Lähetät sähköpostikampanjan 100 000 tilaajalle. Lähetät kaikille saman viestin. 2 prosenttia konvertoi. Kuvittele nyt, että pystyisit ennustamaan ennen lähettämistä, mitkä 10 000 tilaajaa ovat oikeasti kiinnostuneita, ja lähettämään heille vahvemman tarjouksen. Konvertoisit 8 prosenttia näistä 10 000:sta (800 ihmistä) sen sijaan, että konvertoisit 2 prosenttia 100 000:sta (2 000 ihmistä). Mutta koska jätit kiinnostumattomat 90 000 väliin, hankintakustannuksesi per asiakas laski 75 prosenttia. Tämä on ennakoivaa segmentointia: kävijät ryhmitellään sen mukaan, mitä he todennäköisesti tekevät seuraavaksi, ei vain sen mukaan, mitä he tekivät aiemmin.
Ennakoiva segmentointi käyttää koneoppimista tunnistamaan, mitkä kävijät tekevät tietyn toiminnon tulevaisuudessa (ostavat, lopettavat, päivittävät, suosittelevat). Perussegmentointi jakaa kävijät ryhmiin aiemman käyttäytymisen perusteella (maantieteellinen sijainti, liikennelähde, vierailtu sivu). Ennakoiva segmentointi jakaa heidät ennustetun tulevan käyttäytymisen mukaan (ostotodennäköisyys, poistumistodennäköisyys, elinkaariarvon ennuste). Ero liiketoimintavaikutuksessa on valtava.
Miten tekoäly ryhmittelee kävijät eri tavalla kuin sinä käsin?
Katso mitä tahansa analytiikan koontinäyttöä, niin löydät saman segmentoinnin: liikennelähde, laitetyyppi, maantiede ja ehkä joitakin käyttäytymissegmenttejä. Nämä ovat hyödyllisiä segmenttejä. Mutta ne perustuvat siihen, mitä päätit seurata ja mitä päätit käsin pitää tärkeänä. Katso, mitä tekoäly voi tehdä samalla datalla, niin huomaat sen ryhmittelevän kävijät kaavoilla, joita et olisi koskaan huomannut.
Käsin tehtävää segmentointia rajoittaa se, mitä keksit mitata. Segmentoit "maksetusta mainonnasta tulevat käyttäjät" ja "orgaanisesta hausta tulevat käyttäjät". Nämä ovat ilmeisiä. Tekoälysegmentointi kysyy: mitkä maksetusta mainonnasta tulevista käyttäjistä konvertoivat ja mitkä eivät? Se huomaa, että käyttäjillä, jotka klikkaavat mainosta, lähtevät ja palaavat 6 tunnin sisällä, on kolminkertainen konversioaste. Sellaista mikrosegmenttiä et koskaan keksisi luoda. Mutta se on arvokas.
Tekoäly löytää ei-ilmeisiä kaavoja. Huomaat, että keskimääräinen tilausarvosi on $50. Tekoäly huomaa, että käyttäjillä, jotka käyvät tuotesivuilla tässä tietyssä järjestyksessä, keskimääräinen tilausarvo on $80. Käyttäjillä, jotka katsovat hinnoittelun ennen ostoskoriin lisäämistä, se on $30. Nämä kaavat ovat datassasi. Ihminen kuluttaisi niiden löytämiseen kuukausia. Tekoälymalli löytää ne tunneissa.
Tekoäly testaa tuhansia yhdistelmiä. Ihminen voi testata käsin 5-10 segmentointi-ideaa. Tekoäly testaa tuhansia. Se löytää segmentit, jotka oikeasti ennustavat käyttäytymistä (ostaako hän?), eikä segmenttejä, jotka kuulostavat loogisilta mutta eivät toimi (luulimme maantieteellä olevan väliä, mutta ei ole). Tämä dataan perustuva lähestymistapa päihittää ihmisen intuition joka kerta.
Tärkeintä on, että tekoäly päivittyy jatkuvasti. Voit luoda segmentin heinäkuun datan pohjalta. Lokakuuhun mennessä kaava on muuttunut. Käsin tehdyt segmentit vanhenevat. Tekoälysegmentit päivittyvät automaattisesti uuden datan saapuessa. Ennusteet pysyvät tarkkoina, koska ne perustuvat aina ajankohtaisiin kaavoihin.
Mitä tekoäly voi oikeasti ennustaa kävijöistä?
Katso, mitä ennakoiva analytiikka voi ennustaa, niin löydät mahdollisuuksia kaikkialta. Avainasia on valita ennusteet, joilla on merkitystä liiketoimintapäätöksille.
Ostoaie: Mitkä kävijät ostavat seuraavan 30 päivän aikana? Mitkä eivät osta koskaan? Mitkä empivät? Tekoäly voi ennustaa tämän käyttäytymiskaavojen perusteella (montako sivua katsottu, aika sivustolla, ostoskoriin lisääminen ilman ostoa). Vahvan ostoaikeen kävijät saavat premium-tarjouksen. Ilman ostoaikeita olevat kävijät saavat ilmaisen oppaan, joka valistaa heitä. Empijät saavat määräaikaisen alennuksen.
Poistumisriski: Mitkä asiakkaat ovat vaarassa lähteä seuraavan kuukauden aikana? Tekoäly löytää varhaiset varoitusmerkit: sitoutuminen laskee, ominaisuuksien käyttö vähenee, tukipyynnöt lisääntyvät. Kun tunnistat nämä asiakkaat, voit puuttua asiaan ennen kuin he lopettavat. Hyvin ajoitettu tarjous tai tuoteparannus voi pelastaa heidät.
Elinkaariarvo: Mitkä asiakkaat kuluttavat eniten elinkaarensa aikana? Se ei ole ilmeistä. Asiakas, joka kuluttaa $100 ensimmäisenä päivänä, ei välttämättä palaa koskaan. Asiakas, joka kuluttaa $20 ensimmäisenä päivänä, voi kuluttaa $2 000 viiden vuoden aikana. Tekoäly oppii, mitkä ominaisuudet ennustavat korkeaa elinkaariarvoa (käyttökaavat, ominaisuuksien käyttöönotto tai sitoutumistaso). Sen jälkeen voit keskittää resurssit korkean elinkaariarvon asiakkaiden hankintaan ja pitämiseen.
Seuraavan toiminnon todennäköisyys: Päivittääkö tämä kävijä pakettinsa? Suosittelevatko he ystävälle? Käyvätkö he uudelleen? Tekoäly voi arvioida todennäköisyyden jokaiselle liiketoimintasi kannalta tärkeälle toiminnolle. Sen jälkeen segmentoit kävijät näiden todennäköisyyksien mukaan ja räätälöit kokemuksen kullekin.
Sisältöpreferenssit: Mitkä blogiaiheet tämä kävijä kokee arvokkaiksi? Mitkä ominaisuudet kiinnostaisivat häntä eniten? Mikä tuoteryhmä häntä kiinnostaa? Tekoäly oppii nämä mieltymykset käyttäytymisestä ja voi suositella seuraavia askelia. Edistyneistä ominaisuuksista kiinnostunut kävijä näkee ominaisuusvertailuja. Helppokäyttöisyydestä kiinnostunut kävijä näkee yksinkertaisuusoppaita.
Miksi ennustaa tulevaa käyttäytymistä sen sijaan, että analysoisi vain menneisyyttä?
Kysy useimmilta analytiikkatiimeiltä, miten he segmentoivat, niin he kuvaavat aiempaa käyttäytymistä. "Erittäin sitoutuneet käyttäjät" eli käyttäjät, jotka sitoutuivat paljon. "Viimeaikaiset kävijät" eli ihmiset, jotka vierailivat viime viikolla. Tämä on analyysia. Se kertoo, mitä tapahtui. Mutta liiketoimintakysymys on yleensä: mitä tapahtuu seuraavaksi? Ennustaminen vastaa siihen.
Aiempi käyttäytyminen on huono tulevan käyttäytymisen ennustaja, jos jokin on muuttunut. Asiakas, joka osti kuusi kuukautta sitten, voi lopettaa ensi kuussa. Ensikertalainen voi tulla uskolliseksi asiakkaaksi. Et voi olettaa, että tulevaisuus näyttää menneisyydeltä. Ennustemallit ottavat tämän huomioon oppimalla, mitkä signaalit oikeasti ennustavat tulevaisuutta.
Ennakoiva segmentointi antaa sinun toimia proaktiivisesti. Jos tiedät asiakkaan lopettavan ensi kuussa, sinulla on aikaa ottaa yhteyttä, parantaa tuotettasi tai tarjota kannustin. Jos huomaat asiakaspoistuman vasta sen tapahduttua (menneen käyttäytymisen analyysi), olet jo menettänyt asiakkaan. Ero proaktiivisen ja reaktiivisen välillä on valtava.
Ennakoiva segmentointi optimoi myös resurssien kohdentamista. Markkinointibudjettisi on rajallinen. Voit käyttää sen kaikkiin asiakkaisiin (matala tuotto) tai korkean elinkaariarvon asiakkaisiin (korkea tuotto). Ennakoiva segmentointi tunnistaa, mihin asiakkaisiin kannattaa keskittyä. Käytät vähemmän ja ansaitset enemmän.
Miten ennakoiva segmentointi otetaan oikeasti käyttöön?
Aloita tunnistamalla, mitä haluat ennustaa. Kaikkia ennusteita ei kannata rakentaa. Valitse ennusteet, jotka vastaavat liiketoimintakysymyksiin: "Kuka ostaa?" "Kuka lopettaa?" "Ketkä ovat arvokkaimpia asiakkaitamme?" "Kuka ottaa tämän ominaisuuden käyttöön?" Valitse yksi. Rakenna sille malli. Katso, toimiiko se.
Seuraava vaihe on datan valmistelu. Malli tarvitsee puhdasta dataa. Se tarvitsee oikeat signaalit. Jos haluat ennustaa ostotodennäköisyyttä, malli tarvitsee dataa selauskäyttäytymisestä, ostoskorin käytöstä, ajasta sivustolla ja siitä, ostiko hän. Jos signaaleja puuttuu, malli toimii huonosti. Tarkista datankeruu ensin.
Monissa analytiikka-alustoissa on nykyään ennakoiva segmentointi ominaisuutena. Toisissa on ennakoivia kohortteja. Joissakin tuoteanalytiikan alustoissa on tekoälysegmentointi. Nämä ovat helpompia kuin räätälöityjen mallien rakentaminen. Aloita alustan omilla ominaisuuksilla. Rakenna räätälöityjä malleja vain, jos tarvitset ennusteita, joita alusta ei tarjoa.
Kun sinulla on ennusteet, segmentoi yleisösi. Vahvan ostoaikeen kävijät menevät yhteen segmenttiin. Matalan ostoaikeen kävijät toiseen. Korkean poistumisriskin kävijät pysyvyyssegmenttiin. Räätälöi sitten kokemus kullekin. Vahvan ostoaikeen kävijät näkevät hinnoittelusivun. Matalan ostoaikeen kävijät näkevät opettavaa sisältöä. Poistumisriskin asiakkaat saavat yhteydenoton asiakasmenestystiimiltä.
Lopuksi varmista, että ennusteet toimivat. Aja A/B-testi. Lähetä ennustetuille vahvan ostoaikeen kävijöille premium-tarjous. Lähetä verrokkiryhmälle tavallinen tarjous. Konvertoiko vahvan ostoaikeen ryhmä paremmin? Jos kyllä, malli toimii. Jos ei, säädä sitä. Useimmat mallit tarvitsevat hiomista ennen kuin ne ovat luotettavia.
Mitkä ovat tekoälyennusteisiin luottamisen riskit?
Tekoälyennusteet ovat vain yhtä hyviä kuin data, jolla ne on koulutettu. Jos historiallinen datasi on vinoutunutta (hankit asiakkaita vain yhdestä kanavasta, yhdeltä alueelta tai yhtenä vuodenaikana), malli oppii nämä vinoumat. Se luulee, että vain tämä asiakastyyppi toimii. Kun yrität hankkia asiakkaita toisesta kanavasta, mallin ennusteet epäonnistuvat.
Ennusteet vanhenevat ajan myötä. Ensimmäisen neljänneksen datalla koulutettu malli voi toimia hyvin ensimmäisellä neljänneksellä. Kolmanteen neljännekseen mennessä markkinaolosuhteet ovat muuttuneet. Asiakkaasi ovat muuttuneet. Malli on vanhentunut. Hyvät ennustejärjestelmät koulutetaan uudelleen säännöllisesti (kuukausittain tai neljännesvuosittain) uudella datalla. Jos koulutat kerran etkä päivitä koskaan, ennusteet huononevat.
Ennusteet voivat luoda itsensä toteuttavia ennustuksia. Jos kerrot myyjälle "tämä asiakas lopettaa", hän saattaa tiedostamattaan kohdella asiakasta huonommin ja aiheuttaa poistuman. Jos ohitat ennustetut matala-arvoiset asiakkaat, heistä ei koskaan tule arvokkaita, koska et koskaan investoi heihin. Ole tietoinen tästä palautesilmukasta.
Ennusteet eivät selitä syytä. Malli voi kertoa "tämä kävijä lopettaa" mutta ei miksi. Onko kyse tuotteen sopivuudesta? Hinnoittelusta? Kilpailijasta? Asiakasmenestys epäonnistuu? Tarvitset yhä ihmisen harkintaa syyn diagnosointiin ja korjaamiseen. Ennusteet nostavat ongelman esiin. Ihmiset ratkaisevat sen.
Tietosuojasäädökset monimutkaistavat ennakoivaa segmentointia. GDPR ja CCPA antavat käyttäjille oikeuden tietää, miksi heitä kohdellaan eri tavalla, ja kieltäytyä automatisoiduista päätöksistä. Jos käytät ennakoivia segmenttejä evätäksesi jonkun pääsyn tai veloittaaksesi enemmän, saatat joutua kertomaan mallin perustelut. Kysy juristilta ennen ennakoivan segmentoinnin käyttöönottoa suuressa mittakaavassa.
Onko ennakoiva segmentointi sama asia kuin ennakoiva analytiikka?
Ei aivan. Ennakoiva analytiikka on laajempi ala, jossa ennustetaan tulevia lopputuloksia (lopettaako tämä asiakas, nouseeko tämä mittari). Ennakoiva segmentointi tarkoittaa nimenomaan kävijöiden ryhmittelyä ennustetun käyttäytymisen mukaan. Ennakoiva analytiikka on kyvykkyys. Ennakoiva segmentointi on yksi sen sovelluksista.
Kuinka tarkkoja ennusteiden pitää olla, jotta ne ovat hyödyllisiä?
Riippuu virheen hinnasta. Jos ennustat vahvan ostoaikeen kävijöitä ja lähetät heille $10 alennuksen, virhe maksaa $10. 60 prosentin tarkkuus riittää: saat silti voittoa. Jos ennustat petosta ja evät jonkun pääsyn, haluat yli 95 prosentin tarkkuuden. Useimmissa liiketoimintapäätöksissä 70-80 prosentin tarkkuus on raja, jossa ennusteet voittavat satunnaisen arvauksen ja joiden mukaan kannattaa toimia.
Voinko käyttää ennakoivaa segmentointia pienillä yleisöillä?
Et kovin hyvin. Ennustemallit tarvitsevat dataa oppiakseen. 100 käyttäjällä mallilla ei ole tarpeeksi esimerkkejä. 10 000 käyttäjällä siinä on tarpeeksi perus kaavojen oppimiseen. 100 000 käyttäjällä se oppii hienovaraisia kaavoja. Aloita ennakoiva segmentointi, kun sinulla on vähintään 5 000-10 000 käyttäjää ja riittävästi käyttäytymishistoriaa.
Mitä eroa on ennakoivalla ja käsin tehtävällä segmentoinnilla?
Käsin tehtävä segmentointi jakaa käyttäjät tunnettujen ominaisuuksien perusteella (maantiede, liikennelähde, laite). Ennakoiva segmentointi jakaa käyttäjät ennustetun tulevan käyttäytymisen perusteella (konvertoi, lopettaa, elinkaariarvo). Käsin tehty segmentointi kertoo, mitä tapahtui. Ennakoiva kertoo, mitä tulee tapahtumaan. Molemmat ovat hyödyllisiä: käytä ennakoivaa personointiin ja käsin tehtyä raportointiin.
Voinko päivittää ennakoivia segmenttejä reaaliajassa?
Useimmat alustat päivittävät ennusteet päivittäin tai viikoittain, ei reaaliajassa. Reaaliaikaiset ennusteet vaativat enemmän infrastruktuuria ja maksavat enemmän. Useimpiin käyttötarkoituksiin päivittäinen tai viikoittainen päivitys riittää. Jos tarvitset reaaliaikaista personointia, investoi asiakasdatainfrastruktuuriin (CDI), joka päivittyy jatkuvasti.
Mitä tapahtuu, jos ennusteeni asiakkaasta on väärä?
Yksittäiset ennusteet ovat joskus vääriä. Mallit ovat todennäköisyyspohjaisia, eivät deterministisiä. Tavoitteena on olla oikeassa useammin kuin väärässä. Jos ennustat jonkun lopettavan ja olet väärässä (hän ei lopeta), kyse on yhdestä asiakkaasta. Jos ennustat 1 000 asiakkaan lopettavan ja 700 todella lopettaa, tarkkuutesi on 70 prosenttia ja olet silti tunnistanut suurimman riskin segmentin. Keskity kokonaistarkkuuteen, älä yksittäiseen tarkkuuteen.