Segmentación predictiva: Introducción a la verdadera personalización basada en datos

Como dice Avinash Kaushik, “Todos los datos en conjunto son basura”. La segmentación y la personalización basada en datos son algunas de las herramientas más poderosas que tienen a su disposición los especialistas en marketing y los gerentes de productos.

En lugar de tratar a todos los visitantes o usuarios de la misma manera, puede ofrecer experiencias basadas en las características únicas de comportamiento, psicográficas, demográficas y firmográficas de sus usuarios.

En este punto, creo que todo el mundo está convencido de la idea de la segmentación, así como de su extensión lógica: la personalización.

De hecho, según un estudio de Evergage, "el 92 % de los especialistas en marketing informaron que utilizan técnicas de personalización en su comercialización, pero el 55 % de los especialistas en marketing no sienten que tengan suficientes datos de clientes para implementar una personalización efectiva".

La teoría detrás de la segmentación y la personalización suele ser más prometedora que la realidad de su ejecución. En realidad, necesita tres componentes básicos para que un programa de personalización funcione.

Este artículo repasará esos elementos esenciales básicos y luego explicaré la diferencia entre la segmentación tradicional y la segmentación predictiva (impulsada por el aprendizaje automático).

1. ¿Qué es la segmentación predictiva?
2. Datos, contenido y reglas de segmentación: los conceptos básicos de la personalización
   • Datos
   • Contenido
   • Lógica de orientación
3. Segmentación predictiva frente a lógica empresarial
4. Segmentación de lógica de negocios
• Personalización basada en opiniones
• Segmentación posterior a la prueba
• Análisis de datos exploratorios y correlaciones
5. Segmentación Predictiva
• Agrupación
• Clasificación
• Experimentación + Segmentación Predictiva
6. Cómo comenzar con la personalización basada en datos
• Etapa uno: caminar
• Etapa dos: correr
• Etapa tres: volar

Al final de este artículo, tendrá una buena idea de cómo implementar la personalización basada en datos y la segmentación predictiva.

Primero, ¿qué es la 'segmentación predictiva'?

La segmentación, en un nivel alto, es el proceso de dividir algo en partes o secciones separadas.

Fuente: CXL

Cuando decimos "segmentación", generalmente nos referimos a "segmentación de mercado" o "segmentación de clientes", o tal vez "segmentación de comportamiento". Este tipo de segmentación es el proceso de identificar y definir las características que delimitan un subgrupo o sección de clientes de otro.

Esto generalmente se hace a través de la lógica de negocios. Por ejemplo, podríamos decir que los usuarios de dispositivos móviles son un segmento separado de los usuarios de escritorio. O, más comúnmente, podemos agrupar a los visitantes por representación geográfica: usuarios de NAM frente a EMEA.

En este método, normalmente tiene una meta o un resultado que está siguiendo y puede trabajar hacia atrás para identificar las características comunes que comparten los subgrupos en relación con esta meta.

Por ejemplo, puede realizar un seguimiento de las "conversiones de registro de listas de correo electrónico" en su blog. La segmentación predictiva puede descubrir que hay distintos grupos que se comportan de manera consistente cuando visitan su blog.

Un grupo de visitantes móviles tiende a pasar muy poco tiempo en el sitio y rebota a una tasa alta. Otro grupo de visitantes de escritorio de canales orgánicos dedica muy poco tiempo y rebota a una tasa similarmente alta.

Puede descubrir estos segmentos por su cuenta mediante el análisis de datos, pero las herramientas de segmentación predictiva buscan identificar y agrupar estos segmentos de usuarios. Por lo general, herramientas como esta intentan predecir las acciones que realizarán estos segmentos para que pueda activar reglas de personalización.

Datos, contenido y reglas de segmentación: los conceptos básicos de la personalización

Para ofrecer con éxito experiencias personalizadas a diferentes segmentos de usuarios, necesita tres componentes:

• Datos
• Contenido
• Lógica de orientación

1. Datos

Los datos sustentan todo cuando se trata de segmentación y personalización.

Si no tiene los datos que necesita cuando los necesita, no puede identificar segmentos de usuarios y mucho menos desencadenar experiencias personalizadas para ellos. Asimismo, si sus datos son imprecisos y/o incompletos, su personalización puede resultar ineficaz.

Por lo tanto, antes de realizar una segmentación, confirme estas tres cosas:

• • ¿Estás midiendo todo lo que necesitas? ¿Tiene objetivos configurados correctamente, dimensiones personalizadas, etc.? ¿Están sus datos “completos”?
  • ¿Son sus datos confiables? No es necesario que sea 100% 'preciso', pero ¿es consistente y preciso en su registro?
  • ¿Están sus datos accesibles cuando los necesita? ¿Cuánta limpieza y preparación necesita hacer para obtener información de sus datos? ¿Está agregado y conectado a otras fuentes (redes sociales, web, correo electrónico, datos de clientes)? ¿Se almacena en un lugar que pueda usarse y analizarse inmediatamente?

Además, querrá conectar sus fuentes de datos a alguna tabla de almacenamiento centralizada. Hoy en día, las plataformas de datos de clientes (CDP) como Hull.io y Segment son el nombre del juego, pero también puede usar CRM como HubSpot para centralizar, almacenar y poner en funcionamiento sus datos de marketing y de clientes.

Estos se vuelven importantes a medida que conecta sus datos previos a la compra con sus datos posteriores a la compra. Esto le permite identificar segmentos en función de métricas comerciales importantes, como su valor de vida útil previsto o la tasa de abandono.

2. Contenido

La porción de contenido es mucho más fácil de asimilar.

Esencialmente, si desea personalizar, primero debe definir un segmento de usuario utilizando sus fuentes de datos. Luego, también debe crear una nueva experiencia para entregar a ese segmento.

La creación de nuevos contenidos o experiencias requiere recursos, tanto en términos de tiempo como de dinero. Además, cuanto más contenido y experiencias entregue y administre, más complejidad acumulará en su organización.

Matt Gershoff, CEO de Conductrics, hizo una gran analogía en el podcast Digital Analytics Power Hour sobre esto.

Describió la personalización esencialmente como la creación de un multiverso.

Ejecutar una versión de su sitio web para todos es como tener un universo, y quizás una prueba A/B le permita ejecutar un contrafactual para ver cómo sería la vida en un universo paralelo (o "versión B").

En una prueba A/B, desea ver si la versión B es un mejor "universo" para sus visitantes según lo definido por su objetivo de conversión, y si encuentra que es realmente óptimo, cierra el universo A (el original) y nuevamente volver a entrar en un universo singular.

Sin embargo, múltiples variantes de contenido entregadas a múltiples segmentos únicos es como mantener abiertos varios universos distintos en los que las experiencias son únicas para esos segmentos.

La magia de esto es que puede aumentar el valor de su sitio web aumentando el valor de cada segmento individual y su experiencia, pero puede comprender cómo abrir miles de "universos" sería costoso tanto en términos de creación como de administración de todos esos experiencias.

3. Lógica de orientación

Finalmente, si tiene datos y recursos útiles para crear contenido, debe determinar cómo activa exactamente la lógica de orientación o personalización para los segmentos de usuarios.

Así es como conectas los datos con las experiencias.

Puede usar la lógica comercial (suponiendo que ciertos segmentos deben tener ciertos valores; incluso puede probarlos A/B), o puede introducir el aprendizaje automático y la segmentación predictiva/RFM para clasificar a sus usuarios en diferentes grupos: usuarios más valiosos, a punto de abandonar usuarios, usuarios inactivos, etc. Mediante la segmentación de RFM, también puede saber qué segmentos de usuarios responden de manera más variable a qué experiencias de contenido.

Técnicamente, para este paso, necesita un sistema de entrega de contenido que esté conectado a su base de datos o que pueda integrarse y extraerse de su base de datos. WebEngage es un sistema operativo de retención y automatización de marketing de pila completa que puede conectarse sin problemas con su CRM y ayudarlo a atraer a sus usuarios 1: 1 a través de canales como correo electrónico, SMS, WhatsApp, Facebook, Mobile & Web Push, y más.

Una vez más, sin embargo, cuantas más reglas de orientación active, más complejo será el sistema que construya. Por lo tanto, existe una compensación en el ROI que puede aprovechar si se dirige a un segmento determinado y la complejidad marginal introducida en el sistema. Es fácil fusionar nombres con tokens de correo electrónico personalizados (la mayoría de las herramientas de correo electrónico lo hacen ahora), pero eso no le indica el ROI de esa regla de orientación.

Fuente: GMasa

Es por eso que, en lugar de simplemente configurar toneladas de personalización solo porque puede, debe analizarlo estratégica y metodológicamente, determinando el ROI y la eficiencia de dirigirse a un segmento determinado.

Segmentación predictiva frente a lógica empresarial

Ya he dejado caer algo de jerga con respecto a la lógica de orientación, como "lógica comercial" y "segmentación predictiva".

La lógica empresarial se encuentra esencialmente en el otro lado del espectro de la "personalización basada en datos", la "segmentación predictiva" o la "personalización basada en el aprendizaje automático". Pero ambos métodos tienen el mismo objetivo: identificar segmentos a tratar con experiencias personalizadas.

Definamos estos dos polos y en qué se diferencian.

Segmentación de lógica de negocios

La "lógica comercial" es el método habitual por el cual las personas eligen las reglas de orientación. En este método, básicamente decide qué segmentos tienen las oportunidades de mayor impacto utilizando datos históricos y correlaciones o lógica comercial, estrategia u opiniones. Hay tres formas principales de derivar reglas de segmentación de lógica empresarial:

• Personalización basada en opiniones
• Segmentación posterior a la prueba
• Análisis exploratorio de datos

1. Personalización basada en opiniones

Por ejemplo, es posible que simplemente desee evitar la activación de una ventana emergente invasiva en el móvil por razones puramente subjetivas. No es una buena experiencia de usuario, así que lo evitas. Ni siquiera necesita datos para predecir la reacción de ese segmento.

Tratar a los usuarios móviles de manera diferente es un uso común de la personalización

Este es el método que está utilizando la gran mayoría de las empresas cuando dicen que están haciendo segmentación o personalización basada en datos. Adivinan arbitrariamente qué segmento responderá favorablemente a qué experiencia y la personalizan en función de su opinión.

2. Segmentación posterior a la prueba

Sin embargo, es menos común (pero más efectivo) realizar un experimento y luego realizar un análisis posterior a la prueba para determinar si ciertas variaciones tuvieron áreas de mayor impacto en ciertos segmentos.

Imagine que está ejecutando una prueba en un flujo de pago de comercio electrónico.

Decide probar múltiples variantes: una variante con una serie de símbolos de confianza y seguridad, otra con una ventana emergente que usa mensajes de urgencia y otra sin símbolos (la versión original).

Después de analizar el experimento, determinó que la versión B "ganó" y que tiene una mejora estimada del 10 %. Una gran victoria.

Sin embargo, profundiza en los datos y analiza los segmentos de alto impacto, como los visitantes de dispositivos móviles frente a los de escritorio, los visitantes recurrentes frente a los nuevos, y los visitantes de los EE. UU. frente a los visitantes de fuera de los EE. UU.

Al hacerlo, descubrió que los usuarios de iPhone en realidad convirtieron un 35 % mejor en la variante B. Los usuarios de iPhone representan un porcentaje sustancial de su audiencia, aproximadamente el 25 % de todos los visitantes. Esto significa que desencadenar una experiencia personalizada para este segmento podría valer la pena y el ROI sería positivo.

Además, los usuarios de Android en realidad convirtieron un 20 % menos en la variante B y un 15 % más que el control en la variante C. Los usuarios de Android representan el 10 % de su audiencia, así que nuevamente, una población bastante grande.

Entonces, podría lanzar la variante B porque ganó en conjunto. O bien, puede configurar reglas de orientación para que los usuarios de iPhone reciban la variante B y los usuarios de Android reciban la variante C. Todos los demás obtienen el original.

3. Análisis de datos exploratorios y correlaciones

La última forma en que puede usar la "lógica comercial" para la segmentación es simplemente explorando los datos a los que tiene acceso y buscando correlaciones entre las características del segmento y la probabilidad de conversión.

Puede encontrar, por ejemplo, que los usuarios de iPhone convierten más alto. O personas que miran un video en tu página de inicio. O usuarios masculinos de Android de Kansas que completaron la mitad de los campos de su formulario y regresaron 3 veces en una semana.

Aquí está el problema con este enfoque: mire suficientes segmentos y encontrará una correlación. Ese es un problema de señal vs ruido.

Fuente: Tyler Vigen

El mayor problema con este enfoque es que la correlación no implica causalidad.

El hecho de que un visitante de escritorio que regresa de California convierta más alto no significa que valga la pena apuntar a ese segmento a través de la personalización basada en datos.

Su mejor apuesta en el mundo de la lógica de negocios es ejecutar experimentos y descubrir segmentos de alto valor a través de la segmentación posterior a la prueba. Luego, calcula el ROI de una regla de segmentación dada y ejecuta un experimento de seguimiento solo para ese segmento.

Luego puede descubrir la causalidad y el verdadero retorno de la inversión de mantener esa regla de orientación. Para obtener más información sobre este enfoque, lea el maravilloso tutorial de Andrew Anderson sobre el tema.

Segmentación Predictiva

La segmentación predictiva (o por otro nombre, segmentación "basada en datos" o "basada en IA") busca eliminar la intuición humana y el análisis manual de datos de la definición de segmentos y la configuración de reglas de orientación.

Hay varias formas de definir segmentos mediante el aprendizaje automático. Solo depende de cuáles sean sus objetivos y lo que espera lograr con estos segmentos. Aquí cubriremos tres métodos clave:

• Agrupación
• Clasificación
• Experimentación + agrupación predictiva

1. Agrupación

En primer lugar, si simplemente desea identificar y comprender diferentes personas o segmentos de usuarios, los algoritmos de agrupación (o aprendizaje automático no supervisado) son una técnica que se utiliza para agrupar segmentos en función de características comunes.

Esto es algo en lo que trabajé en CXL Institute hace unos años.

Fuente: CXL

Enviamos encuestas a nuestra base de clientes con una combinación de respuestas de escala, variables categóricas y preguntas abiertas. Luego codifiqué sus respuestas y ejecuté el algoritmo de agrupamiento K Means en ellos.

Esto identificó aproximadamente tres segmentos distintos en función de sus respuestas. Luego apliqué los conocimientos cualitativos de cada uno de estos segmentos y entrevisté a personas altamente representativas de cada segmento. Esto nos permitió comprender profundamente nuestra base de clientes existente y sus diferentes deseos, desafíos y comportamientos.

Si desea hacer un agrupamiento, sepa que es principalmente exploratorio y para la construcción de conocimiento. No le dirá el ROI de enviar comunicaciones de marketing personalizadas a uno de estos segmentos, ni le dirá qué segmentos probablemente responderán a qué experiencias. Por ejemplo, es posible que un determinado segmento de suscriptores de correo electrónico abra más correos electrónicos y tenga un mayor valor de por vida, pero aún debe hacer el trabajo creativo de idear nuevos contenidos y experiencias para probar.

Pero es una buena capa base para comenzar con la personalización basada en datos.

También necesitará un analista decente que pueda codificar R o Python o al menos una herramienta como Squark que no permita análisis predictivos de código.

2. Clasificación

El aprendizaje automático tiende a delinearse entre aprendizaje supervisado y no supervisado. Cuando los algoritmos de agrupamiento no están supervisados, los algoritmos de clasificación están supervisados.

Fuente: diferencias tecnológicas

Esto significa que tiene un conjunto de datos que incluye varias "características" (en nuestro caso, esto podría ser cosas como el tipo de dispositivo, las páginas visitadas, el tamaño de la empresa o cualquier característica que podamos recopilar sobre los visitantes) y luego tiene resultados que usted queremos predecir (en nuestro caso, conversiones o ingresos o LTV).

Hay una gran cantidad de metodologías y algoritmos que intentan predecir resultados en función de las características de los datos, algunos de los cuales incluyen regresiones lineales, regresiones logísticas, bosques aleatorios y redes neuronales.

Si desea utilizar este método, querrá un gran analista que pueda ajustar un modelo a sus datos correctamente (de lo contrario, las predicciones son inútiles), o comprar una herramienta como Squark o DataRobot. Estas herramientas permiten a los analistas y empresarios adaptar diferentes modelos a sus datos y predecir resultados sin codificar los propios algoritmos.

3. Experimentación + Segmentación Predictiva

A menudo, la mejor manera de encontrar segmentos de usuarios lucrativos es continuar con su curso normal de experimentación controlada y usar una herramienta (o método de análisis) que detecte segmentos prometedores.

Conductrics, por ejemplo, le muestra un árbol de decisiones altamente interpretable que calcula las probabilidades de éxito de la conversión para segmentos individuales que corresponden a cada variante que probó.

Puntos de bonificación si su herramienta de orientación predictiva tiene una visualización de datos que le muestra, en ilustraciones simples, qué reglas de orientación ha configurado y el ROI estimado y la probabilidad de éxito de estas reglas.

Fuente: Conductrics

Esto es genial porque no solo obtienes la probabilidad de éxito, sino que también puedes elegir si apuntar o no a ese segmento en función del valor del mismo.

¿Visitantes de regreso androides masculinos de la zona rural de Kentucky? Tal vez no valga la pena configurar una nueva regla de orientación. Pero tal vez valga la pena apuntar a los californianos si son una población grande y responden muy favorablemente a una experiencia determinada.

Cómo comenzar con la personalización basada en datos

Si bien puede ser tentador sumergirse en el extremo profundo de la personalización basada en datos, recomiendo comenzar lentamente.

Se desconoce cuál es el verdadero valor de cualquier regla de personalización dada y, a menudo, los rendimientos marginales de una mayor personalización no alcanzan el costo de complejidad marginal introducido.

Por lo tanto, presentaré tres enfoques de personalización de complejidad creciente (y supongamos que la etapa de "rastreo" es solo ordenar sus datos y los recursos/herramientas necesarios para brindar experiencias personalizadas).

Etapa uno: caminar

Por lo tanto, antes de invertir en una herramienta de orientación predictiva, es posible que desee utilizar la metodología de Andrew Anderson, que puede ser una simple continuación de su programa de experimentación normal (nota al margen: ¿no tiene tráfico para experimentos? La personalización no es para usted. El los rendimientos marginales no valdrán la pena en ese nivel de tráfico. En su lugar, haga grandes cambios).

Aquí está la esencia de la metodología:

• Crear múltiples ejecuciones del mensaje o experiencia.
• Sirva todas las ofertas a todos a través de un experimento controlado
• Mira los resultados por segmento y calcula la ganancia total dando una experiencia diferenciada. Asegúrese de corregir comparaciones múltiples al analizar muchos segmentos.
• Publica en vivo la oportunidad de mayor generación de ingresos que encuentres (o ejecuta un experimento de seguimiento solo en ese segmento con las experiencias que probaste en toda la audiencia).

Puede usar plataformas de prueba A/B dedicadas o puede usar una plataforma integrada de automatización de marketing. Este último lo ayudará a personalizar los mensajes en múltiples canales, no solo en la web o la aplicación, y puede ofrecer recomendaciones de productos personalizadas, aumentar sus ingresos y CLTV, mejorar el descubrimiento de contenido/producto y mucho más.

Etapa dos: correr

Después de obtener algunas ganancias aquí, es posible que desee invertir en una solución de análisis predictivo sin código como Squark (o si puede codificar los algoritmos internamente, por todos los medios). El proceso básico se parece a esto:

Determine sus métricas de éxito
Recopile y limpie sus datos, dividiendo su conjunto de datos en datos de prueba y entrenamiento.
Asegúrese de tener una miríada de dimensiones o características en sus datos que puedan usarse para predecir el resultado.
Determine qué características predicen sus métricas de éxito.
Calcule el ROI de la personalización de experiencias para esos segmentos. Nuevamente, si es una población demasiado pequeña, puede que no valga la pena.

Ahora la parte importante: una vez que haya definido una característica o dimensión que predice el éxito (por ejemplo, los visitantes que regresan), aún no ha averiguado qué experiencias tienen más probabilidades de funcionar en ese segmento.

El trabajo duro aún queda: es decir, crear nuevas experiencias excelentes y realizar experimentos para determinar la efectividad y el ROI de sus nuevas experiencias.

Aún querrá invertir en una solución de entrega de contenido aquí como WebEngage para dirigirse a segmentos específicos.

Etapa tres: volar

Finalmente, si desea incorporar la orientación predictiva en su flujo de trabajo normal de experimentación y optimización, no puede vencer a una herramienta como Conductrics o Dynamic Yield. Estas herramientas lo ayudarán a identificar segmentos y brindar experiencias personalizadas mientras le brindan reglas de decisión interpretables e informes de atribución de ROI.

Conclusión

En un mundo dominado por titulares y conferencias sobre la inteligencia artificial como solución milagrosa, es posible que se sorprenda al saber que el proceso de "personalización basada en datos" o "segmentación predictiva" no hace todo el trabajo por usted.

Puede ayudarlo a aprovechar sus datos y ahorrar mucho tiempo (y errores). Puede identificar segmentos lucrativos de manera más fácil y precisa, siempre que tenga los datos adecuados en su lugar y esté accesible cuando los necesite.

Sin embargo, no puede tomar la decisión por usted sobre si aprovechar o no ese segmento. Aún tendrá que sopesar los pros y los contras, los costos y los beneficios.

Sin embargo, afortunadamente, el proceso de identificar y agrupar segmentos nunca ha sido tan fácil, como tampoco ha sido tan fácil brindar y administrar múltiples experiencias diferentes. Se puede conectar una herramienta de automatización de marketing a su fuente de datos o CRM. Puede administrar y ofrecer experiencias personalizadas ilimitadas a través de cualquier canal que desee: anuncios pagados, redes sociales, web, push, correo electrónico, etc.

Es un buen momento para ser un especialista en marketing basado en datos.

Fuente de la imagen: WebEngage

Aproveche el poder de la automatización para su negocio

¡Con funciones de segmentación predictiva y atención al cliente de calidad!

Solicitar una demostración