Imaginează-ți asta—ziua de naștere a nepotului tău este peste două săptămâni și lui îi plac mașinile Hot Wheels. Decizi să îi cumperi una și începi să cauți pe un magazin online. Te aștepți să termini în maximum 10 minute, dar ajungi să derulezi ore întregi prin lista cu toate jucăriile pe care magazinul le are. Fără filtre, fără categorii, fără nicio modalitate de a-ți restrânge căutarea. Frustrant, nu-i așa?

Din fericire, majoritatea magazinelor online nu sunt așa. Și dacă ar fi, ar da faliment rapid. Totuși, această situație oglindește modul în care marketerii au abordat segmentarea clienților de-a lungul timpului. 

Când marketerii creează liste cu clienți, deseori acestea seamănă cu acel flux de produse nefiltrat. Toate datele necesare sunt acolo, dar nu sunt structurate. Nu există profile clare ale clienților cu un marcaj strălucitor „Sunt Pregătit să Cumpăr!” lângă numele lor.

Transformarea acestor liste în date acționabile necesită mult efort, și chiar și atunci, rezultatele pot fi inconsistente.

În timp, marketerii au dezvoltat noi metode pentru structurarea acestor date (adică segmentarea listelor), dar niciuna nu a atins o acuratețe de 100%.

Totuși, cu progresele recente în știința datelor și în învățarea automată, putem acum să ne apropiem de precizie mai mult ca niciodată. (și așa va rămâne până când vom avea globuri de cristal complet funcționale și soluții de citire a gândurilor prietenoase cu B2C-ul). 

De ce avem nevoie de o lecție de istorie în primul rând?

Poate ești tentat să intri direct în subiectul nostru. Nu pentru asta ești aici? Totuși, fără o trecere în revistă a modului în care am ajuns aici, înțelegerea motivului pentru care avem nevoie de segmentare predictivă și ce rezolvă aceasta poate fi dificilă.

Pe măsură ce metodele de segmentare au evoluat, marketerii au trecut de la a trimite întregii liste de clienți aceleași mesaje (sperând la ce-i mai bun) la campanii mai țintite, obținând rezultate mai bune.

Totuși, în ciuda tuturor acestor eforturi, o problemă fundamentală a rămas neadresată până de curând. Ești curios să afli mai multe? Pregătește-te, ne întoarcem în timp.

Istoria segmentării de marketing de-a lungul anilor

Deși segmentarea predictivă ar putea suna ca un alt cuvânt la modă din era AI, istoria sa datează din secolul al XX-lea.

Înainte de segmentarea predictivă: Metode timpurii și date statice

Înainte de segmentare, marketerii trebuiau să trimită același mesaj întregii lor liste de clienți. Pe măsură ce afacerile au crescut, nevoia de acuratețe mai mare și de rentabilitate a investiției a devenit presantă, în special, având în vedere costurile publicității tipărite și ale poștei directe—principalele canale de marketing la acea vreme. 

La începutul secolului XX, marketerii experimentau deja diverse modalități de structurare a campaniilor lor. Iar în anii 1950, aceste eforturi au prins avânt. Astăzi, putem învăța despre asta din studiul lui Wendell R. Smith. În „Product Differentiation and Market Segmentation as Alternative Marketing Strategies,” el a pus bazele teoriei segmentării.

Segmentarea timpurie se baza pe date demografice și geografice. Marketerii își împărțeau clienții în grupuri pe baza unor variabile precum vârsta, sexul și locația. Aceasta a fost o îmbunătățire majoră, dar încă insuficientă. Curând, au apărut și alte abordări.

Analiza RFM

Până în anii 1960-1970, marketerii direcți au dezvoltat analiza RFM pentru a-și gestiona mai bine listele de clienți. Ei au identificat trei factori cheie care contribuie la probabilitatea unor achiziții viitoare de către un client. 

• Recency—când a fost ultima dată când au cumpărat ceva?
• Frecvență—cât de des fac achiziții?
• Valoare monetară—cât cheltuiesc în total?

Combinând acești factori, marketerii pot crea segmente precise care prezic valoarea clienților pentru o afacere. Clienții care obțin scoruri ridicate în toate cele trei domenii sunt probabil să cumpere în mod repetat și ar trebui tratați ca cumpărători VIP. 

Analiza RFM rămâne în uz activ pentru marketeri. Susținută de automatizări moderne, poate fi foarte eficientă atunci când este utilizată în combinație cu alte instrumente de segmentare.

Segmentarea psihografică

În anii 1960-1970, a fost dezvoltată o nouă metodă denumită segmentare psihografică, care le permite marketerilor să înțeleagă mai bine clienții, analizând criterii mai nuanțate. Această abordare ia în considerare factori precum stilul de viață, clasa socială, trăsăturile de personalitate, valorile, atitudinile și interesele.

Segmentarea comportamentală

Aproximativ în aceeași perioadă, segmentarea comportamentală a început să fie cunoscută. Această metodă depășește datele statice, luând în considerare comportamentul clienților, inclusiv istoricul achizițiilor, interacțiunile cu brandul, preferințele și altele.

Deși deja o metodă robustă, segmentarea comportamentală a devenit și mai eficientă în anii 1990. Dezvoltarea rapidă a comerțului electronic și a sistemelor CRM a permis marketerilor să urmărească mai bine comportamentul clienților, inclusiv semnale minore precum istoricul de navigare, listele de dorințe de produse și săriturile pe pagină.

Campanii clasice de marketing care s-au bazat pe metode timpurii

Să aruncăm o privire la exemple de succes de campanii de marketing care s-au bazat pe metode tradiționale.

Cum Marlboro a schimbat complet marketingul țigărilor cu o singură campanie

Înainte de anii 1950, țigările erau în principal promovate către femei, folosind imagini de glamour și eleganță pentru a atrage femeile. Marlboro, cunoscut pentru gustul său blând, era perceput ca o țigară pentru femei. Totuși, totul s-a schimbat în 1954.

Legenda publicității Leo Burnett a creat o campanie cu un apel radical nou. În loc să se adreseze femeilor, noua campanie publicitară a prezentat un cowboy aspru care emana masculinitate și forță. Această abordare a rezonat cu bărbații, care au îmbrățișat curând produsul rebranduit.

De-a lungul anilor, Marlboro Man a devenit un element de bază al culturii pop. Deși această campanie publicitară este criticată destul de mult pentru impactul său negativ asupra sănătății din cauza creșterii fumatului, din punct de vedere al marketingului, a revoluționat piața vizând un public diferit.

Cum Volkswagen și-a tăiat o bucată uriașă din piața auto din SUA schimbându-și atractivitatea

Piața auto din SUA în mijlocul secolului XX era particulară. Principalele puncte de vânzare erau dimensiunea și puterea: cu cât mai mare, cu atât mai bine. În plus, cumpărătorii erau și sceptici față de orice produs în afara SUA.

Producătorul german de automobile Volkswagen, cu Beetle-ul său mic, era la un mare dezavantaj în acel moment. Aproape că nu exista șansa ca mașina proiectată în Germania nazistă să concureze cu branduri american autentice precum Ford și Chevy. Aveau nevoie de o abordare diferită.

În 1959, Helmut Krone și Julian Koenig de la agenția Doyle Dane Bernbach au creat o nouă campanie pentru Beetle intitulată “Think Small.” Aceasta a vizat cumpărătorii conștienți de preț, care doreau o mașină simplă, ușor de întreținut și care nu consuma mult combustibil.

Ca urmare, decizia de a viza un segment psihografic complet diferit a condus la o creștere majoră a cotei de piață a Volkswagen în SUA.

Probleme cu metodele timpurii de segmentare

Deși segmentarea demografică sau comportamentală a oferit îmbunătățiri semnificative în rezultatele de marketing, au rămas câteva probleme.

Lipsa de precizie: Metodele timpurii se bazau pe criterii largi, ducând la grupuri de clienți mari și adesea inexacte.

Date statice: Abordările tradiționale luau în considerare factori care nu se schimbau mult. Deși separarea bărbaților de femei a ajutat, nu a surprins diferențele mai mici și mereu în schimbare în cadrul acestor segmente.

Capacitate limitată de stocare: Soluțiile de stocare de atunci nu puteau gestiona volumele mari de date. Costul stocării era ridicat, iar sistemele nu erau optimizate pentru a gestiona tipuri de date diverse.

Colectare ineficientă a datelor: Înainte de Internet și social media, nu existau suficiente date accesibile generate pentru a crea seturi de date acționabile. Integrarea datelor din surse diferite era complexă și consumatoare de timp. Și nu existau metode pentru colectarea și procesarea datelor în timp real.

Limitări tehnologice: Până de curând, nu au existat sisteme capabile să proceseze seturi mari de date. Bazele de date tradiționale și cadrele de procesare nu erau proiectate cu scalabilitatea în minte. Iar instrumentele analitice nu erau suficiente pentru a efectua operațiuni analitice complexe.

Deși metodele precum analiza clusterelor au abordat parțial aceste probleme, ele erau în principal explicative. Ele iau în considerare anumite criterii și explică faptul că, dacă un client are anumite caracteristici sau obiceiuri (de exemplu, achiziții recente sau cumpărături frecvente), acesta este mai probabil să cumpere din nou.

Toate aceste abordări sunt retroactive. Ele analizează rezultatele din trecut, dar nu pot prezice rezultatele viitoare.

Ce-ar fi dacă ai putea să-ți cunoști rezultatele în avans? Nu doar să consideri performanțele din trecut, ci să ai așteptări clare despre ce urmează. Aici intervine modelarea predictivă.

Apariția segmentării predictive în marketing

În articolul ei „To Explain or to Predict?”, Galit Shmueli oferă o definiție excelentă a acestui concept:

„Definesc modelarea predictivă ca procesul de aplicare a unui model statistic sau a unui algoritm de explorare a datelor pentru a prezice observații noi sau viitoare.”

Prof. Shmueli subliniază două componente ale modelării predictive: un model statistic (sau algoritm) și datele. În ambele domenii s-au înregistrat progrese majore în secolul XXI.

Istoria bazelor de date digitale datează din anii 1960. Robert Kestnbaum, un inovator timpuriu în domeniul bazelor de date centrate pe client, a dezvoltat strategii complexe pentru a analiza datele clienților în moduri noi, anterior nemaivăzute.

Deși aceste metode erau ingenioase, ele erau limitate de infrastructura vremii și, prin urmare, erau insuficiente pentru a obține rezultate majore. 

Progresele hardware din anii 2000 au dus la o creștere explozivă a servicii de cloud computing precum Amazon Web Services (AWS), Google Cloud Platform (GCP) și Microsoft Azure. Drept urmare, stocarea și procesarea datelor clienților au devenit considerabil mai eficiente și mai accesibile pentru afaceri.

Mai mult decât atât, odată cu evoluția comerțului electronic, a rețelelor sociale și a Internetului Lucrurilor, mărcile au avut acces la o cantitate enormă de informații despre alte afaceri.  

Cu toate acestea, piesa finală a puzzle-ului a venit odată cu îmbunătățirea algoritmilor de învățare automată, care a permis afacerilor să depășească faza de colectare și stocare a datelor. Acum, acestea puteau să valorifice toate aceste date, generând perspective și luând decizii informate.  

Problema Critică Rezolvată de Segmentarea Predictivă

Metodele timpurii au îmbunătățit semnificativ rezultatele de marketing. Cu toate acestea, toate aveau un defect major, care nu a fost rezolvat până la segmentarea predictivă. Să examinăm câteva exemple.

• Majoritatea produselor de înfrumusețare sunt cumpărate de femei. Înseamnă asta că bărbații nu cumpără niciodată soluții de curățare sau hidratante (pentru ei sau ca cadouri)? Toate femeile cumpără toate tipurile de cosmetice?

• Produsele de lux sunt cumpărate în principal de clienți cu venituri mari. Toți oamenii cu venituri mari cumpără produse de lux? Cei care cheltuiesc mult pe ceva doar pentru a mânca ramen în următoarele săptămâni, ce fac?

• Știm că persoanele care au făcut o achiziție recentă sunt mai predispuse să mai facă o achiziție. Toți cumpărătorii recenți vor face o altă achiziție? Cei care au făcut o achiziție cu mult timp în urmă dar acum caută activ produse noi?

Toți factorii menționați sunt asociați cu o șansă mai mare de conversie, dar niciunul dintre ei nu determină conversia direct.  

Segmentarea tradițională este corelațională prin natura sa. Aceasta analizează factorii asociați cu rezultatele dorite de marketing, precum probabilitatea de acțiune sau abandon. Cu toate acestea, nu abordează acești factori în mod direct.  

Modelarea predictivă elimină necesitatea de a testa zeci de criterii pentru a găsi pe cel care corelează mai bine cu rezultatul intenționat.  Ne ajută să abordăm direct acțiunile de conversie.  

Implementările Timpurii ale Segmentării Predictive

Metodele predictive au fost folosite în diferite industrii încă din mijlocul secolului XX. Industria financiară folosea scorul de credit pentru a evalua riscurile. În sănătate, s-a dovedit util în prezicerea răspândirii bolilor. Iar comercianții foloseau modelarea pentru a anticipa când va fi nevoie să-și refacă inventarul.

Cu toate acestea, segmentarea predictivă precisă necesita o cantitate mare de date și o pregătire minuțioasă, ceea ce o făcea accesibilă doar sectorului corporativ. Să analizăm primele aplicații comerciale de succes ale segmentării predictive.

Reclamele Meta (anterior Reclamele Facebook)

Cu acces la o vastă cantitate de date despre clienți, Meta a fost printre primii care au adoptat modelarea predictivă. În martie 2013, au dezvăluit o nouă opțiune disponibilă pentru advertiseri—audiențe asemănătoare. 

Anterior, agenții de publicitate se bazau exclusiv pe criterii demografice și de interese pentru a ținti anunțurile.

Cu algoritmi complecși în centrul publicului asemănător, a devenit posibil să se atingă noi niveluri de precizie. Au început să analizeze clienții existenți și să găsească prospecte similare. 

Pentru a folosi această caracteristică pe Meta Ads, trebuie să setați trei variabile:

1. Sursă: urmăritorii paginii tale, audiențe din alte campanii sau chiar o listă de clienți încărcată ca fișier.
2. Locație: țările sau regiunile din care algoritmul va atrage persoane pentru audiența asemănătoare.
3. Mărimea audienței — un procent de persoane cele mai similare cu audiența ta sursă. De exemplu, ai încărcat baza ta de date cu 15.000 de nume și vrei să creezi o audiență asemănătoare în regiunea care are 100 de milioane de utilizatori Meta. O mărime a audienței de 10% va crea o audiență de 10 milioane de persoane care este cea mai apropiată de lista ta originală de 15.000. Opțiunea de 1% o va restrânge și mai mult la doar 1 milion.

Cu audiențe asemănătoare, agenții de publicitate pe Meta au câștigat un instrument puternic care le-a permis să se concentreze pe alte domenii în loc să testeze la nesfârșit criterii de țintire diferite.

Google Ads (anterior Google AdWords)

În același an, Google a introdus o caracteristică numită audiențe similare. Analogă cu audiențele asemănătoare ale Meta, acestea vizau persoane apropiate de listele de remarketing existente. Zece ani mai târziu, în 2023, Google a eliminat audiențele similare din cauza problemelor de colectare a datelor și de confidențialitate. 

Cu toate acestea, unele dintre funcționalitățile lor sunt încă păstrate în opțiunile de țintire optimizată, expansiune a audienței și ofertare inteligentă.

Amazon

Gigantul ecommerce a fost un pionier în metodele predictive în ecommerce cu filtrarea colaborativă utilizată pentru a prezice probabilitatea achizițiilor următoare. Amazon a folosit două tipuri principale de filtrare colaborativă pentru a genera recomandările sale de produse:

• Filtrare colaborativă bazată pe utilizator: Această metodă recomandă produse bazate pe similitudinea preferințelor utilizatorilor. Dacă există doi utilizatori similari și primul a cumpărat articolele A și B, în timp ce al doilea doar B, sistemul va recomanda articolul A și celui de-al doilea utilizator as well.
• Filtrare colaborativă bazată pe articol: Spre deosebire de cea anterioară, această metodă oferă recomandări bazate pe similitudinea produselor. Dacă două articole sunt frecvent achiziționate împreună, unul ar putea fi recomandat când celălalt este achiziționat.

Cu acces la volume mari de date despre clienți, Amazon a continuat să dezvolte și să îmbunătățească algoritmii săi de predicțiepentru a obține rezultate și mai bune. În 2020, Amazon a lansat MQ Transformer, un model capabil să studieze istoria sa pentru a îmbunătăți precizia predicțiilor și a reduce volatilitatea.

Alte exemple

Retailerul britanic Tesco a lansat programul său de fidelitate Clubcard în 1995. A fost printre primele programe de fidelitate care au folosit pe scară largă analiza datelor.

Tesco a colectat date despre comportamentul și preferințele clienților prin tranzacțiile Clubcard pentru a prezice achizițiile viitoare și a personaliza recomandările.

La începutul anilor 2000, Andrew Pole, un statistician la retailerul din SUA, Target, a dezvoltat un model pentru a prezice sarcina clienților. Pole a identificat o listă cu aproximativ 25 de produse care corelau puternic cu sarcina (cum ar fi loțiunea fără parfum sau vată de bumbac).

Aceasta i-a permis Target să își direcționeze (joc de cuvinte intenționat) ofertele către clienți cu produse legate de bebeluși înainte ca aceștia să se nască - cu mult înainte ca ceilalți retaileri să aibă șansa să o facă.

Netflix, serviciul de streaming pionier, a folosit segmentarea predictivă pentru a deveni liderul în industrie. Algoritmii Netflix prezic ce emisiuni și filme sunt susceptibile să fie apreciate de utilizatori, pe baza istoricului de vizionare, a evaluărilor și a preferințelor lor.

Ei chiar creează seriale originale care sunt susceptibile să devină succesuri pe baza preferințelor clienților pentru anumite genuri și actori.

Concluzie

Segmentarea predictivă are o istorie lungă și colorată. Nu este un trend trecător, ci o tehnică dezvoltată de-a lungul timpului. Acum, a devenit accesibilă pentru oricine, nu doar pentru marile corporații. 

Oferă marketerilor o modalitate puternică de a-și atinge obiectivele, menținându-i pe clienți fericiți. Îmbunătățește ROI-ul eforturilor de marketing, minimizează presupunerile și reduce risipa de buget.

Rămâi la curent pentru următorul nostru articol, în care vom explora mecanismele interne ale algoritmilor predictivi. Între timp, poți vedea cum retailerul ucrainean Prom a crescut vânzările cu 10% prin recomandările personalizate de produse.

Cerere specială inline