Предиктивна сегментация 101: Кратка история и основни принципи

Представете си това—рожденният ден на племенника ви е след две седмици и той обожава колички Hot Wheels. Решавате да му купите една и започвате да разглеждате онлайн магазин. Очаквате да приключите за максимум 10 минути, но вместо това се оказва, че се ровите часове наред в списъка с всички играчки, които магазинът предлага. Няма филтри, няма категории, няма начин да стесните търсенето си. Досадно, нали?

За щастие, повечето онлайн магазини не са такива. И ако бяха, бързо биха затворили врати. Все пак, това наподобява начина, по който маркетолозите от дълго време се подхождат към сегментацията на клиентите. 

Когато маркетолозите създават списъци с клиенти, често това прилича на необработен продукт. Всички необходими данни са налице, но не са структурирани. Няма ясни клиентски профили с блестящ етикет „Готов съм за покупка!“ до името си.

Превръщането на тези списъци в полезни данни изисква огромно усилие и дори тогава резултатите могат да бъдат несигурни.

С течение на времето, маркетолозите разработиха нови методи за структуриране на тези данни (т.е. сегментиране на списъците), но никой от тях не постигна 100% точност.

Въпреки това, с последните постижения в науката за данните и машинното обучение, можем сега да достигнем по-близо до прецизност от всякога. (и ще бъде така, докато не получим напълно функционални кристални топки и B2C приятни решения за четене на мисли). 

Защо изобщо ни е нужен урок по история?

Може да се изкушите да се потопите директно в темата. Нали за това сте тук? Въпреки това, без кратък преглед на това как стигнахме до тук, разбирането защо имаме нужда от предсказуема сегментация и какво адресира тя, може да бъде предизвикателно.

С развитието на методите за сегментация, маркетолозите преминаха от изпращане на еднакви съобщения до целия си списък с клиенти (надявайки се на най-доброто) към по-целенасочени кампании, носещи по-добри резултати.

И все пак, въпреки всички тези усилия, един фундаментален проблем остана неразрешен доскоро. Интересувате ли се да научите повече? Закопчайте се, връщаме се назад във времето.

История на маркетинговата сегментация през годините

Докато предсказуващата сегментация може да звучи като поредния моден израз от ерата на изкуствения интелект, нейната история датира от 20-ти век.

Преди предсказуващата сегментация: ранни методи и статични данни

Преди сегментацията, маркетолозите трябваше да изпращат едно и също съобщение до целия си списък от клиенти. С разрастването на бизнеса, нуждата от по-висока точност и възвръщаемост на инвестициите стана належаща, особено предвид разходите за печатна реклама и директна поща—основните маркетингови канали по това време. 

В началото на 20-ти век, маркетолозите вече изследваха различни начини за структуриране на своите кампании. И през 50-те години, тези усилия най-накрая придобиха приоритет. Днес можем да научим за това от изучаването на Уендел Р. Смит. В “Диференциация на продукти и маркетингова сегментация като алтернативни маркетингови стратегии,” той положи основите на теорията за сегментацията.

Ранната сегментация разчиташе на демографски и географски данни. Маркетолозите разделяха своите клиенти на групи въз основа на променливи като възраст, пол и местоположение. Това беше голямо подобрение, но все още не беше достатъчно. Скоро се появиха и други подходи.

RFM анализ

През 60-те и 70-те години, директните маркетолози разработиха RFM анализ за по-добро управление на своите списъци с клиенти. Те идентифицираха три ключови фактора, които допринасят за вероятността от бъдещи покупки от клиента. 

• Скорошност—кога за последен път купиха нещо?
• >Честота—колко често те правят покупки?
• Парична стойност—колко обичайно харчат те общо?

Чрез комбинирането на тези фактори, маркетолозите могат да създадат точни сегменти, предвиждащи клиентската стойност за даден бизнес. Клиенти, които получават високи оценки и в трите области, вероятно ще купуват повторно и трябва да бъдат третирани като VIP клиенти. 

RFM анализът остава активно използван от маркетолози. Подпомогнат от модерна автоматизация, той може да бъде много ефективен, когато се комбинира с други инструменти за сегментиране.

Психографско сегментиране

През 1960-1970 г. беше разработен нов метод наречен психографско сегментиране, който позволява на маркетолозите да получат по-добро разбиране на своите клиенти чрез анализиране на по-нюансирани критерии. Този подход взема предвид фактори като начин на живот, социален клас, личностни характеристики, ценности, нагласи и интереси.

Поведенческо сегментиране

По същото време на светлината излезе поведенческото сегментиране. Този метод надхвърля статичните данни, като взема предвид поведението на клиентите, включително покупателна история, интеракции с марката, предпочитания и др.

Въпреки че вече беше надежден метод, поведенческото сегментиране стана още по-ефективно през 1990-те. Бързото развитие на електронната търговия и CRM системите позволи на маркетолозите да следят по-добре поведението на клиентите, включително малки сигнали като история на преглеждане, списъци с желания на продукти и скокове на уеб страници.

Класически маркетингови кампании, които разчитаха на ранни методи

Нека разгледаме успешни примери за маркетингови кампании, които разчитаха на традиционни методи.

Как Marlboro напълно промени продажбата на цигари с една кампания

Преди 1950-те год., цигарите бяха основно насочени към жени, използвайки изображения на блясък и елегантност, за да привлекат жените. Marlboro, известна с мек вкус, беше възприемана като женска цигара. Въпреки това, всичко се промени през 1954 г.

Рекламната легенда Лео Бърнет създаде кампания с радикално ново привличане. Вместо да се насочи към жените, новата рекламна кампания представи издръжлив каубой, излъчващ мъжественост и сила. Този подход резонира с мъжете, които скоро прегърнаха променения продукт.

През годините, Marlboro Man стана поп-културен символ. Въпреки че тази рекламна кампания е критично разглеждана заради негативния си здравен ефект за увеличаване на пушенето, от маркетингова гледна точка, тя революционизира пазара, като се насочи към различна аудитория.

Как Volkswagen завладя огромна част от пазара на автомобили в САЩ, като промени своя образ

Пазарът на автомобили в САЩ в средата на 20-ти век беше особен. Основните предимства за продажба бяха размер и мощност: колкото по-голямо, толкова по-добре. Освен това, купувачите също бяха скептични към всичко, произведено извън САЩ.

Германският производител на автомобили Volkswagen със своето малко Beetle беше в огромно неизгодно положение тогава. Почти нямаше шанс автомобилът, проектиран в нацистка Германия, да се конкурира с американски марки като Ford и Chevrolet. Те се нуждаеха от различен подход.

През 1959 г. Хелмут Кроне и Джулиан Кониг от агенцията Doyle Dane Bernbach създадоха нова кампания за Beetle, озаглавена “Think Small.” Тя беше насочена към ценово ориентирани купувачи, които искаха прост автомобил, лесен за поддръжка и с нисък разход на гориво.

В резултат на това решението да се насочи към съвсем различен психографски сегмент доведе до значително увеличение на пазарния дял на Volkswagen в САЩ.

Проблеми с ранните методи на сегментация

Въпреки че демографската или поведенческата сегментация предложиха значителни подобрения в маркетинговите резултати, оставаха няколко проблема.

Липса на прецизност: Ранните методи разчитаха на общи критерии, което водеше до големи и често неточни клиентски групи.

Статични данни: Традиционните подходи вземаха под внимание фактори, които не се променяха много. Разделянето на мъжете от жените помагаше, но не улавяше по-малките, постоянно променящи се разлики в тези сегменти.

Ограничена капацитет на съхранение: По-ранните решения за съхранение не можеха да се справят с огромния обем от данни. Цената на съхранението беше висока, а системите не бяха оптимизирани за работа с разнообразни типове данни.

Неефективно събиране на данни: Преди Интернет и социалните медии нямаше достатъчно достъпни данни за създаване на практически ползотворни набори от данни. Интегрирането на данни от различни източници беше сложно и времеемко. И нямаше методи за събиране и обработка на данни в реално време.

Технологични ограничения: До скоро нямаше системи, които да могат да обработят големи набори данни. Традиционните бази данни и рамки за обработка не бяха разработени със скалируемост на ум. И аналитичните инструменти не бяха достатъчни за изпълнение на сложни аналитични операции.

Методи като клъстерен анализ донякъде адресираха тези проблеми, но бяха предимно обяснителни. Те разглеждат определени критерии и обясняват, че ако клиентът има определени характеристики или навици (например, скорошни покупки или чести покупки), той е по-вероятно да купува отново.

Всички тези подходи са ретроспективни. Те анализират минали резултати, но не могат да предскажат бъдещи резултати.

Какво ако можехте да знаете вашите резултати предварително? Не само да разглеждате минало представяне, а да имате ясни очаквания за това, което предстои. Именно тук се нуждаем от предиктивно моделиране.

Изгряващата роля на предиктивната сегментация в маркетинга

В своята статия „Да обясниш или да предскажеш?“, Галит Шмуели предоставя отлична дефиниция на този концепт:

„Дефинирам предиктивно моделиране като процес на прилагане на статистически модел или алгоритъм за извличане на данни към данни с цел предсказване на нови или бъдещи наблюдения.“

Проф. Шмуели подчертава два компонента на предиктивното моделиране: статистически модел (или алгоритъм) и данни. И двата претърпяха големи пробиви през 21-ви век.

Историята на цифровите бази данни датира от 1960-те години. Робърт Кестнбаум, ранен иноватор в областта на ориентирани към клиента бази данни, разработи сложни стратегии за анализ на клиентски данни по нови, дотогава непознати начини.

Въпреки че тези методи бяха гениални, те бяха ограничени от инфраструктурата на времето и по този начин бяха недостатъчни да постигнат големи резултати. 

Напредъците в хардуера през 2000-те години доведоха до експлозивен растеж на услуги за облачни компютри като Amazon Web Services (AWS), Google Cloud Platform (GCP) и Microsoft Azure. В резултат на това съхраняването и обработката на данните за клиенти стана драстично по-ефективно и достъпно за бизнеса.

Освен това, с развитието на електронната търговия, социалните медии и Интернет на нещата, марките скоро получиха достъп до огромно количество информация за други бизнеси. 

Въпреки това, последното парче от пъзела се появи с подобрените алгоритми за машинно обучение, които позволиха на бизнеса да престъпи отвъд събирането и съхранението на данни. Сега те можеха също така да използват всички тези данни, да извлекат прозрения и да вземат информирани решения. 

Критичен проблем, решен чрез предиктивна сегментация

Ранните методи значително подобриха маркетинговите резултати. Въпреки това, всички те споделяха една голяма слабост, която не беше решена до появата на предиктивната сегментация. Нека разгледаме няколко примера.

• По-голяма част от козметичните продукти се купуват от жени. Означава ли това, че мъжете никога не купуват почистващи продукти или хидратиращи кремове (за себе си или като подаръци)? Дали всички жени купуват всички видове козметика?

• Луксозните стоки се купуват основно от богати клиенти. Дали всички богати хора купуват луксозни стоки? Какво да кажем за онези, които си позволяват нещо скъпо само за да ядат рамен следващите няколко седмици?

• Знаем, че хората, които са направили скорошна покупка, по-вероятно е да купят отново. Ще направят ли всички скорошни купувачи друга покупка? Какво да кажем за онези, които са направили покупка много отдавна, но сега активно разглеждат нови продукти?

Всички гореспоменати фактори са свързани с по-висок шанс за конверсия, но нито един от тях не предизвиква директно конверсия. 

Традиционната сегментация е корелационна по своята природа. Тя разглежда факторите, свързани с желаните маркетингови резултати, като вероятността за действие или отлив. Въпреки това, тя не адресира тези фактори директно. 

Предиктивното моделиране елиминира нуждата от тестване на десетки критерии, за да се открие този, който повече корелира с намерения резултат.  То ни помага директно да адресираме действия за конверсия. 

Ранни внедрения на предиктивната сегментация

Предиктивните методи са използвани в различни индустрии от средата на 20-ти век. Финансовата индустрия използва оценка на кредити за оценка на рискове. В здравеопазването тя се оказа полезна за предсказване на разпространението на болести. А търговците използваха моделиране, за да предсказват кога трябва да зареждат инвентара си.

Въпреки това, точната предиктивна сегментация изискваше много данни и задълбочена подготовка, което я направи достъпна само за корпоративния сектор. Нека разгледаме първите търговски успешни приложения на предиктивната сегментация.

Meta Ads (преди Facebook Ads)

Със своя достъп до огромни количества клиентски данни, Meta беше сред първите, които приеха предиктивното моделиране. През март 2013 г. те разкриха нова опция, достъпна за рекламодатели—локалайк аудитории. 

Преди това, рекламодателите разчитаха изцяло на демографски и критерии на база интереси за таргетиране на рекламите.

Сложните алгоритми в ядрото на подобните аудитории, направиха възможно достигането на нови нива на прецизност. Те започнаха да анализират вече съществуващи клиенти и да намират подобни потенциални клиенти. 

За да използвате тази функция в Meta Ads, трябва да зададете три променливи:

1. Източник: последователи на вашата страница, аудитории от други кампании, или дори списък с клиенти, качен като файл.
2. Местоположение: държава или региони, от които алгоритъмът ще избере хора за подобната аудитория.
3. Размер на аудиторията — процент хора, най-сходни с вашата източникова аудитория. Например, вие сте качили базата си данни с клиенти от 15,000 имена и искате да създадете подобна аудитория в регион с 100 милиона потребители на Meta. Размер на аудиторията от 10% ще създаде аудитория от 10 милиона души, които са най-близки до оригиналния ви списък от 15,000. Опцията от 1% ще го стесни още до само 1 милион.

С подобните аудитории, рекламодателите в Meta получиха мощен инструмент, който им позволи да се фокусират върху други области вместо да тестват без край различни критерии за таргетиране.

Google Ads (предходно Google AdWords)

Същата година, Google въведе функция, наречена подобни аудитории. Аналогично на подобните аудитории на Meta, тези са насочени към хора, близки до съществуващите ремаркетинг списъци. Десет години по-късно, през 2023 г., Google премахна подобните аудитории поради въпроси с данни и поверителност. 

Въпреки това, някои от техните функции все още се запазват в оптимизираното таргетиране, разширението на аудиторията и опциите за умни ставки.

Amazon

Гигантът в електронната търговия беше пионер в предсказателните методи в електронната търговия с използването на колаборативно филтриране за предсказване на вероятността за следващи покупки. Amazon използва два основни типа колаборативно филтриране за генериране на препоръки за продукти:

• Потребителско колаборативно филтриране: Този метод препоръчва продукти на база сходство в предпочитанията на потребителите. Ако има двама сходни потребители и първият е купил артикули A и B, докато вторият е купил само B, системата ще препоръча и артикул A на втория потребител.
• Скпоести базирано колаборативно филтриране: За разлика от предишния, този метод предоставя препоръки на база сходство на продуктите. Ако два артикула често са купувани заедно, единият може да бъде препоръчан, когато другият се закупува.

С достъпа до големи обеми клиентски данни, Amazon продължава да развива и подобрява своите предсказващи алгоритмида постигнат още по-добри резултати. През 2020 година Amazon пусна MQ Transformer, модел, способен да изучава собствената си история, за да подобри точността на прогнозите и да намали волатилността.

Други примери

Британският търговец на дребно Tesco стартира своята програма за лоялни клиенти Clubcard през 1995 година. Това беше една от първите програми за лоялност, които използваха широко данни от анализи.

Tesco събираше данни за поведението и предпочитанията на клиентите чрез транзакции с Clubcard, за да прогнозира бъдещи покупки и да адаптира препоръките.

В началото на 2000-те години, статистикът Андрю Пол, работещ за американския търговец Target, разработи модел за предсказване на бременност при клиентите. Пол определи списък от около 25 продукта, които са в силна корелация с бременността (като неподсладен лосион или памучни топки).

Това позволи на Target да насочва (игра на думи) клиентите с оферти за бебешки продукти още преди да се роди бебето - много преди другите търговци да имат шанс да го направят.

Netflix, пионерът в стрийминг услугите, използва предсказателна сегментация, за да стане водеща компания в индустрията. Алгоритмите на Netflix предсказват кои предавания и филми вероятно ще харесат на потребителите въз основа на тяхната история на гледане, оценки и предпочитания.

Те дори създават оригинални серии, които вероятно ще се превърнат в хитове, въз основа на предпочитанията на клиентите към определени жанрове и актьори.

Заключение

Предсказателната сегментация има дълга и интересна история. Това не е минаващ тренд, а техника, която се развива дълго време. Сега тя най-накрая стана достъпна за всички, не само за големите корпорации. 

Тя предлага на маркетолозите мощен начин за постигане на техните цели, като същевременно запазва клиентите щастливи. Тя подобрява възвръщаемостта на инвестициите в маркетинг, минимизира предположенията и намалява разхищението на бюджет.

Следете за нашата следваща статия, в която ще разгледаме вътрешната работа на предсказателните алгоритми. Междувременно можете да видите как украинският търговец Prom увеличи продажбите с 10% благодарение на персонализирани продуктови препоръки.

Специална заявка Вградена