Segmentação preditiva: Introdução à verdadeira personalização orientada a dados

Como Avinash Kaushik diz: “Todos os dados agregados são uma porcaria”. A segmentação e a personalização orientada por dados são algumas das ferramentas mais poderosas que os profissionais de marketing e gerentes de produto têm à sua disposição.

Em vez de tratar cada visitante ou usuário da mesma maneira, você pode oferecer experiências com base nas características comportamentais, psicográficas, demográficas e firmográficas exclusivas de seus usuários.

Neste ponto, acho que todos estão convencidos da ideia de segmentação, bem como de sua extensão lógica – personalização.

De fato, de acordo com um estudo da Evergage, “92% dos profissionais de marketing relataram usar técnicas de personalização em seu marketing, mas 55% dos profissionais de marketing não sentem que têm dados de clientes suficientes para implementar uma personalização eficaz”.

A teoria por trás da segmentação e personalização é muitas vezes mais rósea do que a realidade de sua execução. Na realidade, você precisa de três componentes principais para fazer um programa de personalização funcionar.

Este artigo abordará esses principais fundamentos e, em seguida, explicarei a diferença entre a segmentação tradicional e a segmentação preditiva (orientada pelo aprendizado de máquina).

1. O que é segmentação preditiva?
2. Regras de dados, conteúdo e segmentação: noções básicas de personalização
   • Dados
   • Contente
   • Lógica de segmentação
3. Segmentação preditiva versus lógica de negócios
4. Segmentação de lógica de negócios
• Personalização por opinião
• Segmentação pós-teste
• Análise exploratória de dados e correlações
5. Segmentação preditiva
• Agrupamento
• Classificação
• Experimentação + Segmentação preditiva
6. Como começar com a personalização orientada a dados
• Estágio Um: Caminhada
• Estágio Dois: Executar
• Estágio Três: Voar

Ao final deste artigo, você terá uma boa ideia de como implementar a personalização orientada por dados e a segmentação preditiva.

Primeiro, o que é 'Segmentação Preditiva'?

A segmentação, em alto nível, é o processo de dividir algo em partes ou seções separadas.

Fonte: CXL

Quando dizemos “segmentação”, normalmente queremos dizer “segmentação de mercado” ou “segmentação de clientes” ou talvez “segmentação comportamental”. Esse tipo de segmentação é o processo de identificação e definição de características que delineiam um subgrupo ou seção de clientes do outro.

Isso geralmente é feito por meio da lógica de negócios. Por exemplo, poderíamos dizer que os usuários de dispositivos móveis são um segmento separado dos usuários de desktop. Ou, mais comumente, podemos agrupar os visitantes por representação geográfica: usuários NAM vs EMEA.

Nesse método, você normalmente tem uma meta ou resultado que está acompanhando e pode trabalhar para trás para identificar características comuns que os subgrupos compartilham em relação a essa meta.

Por exemplo, você pode acompanhar “conversões de inscrição na lista de e-mail” em seu blog. A segmentação preditiva pode descobrir que existem grupos distintos que se comportam de forma consistente ao visitar seu blog.

Um grupo de visitantes de dispositivos móveis tende a passar muito pouco tempo no site e a taxa de rejeição é alta. Outro grupo de visitantes de desktop de canais orgânicos gasta muito pouco tempo e salta a uma taxa igualmente alta.

Você pode descobrir esses segmentos por conta própria usando a análise de dados, mas as ferramentas de segmentação preditiva procuram identificar e agrupar esses segmentos de usuários. Normalmente, ferramentas como essa tentam prever as ações que esses segmentos realizarão para que você possa acionar regras de personalização.

Regras de dados, conteúdo e segmentação: noções básicas de personalização

Para entregar experiências personalizadas com sucesso a diferentes segmentos de usuários, você precisa de três componentes:

• Dados
• Contente
• Lógica de segmentação

1. Dados

Os dados sustentam tudo quando se trata de segmentação e personalização.

Se você não tiver os dados de que precisa quando precisar, não poderá identificar segmentos de usuários e muito menos acionar experiências personalizadas para eles. Além disso, se seus dados forem imprecisos e/ou incompletos, sua personalização poderá ser ineficaz.

Portanto, antes de fazer qualquer segmentação, confirme estas três coisas:

• • Você está medindo tudo o que precisa? Você tem metas configuradas corretamente, dimensões personalizadas etc.? Seus dados estão “completos”?
  • Seus dados são confiáveis? Não precisa ser 100% 'preciso', mas é consistente e preciso em seu registro?
  • Seus dados estão acessíveis quando você precisa deles? Quanta limpeza e preparação você precisa fazer para obter insights de seus dados? É agregado e conectado a outras fontes (redes sociais, web, e-mail, dados de clientes)? Está armazenado em local que possa ser utilizado e analisado imediatamente?

Além disso, você desejará conectar suas fontes de dados a alguma tabela de armazenamento centralizada. Atualmente, plataformas de dados de clientes (CDPs) como Hull.io e Segment são o nome do jogo, mas você também pode usar CRMs como HubSpot para centralizar, armazenar e operacionalizar seus dados de marketing e clientes.

Eles se tornam importantes à medida que você conecta seus dados pré-compra aos dados pós-compra. Isso permite que você identifique segmentos com base em métricas de negócios importantes, como o valor de vida útil previsto ou a taxa de churn.

2. Conteúdo

A parte do conteúdo é muito mais fácil de grocar.

Essencialmente, se você quiser fazer a personalização, primeiro defina um segmento de usuário usando suas fontes de dados. Então você também precisa criar uma nova experiência para entregar a esse segmento.

Criar novos conteúdos ou experiências requer recursos, tanto em termos de tempo quanto de dinheiro. Além disso, quanto mais conteúdo e experiências você estiver entregando e gerenciando, mais complexidade você criará em sua organização.

Matt Gershoff, CEO da Conductrics, fez uma ótima analogia no podcast Digital Analytics Power Hour sobre isso.

Ele descreveu a personalização como essencialmente a criação de um multiverso.

Executar uma versão do seu site para todos é como ter um universo, e talvez um teste A/B permita que você execute um contrafactual para ver como seria a vida em um universo paralelo (ou “versão B”).

Em um teste A/B, você quer ver se a versão B é um “universo” melhor para seus visitantes, conforme definido pela sua conversão de meta, e se você achar que é realmente ideal, você fecha o universo A (o original) e novamente reentrar em um universo singular.

No entanto, várias variantes de conteúdo entregues a vários segmentos exclusivos é como manter abertos vários universos distintos em que as experiências são exclusivas para esses segmentos.

A mágica disso é que você pode aumentar o valor do seu site aumentando o valor de cada segmento individual e sua experiência, mas você pode entender como abrir milhares de “universos” seria caro tanto em termos de criação quanto de gerenciamento de todos esses experiências.

3. Lógica de segmentação

Por fim, se você tiver dados e recursos úteis para criar conteúdo, precisará determinar como exatamente aciona a lógica de segmentação ou personalização para segmentos de usuários.

É assim que você conecta os dados com as experiências.

Você pode usar a lógica de negócios (supondo que certos segmentos devem ter determinados valores - você pode até testá-los A/B) ou pode introduzir aprendizado de máquina e segmentação preditiva/RFM para classificar seus usuários em diferentes grupos - usuários mais valiosos, prestes a se desfazer usuários, usuários inativos etc. Usando a segmentação RFM, você também pode saber quais segmentos de usuários respondem de forma mais variável a quais experiências de conteúdo.

Tecnicamente, para esta etapa, você precisa de um sistema de entrega de conteúdo que esteja conectado ao seu banco de dados ou possa integrar e extrair do seu banco de dados. O WebEngage é um sistema operacional de retenção e automação de marketing full-stack que pode se conectar perfeitamente ao seu CRM e ajudá-lo a envolver seus usuários em uma base 1:1 em canais como e-mail, SMS, WhatsApp, Facebook, Mobile e Web Push e muito mais.

Novamente, porém, quanto mais regras de segmentação você acionar, mais complexo será o sistema que você construirá. Portanto, há uma compensação no ROI que você pode explorar visando um determinado segmento e a complexidade marginal introduzida no sistema. É fácil mesclar nomes com tokens de e-mail personalizados (a maioria das ferramentas de e-mail faz isso imediatamente), mas isso não informa o ROI dessa regra de segmentação.

Fonte: GMass

É por isso que, em vez de apenas configurar toneladas de personalização só porque você pode, você deve olhar para ela de forma estratégica e metodológica, determinando o ROI e a eficiência da segmentação de um determinado segmento.

Segmentação preditiva versus lógica de negócios

Eu já abandonei alguns jargões com relação à lógica de segmentação – como “lógica de negócios” e “segmentação preditiva”.

A lógica de negócios está essencialmente do outro lado do espectro da “personalização orientada a dados”, “segmentação preditiva” ou “personalização baseada em aprendizado de máquina”. Mas ambos os métodos têm o mesmo objetivo: identificar segmentos a serem tratados com experiências personalizadas.

Vamos definir esses dois pólos e como eles diferem.

Segmentação de lógica de negócios

“Lógica de negócios” é o método usual pelo qual as pessoas escolhem regras de segmentação. Nesse método, você basicamente decide quais segmentos têm as oportunidades de maior impacto usando dados históricos e correlações ou lógica de negócios, estratégia ou opiniões. Existem três maneiras principais de derivar regras de direcionamento de lógica de negócios:

• Personalização por opinião
• Segmentação pós-teste
• Análise exploratória de dados

1. Personalização orientada por opinião

Por exemplo, você pode simplesmente querer evitar acionar um pop-up invasivo no celular por motivos puramente subjetivos. Não é uma boa experiência do usuário, então você a evita. Você nem precisa de dados para prever a reação desse segmento.

Tratar os usuários móveis de forma diferente é um uso comum da personalização

Esse é o método que a grande maioria das empresas está usando quando diz que está fazendo segmentação ou personalização orientada por dados. Eles adivinham arbitrariamente qual segmento responderá favoravelmente a qual experiência e a personalizam com base em sua opinião.

2. Segmentação pós-teste

Menos comum (mas mais eficaz), no entanto, é realizar um experimento e depois fazer uma análise pós-teste para descobrir se certas variações tiveram áreas de maior impacto em determinados segmentos.

Imagine que você está executando um teste em um fluxo de checkout de comércio eletrônico.

Você decide testar várias variantes – uma variante com uma série de símbolos de confiança e segurança, uma com um pop-up que usa mensagens de urgência e outra sem símbolos (a versão original).

Depois de analisar o experimento, você determinou que a versão B “ganhou” e que tem um aumento estimado de 10%. Uma grande vitória.

No entanto, você analisa os dados e analisa segmentos de alto impacto, como visitantes de dispositivos móveis versus visitantes de computadores, visitantes recorrentes versus novos visitantes e visitantes dos EUA versus visitantes de fora dos EUA.

Ao fazer isso, você descobriu que os usuários do iPhone realmente converteram 35% melhor na variante B. Os usuários do iPhone representam uma porcentagem substancial de seu público, aproximadamente 25% de todos os visitantes. Isso significa que desencadear uma experiência personalizada para esse segmento pode valer a pena e ter um ROI positivo.

Além disso, os usuários do Android converteram 20% a menos na variante B e 15% a mais do que o controle na variante C. Os usuários do Android representam 10% do seu público, portanto, novamente, uma população bastante grande.

Então você pode simplesmente lançar a variante B porque ela ganhou no agregado. Ou, alternativamente, você pode configurar regras de segmentação para acionar os usuários do iPhone para receber a variante B e os usuários do Android para receber a variante C. Todos os outros recebem o original.

3. Análise exploratória de dados e correlações

A última maneira de usar a “lógica de negócios” para segmentação é simplesmente explorar os dados aos quais você tem acesso e procurar correlações entre as características do segmento e a probabilidade de conversão.

Você pode descobrir, por exemplo, que os usuários do iPhone convertem mais. Ou pessoas que assistem a um vídeo em sua página inicial. Ou usuários masculinos do Android do Kansas que preencheram metade dos campos do formulário e retornaram 3 vezes em uma semana.

Aqui está o problema com esta abordagem: olhe para segmentos suficientes e você encontrará uma correlação. Isso é um problema de sinal vs ruído.

Fonte: Tyler Vigen

O maior problema com essa abordagem é que a correlação não implica causalidade.

Só porque um visitante de retorno de desktop da Califórnia converte mais não significa que é um segmento que vale a pena segmentar por meio de personalização orientada por dados.

Sua melhor aposta no mundo da lógica de negócios é executar experimentos e descobrir segmentos de alto valor por meio da segmentação pós-teste. Em seguida, você calcula o ROI de uma determinada regra de segmentação e executa um experimento de acompanhamento segmentando apenas esse segmento.

Você pode então descobrir a causalidade e o verdadeiro ROI de manter essa regra de segmentação. Para obter mais informações sobre essa abordagem, leia o maravilhoso passo a passo de Andrew Anderson sobre o assunto.

Segmentação preditiva

A segmentação preditiva (ou por outro nome, segmentação “orientada por dados” ou “baseada em IA”) procura remover a intuição humana e a análise manual de dados da definição de segmentos e da configuração de regras de segmentação.

Existem várias maneiras de definir segmentos usando aprendizado de máquina. Depende apenas de quais são seus objetivos e o que você espera realizar com esses segmentos. Aqui abordaremos três métodos de chaves:

• Agrupamento
• Classificação
• Experimentação + pooling preditivo

1. Agrupamento

Primeiro, se você simplesmente deseja identificar e entender diferentes personas ou segmentos de usuários, os algoritmos de agrupamento (ou aprendizado de máquina não supervisionado) são uma técnica usada para agrupar segmentos com base em características comuns.

Isso é algo em que trabalhei no CXL Institute há alguns anos.

Fonte: CXL

Enviamos pesquisas para nossa base de clientes com uma mistura de respostas de escala, variáveis ​​categóricas e perguntas abertas. Em seguida, codifiquei suas respostas e executei o algoritmo de agrupamento K Means nelas.

Isso identificou aproximadamente três segmentos distintos com base em suas respostas. Em seguida, aprofundei os insights qualitativos de cada um desses segmentos e entrevistei indivíduos altamente representativos de cada segmento. Isso nos permitiu compreender profundamente nossa base de clientes existente e seus diferentes desejos, desafios e comportamentos.

Se você quiser fazer clustering, saiba que é principalmente exploratório e para construção de conhecimento. Ele não informará o ROI de enviar comunicação de marketing personalizada para um desses segmentos, nem informará quais segmentos provavelmente responderão a quais experiências. Por exemplo, você pode descobrir que um determinado segmento de assinantes de e-mail abre mais e-mails e tem maior valor de vida útil, mas ainda precisa fazer o trabalho criativo de criar novos conteúdos e experiências para testar.

Mas é uma boa camada de base para começar com a personalização orientada por dados.

Você também precisará de um analista decente que possa codificar R ou Python ou pelo menos uma ferramenta como o Squark que não permita análises preditivas de código.

2. Classificação

O aprendizado de máquina tende a ser delineado entre aprendizado supervisionado e não supervisionado. Onde os algoritmos de agrupamento não são supervisionados, os algoritmos de classificação são supervisionados.

Fonte: Diferenças tecnológicas

Isso significa que você tem um conjunto de dados que inclui vários "recursos" (no nosso caso, podem ser coisas como tipo de dispositivo, páginas visitadas, tamanho da empresa ou qualquer característica que possamos coletar sobre os visitantes) e, em seguida, você obtém resultados que deseja prever (no nosso caso, conversões ou receita ou LTV).

Há uma enorme quantidade de metodologias e algoritmos que tentam prever resultados com base em recursos de dados, alguns dos quais incluem regressões lineares, regressões logísticas, florestas aleatórias e redes neurais.

Se você quiser usar esse método, precisará de um ótimo analista que possa ajustar um modelo aos seus dados corretamente (caso contrário, as previsões são inúteis) ou comprar uma ferramenta como Squark ou DataRobot. Essas ferramentas permitem que analistas e profissionais de negócios ajustem diferentes modelos aos seus dados e prevejam resultados sem codificar os próprios algoritmos.

3. Experimentação + Segmentação Preditiva

Muitas vezes, a melhor maneira de encontrar segmentos de usuários lucrativos é seguir seu curso normal de experimentação controlada e usar uma ferramenta (ou método de análise) que detecta segmentos promissores.

O Conductrics, por exemplo, mostra uma árvore de decisão altamente interpretável que calcula as probabilidades de sucesso da conversão para segmentos individuais que correspondem a cada variante testada.

Pontos de bônus se sua ferramenta de segmentação preditiva tiver visualização de dados que mostre, em ilustrações simples, quais regras de segmentação você configurou e o ROI estimado e a probabilidade de sucesso dessas regras.

Fonte: Condutores

Isso é legal porque você não apenas obtém a probabilidade de sucesso, mas também pode escolher se deseja ou não segmentar esse segmento com base no valor dele.

Homens andróides retornam visitantes da zona rural de Kentucky? Talvez não valha a pena configurar uma nova regra de segmentação. Mas talvez valha a pena visar os californianos se eles forem uma grande população e responderem muito favoravelmente a uma determinada experiência.

Como começar com a personalização orientada a dados

Embora possa ser tentador mergulhar no fundo da personalização orientada por dados, recomendo começar devagar.

Não se sabe qual é o verdadeiro valor de qualquer regra de personalização e, muitas vezes, os retornos marginais do aumento da personalização ficam aquém do custo de complexidade marginal introduzido.

Portanto, apresentarei três abordagens de personalização de complexidade crescente (e vamos supor que o estágio de 'rastreamento' seja apenas colocar seus dados em ordem e os recursos/ferramentas necessários para fornecer experiências personalizadas).

Estágio Um: Caminhada

Portanto, antes de investir em uma ferramenta de segmentação preditiva, convém usar a metodologia de Andrew Anderson, que pode ser uma simples continuação de seu programa de experimentação normal (observação: não tem tráfego para experiências? A personalização não é para você. O retornos marginais não valerão a pena nesse nível de tráfego. Em vez disso, acerte grandes oscilações).

Aqui está a essência da metodologia:

• Crie várias execuções da mensagem ou experiência
• Sirva todas as ofertas para todos por meio de um experimento controlado
• Veja os resultados por segmento e calcule o ganho total dando uma experiência diferenciada. Certifique-se de corrigir várias comparações ao analisar muitos segmentos.
• Divulgue a maior oportunidade de geração de receita encontrada (ou execute um experimento de acompanhamento apenas nesse segmento com as experiências que você testou em todo o público).

Você pode usar plataformas de teste A/B dedicadas ou pode usar uma plataforma de automação de marketing integrada. O último ajudará você a personalizar mensagens em vários canais, não apenas na Web ou no aplicativo, e você poderá oferecer recomendações personalizadas de produtos, aumentar sua receita e CLTV, melhorar a descoberta de conteúdo/produto e muito mais.

Estágio Dois: Executar

Depois de obter algumas vitórias aqui, você pode querer investir em uma solução de análise preditiva sem código como o Squark (ou se você puder codificar os algoritmos internamente, por todos os meios). O processo básico é mais ou menos assim:

Determine suas métricas de sucesso
Colete e limpe seus dados, dividindo seu conjunto de dados em dados de treinamento e teste.
Certifique-se de ter uma infinidade de dimensões ou recursos em seus dados que possam ser usados ​​para prever o resultado.
Determine quais recursos são preditivos de suas métricas de sucesso.
Calcule o ROI de experiências personalizadas para esses segmentos. Novamente, se for uma população muito pequena, pode não valer a pena.

Agora, a parte importante: depois de definir um recurso ou dimensão que prevê o sucesso (digamos, visitantes recorrentes), você ainda não descobriu quais experiências têm mais probabilidade de funcionar nesse segmento.

O trabalho árduo ainda permanece: ou seja, criar novas ótimas experiências e executar experimentos para determinar a eficácia e o ROI de suas novas experiências.

Você ainda vai querer investir em uma solução de entrega de conteúdo aqui, como o WebEngage, para segmentar segmentos específicos.

Estágio Três: Voar

Por fim, se você deseja incorporar a segmentação preditiva em seu fluxo de trabalho normal de experimentação e otimização, não pode vencer uma ferramenta como Conductrics ou Dynamic Yield. Essas ferramentas ajudarão você a identificar segmentos e fornecer experiências personalizadas, fornecendo regras de decisão interpretáveis ​​e relatórios de atribuição de ROI.

Conclusão

Em um mundo dominado por manchetes e palestras sobre a inteligência artificial ser uma bala de prata, você pode se surpreender ao saber que o processo de “personalização orientada por dados” ou “segmentação preditiva” não faz todo o trabalho para você.

Ele pode ajudá-lo a aproveitar seus dados e economizar muito tempo (e erros). Você pode identificar segmentos lucrativos com mais facilidade e precisão, desde que tenha os dados adequados e estejam acessíveis quando você precisar.

No entanto, ele não pode tomar a decisão por você sobre se deve ou não alavancar esse segmento. Você ainda terá que pesar os prós e os contras, os custos e os benefícios.

Felizmente, no entanto, o processo de identificação e agrupamento de segmentos nunca foi tão fácil, nem nunca foi tão fácil entregar e gerenciar várias experiências diferentes. Uma ferramenta de automação de marketing pode ser conectada à sua fonte de dados ou CRM. Você pode gerenciar e entregar experiências personalizadas ilimitadas por meio de qualquer canal que desejar – anúncios pagos, redes sociais, web, push, e-mail etc.

É um ótimo momento para ser um profissional de marketing orientado a dados.

i Fonte da imagem: WebEngage

Aproveite o poder da automação para o seu negócio

Com recursos de segmentação preditiva e suporte ao cliente de qualidade!

Solicite uma demonstração