Маркетологи тривалий час працювали з сегментацією вручну. Коли цей метод виник, він значно підвищив ефективність маркетингових активностей. Однак згодом стали помітними його суттєві недоліки для бізнесу: значні витрати часу й висока частота помилок. Давайте розглянемо приклади того, як ми можемо значно поліпшити ситуацію, використовуючи предиктивну сегментацію.
Ручна сегментація в реальному житті
Знайомтеся з Богданом, молодшим маркетологом в інтернет-магазині Х. Завдання Богдана — отримати максимальну користь з інформації про клієнтів магазину.
Богдан отримав доступ до бази, в якій зберігаються тисячі записів. Усі клієнти різні. Наприклад, хтось зробив одну покупку 5 років тому й більше не повертався. Хтось зрідка замовляє недорогі товари. Є і інші приклади: один клієнт ситуативно робить великі покупки, а хтось замовляє багато і часто та належить до VIP-категорії клієнтів.
Богдан припускає, що деякі клієнти з бази могли би щось купити просто зараз. Однак більшості це навряд чи буде актуальним, навіть за умови вигідної пропозиції від магазину.
Богдан вирішує запустити SMS-розсилку всім клієнтам одночасно. Результати не тішать: магазину перша кампанія Богдана обходиться у 37 тис. гривень збитків. Якщо він хоче зберегти свою роботу, доведеться зробити так, щоб ця ситуація не повторилася.
Розсилати повідомлення всім контактам поспіль — не найкраща стратегія. Це може спричинити роздратування тих, хто не готовий зараз до нової покупки — і збитки можуть значно переважити прибуток.
Засвоївши урок, Богдан вирішує звузити список отримувачів.
Тепер він очікує, що ті клієнти, що недавно щось придбали в магазині, з більшою ймовірністю оформлять замовлення знову. Тому Богдан обирає групу людей, які зробили купівлю за останні 90 днів — та запускає нову розсилку. Цього разу результати виглядають значно краще. Схоже, Богдан збереже свою роботу.
Важливо!
Ручна сегментація має обмеження, які знижують її ефективність:
- Застарілі дані: використання неактуальної інформації про клієнтів призводить до низької точності таргетингу.
- Людський чинник: у ручних процесах неминуче трапляються помилки, що впливають на точність сегментації.
- Труднощі масштабування: зі зростанням клієнтської бази така сегментація стає складнішою, а її точність — нижчою.
Тепер Богдан замислився: як планувати подальші кампанії?
Як маркетологи ставлять неправильні питання
Багато років маркетологи намагалися відповісти на одне запитання: які критерії сегментації забезпечать найкращі результати? Наприклад, Богдан зараз замислився, чи є 90-денний період оптимальним критерієм сегментації.
Хоча він може піти й далі у своїх роздумах: а якщо враховувати 45 днів? Поліпшиться від цього ROMI чи навпаки? А що дасть 120-денний період? Чи буде кампанія, як і раніше, прибутковою?
Стільки запитань… а правильного немає. На цьому етапі Богдану варто зупинитися і запитати себе, навіщо він це робить, а потім визначитися з цілями. Є три основні орієнтири, які можуть допомогти з плануванням у цьому випадку:
- Максимізація прибутку кампанії.
- Максимізація доходів з мінімізацією збитків.
- Максимізація охоплення аудиторії з допустимими операційними витратами.
Подивимося на графіку:
Щоб не робити припущення про критерії сегментації, а натомість почати працювати над досягненням конкретних цілей, необхідно звернутися до предиктивної сегментації.
Предиктивна сегментація як відповідь на ключові питання маркетологів
Замість того, щоб розділяти клієнтів за кількістю днів з їхньої останньої покупки (або будь-якого іншого непрямого показника), Богдану краще сконцентруватися на критеріях, які безпосередньо пов’язані з бажаними результатами.
Почнемо з ймовірності покупки. Цей показник має бути для нього цікавим в першу чергу. Він допомагає ранжувати клієнтів на основі того, наскільки актуальною буде для них повторна купівля. Однак ручні методи сегментації з цим не впораються — потрібні потужніші інструменти.
Предиктивне моделювання ґрунтується на нейронних мережах і великих масивах даних. Бізнес використовує його для створення точних прогнозів поведінки клієнтів.
На відміну від ручних методів, які часто мають справу з обмеженими часовими рамками, ШІ здатний аналізувати дані за місяці, роки й навіть десятиліття і знаходити подібність у поведінці клієнтів. Крім того, цей метод позбавляє роботи з непрямими метриками й допомагає використовувати ключові події клієнтів: покупки, відтік, відмови, підписки тощо.
Ще одна метрика, яка допоможе Богдану, — це чутливість (recall) предиктивної моделі. Вона демонструє, наскільки добре модель охоплює всіх потенційних покупців усередині обраного сегменту.
Якщо мета — охопити якомога більше потенційних клієнтів, навіть включно з тими, хто не готовий купувати, використовується вищий показник чутливості (наприклад, 70–80). А якщо потрібно зосередитися на вужчий цільовій групі потенційних покупців, визначається нижче значення (наприклад, 50–60). Це допоможе знизити витрати та підвищити коефіцієнт конверсії.
Щоб прояснити це, розглянемо приклад: ми маємо список зі 100 000 клієнтів. З них 1 000 клієнтів, судячи з прогнозів, будуть готові зробити покупку. Якщо визначимо значення чутливості рівним 80, отримаємо сегмент у 60 000 людей. Це означає, що 80 % прогнозованих покупців (800 із 1000) включені в цей сегмент.
Якщо натомість ми визначимо значення чутливості 55, система надасть менший сегмент, який складається з 25 000 клієнтів. З них у 550 осіб (55 % від загальної кількості прогнозованих покупців), ймовірно, буде позитивна реакція на нашу кампанію.
Пам’ятайте, що показник чутливості моделі працює у зворотній пропорційності до точності. Найменші значення призводять до більш точних і економічно ефективніших сегментів. Зазвичай за умови чутливості 80 на кожного покупця може припадати 99 помилкових клієнтів. Водночас, за охоплення 55 на кожного покупця буде лише 97 тих, хто не хоче купувати.
Озброївшись предиктивною моделлю та ясною маркетинговою ціллю, Богдан вирішує запустити нову кампанію. Він хоче максимізувати дохід, тому визначає чутливість на рівні 80.
Результати радують Богдана ще більше — прибутки високі, збитків немає. Втішений підсумками кампанії, він вирішує спробувати інший підхід. Тепер маркетолог хоче, щоб його кампанія максимізувала прибутковість бізнесу. Він визначає охоплення рівним 55 і запускає ще одну кампанію.
Цього разу результати ще кращі. Богдан відправив лише половину повідомлень порівняно з попередньою кампанією — і прибуток виявився найвищим з усіх кампаній, які він встиг запустити. За таких показників Богдан може не лише зберегти свою роботу, а й сподіватися на підвищення!
Поєднавши всі результати, у Богдана виходить така таблиця:
Як використовувати предиктивну сегментацію в CDP eSputnik
Яким би професіоналом не був маркетолог, він не зможе взяти до уваги всі дані через ліміти роботи мозку.
У той самий час алгоритми машинного навчання можуть за секунди обробляти тонни даних і виділяти найважливіше. Те саме показують і наші приклади: порівняно з ручними методами, предиктивний підхід суттєво підвищує точність сегментації.
Висновок
Підсумовуючи написане вище, ми бачимо в предиктивній сегментації конкретну користь для бізнесу у вигляді:
- прогнозування результатів кампаній: замість припущень покладайтеся на прогнози;
- залучення саме тих клієнтів, яким актуальна пропозиція бізнесу: контактуйте лише з тими, хто теж налаштований на контакт із вами, і не дратуйте тих, кому це не цікаво;
- раціонального розподілу маркетингового бюджету: керуйте ризиками за допомогою прогнозів і не витрачайте гроші на ті кампанії, у яких мало шансів на позитивні результати.
Якщо ви хочете спробувати предиктивну сегментацію для маркетингу свого бізнесу, CDP eSputnik буде доречним. Від вас — додати джерела даних. Решту роботи ми візьмемо на себе.
Щоб дізнатися більше про використання CDP eSputnik у реальних завданнях, заповніть форму нижче — і ми зв’яжемося з вами.