Segmentacja predykcyjna 101: Krótka historia i podstawowe zasady

Wyobraź sobie—urodziny Twojego siostrzeńca są za dwa tygodnie, a on uwielbia samochody Hot Wheels. Decydujesz się kupić mu jeden i zaczynasz przeglądać sklep internetowy. Oczekujesz, że zakończysz zakupy w nie więcej niż 10 minut, ale zamiast tego, przewijasz przez godziny całą listę zabawek, jakie sklep posiada. Brak filtrów, brak kategorii, brak możliwości zawężenia wyszukiwania. Frustrujące, prawda?

Na szczęście większość sklepów internetowych nie jest taka. A gdyby były, szybko by splajtowały. Jednak to jest odzwierciedlenie tego, jak marketerzy podchodzili do segmentacji klientów od lat. 

Gdy marketerzy tworzą listy klientów, często przypominają one nieprzefiltrowane oferty produktowe. Wszystkie niezbędne dane są tam, ale nie są uporządkowane. Brak wyraźnych profili klientów z atrakcyjną etykietą “Gotowy do zakupu!” obok ich nazwisk.

Zamiana tych list w przystępną formę danych wymaga dużego wysiłku, a nawet wtedy wyniki mogą być niespójne.

Z biegiem czasu marketerzy opracowali nowe metody strukturyzowania tych danych (czyli segmentowania list), ale żadna nie osiągnęła 100% dokładności.

Jednak dzięki najnowszym osiągnięciom w dziedzinie nauki o danych i uczenia maszynowego, możemy teraz zbliżyć się do precyzji jak nigdy wcześniej (i tak pozostanie do momentu, gdy nie będziemy mieli w pełni funkcjonalnych kul czarowniczych i technologii czytania myśli przyjaznych dla B2C). 

Dlaczego potrzebujemy lekcji historii?

Być może chciałbyś od razu przejść do sedna naszego tematu. Czyż nie po to tu jesteś? Jednak bez krótkiego przeglądu jak doszliśmy do tego punktu, zrozumienie, dlaczego potrzebujemy predyktywnej segmentacji i co ona rozwiązuje, może być trudne.

W miarę jak metody segmentacji ewoluowały, marketerzy przeszli od wysyłania tych samych wiadomości do całych list klientów (licząc na najlepsze wyniki) do bardziej ukierunkowanych kampanii, które przynosiły lepsze rezultaty.

Jednak pomimo tych wszystkich wysiłków, jeden fundamentalny problem pozostał nierozwiązany aż do niedawna. Ciekawy, żeby dowiedzieć się więcej? Zapnij pasy, cofamy się w czasie.

Historia segmentacji marketingowej na przestrzeni lat

Choć predyktywna segmentacja może brzmieć jak jeszcze jeden modny termin z ery AI, jej historia sięga XX wieku.

Przed predyktywną segmentacją: Wczesne metody i dane statyczne

Przed segmentacją, marketerzy musieli wysyłać tę samą wiadomość do całej listy klientów. W miarę rozwoju biznesów, potrzeba większej dokładności i zwrotu z inwestycji stała się pilna, szczególnie biorąc pod uwagę koszty reklamy drukowanej i poczty bezpośredniej—podstawowych kanałów marketingowych tamtych czasów. 

Na początku XX wieku, marketerzy już eksperymentowali z różnymi sposobami strukturyzowania swoich kampanii. I w latach pięćdziesiątych, te wysiłki w końcu nabrały rozmachu. Dziś możemy się o tym dowiedzieć ze studium Wendella R. Smitha. W “Product Differentiation and Market Segmentation as Alternative Marketing Strategies,” położył on fundamenty teorii segmentacji.

Wczesna segmentacja opierała się na danych demograficznych i geograficznych. Marketerzy dzielili swoich klientów na grupy według zmiennych takich jak wiek, płeć i lokalizacja. Była to duża poprawa, ale nadal niewystarczająca. Wkrótce pojawiły się inne podejścia.

Analiza RFM

W latach 60-70, bezpośredni marketerzy opracowali analizę RFM w celu lepszego zarządzania swoimi listami klientów. Zidentyfikowali trzy kluczowe czynniki, które przyczyniają się do prawdopodobieństwa przyszłych zakupów przez klienta. 

• Recency—kiedy ostatnio coś kupili?
• Częstotliwość—jak często dokonują zakupów?
• Wartość pieniężna—ile wydają w sumie?

Łącząc te czynniki, marketerzy mogą tworzyć dokładne segmenty przewidujące wartość klienta dla biznesu. Klienci, którzy uzyskują wysokie wyniki we wszystkich trzech obszarach, mogą być uznawani za tych, którzy będą kupować wielokrotnie i powinni być traktowani jako klienci VIP. 

Analiza RFM wciąż jest aktywnie wykorzystywana przez marketerów. Wspierana przez nowoczesną automatyzację, może być bardzo efektywna, gdy jest używana w połączeniu z innymi narzędziami segmentacyjnymi.

Segmentacja psychograficzna

W latach 60-70. opracowano nową metodę zwaną segmentacją psychograficzną, która pozwalała marketerom lepiej zrozumieć swoich klientów poprzez analizę bardziej złożonych kryteriów. Podejście to uwzględnia czynniki takie jak styl życia, klasa społeczna, cechy osobowości, wartości, postawy i zainteresowania.

Segmentacja behawioralna

Mniej więcej w tym samym czasie pojawiła się segmentacja behawioralna. Ta metoda wykracza poza statyczne dane, uwzględniając zachowanie klientów, w tym historię zakupów, interakcje z marką, preferencje i więcej.

Już będąca solidną metodą, segmentacja behawioralna stała się jeszcze bardziej efektywna w latach 90. Szybki rozwój e-commerce i systemów CRM umożliwił marketerom lepsze śledzenie zachowań klientów, w tym drobnych sygnałów takich jak historia przeglądania, listy życzeń produktów i odskakiwanie stron.

Klasyczne kampanie marketingowe oparte na wczesnych metodach

Przyjrzyjmy się udanym przykładom kampanii marketingowych opartych na tradycyjnych metodach.

Jak Marlboro całkowicie zmieniło marketing papierosów jedną kampanią

Przed latami 50. papierosy były na ogół reklamowane dla kobiet, używając obrazów glamour i elegancji, aby przyciągnąć uwagę kobiet. Marlboro, znane z łagodnego smaku, było postrzegane jako papieros dla kobiet. Jednak wszystko zmieniło się w 1954 roku.

Legenda reklamy Leo Burnett stworzył kampanię o radykalnie nowym apelu. Zamiast kierować się do kobiet, nowa kampania reklamowa przedstawiała twardego kowboja, który emanował męskością i siłą. To podejście znalazło uznanie wśród mężczyzn, którzy szybko zaakceptowali przeprojektowany produkt.

Na przestrzeni lat, Marlboro Man stał się ikoną popkultury. Choć ta kampania reklamowa jest słusznie krytykowana za swoje negatywne skutki zdrowotne związane ze wzrostem palenia, z marketingowego punktu widzenia zrewolucjonizowała rynek, kierując się do innej grupy odbiorców.

Jak Volkswagen zdobył dużą część amerykańskiego rynku samochodowego, zmieniając swoje podejście

Amerykański rynek samochodowy w połowie XX wieku był specyficzny. Głównymi punktami sprzedaży były rozmiar i moc: im większy, tym lepszy. Poza tym, kupujący byli sceptyczni wobec wszystkiego, co produkowane było poza USA.

Niemiecki producent samochodów Volkswagen, ze swoim małym Beetle, stał wtedy przed ogromnymi wyzwaniami. Nie było prawie żadnej szansy, że samochód zaprojektowany w nazistowskich Niemczech mógłby rywalizować z całkowicie amerykańskimi markami jak Ford i Chevy. Potrzebowali innego podejścia.

W 1959 roku, Helmut Krone i Julian Koenig z agencji Doyle Dane Bernbach stworzyli nową kampanię dla Beetle zatytułowaną “Think Small.” Skierowana była do oszczędnych kupujących, którzy chcieli prostego samochodu, łatwego w serwisie i niewykorzystującego dużo paliwa.

W rezultacie decyzja o skierowaniu działań do zupełnie innego segmentu psychograficznego doprowadziła do znaczącego wzrostu udziału Volkswagena w rynku w USA.

Problemy z wczesnymi metodami segmentacji

Chociaż segmentacja demograficzna lub behawioralna oferowała znaczną poprawę wyników marketingu, pojawiało się kilka problemów.

Brak precyzji: Wczesne metody opierały się na szerokich kryteriach, prowadząc do tworzenia dużych i często niedokładnych grup klientów.

Dane statyczne: Tradycyjne podejścia uwzględniały czynniki, które nie zmieniały się zbytnio. Choć rozdzielanie mężczyzn od kobiet pomagało, nie uwzględniało mniejszych, ciągle zmieniających się różnic w ramach tych segmentów.

Ograniczona pojemność pamięci: Wcześniejsze rozwiązania do przechowywania danych nie mogły obsłużyć ogromnych ilości danych. Koszty przechowywania były wysokie, a systemy nie były zoptymalizowane do obsługi różnorodnych typów danych.

Nieskuteczne gromadzenie danych: Przed erą Internetu i mediów społecznościowych nie generowano wystarczającej ilości dostępnych danych, aby tworzyć użyteczne zestawy danych. Integracja danych z różnych źródeł była skomplikowana i czasochłonna. Nie było również metod do gromadzenia i przetwarzania danych w czasie rzeczywistym.

Ograniczenia technologiczne: Do niedawna żadne systemy nie były w stanie przetwarzać dużych zbiorów danych. Tradycyjne bazy danych i frameworki przetwarzania nie były projektowane z myślą o skalowalności. A narzędzia analityczne nie były wystarczające do wykonywania skomplikowanych operacji analitycznych.

Choć metody typu analiza klastrów częściowo rozwiązywały te problemy, były one przede wszystkim wyjaśniające. Analizują pewne kryteria i tłumaczą, że jeśli klient ma określone cechy lub nawyki (np. ostatnie zakupy lub częste zakupy), to jest bardziej prawdopodobne, że kupi ponownie.

Wszystkie te podejścia są reaktywne. Analizują przeszłe wyniki, ale nie potrafią przewidzieć przyszłych rezultatów.

A co, jeśli można by poznać wyniki z wyprzedzeniem? Nie tylko brać pod uwagę przeszłe wyniki, ale mieć jasne oczekiwania na przyszłość. Właśnie tutaj potrzebujemy modelowania predykcyjnego.

Wzrost znaczenia segmentacji predykcyjnej w marketingu

W swoim artykule „To Explain or to Predict?” Galit Shmueli podaje świetną definicję tego pojęcia:

„Definiuję modelowanie predykcyjne jako proces zastosowania modelu statystycznego lub algorytmu eksploracji danych do danych w celu przewidywania nowych lub przyszłych obserwacji.”

Prof. Shmueli podkreśla dwa elementy modelowania predykcyjnego: model statystyczny (lub algorytm) oraz dane. Oba te elementy doświadczyły znaczących przełomów w XXI wieku.

Historia baz danych cyfrowych sięga lat 60. XX wieku. Robert Kestnbaum, wczesny innowator w dziedzinie baz danych zorientowanych na klienta, opracował złożone strategie analizy danych klienta w nowy, dotąd niespotykany sposób.

Mimo że te metody były genialne, były ograniczone infrastrukturą tamtych czasów i dlatego były niewystarczające, aby osiągnąć znaczące rezultaty. 

Postęp sprzętowy w latach 2000 doprowadził do gwałtownego wzrostu usługi chmury obliczeniowej, takie jak Amazon Web Services (AWS), Google Cloud Platform (GCP) i Microsoft Azure. W efekcie przechowywanie i przetwarzanie danych klientów stało się dla firm znacznie bardziej efektywne i przystępne cenowo.

Co więcej, wraz z rozwojem e-commerce, mediów społecznościowych i Internetu Rzeczy, marki szybko uzyskały dostęp do ogromnych ilości informacji o innych firmach. 

Jednak ostatnim elementem układanki stało się ulepszenie algorytmów uczenia maszynowego, które pozwoliły firmom wyjść poza gromadzenie i przechowywanie danych. Teraz mogły również wykorzystać te dane do generowania wniosków i podejmowania świadomych decyzji. 

Krytyczny Problem Rozwiązany przez Segmentację Predykcyjną

Wczesne metody znacznie poprawiły wyniki marketingowe. Wszystkie jednak miały jedną poważną wadę, która została rozwiązana dopiero przy pomocy segmentacji predykcyjnej. Przyjrzyjmy się kilku przykładom.

• Większość kosmetyków kupują kobiety. Czy to oznacza, że mężczyźni nigdy nie kupują środków do mycia twarzy czy nawilżaczy (dla siebie lub na prezenty)? Czy wszystkie kobiety kupują wszystkie rodzaje kosmetyków?

• Przedmioty luksusowe kupowane są głównie przez zamożnych klientów. Czy wszyscy zamożni ludzie kupują przedmioty luksusowe? A co z tymi, którzy szaleją z zakupami, by potem jeść ramen przez kilka tygodni?

• Wiemy, że osoby, które dokonały ostatniego zakupu, są bardziej skłonne do ponownego zakupu. Czy wszyscy ostatni nabywcy dokonają kolejnego zakupu? A co z tymi, którzy dokonali zakupu dawno temu, ale teraz aktywnie przeglądają nowe produkty?

Wszystkie wymienione czynniki są związane z większym prawdopodobieństwem konwersji, jednak żaden z nich nie powoduje jej bezpośrednio. 

Tradycyjna segmentacja ma charakter korelacyjny. Bada czynniki związane z pożądanymi wynikami marketingowymi, takimi jak prawdopodobieństwo działania czy odejścia. Nie adresuje jednak tych czynników bezpośrednio. 

Modelowanie predykcyjne eliminuje konieczność testowania dziesiątek kryteriów w celu znalezienia tego, które bardziej koreluje z zamierzonym rezultatem. Pomaga nam bezpośrednio adresować działania konwersyjne. 

Wczesne Wdrożenia Segmentacji Predykcyjnej

Metody predykcyjne były stosowane w różnych branżach od połowy XX wieku. Przemysł finansowy korzystał z ocen kredytowych do oceny ryzyka. W opiece zdrowotnej okazały się pomocne w przewidywaniu rozprzestrzeniania się chorób. A detaliści używali modelowania do przewidywania, kiedy będą musieli uzupełnić zapasy.

Jednak dokładna segmentacja predykcyjna wymagała dużej ilości danych i gruntownego przygotowania, co sprawiało, że była dostępna tylko dla sektora korporacyjnego. Przyjrzyjmy się pierwszym komercyjnie udanym zastosowaniom segmentacji predykcyjnej.

Reklamy Meta (dawniej Facebook Ads)

Dzięki dostępowi do ogromnej ilości danych klientów, Meta była wśród pierwszych użytkowników modelowania predykcyjnego. W marcu 2013 roku wprowadzili nową opcję dostępną dla reklamodawców—podobne odbiorców.

Wcześniej reklamodawcy polegali wyłącznie na kryteriach demograficznych i dotyczących zainteresowań, aby kierować reklamy.

Dzięki skomplikowanym algorytmom w rdzeniu grup odbiorczych podobnych, osiąganie nowych poziomów precyzji stało się możliwe. Zaczęli analizować istniejących klientów i znajdować podobne do nich perspektywy. 

Aby skorzystać z tej funkcji w Meta Ads, należy ustawić trzy zmienne:

1. Źródło: obserwujący twoją stronę, grupy odbiorców z innych kampanii lub nawet lista klientów załadowana jako plik.
2. Lokalizacja: kraj lub regiony, z których algorytm dobierze osoby do grupy odbiorczej podobnej.
3. Wielkość grupy odbiorczej — procent osób najbardziej zbliżonych do twojej źródłowej grupy odbiorców. Na przykład, załadowałeś bazę klientów zawierającą 15 000 nazwisk i chcesz stworzyć grupę odbiorczą podobną w regionie mającym 100 milionów użytkowników Meta. Wybór 10% wielkości grupy stworzy grupę odbiorczą złożoną z 10 milionów ludzi, którzy są najbliżej twojej oryginalnej listy 15 000 osób. Opcja 1% zawęzi grupę do tylko 1 miliona osób.

Dzięki grupom odbiorczym podobnym reklamodawcy na Meta zyskali potężne narzędzie, które pozwoliło im skupić się na innych obszarach zamiast na niekończącym się testowaniu różnych kryteriów kierowania.

Google Ads (wcześniej Google AdWords)

W tym samym roku Google wprowadziło funkcję o nazwie similar audiences. Analogicznie do grup podobnych w Meta, były one skierowane do osób bliskich do istniejących list remarketingowych. Dziesięć lat później, w 2023 roku, Google usunął podobne grupy odbiorców z powodu kwestii związanych z gromadzeniem danych i prywatnością. 

Jednak niektóre z ich funkcjonalności są nadal dostępne w zoptymalizowanym kierowaniu, rozszerzaniu grup odbiorców i opcjach inteligentnego licytowania.

Amazon

Gigant e-commerce zainicjował predykcyjne metody w e-commerce, wykorzystując filtrowanie kolaboracyjne do przewidywania prawdopodobieństwa przyszłych zakupów. Amazon używał dwóch głównych typów filtrowania kolaboracyjnego do generowania rekomendacji produktów:

• Filtrowanie kolaboracyjne oparte na użytkownikach: Ta metoda poleca produkty na podstawie podobieństwa preferencji użytkowników. Jeśli są dwaj podobni użytkownicy i pierwszy z nich kupił produkty A i B, a drugi tylko B, system poleci produkt A również drugiemu użytkownikowi.
• Filtrowanie kolaboracyjne oparte na produktach: W przeciwieństwie do poprzedniego, ta metoda rekomenduje produkty na podstawie ich podobieństwa. Jeśli dwa produkty są często kupowane razem, jeden może zostać polecony, gdy kupowany jest drugi.

Dzięki dostępowi do dużych wolumenów danych klientów, Amazon nieustannie rozwijał i udoskonalał swoje algorytmy predykcyjnew 2020 roku Amazon wprowadził MQ Transformer, model zdolny do badania własnej historii w celu poprawy dokładności prognoz i zmniejszenia zmienności.

Inne przykłady

Brytyjski sprzedawca detaliczny Tesco uruchomił swój program lojalnościowy Clubcard w 1995 roku. Był to jeden z pierwszych programów lojalnościowych, które szeroko wykorzystywały analitykę danych.

Tesco zbierało dane dotyczące zachowań i preferencji klientów poprzez transakcje Clubcard, aby przewidywać przyszłe zakupy i dostosowywać rekomendacje.

Na początku 2000 roku Andrew Pole, statystyk z amerykańskiego detalisty Target, opracował model do przewidywania ciąż klientów. Pole zidentyfikował listę około 25 produktów, które silnie korelowały z ciążą (takich jak balsam bez zapachu czy waciki bawełniane).

Pozwoliło to Target celować w klientów z ofertami związanymi z dziećmi, zanim jeszcze dziecko się narodziło - na długo przed innymi sprzedawcami detalicznymi.

Netflix, prekursor serwisów streamingowych, używał segmentacji predykcyjnej, aby stać się wiodącą firmą w branży. Algorytmy Netflixa przewidują, które filmy i seriale użytkownicy będą prawdopodobnie lubić na podstawie ich historii oglądania, ocen i preferencji.

Tworzą nawet oryginalne serie, które mają szansę stać się hitami, na podstawie preferencji klientów dotyczących określonych gatunków i aktorów.

Wnioski

Segmentacja predykcyjna ma długą i bogatą historię. To nie jest przemijająca moda, ale technika, która była rozwijana przez długi czas. Teraz w końcu stała się dostępna dla każdego, a nie tylko dla dużych korporacji.

Oferuje marketerom potężny sposób na osiąganie ich celów przy jednoczesnym zadowoleniu klientów. Poprawia zwrot z inwestycji w działania marketingowe, minimalizuje domysły i redukuje marnotrawstwo budżetu.

Zostańcie z nami na następny artykuł, w którym przyjrzymy się wewnętrznym mechanizmom algorytmów predykcyjnych. Tymczasem możecie sprawdzić, jak ukraiński sprzedawca detaliczny Prom zwiększył sprzedaż o 10% dzięki spersonalizowanym rekomendacjom produktów.

Specjalna Prośba Wstawiana