예측 세분화: 진정한 데이터 기반 개인화 시작하기

Avinash Kaushik이 말했듯이 "전체 데이터는 모두 쓰레기입니다." 세분화 및 데이터 기반 개인화는 마케터와 제품 관리자가 마음대로 사용할 수 있는 가장 강력한 도구입니다.

모든 방문자 또는 사용자를 동일한 방식으로 취급하는 대신 사용자의 고유한 행동, 심리, 인구 통계 및 기업 통계학적 특성을 기반으로 경험을 제공할 수 있습니다.

이 시점에서 모든 사람이 세분화의 개념과 논리적 확장인 개인화에 매료되었다고 생각합니다.

실제로 Evergage 연구에 따르면 "마케터의 92%가 마케팅에 개인화 기술을 사용한다고 보고했지만, 55%의 마케터는 효과적인 개인화를 구현하기에 충분한 고객 데이터가 없다고 생각합니다."

세분화 및 개인화의 이면에 있는 이론은 실행의 현실보다 장밋빛인 경우가 많습니다. 실제로 개인화 프로그램이 작동하려면 세 가지 핵심 구성 요소가 필요합니다.

이 기사에서는 이러한 핵심 필수 사항을 살펴본 다음 기존 세분화와 예측 세분화(머신 러닝 기반)의 차이점을 설명하겠습니다.

1. 예측 세분화란 무엇입니까?
2. 데이터, 콘텐츠 및 타겟팅 규칙: 개인화의 기본
   • 데이터
   • 콘텐츠
   • 타겟팅 로직
3. 예측 세분화 대 비즈니스 로직
4. 비즈니스 로직 세분화
• 의견 기반 개인화
• 테스트 후 세분화
• 탐색적 데이터 분석 및 상관관계
5. 예측 세분화
• 클러스터링
• 분류
• 실험 + 예측 세분화
6. 데이터 기반 개인화를 시작하는 방법
• 1단계: 걷기
• 2단계: 실행
• 3단계: 비행

이 기사를 마치면 데이터 기반 개인화 및 예측 세분화를 구현하는 방법에 대한 좋은 아이디어를 얻게 될 것입니다.

먼저 '예측 세분화'란 무엇입니까?

세분화는 높은 수준에서 무언가를 별도의 부분이나 섹션으로 나누는 프로세스입니다.

출처: CXL

"세그멘테이션"이라고 할 때 일반적으로 "시장 세분화" 또는 "고객 세분화" 또는 아마도 "행동 세분화"를 의미합니다. 이러한 유형의 세분화는 고객의 한 하위 그룹 또는 섹션을 다른 하위 그룹과 구분하는 특성을 식별하고 정의하는 프로세스입니다.

이것은 일반적으로 비즈니스 로직을 통해 수행됩니다. 예를 들어 모바일 장치 사용자는 데스크톱 사용자와 별개의 세그먼트라고 말할 수 있습니다. 또는 더 일반적으로 NAM 대 EMEA 사용자의 지리적 표현에 따라 방문자를 그룹화할 수 있습니다.

이 방법에서는 일반적으로 추적 중인 목표 또는 결과가 있으며 하위 그룹이 이 목표와 관련하여 공유하는 공통 특성을 식별하기 위해 거꾸로 작업할 수 있습니다.

예를 들어 블로그에서 "이메일 목록 가입 전환"을 추적할 수 있습니다. 예측 세분화는 블로그를 방문할 때 일관되게 행동하는 별개의 그룹이 있음을 발견할 수 있습니다.

한 모바일 방문자 그룹은 사이트에서 보내는 시간이 거의 없고 이탈률이 높은 경향이 있습니다. 유기적 채널의 다른 데스크톱 방문자 그룹은 시간을 거의 소비하지 않고 유사한 높은 속도로 이탈합니다.

데이터 분석을 사용하여 이러한 세그먼트를 스스로 발견할 수 있지만 예측 세분화 도구는 이러한 사용자 세그먼트를 식별하고 클러스터링합니다. 일반적으로 이와 같은 도구는 이러한 세그먼트가 수행할 작업을 예측하여 개인화 규칙을 실행할 수 있도록 합니다.

데이터, 콘텐츠 및 타겟팅 규칙: 개인화의 기본

다양한 사용자 세그먼트에 개인화된 경험을 성공적으로 제공하려면 세 가지 구성 요소가 필요합니다.

• 데이터
• 콘텐츠
• 타겟팅 로직

1. 데이터

데이터는 세분화 및 개인화와 관련하여 모든 것을 뒷받침합니다.

필요할 때 필요한 데이터가 없으면 사용자 세그먼트를 식별할 수 없으며 개인화된 경험을 트리거할 수 없습니다. 또한 데이터가 부정확하거나 불완전한 경우 개인화는 효과가 없을 수 있습니다.

따라서 세분화를 수행하기 전에 다음 세 가지를 확인하십시오.

• • 필요한 모든 것을 측정하고 있습니까? 목표, 맞춤 측정기준 등을 올바르게 설정했습니까? 데이터가 "완벽"합니까?
  • 당신의 데이터는 신뢰할 수 있습니까? 100% '정확'할 필요는 없지만 로깅에서 일관되고 정확합니까?
  • 필요할 때 데이터에 액세스할 수 있습니까? 데이터에서 통찰력을 얻으려면 얼마나 많은 정리와 준비가 필요합니까? 집계되고 다른 소스(소셜, 웹, 이메일, 고객 데이터)에 연결되어 있습니까? 즉시 사용하고 분석할 수 있는 장소에 보관하고 있습니까?

또한 데이터 소스를 중앙 집중식 스토리지 테이블에 연결하고 싶을 것입니다. 오늘날 Hull.io 및 Segment와 같은 고객 데이터 플랫폼(CDP)이 게임의 이름이지만 HubSpot과 같은 CRM을 사용하여 마케팅 및 고객 데이터를 중앙 집중화, 저장 및 운영할 수도 있습니다.

이는 구매 전 데이터를 구매 후 데이터에 연결할 때 중요해집니다. 이를 통해 예측 평생 가치 또는 이탈률과 같은 중요한 비즈니스 메트릭을 기반으로 세그먼트를 식별할 수 있습니다.

2. 내용

내용 부분은 grok하기가 훨씬 쉽습니다.

기본적으로 개인화를 수행하려면 먼저 데이터 소스를 사용하여 사용자 세그먼트를 정의해야 합니다. 그런 다음 해당 세그먼트에 전달할 새로운 경험도 만들어야 합니다.

새로운 콘텐츠나 경험을 만들려면 시간과 비용 면에서 리소스가 필요합니다. 또한 제공하고 관리하는 콘텐츠와 경험이 많을수록 조직이 더 복잡해집니다.

Conductrics의 CEO인 Matt Gershoff는 이에 대해 Digital Analytics Power Hour 팟캐스트에서 훌륭한 비유를 했습니다.

그는 개인화를 본질적으로 다중우주를 만드는 것이라고 설명했습니다.

모든 사람에게 웹사이트의 한 버전을 실행하는 것은 하나의 우주를 갖는 것과 같으며, 아마도 A/B 테스트를 통해 평행 세계(또는 "버전 B")에서 삶이 어떤 모습일지 알아보기 위해 반사실을 실행할 수 있습니다.

A/B 테스트에서 버전 B가 목표 전환에 의해 정의된 대로 방문자에게 더 나은 "우주"인지 확인하고 그것이 실제로 최적이라고 판단되면 유니버스 A(원본)를 닫고 다시 단일 우주에 다시 진입합니다.

그러나 여러 고유 세그먼트에 전달되는 여러 콘텐츠 변형은 경험이 해당 세그먼트에 고유한 여러 고유한 우주를 열어 놓은 것과 같습니다.

이것의 마법은 각 개별 세그먼트와 경험의 가치를 높여 웹사이트의 가치를 높일 수 있다는 것입니다. 그러나 수천 개의 "우주"를 여는 것이 모든 세그먼트를 만들고 관리하는 측면에서 비용이 얼마나 많이 드는지 이해할 수 있다는 것입니다. 경험담.

3. 타겟팅 로직

마지막으로 콘텐츠를 만드는 데 유용한 데이터와 리소스가 있는 경우 사용자 세그먼트에 대한 타겟팅 또는 개인화 논리를 정확히 트리거하는 방법을 결정해야 합니다.

이것이 데이터를 경험과 연결하는 방법입니다.

비즈니스 로직을 사용하거나(특정 세그먼트에 특정 값이 있어야 한다고 가정 - A/B 테스트도 가능), 머신 러닝 및 예측 세분화/RFM을 도입하여 사용자를 다양한 그룹(가장 가치 있는 사용자, 곧 이탈할 사용자)으로 분류할 수 있습니다. 사용자, 휴면 사용자 등. RFM 세분화를 사용하면 어떤 사용자 세그먼트가 어떤 콘텐츠 경험에 더 다양하게 반응하는지 알 수 있습니다.

기술적으로 이 단계에서는 데이터베이스에 연결되거나 데이터베이스에서 통합 및 가져올 수 있는 콘텐츠 전달 시스템이 필요합니다. WebEngage는 CRM과 원활하게 연결하고 이메일, SMS, WhatsApp, Facebook, 모바일 및 웹 푸시 등과 같은 채널에서 1:1 기반으로 사용자를 참여시키는 데 도움이 되는 풀 스택 마케팅 자동화 및 유지 운영 체제입니다.

다시 말하지만 더 많은 타겟팅 규칙을 트리거할수록 시스템을 더 복잡하게 만듭니다. 따라서 주어진 세그먼트와 시스템에 도입된 한계 복잡성을 대상으로 하여 활용할 수 있는 ROI에는 절충점이 있습니다. 이름을 사용자 정의 이메일 토큰에 병합하는 것은 쉽지만(대부분의 이메일 도구는 즉시 이를 수행합니다), 그렇다고 해서 해당 타겟팅 규칙의 ROI를 알 수 있는 것은 아닙니다.

출처: 지매스

그렇기 때문에 할 수 있다는 이유로 수많은 개인화를 설정하는 대신 전략적 및 방법론적으로 살펴보고 주어진 세그먼트를 대상으로 하는 ROI와 효율성을 결정해야 합니다.

예측 세분화 대 비즈니스 로직

이미 "비즈니스 논리" 및 "예측 세분화"와 같은 타겟팅 논리와 관련하여 전문 용어를 삭제했습니다.

비즈니스 로직은 본질적으로 "데이터 기반 개인화", "예측 세분화" 또는 "기계 학습 기반 개인화"의 스펙트럼 반대편에 있습니다. 그러나 이 두 가지 방법 모두 개인화된 경험으로 처리할 세그먼트를 식별하는 동일한 목표를 가지고 있습니다.

이 두 극을 정의하고 어떻게 다른지 살펴보겠습니다.

비즈니스 로직 세분화

"비즈니스 로직"은 사람들이 타겟팅 규칙을 선택하는 일반적인 방법입니다. 이 방법에서는 기본적으로 과거 데이터와 상관 관계 또는 비즈니스 논리, 전략 또는 의견을 사용하여 가장 영향력 있는 기회가 있는 세그먼트를 결정합니다. 비즈니스 논리 대상 규칙을 파생할 수 있는 세 가지 주요 방법이 있습니다.

• 의견 기반 개인화
• 테스트 후 세분화
• 탐색적 데이터 분석

1. 의견 중심의 개인화

예를 들어, 순전히 주관적인 이유로 모바일에서 침입 팝업을 트리거하는 것을 피하고 싶을 수 있습니다. 좋은 사용자 경험이 아니므로 피하십시오. 해당 세그먼트의 반응을 예측하는 데 데이터가 필요하지 않습니다.

모바일 사용자를 다르게 대우하는 것은 개인화의 일반적인 용도입니다.

이것은 대다수의 기업이 세분화 또는 데이터 기반 개인화를 수행할 때 사용하는 방법입니다. 그들은 어떤 세그먼트가 어떤 경험에 호의적으로 반응할지 임의로 추측하고 의견을 기반으로 개인화합니다.

2. 테스트 후 세분화

그러나 덜 일반적이지만 더 효과적인 방법은 실험을 실행한 다음 특정 변형이 특정 세그먼트에 더 큰 영향을 미치는 영역을 파악하기 위해 사후 테스트 분석을 수행하는 것입니다.

전자 상거래 결제 흐름에 대한 테스트를 실행하고 있다고 상상해 보십시오.

일련의 신뢰 및 보안 기호가 있는 변종, 긴급 메시지를 사용하는 팝업이 있는 변종, 기호가 없는 변종(원본 버전) 등 여러 변종을 테스트하기로 결정합니다.

실험을 분석한 후 버전 B가 "우승"하고 예상 증가율이 10%인 것으로 결정했습니다. 멋진 승리입니다.

그러나 데이터를 자세히 살펴보고 모바일 방문자와 데스크톱 방문자, 재방문 방문자와 신규 방문자, 미국 방문자와 미국 외 방문자와 같이 영향력이 큰 세그먼트를 살펴봅니다.

그렇게 하는 과정에서 iPhone 사용자는 실제로 변형 B에서 35% 더 나은 전환율을 보였습니다. iPhone 사용자는 전체 방문자의 약 25%인 상당한 비율의 청중을 나타냅니다. 이는 이 세그먼트에 대한 개인화된 경험을 트리거하는 것이 가치 있고 ROI가 긍정적일 수 있음을 의미합니다.

또한 Android 사용자는 실제로 변형 B에서 전환율이 20% 낮았고 대조 버전 C에서 전환율이 15% 더 높았습니다. Android 사용자는 잠재고객의 10%를 차지하므로 인구가 상당히 많습니다.

따라서 총계에서 승리했기 때문에 변형 B를 시작할 수 있습니다. 또는 iPhone 사용자는 변형 B를 받고 Android 사용자는 변형 C를 받도록 타겟팅 규칙을 설정할 수 있습니다. 다른 모든 사용자는 원본을 받습니다.

3. 탐색적 데이터 분석 및 상관관계

세분화를 위해 "비즈니스 로직"을 사용할 수 있는 마지막 방법은 액세스 권한이 있는 데이터를 탐색하고 세그먼트 특성과 전환 가능성 간의 상관 관계를 찾는 것입니다.

예를 들어 iPhone 사용자의 전환율이 더 높다는 것을 알 수 있습니다. 또는 귀하의 홈페이지에서 동영상을 시청하는 사람들입니다. 또는 양식 필드의 절반을 채우고 일주일에 3번 반환한 Kansas의 남성 Android 사용자입니다.

이 접근 방식의 문제점은 다음과 같습니다. 충분한 세그먼트를 살펴보면 상관 관계를 찾을 수 있습니다. 신호 대 잡음 문제입니다.

출처: 타일러 비겐

이 접근 방식의 더 큰 문제는 상관 관계가 인과 관계를 의미하지 않는다는 것입니다.

캘리포니아의 데스크톱 재방문자가 전환율이 높다고 해서 데이터 기반 개인화를 통해 타겟팅할 가치가 있는 세그먼트는 아닙니다.

비즈니스 논리 세계에서 가장 좋은 방법은 실험을 실행하고 사후 테스트 세분화를 통해 가치가 높은 세그먼트를 발견하는 것입니다. 그런 다음 주어진 타겟팅 규칙의 ROI를 계산하고 해당 세그먼트만 타겟팅하는 후속 실험을 실행합니다.

그런 다음 해당 타겟팅 규칙을 유지하는 데 따른 인과 관계와 진정한 ROI를 알아낼 수 있습니다. 이 접근 방식에 대한 자세한 내용은 해당 주제에 대한 Andrew Anderson의 멋진 연습을 참조하세요.

예측 세분화

예측 세분화(또는 다른 이름으로 "데이터 기반" 또는 "AI 기반" 세분화)는 세그먼트 정의 및 타겟팅 규칙 설정에서 인간의 직관과 수동 데이터 분석을 제거하려고 합니다.

기계 학습을 사용하여 세그먼트를 정의하는 방법에는 여러 가지가 있습니다. 그것은 당신의 목표가 무엇이며 이러한 세그먼트로 달성하기를 바라는 것에 달려 있습니다. 여기에서는 세 가지 주요 방법을 다룰 것입니다.

• 클러스터링
• 분류
• 실험 + 예측 풀링

1. 클러스터링

먼저, 단순히 다른 사용자 페르소나 또는 세그먼트를 식별하고 이해하려는 경우 클러스터링 알고리즘(또는 감독되지 않은 기계 학습)은 공통 특성을 기반으로 세그먼트를 그룹화하는 데 사용되는 기술입니다.

이것은 내가 몇 년 전에 CXL Institute에서 작업한 것입니다.

출처: CXL

척도 응답, 범주형 변수 및 개방형 질문이 혼합된 설문조사를 고객 기반으로 보냈습니다. 그런 다음 응답을 체계화하고 K Means 클러스터링 알고리즘을 실행했습니다.

이것은 그들의 응답을 기반으로 대략 3개의 별개의 세그먼트를 식별했습니다. 그런 다음 이러한 각 세그먼트의 질적 통찰력을 바탕으로 각 세그먼트를 대표하는 개인을 인터뷰했습니다. 이를 통해 기존 고객 기반과 그들의 다양한 욕구, 도전 과제 및 행동을 깊이 이해할 수 있었습니다.

클러스터링을 수행하려는 경우 대부분 탐색적이며 지식 구축을 위한 것임을 알고 있습니다. 이러한 세그먼트 중 하나에 개인화된 마케팅 커뮤니케이션을 보낼 때의 ROI를 알려주지 않으며 어떤 세그먼트가 어떤 경험에 응답할 가능성이 있는지 알려주지 않습니다. 예를 들어, 이메일 구독자의 특정 세그먼트가 더 많은 이메일을 열고 평생 가치가 더 높다는 것을 알 수 있지만 테스트할 새로운 콘텐츠와 경험을 아이디어화하는 창의적인 작업을 수행해야 합니다.

그러나 데이터 기반 개인화를 시작하기에 좋은 기본 계층입니다.

또한 R 또는 Python을 코딩할 수 있는 괜찮은 분석가 또는 최소한 코드 예측 분석을 허용하지 않는 Squark와 같은 도구가 필요합니다.

2. 분류

머신 러닝은 지도 학습과 비지도 학습으로 구분되는 경향이 있습니다. 클러스터링 알고리즘이 감독되지 않는 경우 분류 알고리즘이 감독됩니다.

출처: 기술 차이

즉, 다양한 "기능"이 포함된 데이터세트(이 경우 기기 유형, 방문한 페이지, 회사 규모 또는 방문자에 대해 수집할 수 있는 특성 등이 될 수 있음)가 있고 다음과 같은 결과를 얻을 수 있습니다. 예측하기를 원합니다(이 경우 전환 또는 수익 또는 LTV).

선형 회귀, 로지스틱 회귀, 랜덤 포레스트 및 신경망이 포함된 데이터 기능을 기반으로 결과를 예측하려는 방법론과 알고리즘이 엄청나게 많습니다.

이 방법을 사용하려면 모델을 데이터에 적절하게 맞출 수 있는 훌륭한 분석가가 필요하거나(그렇지 않으면 예측이 쓸모가 없음) Squark 또는 DataRobot과 같은 도구를 구입할 수 있습니다. 이러한 도구를 사용하면 분석가와 비즈니스 담당자가 알고리즘 자체를 코딩하지 않고도 데이터에 다양한 모델을 적용하고 결과를 예측할 수 있습니다.

3. 실험 + 예측 세분화

종종 수익성 있는 사용자 세그먼트를 찾는 가장 좋은 방법은 통제된 실험의 일반적인 과정을 진행하고 유망한 세그먼트를 감지하는 도구(또는 분석 방법)를 사용하는 것입니다.

예를 들어 Conductrics는 테스트한 각 변형에 해당하는 개별 세그먼트에 대한 전환 성공 확률을 계산하는 매우 해석 가능한 의사 결정 트리를 보여줍니다.

예측 타겟팅 도구에 설정한 타겟팅 규칙과 이러한 규칙의 예상 ROI 및 성공 확률을 간단한 그림으로 보여주는 데이터 시각화가 있는 경우 보너스 포인트.

출처: 전도체

이것은 성공 확률을 얻을 수 있을 뿐만 아니라 가치에 따라 해당 세그먼트를 타겟팅할지 여부를 선택할 수 있기 때문에 좋습니다.

시골 켄터키에서 남성 안드로이드 반환 방문자? 새 타겟팅 규칙을 설정할 가치가 없을 수도 있습니다. 그러나 인구가 많고 주어진 경험에 매우 호의적으로 반응하는 경우 캘리포니아 주민들을 대상으로 할 가치가 있습니다.

데이터 기반 개인화를 시작하는 방법

데이터 기반 개인화의 깊숙한 곳까지 파고들고 싶을 수도 있지만 천천히 시작하는 것이 좋습니다.

주어진 개인화 규칙의 진정한 가치가 무엇인지는 알 수 없으며 개인화 증가의 한계 수익은 도입된 한계 복잡성 비용에 미치지 못하는 경우가 많습니다.

따라서 복잡성을 증가시키는 세 가지 개인화 접근 방식을 소개하겠습니다. '크롤링' 단계가 개인화된 경험을 제공하는 데 필요한 리소스/도구와 데이터를 순서대로 가져오는 것이라고 가정하겠습니다.

1단계: 걷기

따라서 예측 타겟팅 도구에 투자하기 전에 Andrew Anderson의 방법론을 사용하는 것이 좋습니다. 이 방법은 일반적인 실험 프로그램을 간단하게 계속할 수 있습니다(참고: 실험을 위한 트래픽이 없습니까? 개인화는 당신을 위한 것이 아닙니다. 한계 수익은 그 트래픽 수준에서 그만한 가치가 없을 것입니다. 대신 큰 스윙을 치십시오).

방법론의 요지는 다음과 같습니다.

• 메시지 또는 경험의 다중 실행 생성
• 통제된 실험을 통해 모든 사람에게 모든 제안 제공
• 세그먼트별 결과를 보고 차별화된 경험을 제공하여 총 이득을 계산합니다. 여러 세그먼트를 분석할 때는 다중 비교를 수정해야 합니다.
• 발견된 가장 높은 수익 창출 기회를 실시간으로 푸시합니다(또는 전체 청중을 대상으로 테스트한 경험으로 해당 세그먼트에 대해서만 후속 실험을 실행).

전용 A/B 테스팅 플랫폼을 사용하거나 통합 마케팅 자동화 플랫폼을 사용할 수 있습니다. 후자는 웹이나 앱뿐만 아니라 여러 채널에서 메시지를 개인화하는 데 도움이 되며 개인화된 제품 추천을 제공하고 수익과 CLTV를 늘리며 콘텐츠/제품 검색을 개선하는 등의 작업을 수행할 수 있습니다.

2단계: 실행

여기에서 약간의 성공을 거둔 후에는 Squark와 같은 코드가 없는 예측 분석 솔루션에 투자할 수 있습니다(또는 사내에서 알고리즘을 코딩할 수 있는 경우 반드시). 기본 프로세스는 다음과 같습니다.

성공 메트릭 결정
데이터를 수집하고 정리하여 데이터 세트를 교육 및 테스트 데이터로 분할합니다.
데이터에 결과를 예측하는 데 사용할 수 있는 수많은 차원이나 기능이 있는지 확인하세요.
어떤 기능이 성공 메트릭을 예측하는지 확인합니다.
해당 세그먼트에 대한 개인화 경험의 ROI를 계산합니다. 다시 말하지만, 인구가 너무 적으면 가치가 없을 수 있습니다.

이제 중요한 부분입니다. 성공을 예측할 수 있는 기능이나 차원(예: 재방문자)을 정의한 후에는 해당 세그먼트에서 어떤 경험이 더 효과적일지 아직 파악하지 못한 것입니다.

어려운 작업은 여전히 ​​남아 있습니다. 즉, 새롭고 멋진 경험을 만들고 실험을 실행하여 새로운 경험의 효과와 ROI를 결정하는 것입니다.

특정 세그먼트를 대상으로 하기 위해 WebEngage와 같은 콘텐츠 전달 솔루션에 여전히 투자하고 싶을 것입니다.

3단계: 비행

마지막으로 예측 타겟팅을 일반적인 실험 및 최적화 워크플로에 통합하려면 Conductrics 또는 Dynamic Yield와 같은 도구를 능가할 수 없습니다. 이러한 도구는 세그먼트를 식별하고 개인화된 경험을 제공하는 동시에 해석 가능한 결정 규칙 및 ROI 기여 보고서를 제공하는 데 도움이 됩니다.

결론

인공 지능이 은총이 될 것이라는 헤드라인과 컨퍼런스 이야기가 지배하는 세상에서 "데이터 기반 개인화" 또는 "예측 세분화" 프로세스가 모든 작업을 수행하지 못한다는 사실을 알게 되면 놀랄 수 있습니다.

데이터를 활용하고 많은 시간(및 실수)을 절약하는 데 도움이 될 수 있습니다. 적절한 데이터가 있고 필요할 때 액세스할 수 있는 한 수익성 있는 세그먼트를 보다 쉽고 정확하게 식별할 수 있습니다.

그러나 해당 세그먼트를 활용할지 여부를 결정할 수는 없습니다. 여전히 장단점, 비용 및 이점을 저울질해야 합니다.

그러나 운 좋게도 세그먼트를 식별하고 그룹화하는 프로세스가 그 어느 때보다 쉬워졌으며 다양한 경험을 제공하고 관리하는 것도 그 어느 때보다 쉬워졌습니다. 마케팅 자동화 도구를 데이터 소스 또는 CRM에 연결할 수 있습니다. 유료 광고, 소셜, 웹, 푸시, 이메일 등 원하는 모든 채널을 통해 개인화된 경험을 무제한으로 관리하고 전달할 수 있습니다.

데이터 기반 마케터가 되기에 좋은 시기입니다.

i 이미지 출처: WebEngage

비즈니스를 위한 자동화의 힘 활용

예측 세분화 기능과 고품질 고객 지원으로!

데모 요청