількості інформації про інші компанії.

А останнім елементом пазла стали сучасні алгоритми машинного навчання, які дозволили компаніям вийти за межі людських можливостей обробки даних. Тепер компанії можуть використовувати величезні масиви інформації про ринок для щоденного ухвалення рішень.

Критична проблема, з якою впоралася предиктивна сегментація

Традиційні методи сегментації значно поліпшили маркетингові результати. Однак у всіх був один серйозний недолік, який не вдавалося вирішити до появи предиктивної сегментації. Давайте подивимося на кілька прикладів:

• Більшість косметичних товарів купують жінки. Чи означає це, що чоловіки ніколи не купують засоби, що очищають і зволожують? Чи всі жінки купують однакові види косметики?
• Предмети розкоші купують насамперед заможні люди. Чи всі заможні люди купують предмети розкоші? А як щодо тих, хто витрачає гроші лише на те, щоб упродовж наступних кількох тижнів їсти локшину швидкого приготування?
• Ми знаємо, що люди, які здійснили недавню покупку, з більшою ймовірністю куплять знову. Чи зроблять всі недавні покупці ще одну покупку? А як бути з тими, хто давно здійснив покупку й зараз активно переглядає новинки?

Усі вищезгадані чинники пов'язані з вищою ймовірністю конверсії, але жоден з них не призводить до конверсії безпосередньо.

Традиційна сегментація має кореляційний характер. Вона враховує чинники, пов'язані з бажаними маркетинговими результатами, такими як можливість дії або відтоку клієнтів. Проте не зачіпає ці чинники напряму.

Предиктивне моделювання позбавляє необхідності перевіряти одну за одною комбінації критеріїв, щоб знайти той, який більше за інших корелює з бажаним результатом. Натомість модель аналізує всі параметри одночасно й виділяє взаємозалежності, які сприяють конверсії.

Раннє використання предиктивної сегментації

Предиктивні методи використовували в різних галузях із середини 20 століття. У фінансовій індустрії — для оцінки ризиків кредиторів (кредитний скоринг). Охорона здоров'я почала використовувати предиктивні методи для прогнозування поширення захворювань. А ритейлери — щоб передбачити, коли їм потрібно буде поповнити запаси товарів.

І все ж таки деякий час предиктивна сегментація була доступна тільки для державних організацій та корпоративного сектору. Давайте подивимося на перші комерційно успішні застосування предиктивной сегментації.

Meta Ads (раніше Facebook Ads)

Маючи доступ до величезної кількості даних про клієнтів, корпорація Meta була однією з найперших, хто впровадив предиктивне моделювання. У березні 2013 року компанія представила нову опцію, доступну рекламодавцям — схожа аудиторія (lookalike audiences).

До цього рекламодавці покладалися виключно на демографічні та засновані на інтересах критерії таргетингу реклами.

Завдяки складним алгоритмам, які лежать в основі схожих аудиторій, стало можливим досягти нового рівня точності. Вони аналізують існуючих клієнтів і знаходять загальні характеристики.

Щоб використовувати цю функцію в Meta Ads, вам необхідно встановити три змінні:

1. Джерело: підписники сторінки, аудиторія з інших кампаній або список клієнтів, імпортований як файл.
2. Розташування: країна або регіони, в яких алгоритм шукатиме людей зі схожими характеристиками.
3. Розмір аудиторії: відсоток людей, схожих на вашу аудиторію. Наприклад, ви завантажили свою клієнтську базу з 15 000 імен і хочете створити схожу аудиторію в регіоні, в якому налічується 100 мільйонів Meta-користувачів. Розмір аудиторії 10% створить аудиторію в 10 мільйонів людей, що найближче до вихідного списку в 15 000 людей. Варіант 1% ще більше звузить його до 1 мільйона.

Завдяки схожій аудиторії рекламодавці отримали потужний інструмент, який надав змогу їм автоматизувати налаштування таргетингу, зосередитися на інших нішах замість того, щоб нескінченно тестувати різні критерії таргетингу.

Google Ads (раніше Google AdWords)

У тому ж році Google представив функцію під назвою «схожі аудиторії» (similar audiences). Аналогічно схожим аудиторіям Meta, цільовою аудиторією були люди, близькі до списків ремаркетингу. Через десять років, у 2023 році, Google видалив аналогічну аудиторію через проблеми з конфіденційністю.

Однак деякі з їхніх функцій — оптимізований таргетинг, розширення аудиторії та інтелектуальне призначення ставок — залишилися.

Amazon

Гігант електронної комерції вперше застосував методи прогнозування в електронній комерції зі спільною фільтрацією, яка використовується для прогнозування ймовірності наступних покупок. Amazon використовував два основних типи спільної фільтрації для формування рекомендацій щодо продуктів:

• Спільна фільтрація на основі схожості користувачів. Цей метод рекомендує продукти на основі схожості уподобань користувачів. Якщо є два схожі користувачі, і перший купив товари А і Б, а другий — тільки Б, система порекомендує і другому користувачеві товар А.
• Спільна фільтрація, що ґрунтується на схожості товарів. На відміну від попереднього, цей метод надає рекомендації на основі схожості продуктів. Якщо два товари часто купляються разом, один з них може бути рекомендований під час покупки іншого.

Маючи доступ до великих обсягів даних про клієнтів, компанія Amazon продовжувала розвивати та вдосконалювати свої алгоритми прогнозування. У 2020 році Amazon випустили MQ Transformer — модель, здатну вивчати власну історію для підвищення точності прогнозів.

Інші приклади

Британський ритейлер «Tesco» запустив програму лояльності Clubcard у 1995 році. Це була одна з найперших програм лояльності, у якій широко використовувався аналіз даних.

Tesco збирала дані про поведінку й уподобання клієнтів за допомогою транзакцій через клубні карти, щоб прогнозувати майбутні покупки й адаптувати рекомендації.

На початку 2000-х років Ендрю Поул, статистик американського ритейлера «Target», розробив модель прогнозування вагітності жінок-покупців. Поул склав список майже з 25 продуктів, які корелюють з вагітністю.

Це дозволило Target пропонувати релевантні товари до народження дитини — це сталося задовго до того, як інші ритейлери отримали можливість запровадити таку систему.

Піонер стримінгових сервісів «Netflix», використовував предиктивну сегментацію, щоб стати провідною компанією в галузі. Алгоритми Netflix прогнозують, які шоу та фільми можуть сподобатися користувачам, ґрунтуючись на їхній історії перегляду, рейтингах і уподобаннях.

Вони навіть створюють оригінальні серіали, які можуть стати хітами, виходячи з уподобань клієнтів, які стосуються певних жанрів і акторів.

Висновок

У предиктивної сегментації тривала та яскрава історія розвитку і становлення. Тепер цей метод нарешті став доступним кожному бізнесу, а не лише великим корпораціям.

Для маркетологів це – ефективний спосіб досягнення бізнес-цілей, зберігаючи задоволеність клієнтів. Предиктивна сегментація підвищує рентабельність маркетингових кампаній, економить час і збільшує залучення клієнтів.

У наступній статті розглянемо особливості роботи алгоритмів прогнозування. А поки що ви можете почитати, як український ритейлер «Пром» збільшив продажі на 10% за допомогою персоналізованих товарних рекомендацій.

Отримати персональну консультацію