Прогнозные сегменты

Традиционные сегменты объединяют клиентов по возрасту, полу или местоположению. Прогнозные сегменты объединяют их по вероятному будущему поведению.

Вопрос меняется с «кто этот клиент?» на «что этот клиент сделает дальше?». Такая ориентация на будущее делает прогнозные сегменты гораздо более полезными для маркетинга.

Оценка RFM ранжирует клиентов по трём осям: давности последней покупки, частоте покупок и денежной ценности.

Каждая ось обычно оценивается от 1 до 5 по квинтилям, что даёт код вроде R5 F5 M5 для лучших клиентов. RFM — классическая и понятная основа поведенческой сегментации.

Исходные коды RFM становятся полезными, когда их сопоставляют с названиями сегментов, предполагающими конкретное действие.

Лидеры часто и недавно покупали. Клиенты под угрозой оттока раньше много покупали, но перестали проявлять активность. Новые клиенты совершили покупку недавно, но только один раз. Каждое название подсказывает отдельную кампанию.

После того как LTV спрогнозирован для каждого клиента, клиентов можно разделить на уровни ценности: платиновый, золотой, серебряный и бронзовый.

Это позволяет направить бюджет на удержание туда, где он принесёт наибольшую отдачу. Верхние 20% клиентов часто обеспечивают большую часть прибыли, поэтому их защита — приоритет.

Модель оттока присваивает каждому активному клиенту вероятность ухода в следующем периоде. Сочетание риска оттока с прогнозируемой ценностью создаёт полезную матрицу 2x2.

Клиенты с высокой ценностью и высоким риском — приоритетные цели для срочного удержания. Затраты на удержание клиентов с низкой ценностью и высоким риском могут быть вовсе неоправданными.

Модели склонности прогнозируют вероятность конкретного действия в будущем: следующей покупки, принятия предложения о допродаже или покупки товара из другой категории.

Ориентация только на клиентов, чья склонность выше установленного порога, повышает эффективность кампании, поскольку позволяет не тратить средства на людей, которые вряд ли совершат целевое действие независимо от предложения.

Методы обучения без учителя, такие как кластеризация методом k-средних, объединяют клиентов по сходству сразу по множеству признаков и выявляют сегменты, которые Вы заранее не определяли.

Кластеры могут выявить группу «охотников за скидками выходного дня» или «первопроходцев премиум-продуктов». Компромисс заключается в понятности: прежде чем кластеры смогут направлять действия, их характеристики нужно изучить и дать им названия.

Хорошие прогнозирующие признаки выходят за рамки истории покупок: взаимодействие с электронными письмами, обращения в поддержку, частота сеансов в приложении и время между заказами — всё это указывает на будущее поведение.

Увеличивающийся разрыв между ожидаемым и фактическим временем покупки — один из самых сильных ранних сигналов оттока, часто появляющийся за несколько недель до того, как клиент официально перестаёт покупать.

Клиенты постоянно переходят из одного сегмента в другой. Лидер, который перестаёт покупать, становится клиентом под угрозой оттока, а новый клиент может перейти на золотой уровень.

Прогнозные сегменты необходимо регулярно пересчитывать, часто ежедневно или еженедельно. Сегмент, зафиксированный при регистрации, быстро устаревает и приводит к нерелевантным сообщениям.

Сегмент полезен только в том случае, если его поведение отличается от поведения остальных клиентов. Проверьте, действительно ли клиенты с прогнозируемым высоким LTV со временем приносят больше выручки.

Графики прироста и контрольные группы подтверждают, содержательно ли модель разделяет клиентов или лишь перераспределяет среднее значение. Плохо разделённые сегменты напрасно расходуют усилия на таргетирование.

Каждому прогнозному сегменту должна соответствовать понятная маркетинговая реакция: сценарий возвращения клиентов для находящихся под угрозой оттока, программа VIP для клиентов платинового уровня, серия сообщений для новых клиентов.

Без такого соответствия сегментация остаётся лишь анализом. В следующем уроке эти прогнозы превращаются в конкретные кампании и бюджетные решения.

Определите сегмент, требующий наиболее срочного действия.

Прогнозные сегменты объединяют клиентов по будущему поведению с помощью RFM, уровней прогнозируемого LTV, риска оттока, оценок склонности и кластеризации.

Качественные признаки и частый пересчёт поддерживают точность сегментов, проверка подтверждает реальный дополнительный эффект, а каждому сегменту должно соответствовать действие. Далее мы применим эти прогнозы.