Как да спестите до 50% от маркетинговите бюджети с предиктивна сегментация

Маркетолозите от дълго време разчитат на ръчна сегментация, за да подобрят своите кампании. Това е сигурен подход, който помага за основното решаване на проблема. Въпреки това, той има големи недостатъци, тъй като отнема време и осигурява недостатъчна точност. Нека разгледаме практически примери и как можем да се подобрим чрез прилагане на предсказваща сегментация.

Ръчната сегментация в реалния живот

Запознайте се с Боб, млад маркетолог в онлайн магазин. Задачата на Боб е да извлече максимума от списъка с клиенти на магазина. Предишният служител е направил грешки, така че Боб трябва да направи подобрения.

Боб има достъп до пълния списък с хиляди клиенти. Сред тях има човек, който е направил една покупка преди 5 години, клиент, който от време на време купува евтини артикули, купувач, който прави големи покупки отвреме навреме, и VIP клиент, който купува много и често.

Боб очаква, че някои хора от списъка са готови за нова покупка в момента. Въпреки това, това няма да е уместно за мнозинството, независимо колко добро е неговото предложение или копирайтинг.

Боб решава да започне, като изпрати първата си SMS кампания на целия списък наведнъж. Когато най-накрая получава резултатите, те не изглеждат добре. Оказва се, че магазинът е загубил $926 от тази кампания. Ако Боб иска да запази работата си, той трябва да гарантира, че това няма да се случи отново.

Изпращането на съобщения до всички в списъка не е най-добрата стратегия. Това може да раздразни хора, които не са готови да купуват, като загубите превишават възможните печалби. Както в нашия пример, това може да бъде много скъпо - до степен на загуба.

Сега Боб е научил урока и избира да стесни списъка на получателите. 

Той знае, че хората, които наскоро са направили покупки, са по-склонни да купят отново. Той се фокусира върху групата хора, които са закупили нещо през последните 90 дни. Този път резултатите изглеждат много по-добре за Боб. Изглежда, че Боб ще запази работата си.

Сега Боб се чуди какво трябва да направи по-нататък. Как трябва да подходи към бъдещите си кампании?

Как маркетолозите се заблуждават в отговора на грешния въпрос

В продължение на десетилетия, маркетолозите се опитват да отговорят на един въпрос: какви критерии за сегментиране ще дадат най-добри резултати? В случая на Боб, дилемата е дали 90-дневният период е най-добрият вариант.

Все пак, той може да отиде по-далеч и да попита: какво ще стане, ако избере 45-дневен период вместо това? Дали това ще подобри ROMI или ще го влоши още повече?

Трябва ли да опита различна посока? Ще остане ли 120-дневният период все още доходоносен?

Толкова много въпроси… и все пак, правилният не е тук. В този момент, Боб трябва да се запита какво да цели. Има три основни цели, които може да иска да постигне със своите кампании:

• Максимизиране на печалбата от кампанията.
• Максимизиране на приходите при минимизиране на загубите.
• Максимизиране на обхвата, дори и да води до оперативна загуба.

Ето как изглежда това, когато се изобрази графично:

За да избегнем догадки относно критериите за сегментиране и да започнем работа към конкретни цели, трябва да се обърнем към предсказуемо сегментиране.

Предсказуемо сегментиране като отговор на въпросите на маркетолозите

Вместо да разделя списъка с клиенти по броя дни от последната покупка (или честота, или друга индиректна метрика), Боб би било по-добре да се фокусира върху критерии, които директно са свързани с желаните резултати.

Вероятността за покупка е метриката, която Боб трябва да избере първо. Тя помага за оценката на всеки клиент и тяхното подреждане според вероятността да купят отново след взаимодействие с бизнеса. Въпреки това, ръчните методи не могат да се справят с това; затова са ни необходими по-мощни инструменти. 

Предсказващото моделиране се базира на невронни мрежи и клиентски данни, за да създаде точни прогнози за бъдещо поведение. Вместо да функционира с индиректни метрики, то ни позволява да работим с основните събития на конвертиране – покупка, отказ, изоставяне, абонамент и т.н.

Невронни мрежи анализират огромни количества от минали данни, за да създадат прогнози. За разлика от ръчните методи, които често се справят с ограничени времеви рамки, AI може да анализира месеци или дори години данни и да намери прилики между клиентите. Това ни помага да идентифицираме модели, които не са очевидни за хората, особено с големи набори от данни.

Друга метрика, която Боб би намерил за полезна, е Обхват. Тя отразява колко добре моделът обхваща всички потенциални купувачи в избрания сегмент.

Ако вашата цел е да достигнете до колкото се може повече потенциални клиенти, дори и да включва някои, които не са готови да купят, изберете по-висока стойност на обхват (например, 70-80). Алтернативно, ако искате да се фокусирате върху целева група от вероятни купувачи, за да намалите разходите и да подобрите конверсионните ставки, задайте по-ниска стойност на обхват (например, 50-60).

За да стане това по-ясно, нека погледнем един пример: Имаме списък от 100,000 клиенти, с 1,000 предсказани, че са готови да купят. Ако зададем стойност на обхват 80, ние получаваме сегмент от 60,000 души. Това означава, че 80% от прогнозните ни купувачи (800 от 1,000) са включени в този сегмент.

Ако вместо това зададете стойността на изземане на 55, системата генерира по-малък сегмент с 25,000 клиенти. От тях 550 (55% от общия брой прогнозни купувачи) са много вероятни да откликнат положително на нашата кампания.

Помнете, че в контекста на предсказуемата сегментация, чувстителността работи обратно пропорционално на точността. По-малките стойности на изземане водят до по-точни и икономически ефективни сегменти. Общо, при изземане от 80 може да има 99 некопувача за всеки купувач, докато при изземане от 55 ще има само 97 некопувача за всеки купувач.

Въоръжен с предсказуем модел и ясна маркетингова цел, Боб решава да стартира кампания. Неговата цел е да максимизира приходите, така че той задава изземане на 80.

Тези резултати се оказват точно такива, каквито Боб винаги е искал да бъдат. Приходите му са високи, без никакви загуби. Доволен от резултатите, той решава да пробва друг подход — сега иска кампанията му да максимизира бизнес рентабилността. Той задава изземане на 55 и изпраща нова кампания.

Този път Боб постига дори по-добри резултати. Той е изпратил само половината от съобщенията в сравнение с предишната кампания, но въпреки това печалбата му е най-голяма от всички кампании, които е провеждал досега. С такива резултати Боб може не само да запази работата си, но и да получи повишение!

Обединявайки всички резултати в една картинка, Боб получава следната представа:

Как можете да внедрите предсказуема сегментация с Yespo

Както виждаме, предсказуемата сегментация може да бъде мощен инструмент за маркетолога, позволяващ нови нива на точност на сегментацията.

Това се постига чрез дълбок и задълбочен анализ на съществуващите данни. Без значение колко добър е един маркетолог, има твърде много променливи, които човек да вземе предвид. 

Междувременно, алгоритмите за машинно обучение могат да анализират огромни данни и да предоставят приложими прозрения.

В заключение

Чрез внедряване на предсказваща сегментация в бизнеса си, можете да получите незаменима помощ с:

• Прогнозиране на резултатите от кампаниите ви: Премахнете догадките и предвидете резултатите си преди да изпратите първото съобщение. 
• Ангажиране само на онези клиенти, които са готови да чуят от вас: Достигнете до заинтересованите клиенти, като намалите раздразнението на онези, които не са готови да действат още, водейки до по-добро клиентско изживяване и по-ниски нива на отказ от абонамент.
• По-добро разпределение на маркетинговите бюджети. Харчете парите за кампании, които дават резултати и елиминирайте загубите на бюджет за проба-грешка дейности.

Сега, ако се чудите как да започнете с предсказваща сегментация за вашия бизнес, нашата CDP Yespo предлага удобен начин да го направите. Вашата задача е да свържете източниците на данни; останалото е на Yespo. 

Ако искате да опитате и да видите резултатите сами, попълнете формата по-долу и нашият екип ще се свърже с вас.

Special Request Inline