Segmenty predykcyjne

Tradycyjna segmentacja grupuje klientów według wieku, płci lub lokalizacji. Segmentacja predykcyjna grupuje ich natomiast według przewidywanych przyszłych zachowań.

Pytanie zmienia się z „kim jest ten klient?” na „co ten klient zrobi dalej?”. Takie ukierunkowanie na przyszłość sprawia, że segmenty predykcyjne są znacznie bardziej użyteczne w marketingu.

Punktacja RFM szereguje klientów według trzech wymiarów: czasu od ostatniego zakupu (Recency), częstotliwości zakupów (Frequency) i wartości zakupów (Monetary value).

Każdy wymiar zazwyczaj otrzymuje ocenę od 1 do 5 według kwintyla, co daje kod taki jak R5 F5 M5 dla najlepszych klientów. RFM to klasyczna, łatwa do interpretacji podstawa segmentacji behawioralnej.

Surowe kody RFM stają się użyteczne po przypisaniu ich do nazwanych segmentów, które sugerują konkretne działanie.

Liderzy często i niedawno dokonują zakupów. Klienci zagrożeni odejściem wcześniej dużo kupowali, ale ostatnio przestali być aktywni. Nowi klienci dokonali niedawno zakupu, ale tylko raz. Każda nazwa sugeruje inną kampanię.

Po przewidzeniu LTV dla poszczególnych klientów można podzielić ich na poziomy wartości, takie jak platynowy, złoty, srebrny i brązowy.

Pozwala to kierować budżet na utrzymanie klientów tam, gdzie przynosi to najlepsze rezultaty. 20% najlepszych klientów często generuje większość zysku, dlatego ich ochrona jest priorytetem.

Model churn przypisuje każdemu aktywnemu klientowi prawdopodobieństwo odejścia w następnym okresie. Połączenie ryzyka churn z przewidywaną wartością tworzy użyteczną macierz 2x2.

Klienci o wysokiej wartości i wysokim ryzyku odejścia wymagają pilnego działania ratunkowego. W przypadku klientów o niskiej wartości i wysokim ryzyku inwestowanie w ich utrzymanie może w ogóle nie być opłacalne.

Modele skłonności przewidują prawdopodobieństwo wystąpienia konkretnego działania w przyszłości: kolejnego zakupu, akceptacji oferty dodatkowej lub zakupu produktu z innej kategorii.

Kierowanie kampanii wyłącznie do klientów powyżej określonego progu skłonności zwiększa jej efektywność, ponieważ eliminuje wydatki na osoby, które prawdopodobnie nie dokonają konwersji niezależnie od oferty.

Metody nienadzorowane, takie jak k-means, grupują klientów według podobieństwa jednocześnie na podstawie wielu cech, ujawniając segmenty, których wcześniej nie zdefiniowano.

Klastry mogą ujawnić grupę „łowców weekendowych okazji” lub „entuzjastów premium adoptujących nowości”. Wadą jest mniejsza interpretowalność: zanim klastry posłużą do podejmowania działań, należy je opisać i nazwać.

Dobre cechy predykcyjne wykraczają poza historię zakupów: zaangażowanie w wiadomości e-mail, zgłoszenia do pomocy technicznej, częstotliwość sesji w aplikacji oraz czas między zamówieniami sygnalizują przyszłe zachowania.

Wydłużająca się różnica między oczekiwanym a rzeczywistym terminem zakupu jest jednym z najsilniejszych wczesnych sygnałów churn i często pojawia się na wiele tygodni przed formalnym odejściem klienta.

Klienci stale przemieszczają się między segmentami. Lider, który przestaje kupować, staje się klientem zagrożonym odejściem, a nowy klient może awansować do poziomu złotego.

Segmenty predykcyjne należy regularnie przeliczać, często codziennie lub co tydzień. Segment zamrożony w chwili rejestracji szybko traci aktualność i uruchamia nieistotną komunikację.

Segment jest użyteczny tylko wtedy, gdy zachowuje się inaczej niż reszta klientów. Należy sprawdzić, czy przewidywani klienci o wysokim LTV rzeczywiście generują z czasem większy przychód.

Wykresy liftu i grupy kontrolne potwierdzają, czy model w istotny sposób rozróżnia klientów, czy tylko na nowo porządkuje średnią. Słabo rozdzielone segmenty marnują wysiłek związany z targetowaniem.

Każdy segment predykcyjny powinien być powiązany z konkretną reakcją marketingową: kampanią odzyskiwania klientów zagrożonych odejściem, programem VIP dla klientów platynowych lub serią wdrożeniową dla nowych klientów.

Bez takiego powiązania segmentacja pozostaje jedynie analizą. Następna lekcja pokaże, jak przekształcić te prognozy w konkretne kampanie i decyzje budżetowe.

Proszę wskazać segment, na którym należy podjąć najpilniejsze działanie.

Segmenty predykcyjne grupują klientów według przyszłych zachowań, wykorzystując RFM, poziomy przewidywanego LTV, ryzyko churn, wskaźniki skłonności i klastrowanie.

Dobre cechy i częste przeliczanie zapewniają ich aktualność, walidacja potwierdza rzeczywisty lift, a każdy segment musi być powiązany z konkretnym działaniem. W następnej części wykorzystamy te prognozy w praktyce.