Segmentazione predittiva: Guida introduttiva alla vera personalizzazione basata sui dati

Come dice Avinash Kaushik, "Tutti i dati in aggregato sono una schifezza". La segmentazione e la personalizzazione basata sui dati sono alcuni degli strumenti più potenti a disposizione dei marketer e dei product manager.

Invece di trattare ogni visitatore o utente allo stesso modo, puoi offrire esperienze basate sulle caratteristiche comportamentali, psicografiche, demografiche e firmografiche uniche dei tuoi utenti.

A questo punto, penso che tutti siano coinvolti nell'idea della segmentazione, così come nella sua logica estensione-personalizzazione.

Infatti, secondo uno studio di Evergage, "il 92% degli esperti di marketing ha riferito di aver utilizzato tecniche di personalizzazione nel proprio marketing, ma il 55% degli esperti di marketing non ritiene di disporre di dati sui clienti sufficienti per implementare una personalizzazione efficace".

La teoria alla base della segmentazione e della personalizzazione è spesso più rosea della realtà della sua esecuzione. In realtà, sono necessari tre componenti fondamentali per far funzionare un programma di personalizzazione.

Questo articolo illustrerà questi elementi essenziali di base, quindi spiegherò la differenza tra la segmentazione tradizionale e la segmentazione predittiva (guidata dall'apprendimento automatico).

1. Cos'è la segmentazione predittiva?
2. Dati, contenuto e regole di targeting: le basi della personalizzazione
   • Dati
   • Contenuto
   • Logica di puntamento
3. Segmentazione predittiva vs. logica aziendale
4. Segmentazione della logica aziendale
• Personalizzazione basata sull'opinione
• Segmentazione post-test
• Analisi e correlazioni dei dati esplorativi
5. Segmentazione predittiva
• Raggruppamento
• Classificazione
• Sperimentazione + Segmentazione Predittiva
6. Come iniziare con la personalizzazione basata sui dati
• Fase uno: camminare
• Fase due: correre
• Fase tre: volare

Entro la fine di questo articolo, avrai una buona idea di come implementare la personalizzazione basata sui dati e la segmentazione predittiva.

Innanzitutto, cos'è la "segmentazione predittiva"?

La segmentazione, ad alto livello, è il processo di divisione di qualcosa in parti o sezioni separate.

Fonte: CXL

Quando diciamo "segmentazione", in genere intendiamo "segmentazione del mercato" o "segmentazione dei clienti" o forse "segmentazione comportamentale". Questo tipo di segmentazione è il processo di identificazione e definizione delle caratteristiche che delineano un sottogruppo o una sezione di clienti dall'altro.

Questo di solito viene fatto tramite la logica aziendale. Ad esempio, potremmo dire che gli utenti di dispositivi mobili sono un segmento separato dagli utenti desktop. O più comunemente, possiamo raggruppare i visitatori per rappresentazione geografica: utenti NAM vs EMEA.

In questo metodo, in genere hai un obiettivo o un risultato che stai monitorando e puoi lavorare a ritroso per identificare le caratteristiche comuni che i sottogruppi condividono in relazione a questo obiettivo.

Ad esempio, puoi monitorare le "conversioni di iscrizione all'elenco di e-mail" sul tuo blog. La segmentazione predittiva può scoprire che esistono gruppi distinti che si comportano in modo coerente quando visiti il ​​tuo blog.

Un gruppo di visitatori mobili tende a trascorrere pochissimo tempo sul sito e rimbalza a una velocità elevata. Un altro gruppo di visitatori desktop provenienti da canali organici trascorre pochissimo tempo e rimbalza a una velocità altrettanto elevata.

Potresti scoprire questi segmenti da solo utilizzando l'analisi dei dati, ma gli strumenti di segmentazione predittiva cercano di identificare e raggruppare questi segmenti di utenti. Di solito, strumenti come questo cercano di prevedere le azioni che questi segmenti intraprenderanno in modo da poter attivare regole di personalizzazione.

Dati, contenuto e regole di targeting: le basi della personalizzazione

Per fornire con successo esperienze personalizzate a diversi segmenti di utenti, hai bisogno di tre componenti:

• Dati
• Contenuto
• Logica di puntamento

1. Dati

I dati sono alla base di tutto quando si tratta di segmentazione e personalizzazione.

Se non hai i dati di cui hai bisogno quando ne hai bisogno, non puoi identificare i segmenti di utenti e tanto meno attivare esperienze personalizzate per loro. Inoltre, se i tuoi dati sono imprecisi e/o incompleti, la tua personalizzazione potrebbe risultare inefficace.

Pertanto, prima di eseguire qualsiasi segmentazione, conferma queste tre cose:

• • Stai misurando tutto ciò di cui hai bisogno? Hai obiettivi impostati correttamente, dimensioni personalizzate, ecc.? I tuoi dati sono “completi”?
  • I tuoi dati sono affidabili? Non è necessario che sia "preciso" al 100%, ma è coerente e preciso nella sua registrazione?
  • I tuoi dati sono accessibili quando ne hai bisogno? Quanta pulizia e preparazione devi fare per ricavare informazioni dai tuoi dati? È aggregato e connesso ad altre fonti (social, web, email, dati dei clienti)? È conservato in un luogo che può essere utilizzato e analizzato immediatamente?

Inoltre, ti consigliamo di connettere le tue origini dati a una tabella di archiviazione centralizzata. Al giorno d'oggi, le piattaforme di dati dei clienti (CDP) come Hull.io e Segment sono il nome del gioco, ma puoi anche utilizzare CRM come HubSpot per centralizzare, archiviare e rendere operativi i dati di marketing e dei clienti.

Questi diventano importanti quando colleghi i tuoi dati pre-acquisto ai tuoi dati post-acquisto. Ciò ti consente di identificare i segmenti in base a importanti metriche aziendali come il loro valore di vita previsto o il tasso di abbandono.

2. Contenuto

La parte del contenuto è molto più facile da grok.

In sostanza, se desideri eseguire la personalizzazione, devi prima definire un segmento di utenti utilizzando le tue origini dati. Quindi devi anche creare una nuova esperienza da offrire a quel segmento.

La creazione di nuovi contenuti o esperienze richiede risorse, sia in termini di tempo che di denaro. Inoltre, più contenuti ed esperienze fornisci e gestisci, maggiore è la complessità che crei nella tua organizzazione.

Matt Gershoff, CEO di Conductrics, ha fornito una grande analogia nel podcast Digital Analytics Power Hour su questo.

Ha descritto la personalizzazione come essenzialmente la creazione di un multiverso.

Eseguire una versione del tuo sito Web per tutti è come avere un universo e forse un test A/B ti consente di eseguire un controfattuale per vedere come sarebbe la vita in un universo parallelo (o "versione B").

In un test A/B, vuoi vedere se la versione B è un "universo" migliore per i tuoi visitatori come definito dalla tua conversione all'obiettivo e se trovi che è effettivamente ottimale, chiudi l'universo A (l'originale) e ancora rientrare in un universo singolare.

Tuttavia, più varianti di contenuto fornite a più segmenti univoci è come mantenere aperti diversi universi distinti in cui le esperienze sono uniche per quei segmenti.

La magia di questo è che puoi aumentare il valore del tuo sito aumentando il valore di ogni singolo segmento e la sua esperienza, ma puoi capire come aprire migliaia di "universi" sarebbe costoso sia in termini di creazione che di gestione di tutti questi esperienze.

3. Logica di targeting

Infine, se disponi di dati e risorse utili per creare contenuti, devi determinare come attivare esattamente la logica di targeting o di personalizzazione per i segmenti di utenti.

È così che colleghi i dati alle esperienze.

Puoi utilizzare la logica aziendale (supponendo che determinati segmenti debbano avere determinati valori - puoi persino testarli A/B), oppure puoi introdurre l'apprendimento automatico e la segmentazione predittiva/RFM per classificare i tuoi utenti in gruppi diversi: gli utenti più preziosi, in procinto di cambiare utenti, utenti dormienti, ecc. Utilizzando la segmentazione RFM, puoi anche scoprire quali segmenti di utenti rispondono in modo più variabile a quali esperienze di contenuto.

Tecnicamente, per questo passaggio, è necessario un sistema di distribuzione dei contenuti che sia connesso al database o che possa integrarsi ed estrarre dal database. WebEngage è un sistema operativo completo di automazione del marketing e fidelizzazione in grado di connettersi perfettamente al tuo CRM e aiutarti a coinvolgere i tuoi utenti su base 1:1 su canali come e-mail, SMS, WhatsApp, Facebook, Mobile e Web Push e altro ancora.

Ancora una volta, però, più regole di targeting attivi, più complesso sarà il sistema che crei. Quindi c'è un compromesso nel ROI che puoi sfruttare prendendo di mira un determinato segmento e la complessità marginale introdotta nel sistema. È facile unire i nomi ai token di posta elettronica personalizzati (la maggior parte degli strumenti di posta elettronica lo fa subito), ma questo non ti dice il ROI di quella regola di targeting.

Fonte: GMass

Ecco perché, invece di impostare tonnellate di personalizzazione solo perché puoi, dovresti guardarlo strategicamente e metodologicamente, determinando il ROI e l'efficienza del targeting di un determinato segmento.

Segmentazione predittiva vs. logica aziendale

Ho già abbandonato un po' di gergo per quanto riguarda la logica di targeting, come "logica aziendale" e "segmentazione predittiva".

La logica aziendale si trova essenzialmente dall'altra parte dello spettro rispetto alla "personalizzazione basata sui dati", alla "segmentazione predittiva" o alla "personalizzazione basata sull'apprendimento automatico". Ma entrambi questi metodi hanno lo stesso scopo: identificare i segmenti da trattare con esperienze personalizzate.

Definiamo questi due poli e come differiscono.

Segmentazione della logica aziendale

La "logica aziendale" è il metodo abituale con cui le persone scelgono le regole di targeting. In questo metodo, sostanzialmente decidi quali segmenti hanno le maggiori opportunità di impatto utilizzando dati storici e correlazioni o logiche, strategie o opinioni aziendali. Esistono tre modi principali per derivare regole di targeting per logica aziendale:

• Personalizzazione basata sull'opinione
• Segmentazione post-test
• Analisi esplorativa dei dati

1. Personalizzazione basata sull'opinione

Ad esempio, potresti semplicemente voler evitare di attivare un popup invasivo sui dispositivi mobili per motivi puramente soggettivi. Non è una buona esperienza utente, quindi la eviti. Non hai nemmeno bisogno di dati per prevedere la reazione di quel segmento.

Trattare gli utenti mobili in modo diverso è un uso comune della personalizzazione

Questo è il metodo utilizzato dalla stragrande maggioranza delle aziende quando afferma di eseguire la segmentazione o la personalizzazione basata sui dati. Indovinano arbitrariamente quale segmento risponderà favorevolmente a quale esperienza e lo personalizzano in base alla loro opinione.

2. Segmentazione post-test

Meno comune (ma più efficace), tuttavia, è eseguire un esperimento e quindi eseguire un'analisi post-test per capire se alcune variazioni hanno aree di impatto maggiore su determinati segmenti.

Immagina di eseguire un test su un flusso di pagamento eCommerce.

Decidi di testare più varianti: una variante con una serie di simboli di affidabilità e sicurezza, una con un popup che utilizza messaggi di urgenza e una senza simboli (la versione originale).

Dopo aver analizzato l'esperimento, hai determinato che la versione B ha "vinto" e che ha un aumento stimato del 10%. Una grande vittoria.

Tuttavia, scavi nei dati e guardi i segmenti ad alto impatto, come i visitatori mobili rispetto a quelli desktop, i visitatori di ritorno rispetto ai nuovi visitatori e i visitatori dagli Stati Uniti rispetto ai visitatori non statunitensi.

In tal modo, hai scoperto che gli utenti iPhone hanno effettivamente convertito il 35% meglio sulla variante B. Gli utenti iPhone rappresentano una percentuale sostanziale del tuo pubblico, circa il 25% di tutti i visitatori. Ciò significa che l'attivazione di un'esperienza personalizzata in questo segmento potrebbe essere utile e avere un ROI positivo.

Inoltre, gli utenti Android hanno effettivamente convertito il 20% in meno sulla variante B e il 15% in più rispetto al controllo sulla variante C. Gli utenti Android rappresentano il 10% del tuo pubblico, quindi, ancora una volta, una popolazione piuttosto ampia.

Quindi potresti semplicemente lanciare la variante B perché ha vinto in totale. In alternativa, puoi impostare regole di targeting per indurre gli utenti iPhone a ricevere la variante B e gli utenti Android a ricevere la variante C. Tutti gli altri ottengono l'originale.

3. Analisi e correlazioni dei dati esplorativi

L'ultimo modo in cui puoi utilizzare la "logica aziendale" per la segmentazione è semplicemente esplorare i dati a cui hai accesso e cercare correlazioni tra le caratteristiche del segmento e la probabilità di conversione.

Potresti scoprire, ad esempio, che gli utenti iPhone convertono più in alto. O le persone che guardano un video sulla tua home page. Oppure utenti Android maschi del Kansas che hanno compilato metà dei campi del modulo e sono tornati 3 volte in una settimana.

Ecco il problema con questo approccio: guarda abbastanza segmenti e troverai una correlazione. Questo è un problema di segnale vs rumore.

Fonte: Tyler Vigen

Il problema più grande con questo approccio è che la correlazione non implica causalità.

Solo perché un visitatore di ritorno desktop dalla California registra una conversione più alta non significa che sia un segmento che vale la pena prendere di mira tramite la personalizzazione basata sui dati.

La soluzione migliore nel mondo della logica aziendale è eseguire esperimenti e scoprire segmenti di alto valore tramite la segmentazione post-test. Quindi calcoli il ROI di una determinata regola di targeting ed esegui un esperimento di follow-up mirato solo a quel segmento.

Puoi quindi svelare la causalità e il vero ROI del mantenimento di quella regola di targeting. Per ulteriori informazioni su questo approccio, leggi la meravigliosa guida dettagliata di Andrew Anderson sull'argomento.

Segmentazione predittiva

La segmentazione predittiva (o con un altro nome, segmentazione "basata sui dati" o "basata sull'intelligenza artificiale") cerca di rimuovere l'intuizione umana e l'analisi manuale dei dati dalla definizione dei segmenti e dall'impostazione di regole di targeting.

Esistono diversi modi per definire i segmenti utilizzando l'apprendimento automatico. Dipende solo da quali sono i tuoi obiettivi e da cosa speri di ottenere con questi segmenti. Qui tratteremo tre metodi chiave:

• Raggruppamento
• Classificazione
• Sperimentazione + pooling predittivo

1. Raggruppamento

Innanzitutto, se desideri semplicemente identificare e comprendere diversi utenti o segmenti, gli algoritmi di clustering (o l'apprendimento automatico non supervisionato) sono una tecnica utilizzata per raggruppare segmenti in base a caratteristiche comuni.

Questo è qualcosa su cui ho lavorato al CXL Institute alcuni anni fa.

Fonte: CXL

Abbiamo inviato sondaggi alla nostra base di clienti con un mix di risposte di scala, variabili categoriali e domande a risposta aperta. Ho quindi codificato le loro risposte ed eseguito l'algoritmo di clustering K Means su di esse.

Questo ha identificato all'incirca tre segmenti distinti in base alle loro risposte. Ho quindi stratificato le intuizioni qualitative di ciascuno di questi segmenti e intervistato individui altamente rappresentativi di ciascun segmento. Questo ci ha permesso di comprendere a fondo la nostra base di clienti esistente e i loro diversi desideri, sfide e comportamenti.

Se vuoi fare il clustering, sappi che è principalmente esplorativo e per la costruzione di conoscenze. Non ti dirà il ROI dell'invio di comunicazioni di marketing personalizzate a uno di questi segmenti, né ti dirà quali segmenti risponderanno a quali esperienze. Ad esempio, potresti scoprire che un determinato segmento di abbonati e-mail apre più e-mail e ha un valore di vita più elevato, ma devi comunque svolgere il lavoro creativo di ideazione di nuovi contenuti ed esperienze da testare.

Ma è un buon livello di base per iniziare con la personalizzazione basata sui dati.

Avrai anche bisogno di un analista decente in grado di codificare R o Python o almeno uno strumento come Squark che non consente analisi predittive del codice.

2. Classificazione

L'apprendimento automatico tende a essere delineato tra apprendimento supervisionato e non supervisionato. Laddove gli algoritmi di clustering non sono supervisionati, gli algoritmi di classificazione sono supervisionati.

Fonte: differenze tecnologiche

Ciò significa che hai un set di dati che include varie "funzioni" (nel nostro caso, potrebbero essere cose come il tipo di dispositivo, le pagine visitate, le dimensioni dell'azienda o qualsiasi caratteristica che possiamo raccogliere sui visitatori) e quindi hai risultati che tu vuoi prevedere (nel nostro caso, conversioni o entrate o LTV).

Esiste un'enorme quantità di metodologie e algoritmi che cercano di prevedere i risultati in base alle caratteristiche dei dati, alcuni dei quali includono regressioni lineari, regressioni logistiche, foreste casuali e reti neurali.

Se vuoi usare questo metodo, ti servirà un ottimo analista che possa adattare correttamente un modello ai tuoi dati (altrimenti le previsioni sono inutili) o acquistare uno strumento come Squark o DataRobot. Questi strumenti consentono ad analisti e uomini d'affari di adattare modelli diversi ai propri dati e prevedere i risultati senza codificare gli algoritmi stessi.

3. Sperimentazione + Segmentazione Predittiva

Spesso il modo migliore per trovare segmenti di utenti redditizi è seguire il normale corso di sperimentazione controllata e utilizzare uno strumento (o metodo di analisi) che rilevi segmenti promettenti.

Conductrics, ad esempio, mostra un albero decisionale altamente interpretabile che calcola le probabilità di successo della conversione per i singoli segmenti che corrispondono a ciascuna variante che hai testato.

Punti bonus se il tuo strumento di targeting predittivo dispone di una visualizzazione dei dati che mostra, in semplici illustrazioni, quali regole di targeting hai impostato e il ROI stimato e la probabilità di successo di queste regole.

Fonte: Conductrics

Questo è interessante perché non solo ottieni la probabilità di successo, ma puoi scegliere se indirizzare o meno quel segmento in base al suo valore.

Visitatori di ritorno maschi Android dal Kentucky rurale? Forse non vale la pena impostare una nuova regola di targeting. Ma forse vale la pena prendere di mira i californiani se sono una popolazione numerosa e rispondono molto favorevolmente a una determinata esperienza.

Come iniziare con la personalizzazione basata sui dati

Sebbene possa essere allettante immergersi nella parte più profonda della personalizzazione basata sui dati, consiglio di iniziare lentamente.

Non si sa quale sia il vero valore di una determinata regola di personalizzazione e spesso i rendimenti marginali di una maggiore personalizzazione non sono all'altezza del costo marginale di complessità introdotto.

Pertanto, introdurrò tre approcci di personalizzazione di crescente complessità (e supponiamo che la fase di "scansione" sia solo mettere in ordine i dati e le risorse/gli strumenti necessari per fornire esperienze personalizzate).

Fase uno: camminare

Pertanto, prima di investire in uno strumento di targeting predittivo, potresti voler utilizzare la metodologia di Andrew Anderson, che può essere una semplice continuazione del tuo normale programma di sperimentazione (nota a margine: non hai traffico per gli esperimenti? La personalizzazione non fa per te. Il i rendimenti marginali non varranno la pena a quel livello di traffico. Colpire invece grandi oscillazioni).

Ecco il succo della metodologia:

• Crea più esecuzioni del messaggio o dell'esperienza
• Servi tutte le offerte a tutti tramite un esperimento controllato
• Guarda i risultati per segmento e calcola il guadagno totale fornendo un'esperienza differenziata. Assicurati di correggere i confronti multipli quando analizzi molti segmenti.
• Promuovi in ​​tempo reale l'opportunità di maggiore generazione di entrate trovata (o esegui un esperimento di follow-up solo su quel segmento con le esperienze che hai testato sull'intero pubblico).

Puoi utilizzare piattaforme di test A/B dedicate oppure puoi utilizzare una piattaforma di automazione del marketing integrata. Quest'ultimo ti aiuterà a personalizzare i messaggi su più canali, non solo sul Web o sull'app, e potrai offrire consigli personalizzati sui prodotti, aumentare le tue entrate e CLTV, migliorare la scoperta di contenuti/prodotti e molto altro.

Fase due: correre

Dopo aver ottenuto alcune vittorie qui, potresti voler investire in una soluzione di analisi predittiva senza codice come Squark (o se puoi codificare gli algoritmi internamente, con tutti i mezzi). Il processo di base è simile a questo:

Determina le tue metriche di successo
Raccogli e pulisci i tuoi dati, suddividendo il tuo set di dati in dati di addestramento e test.
Assicurati di avere una miriade di dimensioni o funzionalità nei tuoi dati che possono essere utilizzate per prevedere il risultato.
Determina quali caratteristiche sono predittive delle tue metriche di successo.
Calcola il ROI della personalizzazione delle esperienze per quei segmenti. Ancora una volta, se è una popolazione troppo piccola, potrebbe non valerne la pena.

Ora la parte importante: una volta che hai definito una caratteristica o una dimensione predittiva del successo (diciamo che sono i visitatori di ritorno), non hai ancora capito quali esperienze hanno maggiori probabilità di funzionare su quel segmento.

Resta ancora il duro lavoro: creare nuove fantastiche esperienze ed eseguire esperimenti per determinare l'efficacia e il ROI delle tue nuove esperienze.

Ti consigliamo comunque di investire in una soluzione di distribuzione dei contenuti qui come WebEngage per indirizzare segmenti specifici.

Fase tre: volare

Infine, se vuoi incorporare il targeting predittivo nel tuo normale flusso di lavoro di sperimentazione e ottimizzazione, non puoi battere uno strumento come Conductrics o Dynamic Yield. Questi strumenti ti aiuteranno a identificare i segmenti e a fornire esperienze personalizzate, fornendoti regole decisionali interpretabili e rapporti sull'attribuzione del ROI.

Conclusione

In un mondo dominato da titoli e conferenze sull'intelligenza artificiale come un proiettile d'argento, potresti essere sorpreso di apprendere che il processo di "personalizzazione basata sui dati" o "segmentazione predittiva" non fa tutto il lavoro per te.

Può aiutarti a sfruttare i tuoi dati e risparmiare molto tempo (ed errori). Puoi identificare più facilmente e accuratamente i segmenti redditizi, purché tu disponga dei dati appropriati e sia accessibile quando ne hai bisogno.

Tuttavia, non può decidere per te se sfruttare o meno quel segmento. Dovrai comunque valutare i pro ei contro, i costi e i vantaggi.

Fortunatamente, tuttavia, il processo di identificazione e raggruppamento dei segmenti non è mai stato così facile, né è mai stato più facile fornire e gestire più esperienze diverse. Uno strumento di automazione del marketing può essere collegato all'origine dati o al CRM. Puoi gestire e offrire esperienze personalizzate illimitate tramite qualsiasi canale desideri: annunci a pagamento, social, web, push, e-mail, ecc.

È un ottimo momento per essere un marketer basato sui dati.

i Fonte immagine: WebEngage

Sfrutta la potenza dell'automazione per la tua azienda

Con funzionalità di segmentazione predittiva e assistenza clienti di qualità!

Richiedi una Demo