E-mail-kampányt futtatsz 100 000 feliratkozónak. Mindenkinek ugyanazt az üzenetet küldöd. 2% konvertál. Most képzeld el, hogy még a küldés előtt megjósolhatnád, mely 10 000 feliratkozót fog valóban érdekelni, és nekik erősebb ajánlatot küldhetnél. A 10 000 ember 8%-át (800 főt) konvertálnád a 100 000 ember 2%-a (2000 fő) helyett. De mivel kihagytad az érdektelen 90 000-et, az egy megszerzésre jutó költséged 75%-kal esett. Ez a prediktív szegmentálás: a látogatókat aszerint csoportosítod, mit fognak valószínűleg tenni legközelebb, nem csak aszerint, mit tettek korábban.
A prediktív szegmentálás gépi tanulással azonosítja, mely látogatók fognak a jövőben végrehajtani egy műveletet (vásárolni, lemorzsolódni, magasabb csomagra váltani, ajánlani). Az alap szegmentálás a látogatókat a múltbeli viselkedésük alapján osztja csoportokba (földrajzi hely, forgalmi forrás, megtekintett oldalak). A prediktív szegmentálás a megjósolt jövőbeli viselkedés alapján osztja őket (vásárlási valószínűség, lemorzsolódási valószínűség, élettartam-érték előrejelzés). Az üzleti hatásban óriási a különbség.
Miben csoportosít másként az AI, mint te kézzel?
Nézz meg bármelyik analitikai vezérlőpultot, és ugyanazt a szegmentálást találod: forgalmi forrás, eszköztípus, földrajz, esetleg néhány viselkedési szegmens. Ezek hasznos szegmensek. De arra épülnek, amit te követni választottál, és amit te magad döntöttél el, hogy számít. Nézd meg, mit tud egy AI-rendszer ugyanazokkal az adatokkal, és látni fogod, hogy olyan minták szerint csoportosít, amelyeket te soha nem vettél volna észre.
A kézi szegmentálást korlátozza, hogy mit gondolsz mérni. Szegmentálsz „fizetett hirdetésből érkezők” és „szerves keresésből érkezők” szerint. Ezek nyilvánvalóak. Az AI-szegmentálás azt kérdezi: a fizetett hirdetésből érkezők közül melyek fognak konvertálni, és melyek nem? Rájön, hogy azok a felhasználók, akik rákattintanak egy hirdetésre, elmennek, majd 6 órán belül visszajönnek, háromszoros konverziós aránnyal bírnak. Ez egy olyan mikroszegmens, amelynek létrehozására sosem gondoltál volna. Mégis értékes.
Az AI nem nyilvánvaló mintákat talál. Észreveszed, hogy az átlagos rendelési értéked 50 dollár. Az AI rájön, hogy azok a felhasználók, akik ebben a konkrét sorrendben nézik meg a termékoldalakat, 80 dolláros rendelési értéket hoznak. Azok, akik a kosárba tétel előtt megnézik az árazást, 30 dollárt. Ezek a minták megvannak az adataidban. Egy embernek hónapokba telne megtalálni őket. Egy AI-modell órák alatt megtalálja.
Az AI ezernyi kombinációt kipróbál. Egy ember kézzel 5-10 szegmentálási ötletet tud tesztelni. Az AI ezreket. Azokat a szegmenseket találja meg, amelyek valóban előrejelzik a viselkedést (vásárolni fognak-e?), nem azokat, amelyek logikusan hangzanak, de nem működnek (azt hittük, a földrajz számít, de nem). Ez az adatvezérelt megközelítés mindig jobb az emberi intuíciónál.
A legfontosabb: az AI folyamatosan frissül. Létrehozhatsz egy szegmenst a júliusi adatok alapján. Októberre a minta eltolódott. A kézi szegmensek elavulnak. Az AI-szegmensek automatikusan frissülnek az új adatokkal. Az előrejelzések pontosak maradnak, mert mindig a jelenlegi mintákra épülnek.
Mit tud valójában megjósolni az AI a látogatókról?
Nézd meg, mit tud előre jelezni a prediktív analitika, és mindenhol lehetőségeket találsz. A lényeg olyan előrejelzések kiválasztása, amelyek az üzleti döntésekhez számítanak.
Vásárlási szándék: Mely látogatók vásárolnak a következő 30 napban? Melyek soha? Melyek ingadoznak? Az AI ezt viselkedési minták alapján tudja megjósolni (hány oldalt néztek meg, mennyi időt töltöttek az oldalon, kosárba tették, de nem vásároltak). A nagy szándékú látogatók prémium ajánlatot kapnak. A szándék nélküliek ingyenes útmutatót, hogy tájékozódjanak. A kétkedők időkorlátos kedvezményt.
Lemorzsolódási kockázat: Mely ügyfelek készülnek elmenni a következő hónapban? Az AI megtalálja a korai figyelmeztető jeleket: csökkenő elköteleződés, visszaeső funkcióhasználat, szaporodó ügyfélszolgálati megkeresések. Ha azonosítod ezeket az ügyfeleket, még azelőtt közbeléphetsz, hogy lemorzsolódnának. Egy jól időzített ajánlat vagy termékfejlesztés megmentheti őket.
Élettartam-érték: Mely ügyfelek fogják a legtöbbet költeni az élettartamuk alatt? Ez nem nyilvánvaló. Az az ügyfél, aki az első napon 100 dollárt költ, talán soha többé nem tér vissza. Az, aki az első napon 20 dollárt költ, talán öt év alatt 2000 dollárt. Az AI megtanulja, mely jellemzők jósolnak magas élettartam-értéket (használati minták, funkcióhasználat vagy elköteleződési szint). Aztán az erőforrásaidat a magas élettartam-értékű (LTV) ügyfelek megszerzésére és megtartására fordíthatod.
Következő művelet valószínűsége: Magasabb csomagra vált ez a látogató? Ajánl egy barátot? Visszatér még? Minden, a vállalkozásodnak fontos művelethez az AI meg tudja becsülni a valószínűséget. Aztán ezek a valószínűségek szerint szegmentálod a látogatókat, és mindegyiknek testre szabod az élményt.
Tartalmi preferenciák: Mely blogtémákat találja értékesnek ez a látogató? Mely funkciók érdeklik leginkább? Melyik termékkategória érdekli? Az AI a viselkedésből megtanulja ezeket a preferenciákat, és következő lépéseket ajánlhat. A haladó funkciók iránt érdeklődő látogató funkcióösszehasonlításokat lát. Az, akit a könnyű használat érdekel, egyszerűségi útmutatókat.
Miért érdemes a jövőbeli viselkedést megjósolni ahelyett, hogy csak a múltat elemeznéd?
Kérdezd meg a legtöbb analitikai csapatot, hogyan szegmentálnak, és a múltbeli viselkedést írják le. „Nagy elköteleződésű felhasználók”, vagyis akik sokat foglalkoztak a termékkel. „Friss látogatók”, vagyis akik a múlt héten jártak nálad. Ez elemzés. Megmondja, mi történt. De az üzleti kérdés általában az: mi fog történni legközelebb? Erre az előrejelzés felel.
A múltbeli viselkedés rossz előrejelző, ha bármi megváltozott. Az az ügyfél, aki fél éve vásárolt, lemorzsolódhat a jövő hónapban. Az első látogató hűséges ügyféllé válhat. Nem feltételezheted, hogy a jövő olyan lesz, mint a múlt. A prediktív modellek ezt úgy kezelik, hogy megtanulják, mely jelek jósolják valóban a jövőt.
A prediktív szegmentálás lehetővé teszi, hogy előre cselekedj. Ha tudod, hogy egy ügyfél a jövő hónapban lemorzsolódik, van időd megkeresni, javítani a termékedet vagy ösztönzőt kínálni. Ha csak azután veszed észre a lemorzsolódást, hogy megtörtént (múltbeli viselkedés elemzése), már elvesztetted az ügyfelet. A proaktív és a reaktív közötti különbség hatalmas.
A prediktív szegmentálás az erőforrások elosztását is optimalizálja. Korlátozott a marketingköltségvetésed. Elkölthetod minden ügyfélre (alacsony megtérülés), vagy a magas LTV-jű ügyfelekre (magas megtérülés). A prediktív szegmentálás azonosítja, mely ügyfelekre érdemes összpontosítani. Kevesebbet költesz, és többet keresel.
Hogyan vezesd be valójában a prediktív szegmentálást?
Kezdd azzal, hogy meghatározod, mit akarsz megjósolni. Nem minden előrejelzést érdemes felépíteni. Válassz olyan előrejelzéseket, amelyek üzleti kérdésekre felelnek: „Ki fog vásárolni?” „Ki fog lemorzsolódni?” „Kik a legértékesebb ügyfeleink?” „Ki fogja használni ezt a funkciót?” Válassz egyet. Építs rá modellt. Nézd meg, működik-e.
A következő lépés az adatelőkészítés. A modellnek tiszta adat kell. A megfelelő jelek kellenek. Ha a vásárlási valószínűséget akarod megjósolni, a modellnek adat kell a böngészési viselkedésről, a kosárműveletekről, az oldalon töltött időről, és arról, hogy vásároltak-e. Ha hiányoznak jelek, a modell gyengén fog teljesíteni. Először auditáld az adatgyűjtésedet.
Sok analitikai platform már tartalmaz prediktív szegmentálást funkcióként. Mások prediktív kohorszokat kínálnak. Egyes termékanalitikai platformoknak van AI-szegmentálása. Ezek könnyebbek, mint egyedi modelleket építeni. Kezdd a platform beépített funkcióival. Csak akkor építs egyedi modelleket, ha olyan előrejelzések kellenek, amelyeket a platform nem kínál.
Ha megvannak az előrejelzések, szegmentáld a közönséget. A nagy vásárlási szándékú látogatók egy szegmensbe kerülnek. Az alacsony szándékúak egy másikba. A nagy lemorzsolódási kockázatúak egy megtartási szegmensbe. Aztán mindegyiknek testre szabod az élményt. A nagy szándékúak az árazási oldalt látják. Az alacsony szándékúak oktató tartalmat. A lemorzsolódás veszélyében lévő ügyfeleket az ügyfélsiker csapat keresi meg.
Végül ellenőrizd, hogy az előrejelzések működnek. Futtass A/B tesztet. A megjósolt nagy szándékú látogatóknak küldj prémium ajánlatot. Egy kontrollcsoportnak küldj normál ajánlatot. A nagy szándékú csoport jobban konvertál? Ha igen, a modell működik. Ha nem, finomítsd. A legtöbb modellt finomítani kell, mielőtt megbízható lesz.
Milyen kockázatai vannak az AI-előrejelzésekre támaszkodásnak?
Az AI-előrejelzések csak annyira jók, amennyire az adatok, amelyeken tanították őket. Ha a korábbi adataid torzak (csak egy csatornáról, egy földrajzi területről, egy évszakban szereztél ügyfeleket), a modell megtanulja ezeket a torzításokat. Azt hiszi, hogy csak ez az egy ügyféltípus működik. Amikor más csatornáról próbálsz szerezni, a modell előrejelzései nem válnak be.
Az előrejelzések idővel romlanak. Az első negyedéves adatokon tanított modell jól teljesíthet az első negyedévben. A harmadikra a piaci feltételek megváltoztak. Az ügyfeleid megváltoztak. A modell elavult. A jó prediktív rendszerek rendszeresen (havonta vagy negyedévente) újratanulnak új adatokkal. Ha egyszer tanítod, és soha nem frissíted, az előrejelzések romlanak.
Az előrejelzések önbeteljesítő jóslatokat hozhatnak létre. Ha azt mondod egy értékesítőnek, hogy „ez az ügyfél lemorzsolódik”, tudat alatt rosszabbul bánhat vele, és ezzel okozza a lemorzsolódást. Ha figyelmen kívül hagyod a megjósolt alacsony értékű ügyfeleket, soha nem válnak értékessé, mert soha nem fektetsz beléjük. Légy tudatában ennek a visszacsatolásnak.
Az előrejelzések nem magyarázzák meg az okot. A modell megmondhatja, hogy „ez a látogató lemorzsolódik”, de azt nem, hogy miért. A termék nem illik hozzá? Az ár? Egy versenytárs? Az ügyfélsiker csapat cserbenhagyja? Az ok megállapításához és kijavításához továbbra is emberi ítélőképesség kell. Az előrejelzések felszínre hozzák a problémát. Az emberek megoldják.
Az adatvédelmi szabályok megnehezítik a prediktív szegmentálást. A GDPR és a CCPA joggal ruházza fel a felhasználókat arra, hogy tudják, miért bánnak velük másként, és hogy kiléphessenek az automatizált döntésekből. Ha prediktív szegmenseket használsz arra, hogy megtagadj valakitől egy hozzáférést, vagy többet számolj fel neki, lehet, hogy fel kell fedned a modell indoklását. Nagy léptékű bevezetés előtt kérj jogi tanácsot.
Ugyanaz a prediktív szegmentálás, mint a prediktív analitika?
Nem pontosan. A prediktív analitika a jövőbeli kimenetek előrejelzésének tágabb területe (lemorzsolódik-e ez az ügyfél, nő-e ez a mutató). A prediktív szegmentálás kifejezetten a látogatók megjósolt viselkedés szerinti csoportosításáról szól. A prediktív analitika a képesség. A prediktív szegmentálás egy alkalmazása.
Mennyire pontosnak kell lenniük az előrejelzéseknek, hogy hasznosak legyenek?
Attól függ, mennyibe kerül a tévedés. Ha nagy szándékú látogatókat jósolsz, és 10 dolláros kedvezményt küldesz nekik, a tévedés 10 dollárba kerül. A 60%-os pontosság rendben van, még mindig nyereséges vagy. Ha csalást jósolsz, és megtagadod valakitől a hozzáférést, 95%+ pontosságot akarsz. A legtöbb üzleti döntésnél a 70-80%-os pontosság az a küszöb, ahol az előrejelzések legyőzik a véletlen találgatást, és érdemes rájuk építeni.
Használhatom a prediktív szegmentálást kis közönségen?
Nem jól. A prediktív modelleknek adat kell a tanuláshoz. 100 felhasználónál a modellnek nincs elég példája. 10 000 felhasználónál elég az alapminták megtanulásához. 100 000 felhasználónál árnyalt mintákat is megtanul. Akkor kezdj prediktív szegmentálásba, ha legalább 5000-10 000 felhasználód van elegendő viselkedési előzménnyel.
Mi a különbség a prediktív és a kézi szegmentálás között?
A kézi szegmentálás ismert jellemzők alapján osztja a felhasználókat (földrajz, forgalmi forrás, eszköz). A prediktív szegmentálás a megjósolt jövőbeli viselkedés alapján (konvertál, lemorzsolódik, élettartam-érték). A kézi szegmentálás az, ami történt. A prediktív az, ami történni fog. Mindkettő hasznos: a prediktívet a személyre szabáshoz használd, a kézit a riportáláshoz.
Frissíthetem a prediktív szegmenseket valós időben?
A legtöbb platform naponta vagy hetente frissíti az előrejelzéseket, nem valós időben. A valós idejű előrejelzés több infrastruktúrát igényel, és többe kerül. A legtöbb esetben a napi vagy heti frissítés elég. Ha valós idejű személyre szabás kell, fektess be egy folyamatosan frissülő CDI-be (Customer Data Infrastructure, vagyis ügyféladat-infrastruktúra).
Mi történik, ha téved az előrejelzésem egy ügyfélről?
Az egyes előrejelzések néha tévedni fognak. A modellek valószínűségiek, nem determinisztikusak. A cél, hogy többször legyen igazuk, mint nem. Ha megjósolod, hogy valaki lemorzsolódik, és tévedsz (nem morzsolódik le), az egy ügyfél. Ha 1000 ügyfélre jósolod a lemorzsolódást, és 700 valóban lemorzsolódik, a pontosságod 70%, és mégis azonosítottad a legnagyobb kockázatú szegmenst. Az összesített pontosságra összpontosíts, ne az egyénire.