Vorausschauende Segmentierung: Erste Schritte mit echter datengesteuerter Personalisierung

Wie Avinash Kaushik sagt: „Alle Daten zusammengenommen sind Mist.“ Segmentierung und datengesteuerte Personalisierung gehören zu den leistungsstärksten Tools, die Marketern und Produktmanagern zur Verfügung stehen.

Anstatt jeden Besucher oder Benutzer gleich zu behandeln, können Sie Erlebnisse bereitstellen, die auf den einzigartigen verhaltensbezogenen, psychografischen, demografischen und firmografischen Merkmalen Ihrer Benutzer basieren.

An diesem Punkt denke ich, dass jeder von der Idee der Segmentierung sowie ihrer logischen Erweiterung – Personalisierung – überzeugt ist.

Laut einer Studie von Evergage „gaben 92 % der Vermarkter an, Personalisierungstechniken in ihrem Marketing einzusetzen, aber 55 % der Vermarkter haben das Gefühl, nicht über genügend Kundendaten zu verfügen, um eine effektive Personalisierung zu implementieren.“

Die Theorie hinter Segmentierung und Personalisierung ist oft rosiger als die Realität ihrer Umsetzung. In Wirklichkeit benötigen Sie drei Kernkomponenten, damit ein Personalisierungsprogramm funktioniert.

In diesem Artikel werden diese wichtigsten Grundlagen erläutert, und dann erkläre ich den Unterschied zwischen traditioneller Segmentierung und prädiktiver Segmentierung (angetrieben durch maschinelles Lernen).

1. Was ist prädiktive Segmentierung?
2. Daten, Inhalte und Targeting-Regeln: Die Grundlagen der Personalisierung
   • Daten
   • Inhalt
   • Targeting-Logik
3. Vorausschauende Segmentierung vs. Geschäftslogik
4. Segmentierung der Geschäftslogik
• Meinungsgesteuerte Personalisierung
• Segmentierung nach dem Test
• Explorative Datenanalyse und Korrelationen
5. Vorausschauende Segmentierung
• Clustering
• Einstufung
• Experimentieren + vorausschauende Segmentierung
6. Erste Schritte mit datengesteuerter Personalisierung
• Stufe eins: Gehen
• Phase zwei: Laufen
• Phase drei: Fliegen

Am Ende dieses Artikels haben Sie eine gute Vorstellung davon, wie Sie datengesteuerte Personalisierung und prädiktive Segmentierung implementieren können.

Erstens: Was ist „voraussagende Segmentierung“?

Segmentierung auf hoher Ebene ist der Prozess, etwas in separate Teile oder Abschnitte zu unterteilen.

Quelle: CXL

Wenn wir von „Segmentierung“ sprechen, meinen wir normalerweise „Marktsegmentierung“ oder „Kundensegmentierung“ oder vielleicht „Verhaltenssegmentierung“. Diese Art der Segmentierung ist der Prozess der Identifizierung und Definition von Merkmalen, die eine Untergruppe oder einen Abschnitt von Kunden von der anderen abgrenzen.

Dies geschieht normalerweise über die Geschäftslogik. Wir könnten zum Beispiel sagen, dass Benutzer mobiler Geräte ein von Desktop-Benutzern getrenntes Segment sind. Oder häufiger können wir Besucher nach geografischer Repräsentation gruppieren: NAM- vs. EMEA-Benutzer.

Bei dieser Methode haben Sie normalerweise ein Ziel oder Ergebnis, das Sie verfolgen, und Sie können rückwärts arbeiten, um gemeinsame Merkmale zu identifizieren, die Untergruppen in Bezug auf dieses Ziel teilen.

Beispielsweise können Sie in Ihrem Blog „Konversionen zur Anmeldung bei E-Mail-Listen“ nachverfolgen. Die prädiktive Segmentierung kann feststellen, dass es bestimmte Gruppen gibt, die sich beim Besuch Ihres Blogs konsistent verhalten.

Eine Gruppe mobiler Besucher verbringt in der Regel sehr wenig Zeit auf der Website und springt mit hoher Rate ab. Eine andere Gruppe von Desktop-Besuchern aus organischen Kanälen verbringt sehr wenig Zeit und springt mit einer ähnlich hohen Rate ab.

Sie könnten diese Segmente mithilfe von Datenanalysen selbst entdecken, aber prädiktive Segmentierungstools versuchen, diese Benutzersegmente zu identifizieren und zu gruppieren. Normalerweise versuchen Tools wie dieses, die Aktionen vorherzusagen, die diese Segmente ausführen werden, damit Sie Personalisierungsregeln auslösen können.

Daten, Inhalte und Targeting-Regeln: Die Grundlagen der Personalisierung

Um erfolgreich personalisierte Erlebnisse für verschiedene Benutzersegmente bereitzustellen, benötigen Sie drei Komponenten:

• Daten
• Inhalt
• Targeting-Logik

1. Daten

Daten untermauern alles, wenn es um Segmentierung und Personalisierung geht.

Wenn Sie nicht über die Daten verfügen, die Sie benötigen, wenn Sie sie benötigen, können Sie Benutzersegmente nicht identifizieren, geschweige denn personalisierte Erfahrungen für sie auslösen. Darüber hinaus kann Ihre Personalisierung unwirksam sein, wenn Ihre Daten ungenau und/oder unvollständig sind.

Bestätigen Sie daher diese drei Dinge, bevor Sie eine Segmentierung vornehmen:

• • Messen Sie alles, was Sie brauchen? Haben Sie Ziele richtig eingerichtet, benutzerdefinierte Dimensionen usw.? Sind Ihre Daten „vollständig“?
  • Sind Ihre Daten vertrauenswürdig? Es muss nicht 100 % „genau“ sein, aber ist es konsistent und präzise in seiner Protokollierung?
  • Sind Ihre Daten verfügbar, wenn Sie sie brauchen? Wie viel Reinigung und Vorbereitung müssen Sie tun, um Erkenntnisse aus Ihren Daten zu gewinnen? Werden sie aggregiert und mit anderen Quellen verbunden (soziale Netzwerke, Web, E-Mail, Kundendaten)? Ist es an einem Ort gespeichert, der sofort verwendet und analysiert werden kann?

Außerdem sollten Sie Ihre Datenquellen mit einer zentralisierten Speichertabelle verbinden. Heutzutage sind Kundendatenplattformen (CDPs) wie Hull.io und Segment der Name des Spiels, aber Sie können auch CRMs wie HubSpot verwenden, um Ihre Marketing- und Kundendaten zu zentralisieren, zu speichern und zu operationalisieren.

Diese werden wichtig, wenn Sie Ihre Daten vor dem Kauf mit Ihren Daten nach dem Kauf verbinden. Auf diese Weise können Sie Segmente basierend auf wichtigen Geschäftsmetriken wie dem prognostizierten Lifetime-Wert oder der Abwanderungsrate identifizieren.

2. Inhalt

Der Inhaltsteil ist viel einfacher zu groken.

Wenn Sie eine Personalisierung vornehmen möchten, definieren Sie im Wesentlichen zunächst ein Benutzersegment mithilfe Ihrer Datenquellen. Dann müssen Sie auch ein neues Erlebnis schaffen, um dieses Segment zu beliefern.

Das Erstellen neuer Inhalte oder Erfahrungen erfordert Ressourcen, sowohl in Bezug auf Zeit als auch auf Geld. Je mehr Inhalte und Erlebnisse Sie bereitstellen und verwalten, desto komplexer wird Ihr Unternehmen.

Matt Gershoff, CEO von Conductrics, hat dazu im Digital Analytics Power Hour-Podcast eine großartige Analogie gegeben.

Er beschrieb Personalisierung im Wesentlichen als die Schaffung eines Multiversums.

Eine Version Ihrer Website für alle zu betreiben, ist wie ein Universum zu haben, und vielleicht ermöglicht Ihnen ein A/B-Test, einen kontrafaktischen Vergleich durchzuführen, um zu sehen, wie das Leben in einem Paralleluniversum (oder „Version B“) aussehen würde.

In einem A/B-Test möchten Sie sehen, ob Version B ein besseres „Universum“ für Ihre Besucher ist, wie durch Ihre Zielkonversion definiert, und wenn Sie feststellen, dass es tatsächlich optimal ist, schließen Sie Universum A (das Original) und wieder wieder in ein einzigartiges Universum eintreten.

Mehrere Inhaltsvarianten, die an mehrere eindeutige Segmente geliefert werden, sind jedoch wie das Offenhalten mehrerer unterschiedlicher Universen, in denen die Erfahrungen für diese Segmente einzigartig sind.

Das Zauberhafte daran ist, dass Sie den Wert Ihrer Website steigern können, indem Sie den Wert jedes einzelnen Segments und seiner Erfahrung erhöhen, aber Sie können verstehen, wie kostspielig es wäre, Tausende von „Universen“ zu öffnen, sowohl in Bezug auf die Erstellung als auch auf die Verwaltung all dieser Erfahrungen.

3. Targeting-Logik

Wenn Sie schließlich über nützliche Daten und Ressourcen zum Erstellen von Inhalten verfügen, müssen Sie bestimmen, wie genau Sie die Ausrichtungs- oder Personalisierungslogik für Benutzersegmente auslösen.

So verbinden Sie die Daten mit den Erfahrungen.

Sie können Geschäftslogik verwenden (vorausgesetzt, bestimmte Segmente sollten bestimmte Werte haben – Sie können sie sogar A/B-testen), oder Sie können maschinelles Lernen und prädiktive Segmentierung/RFM einführen, um Ihre Benutzer in verschiedene Gruppen einzuteilen – die wertvollsten Benutzer, die kurz vor der Abwanderung stehen Benutzer, inaktive Benutzer usw. Mithilfe der RFM-Segmentierung können Sie auch erfahren, welche Benutzersegmente unterschiedlicher auf welche Inhaltserlebnisse reagieren.

Technisch gesehen benötigen Sie für diesen Schritt ein Content-Delivery-System, das entweder mit Ihrer Datenbank verbunden ist oder Ihre Datenbank integrieren und abrufen kann. WebEngage ist ein Full-Stack-Betriebssystem für Marketingautomatisierung und -bindung, das sich nahtlos mit Ihrem CRM verbinden und Ihnen dabei helfen kann, Ihre Benutzer 1:1 über Kanäle wie E-Mail, SMS, WhatsApp, Facebook, Mobile & Web Push und mehr einzubeziehen.

Aber auch hier gilt: Je mehr Targeting-Regeln Sie auslösen, desto komplexer wird das System, das Sie erstellen. Es gibt also einen Kompromiss beim ROI, den Sie ausnutzen können, indem Sie auf ein bestimmtes Segment und die geringfügige Komplexität abzielen, die in das System eingeführt wird. Es ist einfach, Vornamen mit benutzerdefinierten E-Mail-Token zusammenzuführen (die meisten E-Mail-Tools tun dies jetzt sofort), aber das sagt Ihnen nicht den ROI dieser Targeting-Regel.

Quelle: GMass

Aus diesem Grund sollten Sie, anstatt nur so viele Personalisierungen einzurichten, nur weil Sie können, strategisch und methodisch vorgehen und den ROI und die Effizienz der Ausrichtung auf ein bestimmtes Segment bestimmen.

Vorausschauende Segmentierung vs. Geschäftslogik

Ich habe bereits einige Fachbegriffe in Bezug auf die Targeting-Logik fallen gelassen – wie „Geschäftslogik“ und „vorausschauende Segmentierung“.

Die Geschäftslogik steht im Wesentlichen auf der anderen Seite des Spektrums von „datengesteuerter Personalisierung“, „prädiktiver Segmentierung“ oder „auf maschinellem Lernen basierender Personalisierung“. Beide Methoden haben jedoch das gleiche Ziel: Segmente zu identifizieren, die mit personalisierten Erfahrungen behandelt werden sollen.

Lassen Sie uns diese beiden Pole definieren und wie sie sich unterscheiden.

Segmentierung der Geschäftslogik

„Geschäftslogik“ ist die übliche Methode, mit der Menschen Targeting-Regeln auswählen. Bei dieser Methode entscheiden Sie im Grunde anhand historischer Daten und Korrelationen oder Geschäftslogik, Strategie oder Meinungen, welche Segmente die größten Einflussmöglichkeiten haben. Es gibt drei Möglichkeiten, wie Sie Geschäftslogik-Targeting-Regeln ableiten können:

• Meinungsgesteuerte Personalisierung
• Segmentierung nach dem Test
• Explorative Datenanalyse

1. Meinungsgesteuerte Personalisierung

Beispielsweise möchten Sie möglicherweise aus rein subjektiven Gründen einfach vermeiden, ein invasives Popup auf Mobilgeräten auszulösen. Es ist keine gute Benutzererfahrung, also vermeiden Sie es. Sie brauchen nicht einmal Daten, um die Reaktion dieses Segments vorherzusagen.

Die unterschiedliche Behandlung mobiler Benutzer ist eine gängige Verwendung von Personalisierung

Dies ist die Methode, die die überwiegende Mehrheit der Unternehmen verwendet, wenn sie sagen, dass sie Segmentierung oder datengesteuerte Personalisierung durchführen. Sie raten willkürlich, welches Segment auf welche Erfahrung positiv reagieren wird, und personalisieren es basierend auf ihrer Meinung.

2. Segmentierung nach dem Test

Weniger üblich (aber effektiver) ist es jedoch, ein Experiment durchzuführen und dann eine Post-Test-Analyse durchzuführen, um herauszufinden, ob bestimmte Variationen Bereiche mit stärkerer Auswirkung auf bestimmte Segmente hatten.

Stellen Sie sich vor, Sie führen einen Test für einen E-Commerce-Checkout-Flow durch.

Sie entscheiden sich, mehrere Varianten zu testen – eine Variante mit einer Reihe von Vertrauens- und Sicherheitssymbolen, eine mit einem Popup, das Dringlichkeitsmeldungen verwendet, und eine ohne Symbole (die Originalversion).

Nachdem Sie das Experiment analysiert haben, haben Sie festgestellt, dass Version B „gewonnen“ hat und eine geschätzte Steigerung von 10 % aufweist. Ein toller Gewinn.

Sie graben sich jedoch in die Daten ein und sehen sich Segmente mit hoher Auswirkung an, wie z. B. mobile vs. Desktop-Besucher, wiederkehrende vs. neue Besucher und Besucher aus den USA vs. Nicht-US-Besucher.

Dabei haben Sie festgestellt, dass iPhone-Nutzer bei Variante B tatsächlich 35 % besser konvertierten. iPhone-Nutzer stellen einen erheblichen Prozentsatz Ihrer Zielgruppe dar, etwa 25 % aller Besucher. Dies bedeutet, dass es sich lohnen könnte, ein personalisiertes Erlebnis in diesem Segment auszulösen und einen positiven ROI zu erzielen.

Darüber hinaus konvertierten Android-Nutzer tatsächlich 20 % weniger bei Variante B und 15 % mehr als die Kontrollgruppe bei Variante C. Android-Nutzer machen 10 % Ihrer Zielgruppe aus, also wiederum eine ziemlich große Population.

Sie könnten also einfach Variante B starten, weil sie insgesamt gewonnen hat. Alternativ könnten Sie Targeting-Regeln einrichten, um iPhone-Nutzer dazu zu bringen, Variante B zu erhalten, und Android-Nutzer, Variante C zu erhalten. Alle anderen erhalten das Original.

3. Explorative Datenanalyse und Korrelationen

Der letzte Weg, wie Sie „Geschäftslogik“ für die Segmentierung verwenden können, besteht darin, einfach die Daten zu untersuchen, auf die Sie Zugriff haben, und nach Korrelationen zwischen Segmentmerkmalen und der Wahrscheinlichkeit einer Conversion zu suchen.

Sie werden zum Beispiel feststellen, dass iPhone-Nutzer mehr konvertieren. Oder Personen, die sich ein Video auf Ihrer Homepage ansehen. Oder männliche Android-Nutzer aus Kansas, die die Hälfte Ihrer Formularfelder ausgefüllt haben und dreimal in einer Woche zurückgekehrt sind.

Hier ist das Problem bei diesem Ansatz: Betrachten Sie genügend Segmente und Sie werden eine Korrelation finden. Das ist ein Problem zwischen Signal und Rauschen.

Quelle: Tyler Vigen

Das größere Problem bei diesem Ansatz ist, dass Korrelation keine Kausalität impliziert.

Nur weil ein wiederkehrender Desktop-Besucher aus Kalifornien höhere Conversions erzielt, heißt das nicht, dass es sich lohnt, dieses Segment über datengesteuerte Personalisierung anzusprechen.

Ihre beste Wahl in der Welt der Geschäftslogik ist es, Experimente durchzuführen und hochwertige Segmente durch Post-Test-Segmentierung zu entdecken. Anschließend berechnen Sie den ROI einer bestimmten Targeting-Regel und führen ein Folgeexperiment durch, das nur auf dieses Segment ausgerichtet ist.

Sie können dann die Kausalität und den wahren ROI der Aufrechterhaltung dieser Targeting-Regel herausarbeiten. Weitere Informationen zu diesem Ansatz finden Sie in Andrew Andersons wunderbarer Anleitung zu diesem Thema.

Vorausschauende Segmentierung

Die prädiktive Segmentierung (oder mit einem anderen Namen „datengesteuerte“ oder „KI-basierte“ Segmentierung) versucht, die menschliche Intuition und die manuelle Datenanalyse aus der Definition von Segmenten und der Einrichtung von Targeting-Regeln zu entfernen.

Es gibt mehrere Möglichkeiten, wie Sie Segmente mithilfe von maschinellem Lernen definieren können. Es hängt nur davon ab, was Ihre Ziele sind und was Sie mit diesen Segmenten erreichen möchten. Hier behandeln wir drei Schlüsselmethoden:

• Clustering
• Einstufung
• Experimentieren + Predictive Pooling

1. Clusterbildung

Zunächst einmal, wenn Sie einfach nur verschiedene Benutzerpersönlichkeiten oder -segmente identifizieren und verstehen möchten, sind Clustering-Algorithmen (oder unüberwachtes maschinelles Lernen) eine Technik, die verwendet wird, um Segmente basierend auf gemeinsamen Merkmalen zu gruppieren.

Daran habe ich vor einigen Jahren am CXL Institute gearbeitet.

Quelle: CXL

Wir haben Umfragen mit einer Mischung aus Skalenantworten, kategorialen Variablen und offenen Fragen an unseren Kundenstamm verschickt. Ich habe dann ihre Antworten kodifiziert und den K-Means-Clustering-Algorithmus auf sie angewendet.

Dies identifizierte ungefähr drei verschiedene Segmente basierend auf ihren Antworten. Ich habe dann die qualitativen Erkenntnisse aus jedem dieser Segmente überlagert und Personen befragt, die für jedes Segment sehr repräsentativ sind. Dadurch konnten wir unseren bestehenden Kundenstamm und seine unterschiedlichen Wünsche, Herausforderungen und Verhaltensweisen genau verstehen.

Wenn Sie Clustering durchführen möchten, sollten Sie wissen, dass es hauptsächlich explorativ und zum Aufbau von Wissen dient. Es wird Ihnen weder den ROI des Versendens personalisierter Marketingkommunikation an eines dieser Segmente mitteilen, noch wird Ihnen mitgeteilt, welche Segmente wahrscheinlich auf welche Erfahrungen reagieren werden. Beispielsweise stellen Sie möglicherweise fest, dass ein bestimmtes Segment von E-Mail-Abonnenten mehr E-Mails öffnet und einen höheren Lebenszeitwert hat, aber Sie müssen immer noch die kreative Arbeit leisten, neue Inhalte und Erfahrungen zum Testen zu entwickeln.

Aber es ist eine gute Grundlage, um mit der datengesteuerten Personalisierung zu beginnen.

Sie benötigen auch einen anständigen Analysten, der R oder Python programmieren kann, oder zumindest ein Tool wie Squark, das keine Code-Vorhersageanalyse ermöglicht.

2. Klassifizierung

Maschinelles Lernen wird in der Regel zwischen überwachtem und unüberwachtem Lernen abgegrenzt. Wo Clustering-Algorithmen nicht überwacht werden, werden Klassifizierungsalgorithmen überwacht.

Quelle: Technische Unterschiede

Das bedeutet, dass Sie einen Datensatz haben, der verschiedene „Merkmale“ enthält (in unserem Fall könnten dies Dinge wie Gerätetyp, besuchte Seiten, Unternehmensgröße oder andere Merkmale sein, die wir über Besucher sammeln können) und dann haben Sie Ergebnisse, die Sie haben vorhersagen möchten (in unserem Fall Conversions oder Einnahmen oder LTV).

Es gibt eine riesige Menge an Methoden und Algorithmen, die versuchen, Ergebnisse auf der Grundlage von Datenmerkmalen vorherzusagen, von denen einige lineare Regressionen, logistische Regressionen, Random Forests und neuronale Netze umfassen.

Wenn Sie diese Methode verwenden möchten, benötigen Sie einen großartigen Analysten, der ein Modell richtig an Ihre Daten anpassen kann (ansonsten sind die Vorhersagen nutzlos), oder kaufen Sie ein Tool wie Squark oder DataRobot. Diese Tools ermöglichen es Analysten und Geschäftsleuten, verschiedene Modelle an ihre Daten anzupassen und Ergebnisse vorherzusagen, ohne die Algorithmen selbst zu programmieren.

3. Experimentieren + prädiktive Segmentierung

Der beste Weg, um lukrative Nutzersegmente zu finden, ist oft, wie gewohnt kontrolliert zu experimentieren und ein Tool (oder eine Analysemethode) zu verwenden, das vielversprechende Segmente erkennt.

Conductrics zeigt Ihnen beispielsweise einen gut interpretierbaren Entscheidungsbaum, der Conversion-Erfolgswahrscheinlichkeiten für einzelne Segmente berechnet, die jeder von Ihnen getesteten Variante entsprechen.

Bonuspunkte, wenn Ihr Predictive-Targeting-Tool über eine Datenvisualisierung verfügt, die Ihnen in einfachen Illustrationen zeigt, welche Targeting-Regeln Sie eingerichtet haben, sowie den geschätzten ROI und die Erfolgswahrscheinlichkeit dieser Regeln.

Quelle: Conductrics

Das ist cool, weil Sie nicht nur die Erfolgswahrscheinlichkeit erhalten, sondern auch entscheiden können, ob Sie dieses Segment basierend auf seinem Wert ansprechen möchten oder nicht.

Männliche androide wiederkehrende Besucher aus dem ländlichen Kentucky? Vielleicht lohnt es sich nicht, eine neue Ausrichtungsregel einzurichten. Aber vielleicht lohnt es sich, Kalifornier anzusprechen, wenn sie eine große Bevölkerungsgruppe sind und sehr positiv auf eine bestimmte Erfahrung reagieren.

Erste Schritte mit datengesteuerter Personalisierung

Auch wenn es verlockend sein mag, in die Tiefen der datengesteuerten Personalisierung einzutauchen, empfehle ich, langsam anzufangen.

Es ist nicht bekannt, was der wahre Wert einer bestimmten Personalisierungsregel ist, und oft bleiben die Grenzerträge einer erhöhten Personalisierung hinter den eingeführten Grenzkomplexitätskosten zurück.

Daher stelle ich drei Personalisierungsansätze mit zunehmender Komplexität vor (und nehmen wir an, die „Crawling“-Phase besteht lediglich darin, Ihre Daten in Ordnung zu bringen und die Ressourcen/Tools bereitzustellen, die für die Bereitstellung personalisierter Erfahrungen erforderlich sind).

Stufe eins: Gehen

Bevor Sie in ein Predictive-Targeting-Tool investieren, sollten Sie daher vielleicht die Methode von Andrew Anderson verwenden, die eine einfache Fortsetzung Ihres normalen Experimentierprogramms sein kann (Randbemerkung: Sie haben keinen Traffic für Experimente? Personalisierung ist nichts für Sie. Die Marginalerträge werden sich bei diesem Verkehrsaufkommen nicht lohnen. Schlagen Sie stattdessen große Schwankungen).

Hier ist der Kern der Methodik:

• Erstellen Sie mehrere Ausführungen der Nachricht oder Erfahrung
• Alle Angebote über ein kontrolliertes Experiment allen anbieten
• Betrachten Sie die Ergebnisse nach Segmenten und berechnen Sie den Gesamtgewinn, indem Sie eine differenzierte Erfahrung machen. Stellen Sie sicher, dass Sie mehrere Vergleiche korrigieren, wenn Sie viele Segmente analysieren.
• Schalten Sie die umsatzstärkste gefundene Gelegenheit live (oder führen Sie ein Folgeexperiment nur für dieses Segment mit den Erfahrungen durch, die Sie bei der gesamten Zielgruppe getestet haben).

Sie können dedizierte A/B-Testplattformen oder eine integrierte Marketing-Automatisierungsplattform verwenden. Letzteres hilft Ihnen, Nachrichten auf mehreren Kanälen zu personalisieren, nicht nur im Web oder in der App, und Sie können personalisierte Produktempfehlungen anbieten, Ihren Umsatz und CLTV steigern, die Entdeckung von Inhalten/Produkten verbessern und vieles mehr.

Phase zwei: Laufen

Nachdem Sie hier einige Erfolge erzielt haben, möchten Sie vielleicht in eine No-Code Predictive Analytics-Lösung wie Squark investieren (oder wenn Sie die Algorithmen auf jeden Fall intern codieren können). Der grundlegende Ablauf sieht in etwa so aus:

Bestimmen Sie Ihre Erfolgskennzahlen
Sammeln und bereinigen Sie Ihre Daten, indem Sie Ihren Datensatz in Trainings- und Testdaten aufteilen.
Stellen Sie sicher, dass Ihre Daten über eine Vielzahl von Dimensionen oder Merkmalen verfügen, die zur Vorhersage des Ergebnisses verwendet werden können.
Bestimmen Sie, welche Merkmale Ihre Erfolgsmetriken vorhersagen.
Berechnen Sie den ROI der Personalisierung von Erlebnissen für diese Segmente. Nochmals, wenn es eine zu kleine Population ist, lohnt es sich vielleicht nicht.

Nun zum wichtigen Teil: Sobald Sie eine Funktion oder Dimension definiert haben, die den Erfolg vorhersagt (z. B. wiederkehrende Besucher), haben Sie immer noch nicht herausgefunden, welche Erfahrungen in diesem Segment mit größerer Wahrscheinlichkeit funktionieren.

Die harte Arbeit bleibt jedoch bestehen: Das heißt, neue großartige Erlebnisse zu schaffen und Experimente durchzuführen, um die Effektivität und den ROI Ihrer neuen Erlebnisse zu bestimmen.

Sie sollten hier immer noch in eine Content-Delivery-Lösung wie WebEngage investieren, um bestimmte Segmente anzusprechen.

Phase drei: Fliegen

Wenn Sie schließlich Predictive Targeting in Ihren normalen Experimentier- und Optimierungs-Workflow integrieren möchten, sind Tools wie Conductrics oder Dynamic Yield unschlagbar. Diese Tools helfen Ihnen, Segmente zu identifizieren und personalisierte Erfahrungen bereitzustellen, während sie Ihnen interpretierbare Entscheidungsregeln und ROI-Zuordnungsberichte liefern.

Fazit

In einer Welt, die von Schlagzeilen und Konferenzgesprächen über künstliche Intelligenz als Wunderwaffe dominiert wird, werden Sie vielleicht überrascht sein zu erfahren, dass der Prozess der „datengesteuerten Personalisierung“ oder der „prädiktiven Segmentierung“ nicht die ganze Arbeit für Sie erledigt.

Es kann Ihnen helfen, Ihre Daten zu nutzen und viel Zeit (und Fehler) zu sparen. Sie können lukrative Segmente einfacher und genauer identifizieren, solange Sie über die richtigen Daten verfügen und bei Bedarf darauf zugreifen können.

Es kann Ihnen jedoch nicht die Entscheidung abnehmen, ob Sie dieses Segment nutzen möchten oder nicht. Sie müssen immer noch die Vor- und Nachteile, die Kosten und den Nutzen abwägen.

Glücklicherweise war es jedoch nie einfacher, Segmente zu identifizieren und zu gruppieren, noch war es jemals einfacher, mehrere unterschiedliche Erlebnisse bereitzustellen und zu verwalten. Ein Marketing-Automatisierungstool kann in Ihre Datenquelle oder Ihr CRM integriert werden. Sie können unbegrenzte personalisierte Erlebnisse über jeden gewünschten Kanal verwalten und bereitstellen – bezahlte Anzeigen, soziale Netzwerke, Web, Push, E-Mail usw.

Es ist eine großartige Zeit, um ein datengesteuerter Vermarkter zu sein.

i Bildquelle: WebEngage

Nutzen Sie die Kraft der Automatisierung für Ihr Unternehmen

Mit prädiktiven Segmentierungsfunktionen und hochwertigem Kundensupport!

Eine Demo anfordern