Predictive Segmentation: เริ่มต้นใช้งาน True Data-Driven Personalization

ดังที่ Avinash Kaushik กล่าวว่า "ข้อมูลทั้งหมดรวมกันเป็นเรื่องไร้สาระ" การแบ่งกลุ่มลูกค้าและการปรับเปลี่ยนให้เป็นแบบส่วนตัวตามข้อมูลเป็นเครื่องมือที่มีประสิทธิภาพที่สุดที่นักการตลาดและผู้จัดการผลิตภัณฑ์มีอยู่

แทนที่จะปฏิบัติต่อผู้เยี่ยมชมหรือผู้ใช้ทุกคนในลักษณะเดียวกัน คุณสามารถมอบประสบการณ์โดยพิจารณาจากลักษณะทางพฤติกรรม จิตวิทยา ข้อมูลประชากร และลักษณะเฉพาะของผู้ใช้ของคุณ

ณ จุดนี้ ฉันคิดว่าทุกคนถูกซื้อด้วยแนวคิดเรื่องการแบ่งส่วน เช่นเดียวกับส่วนขยายเชิงตรรกะ - การปรับให้เป็นส่วนตัว

อันที่จริง ตามการศึกษาของ Evergage “92% ของนักการตลาดรายงานว่าใช้เทคนิคการปรับเปลี่ยนในแบบของคุณในการทำการตลาด แต่ 55% ของนักการตลาดไม่รู้สึกว่าพวกเขามีข้อมูลลูกค้าเพียงพอที่จะปรับใช้การปรับเปลี่ยนในแบบของคุณได้อย่างมีประสิทธิภาพ”

ทฤษฎีที่อยู่เบื้องหลังการแบ่งส่วนและการทำให้เป็นส่วนตัวมักจะร่าเริงกว่าความเป็นจริงของการดำเนินการ ในความเป็นจริง คุณต้องมีองค์ประกอบหลักสามองค์ประกอบเพื่อให้โปรแกรมการปรับเปลี่ยนในแบบของคุณทำงานได้

บทความนี้จะอธิบายเกี่ยวกับสิ่งสำคัญหลักเหล่านั้น จากนั้นฉันจะอธิบายความแตกต่างระหว่างการแบ่งส่วนแบบเดิมๆ และการแบ่งกลุ่มแบบคาดการณ์ (ขับเคลื่อนโดยการเรียนรู้ของเครื่อง)

1. Predictive Segmentation คืออะไร?
2. กฎข้อมูล เนื้อหา และการกำหนดเป้าหมาย: พื้นฐานของการปรับเปลี่ยนในแบบของคุณ
   • ข้อมูล
   • เนื้อหา
   • ตรรกะการกำหนดเป้าหมาย
3. การแบ่งกลุ่มแบบคาดการณ์ล่วงหน้ากับตรรกะทางธุรกิจ
4. การแบ่งส่วนตรรกะทางธุรกิจ
• การปรับเปลี่ยนความคิดเห็นในแบบของคุณ
• การแบ่งส่วนหลังการทดสอบ
• การวิเคราะห์ข้อมูลเชิงสำรวจและความสัมพันธ์
5. การแบ่งส่วนทำนาย
• การจัดกลุ่ม
• การจำแนกประเภท
• การทดลอง + การแบ่งส่วนการทำนาย
6. วิธีเริ่มต้นใช้งานส่วนบุคคลที่ขับเคลื่อนด้วยข้อมูล
• ขั้นตอนที่หนึ่ง: เดิน
• ขั้นตอนที่สอง: วิ่ง
• ขั้นตอนที่สาม: บิน

ในตอนท้ายของบทความนี้ คุณจะมีความคิดที่ดีเกี่ยวกับวิธีใช้งานการปรับเปลี่ยนให้เป็นส่วนตัวตามข้อมูลและการแบ่งส่วนเชิงคาดการณ์

ประการแรก 'การแบ่งกลุ่มแบบคาดการณ์ล่วงหน้า' คืออะไร?

การแบ่งส่วนในระดับสูงเป็นกระบวนการแบ่งบางสิ่งออกเป็นส่วนหรือส่วนแยกกัน

ที่มา: CXL

เมื่อเราพูดว่า "การแบ่งส่วน" เรามักจะหมายถึง "การแบ่งส่วนตลาด" หรือ "การแบ่งส่วนลูกค้า" หรือบางที "การแบ่งส่วนพฤติกรรม" การแบ่งส่วนประเภทนี้เป็นกระบวนการในการระบุและกำหนดลักษณะที่กำหนดกลุ่มย่อยหรือส่วนของลูกค้าจากอีกกลุ่มหนึ่ง

โดยปกติจะทำโดยใช้ตรรกะทางธุรกิจ ตัวอย่างเช่น เราอาจกล่าวได้ว่าผู้ใช้อุปกรณ์เคลื่อนที่เป็นกลุ่มที่แยกจากผู้ใช้เดสก์ท็อป หรือโดยทั่วไป เราสามารถจัดกลุ่มผู้เข้าชมตามตัวแทนทางภูมิศาสตร์: ผู้ใช้ NAM เทียบกับ EMEA

ในวิธีนี้ โดยทั่วไปแล้วคุณมีเป้าหมายหรือผลลัพธ์ที่คุณกำลังติดตาม และคุณสามารถย้อนกลับเพื่อระบุลักษณะทั่วไปที่กลุ่มย่อยมีความสัมพันธ์กับเป้าหมายนี้

ตัวอย่างเช่น คุณอาจติดตาม "การแปลงการลงทะเบียนรายชื่ออีเมล" ในบล็อกของคุณ การแบ่งกลุ่มแบบคาดการณ์ล่วงหน้าอาจพบว่ามีกลุ่มที่แตกต่างกันที่ทำงานอย่างสม่ำเสมอเมื่อเข้าสู่บล็อกของคุณ

ผู้เข้าชมมือถือกลุ่มหนึ่งมักจะใช้เวลาบนไซต์น้อยมากและตีกลับในอัตราที่สูง ผู้เข้าชมเดสก์ท็อปอีกกลุ่มหนึ่งจากแชแนลทั่วไปใช้เวลาเพียงเล็กน้อยและตีกลับในอัตราที่สูงเช่นเดียวกัน

คุณสามารถค้นพบกลุ่มเหล่านี้ได้ด้วยตัวเองโดยใช้การวิเคราะห์ข้อมูล แต่เครื่องมือการแบ่งกลุ่มเชิงคาดการณ์จะพยายามระบุและจัดกลุ่มกลุ่มผู้ใช้เหล่านี้ โดยปกติ เครื่องมือเช่นนี้จะพยายามคาดการณ์การดำเนินการของกลุ่มเหล่านี้ เพื่อให้คุณสามารถทริกเกอร์กฎการปรับเปลี่ยนในแบบของคุณ

กฎข้อมูล เนื้อหา และการกำหนดเป้าหมาย: พื้นฐานของการปรับเปลี่ยนในแบบของคุณ

ในการมอบประสบการณ์ส่วนบุคคลให้กับกลุ่มผู้ใช้ต่างๆ ได้สำเร็จ คุณต้องมีสามองค์ประกอบ:

• ข้อมูล
• เนื้อหา
• ตรรกะการกำหนดเป้าหมาย

1. ดาต้า

ข้อมูลสนับสนุนทุกอย่างเมื่อพูดถึงการแบ่งส่วนและการปรับเปลี่ยนในแบบของคุณ

หากคุณไม่มีข้อมูลที่ต้องการเมื่อต้องการ คุณจะไม่สามารถระบุกลุ่มผู้ใช้นับประสาเรียกประสบการณ์ส่วนบุคคลสำหรับพวกเขา นอกจากนี้ หากข้อมูลของคุณไม่แน่ชัดและ/หรือไม่สมบูรณ์ การปรับเปลี่ยนในแบบของคุณอาจไม่ได้ผล

ดังนั้น ก่อนที่คุณจะทำการแบ่งส่วนใดๆ ให้ยืนยันสามสิ่งนี้:

• • คุณวัดทุกสิ่งที่คุณต้องการหรือไม่? คุณมีเป้าหมายที่ตั้งไว้อย่างเหมาะสม มิติข้อมูลที่กำหนดเอง ฯลฯ หรือไม่? ข้อมูลของคุณ "สมบูรณ์" หรือไม่?
  • ข้อมูลของคุณน่าเชื่อถือหรือไม่? ไม่จำเป็นต้อง 'แม่นยำ' 100% แต่มันสอดคล้องและแม่นยำในการบันทึกหรือไม่
  • ข้อมูลของคุณสามารถเข้าถึงได้เมื่อคุณต้องการหรือไม่? คุณต้องทำความสะอาดและเตรียมการมากน้อยเพียงใดเพื่อให้ได้ข้อมูลเชิงลึกจากข้อมูลของคุณ มีการรวบรวมและเชื่อมต่อกับแหล่งอื่นๆ (โซเชียล เว็บ อีเมล ข้อมูลลูกค้า) หรือไม่ เก็บไว้ในที่ที่สามารถใช้วิเคราะห์ได้ทันทีหรือไม่?

นอกจากนี้ คุณจะต้องเชื่อมต่อแหล่งข้อมูลของคุณกับตารางจัดเก็บข้อมูลแบบรวมศูนย์ ทุกวันนี้ แพลตฟอร์มข้อมูลลูกค้า (CDP) เช่น Hull.io และ Segment เป็นชื่อของเกม แต่คุณยังสามารถใช้ CRM เช่น HubSpot เพื่อรวมศูนย์ จัดเก็บ และดำเนินการด้านการตลาดและข้อมูลลูกค้าของคุณ

สิ่งเหล่านี้มีความสำคัญเมื่อคุณเชื่อมต่อข้อมูลก่อนการซื้อกับข้อมูลหลังการซื้อ ซึ่งช่วยให้คุณระบุกลุ่มตามตัวชี้วัดทางธุรกิจที่สำคัญ เช่น มูลค่าตลอดอายุการใช้งานที่คาดการณ์ไว้หรืออัตราการเลิกใช้งาน

2. เนื้อหา

ส่วนเนื้อหาจะง่ายกว่ามาก

โดยพื้นฐานแล้ว หากคุณต้องการปรับเปลี่ยนในแบบของคุณ ก่อนอื่นคุณต้องกำหนดกลุ่มผู้ใช้โดยใช้แหล่งข้อมูลของคุณ จากนั้นคุณต้องสร้างประสบการณ์ใหม่เพื่อนำเสนอไปยังกลุ่มนั้น

การสร้างเนื้อหาหรือประสบการณ์ใหม่ต้องใช้ทรัพยากรทั้งในแง่ของเวลาและเงิน นอกจากนี้ ยิ่งคุณนำเสนอและจัดการเนื้อหาและประสบการณ์มากเท่าใด คุณก็ยิ่งสร้างความซับซ้อนในองค์กรมากขึ้นเท่านั้น

Matt Gershoff ซีอีโอของ Conductrics ให้การเปรียบเทียบที่ยอดเยี่ยมในพอดคาสต์ Digital Analytics Power Hour เกี่ยวกับเรื่องนี้

เขาอธิบายว่าการปรับเปลี่ยนในแบบของคุณนั้นเป็นการสร้างลิขสิทธิ์

การใช้งานเว็บไซต์เวอร์ชันเดียวกับทุกคนก็เหมือนมีจักรวาลเดียว และบางทีการทดสอบ A/B อาจช่วยให้คุณเรียกใช้สิ่งปลอมแปลงเพื่อดูว่าชีวิตจะเป็นอย่างไรในจักรวาลคู่ขนาน (หรือ "เวอร์ชัน B")

ในการทดสอบ A/B คุณต้องการดูว่าเวอร์ชัน B เป็น "จักรวาล" ที่ดีกว่าสำหรับผู้เยี่ยมชมของคุณตามที่กำหนดโดยการแปลงเป้าหมายของคุณหรือไม่ และหากคุณพบว่ามันเหมาะสมที่สุด คุณก็ปิดจักรวาล A (ต้นฉบับ) และอีกครั้ง กลับเข้าสู่จักรวาลเอกพจน์อีกครั้ง

อย่างไรก็ตาม เนื้อหาที่หลากหลายที่ส่งไปยังส่วนต่างๆ ที่ไม่เหมือนใครก็เหมือนกับการเปิดจักรวาลที่แตกต่างกันหลายๆ แห่ง ซึ่งประสบการณ์จะไม่ซ้ำกับส่วนเหล่านั้น

ความมหัศจรรย์ของสิ่งนี้คือคุณสามารถเพิ่มมูลค่าให้กับเว็บไซต์ของคุณโดยการเพิ่มมูลค่าของแต่ละกลุ่มและประสบการณ์ของพวกเขา แต่คุณสามารถเข้าใจได้ว่าการเปิด "จักรวาล" นับพัน ๆ แห่งจะมีค่าใช้จ่ายสูงทั้งในแง่ของการสร้างและจัดการสิ่งเหล่านั้น ประสบการณ์

3. ตรรกะการกำหนดเป้าหมาย

สุดท้ายนี้ หากคุณมีข้อมูลและทรัพยากรที่เป็นประโยชน์ในการสร้างเนื้อหา คุณต้องพิจารณาว่าคุณทริกเกอร์การกำหนดเป้าหมายหรือตรรกะในการปรับให้เหมาะกับแต่ละบุคคลอย่างไรให้กับกลุ่มผู้ใช้

นี่คือวิธีที่คุณเชื่อมต่อข้อมูลกับประสบการณ์

คุณสามารถใช้ตรรกะทางธุรกิจ (สมมติว่าบางกลุ่มควรมีค่าบางอย่าง – คุณสามารถทดสอบ A/B ได้) หรือคุณสามารถแนะนำการเรียนรู้ของเครื่องและการแบ่งกลุ่มแบบคาดการณ์ล่วงหน้า/RFM เพื่อจัดประเภทผู้ใช้ของคุณออกเป็นกลุ่มต่างๆ – ผู้ใช้ที่มีค่าที่สุดกำลังจะเลิกรา ผู้ใช้ ผู้ใช้ที่อยู่เฉยๆ ฯลฯ การใช้การแบ่งกลุ่ม RFM คุณยังสามารถเรียนรู้ว่ากลุ่มผู้ใช้ใดตอบสนองต่อประสบการณ์เนื้อหาใดที่แปรผันมากขึ้น

ในทางเทคนิค สำหรับขั้นตอนนี้ คุณต้องมีระบบการนำส่งเนื้อหาที่เชื่อมต่อกับฐานข้อมูลของคุณ หรือสามารถรวมและดึงข้อมูลจากฐานข้อมูลของคุณได้ WebEngage คือระบบการตลาดอัตโนมัติแบบฟูลสแตกและระบบปฏิบัติการการเก็บข้อมูลที่สามารถเชื่อมต่อกับ CRM ของคุณได้อย่างราบรื่น และช่วยให้คุณมีส่วนร่วมกับผู้ใช้ของคุณในแบบ 1:1 ผ่านช่องทางต่างๆ เช่น อีเมล, SMS, WhatsApp, Facebook, Mobile & Web Push และอื่นๆ

อย่างไรก็ตาม ยิ่งคุณทริกเกอร์กฎการกำหนดเป้าหมายมากเท่าใด ระบบที่คุณสร้างก็ยิ่งซับซ้อนมากขึ้นเท่านั้น ดังนั้นจึงมีข้อแลกเปลี่ยนใน ROI ที่คุณสามารถใช้ประโยชน์ได้โดยการกำหนดเป้าหมายกลุ่มที่กำหนดและความซับซ้อนส่วนเพิ่มที่นำมาใช้กับระบบ การรวมชื่อเข้ากับโทเค็นอีเมลที่กำหนดเองนั้นทำได้ง่าย (เครื่องมืออีเมลส่วนใหญ่จะทำทันที) แต่นั่นไม่ได้บอกคุณถึง ROI ของกฎการกำหนดเป้าหมายนั้น

ที่มา: Gmass

นั่นคือเหตุผลที่ แทนที่จะตั้งค่าส่วนบุคคลจำนวนมากเพียงเพราะคุณทำได้ คุณควรดูที่มันอย่างมีกลยุทธ์และเป็นระเบียบ โดยกำหนด ROI และประสิทธิภาพของการกำหนดเป้าหมายกลุ่มที่กำหนด

การแบ่งกลุ่มแบบคาดการณ์ล่วงหน้ากับตรรกะทางธุรกิจ

ฉันได้ลดศัพท์แสงบางส่วนเกี่ยวกับตรรกะการกำหนดเป้าหมายไปแล้ว เช่น "ตรรกะทางธุรกิจ" และ "การแบ่งกลุ่มแบบคาดการณ์ล่วงหน้า"

ตรรกะทางธุรกิจโดยพื้นฐานแล้วยืนอยู่ในอีกด้านหนึ่งของสเปกตรัมจาก แต่ทั้งสองวิธีมีจุดมุ่งหมายเดียวกัน นั่นคือ ระบุกลุ่มที่จะได้รับการปฏิบัติด้วยประสบการณ์ที่ปรับให้เหมาะกับแต่ละบุคคล

มานิยามสองขั้วนี้และความแตกต่างกัน

การแบ่งส่วนตรรกะทางธุรกิจ

“ตรรกะทางธุรกิจ” เป็นวิธีการปกติที่ผู้คนเลือกกฎการกำหนดเป้าหมาย ในวิธีนี้ คุณจะตัดสินใจโดยพื้นฐานว่ากลุ่มใดมีโอกาสสร้างผลกระทบสูงสุดโดยใช้ข้อมูลในอดีตและความสัมพันธ์ หรือตรรกะทางธุรกิจ กลยุทธ์ หรือความคิดเห็น มีสามวิธีหลักที่คุณจะได้รับกฎการกำหนดเป้าหมายตามตรรกะทางธุรกิจ:

• การปรับเปลี่ยนความคิดเห็นในแบบของคุณ
• การแบ่งส่วนหลังการทดสอบ
• การวิเคราะห์ข้อมูลเชิงสำรวจ

1. การปรับเปลี่ยนความคิดเห็นในแบบของคุณ

ตัวอย่างเช่น คุณอาจต้องการหลีกเลี่ยงการเรียกป๊อปอัปที่บุกรุกบนมือถือด้วยเหตุผลส่วนตัวล้วนๆ ไม่ใช่ประสบการณ์การใช้งานที่ดี ดังนั้นคุณจึงควรหลีกเลี่ยง คุณไม่จำเป็นต้องมีข้อมูลเพื่อคาดการณ์ปฏิกิริยาของกลุ่มนั้นด้วยซ้ำ

การปฏิบัติต่อผู้ใช้มือถือแตกต่างกันคือการใช้งานส่วนบุคคลทั่วไป

นี่เป็นวิธีการที่บริษัทส่วนใหญ่ใช้เมื่อพวกเขากล่าวว่าพวกเขากำลังทำการแบ่งส่วนหรือการปรับเปลี่ยนในแบบของคุณโดยใช้ข้อมูลเป็นหลัก พวกเขาเดาตามอำเภอใจว่ากลุ่มใดจะตอบสนองต่อประสบการณ์ใดและปรับแต่งตามความคิดเห็นของพวกเขา

2. การแบ่งส่วนหลังการทดสอบ

อย่างไรก็ตาม มีน้อยกว่า (แต่มีประสิทธิภาพมากกว่า) กำลังทำการทดสอบแล้วทำการวิเคราะห์หลังการทดสอบเพื่อดูว่ารูปแบบบางรูปแบบมีส่วนที่ส่งผลกระทบมากกว่าในบางกลุ่มหรือไม่

ลองนึกภาพว่าคุณกำลังทดสอบขั้นตอนการชำระเงินอีคอมเมิร์ซ

คุณตัดสินใจทดสอบตัวแปรหลายตัว – ตัวแปรหนึ่งมีชุดสัญลักษณ์ความเชื่อถือและความปลอดภัย ตัวหนึ่งมีป๊อปอัปที่ใช้ข้อความเร่งด่วน และอีกรุ่นหนึ่งไม่มีสัญลักษณ์ (เวอร์ชันดั้งเดิม)

หลังจากวิเคราะห์การทดสอบ คุณได้พิจารณาแล้วว่าเวอร์ชัน B "ชนะ" และมีการเพิ่มขึ้นประมาณ 10% ชัยชนะที่ยิ่งใหญ่

อย่างไรก็ตาม คุณเจาะลึกข้อมูลและดูกลุ่มที่มีผลกระทบสูง เช่น ผู้เข้าชมมือถือเทียบกับผู้เข้าชมเดสก์ท็อป ผู้เข้าชมที่กลับมาเทียบกับผู้เข้าชมใหม่ และผู้เยี่ยมชมจากสหรัฐฯ เทียบกับผู้เข้าชมนอกสหรัฐฯ

ในการทำเช่นนั้น คุณพบว่าผู้ใช้ iPhone แปลงจริงได้ดีกว่า 35% ในรุ่น B ผู้ใช้ iPhone เป็นตัวแทนของผู้ชมของคุณเป็นเปอร์เซ็นต์ที่สำคัญ ประมาณ 25% ของผู้เข้าชมทั้งหมด ซึ่งหมายความว่าการกระตุ้นประสบการณ์ส่วนบุคคลในกลุ่มนี้อาจคุ้มค่าและ ROI ในเชิงบวก

นอกจากนี้ จริง ๆ แล้ว ผู้ใช้ Android แปลงต่ำกว่า 20% ในตัวแปร B และสูงกว่าการควบคุมในตัวแปร C 15% ผู้ใช้ Android คิดเป็น 10% ของผู้ชมของคุณ ดังนั้นอีกครั้ง ประชากรที่ค่อนข้างใหญ่

ดังนั้นคุณจึงสามารถเปิดตัวตัวแปร B ได้เพราะมันชนะโดยรวม หรือคุณสามารถตั้งค่ากฎการกำหนดเป้าหมายเพื่อกระตุ้นให้ผู้ใช้ iPhone รับตัวแปร B และผู้ใช้ Android เพื่อรับตัวแปร C คนอื่นๆ จะได้รับต้นฉบับ

3. การวิเคราะห์ข้อมูลเชิงสำรวจและความสัมพันธ์

วิธีสุดท้ายที่คุณสามารถใช้ "ตรรกะทางธุรกิจ" สำหรับการแบ่งกลุ่มลูกค้าคือการสำรวจข้อมูลที่คุณเข้าถึงได้และค้นหาความสัมพันธ์ระหว่างลักษณะของกลุ่มและความน่าจะเป็นของ Conversion

ตัวอย่างเช่น คุณอาจพบว่าผู้ใช้ iPhone แปลงสูงกว่า หรือผู้ที่ดูวิดีโอบนหน้าแรกของคุณ หรือผู้ใช้ Android เพศชายจากแคนซัสที่กรอกแบบฟอร์มครึ่งหนึ่งและส่งคืน 3 ครั้งในหนึ่งสัปดาห์

นี่คือปัญหาของแนวทางนี้: ดูที่เซ็กเมนต์เพียงพอแล้วคุณจะพบความสัมพันธ์ นั่นคือปัญหาสัญญาณและเสียงรบกวน

ที่มา: Tyler Vigen

ปัญหาที่ใหญ่กว่าของแนวทางนี้คือความสัมพันธ์ไม่ได้หมายความถึงสาเหตุ

เพียงเพราะผู้เยี่ยมชมเดสก์ท็อปที่กลับมาจากแคลิฟอร์เนียมี Conversion สูงขึ้น ไม่ได้หมายความว่ากลุ่มนั้นควรค่าแก่การกำหนดเป้าหมายผ่านการปรับเปลี่ยนในแบบของคุณตามข้อมูล

ทางออกที่ดีที่สุดของคุณในโลกของตรรกะทางธุรกิจคือการทำการทดลองและค้นหากลุ่มที่มีมูลค่าสูงผ่านการแบ่งกลุ่มหลังการทดสอบ จากนั้น คุณคำนวณ ROI ของกฎการกำหนดเป้าหมายที่กำหนด และเรียกใช้การทดสอบติดตามผลที่กำหนดเป้าหมายเฉพาะกลุ่มนั้นเท่านั้น

จากนั้น คุณสามารถแยกแยะสาเหตุและ ROI ที่แท้จริงของการรักษากฎการกำหนดเป้าหมายนั้นได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับแนวทางนี้ โปรดอ่านบทแนะนำที่ยอดเยี่ยมของ Andrew Anderson ในหัวข้อนี้

การแบ่งส่วนทำนาย

การแบ่งกลุ่มแบบคาดการณ์ (หรือโดยชื่ออื่น การแบ่งกลุ่มแบบ "ขับเคลื่อนด้วยข้อมูล" หรือ "แบบ AI") พยายามที่จะลบสัญชาตญาณของมนุษย์และการวิเคราะห์ข้อมูลด้วยตนเองออกจากคำจำกัดความของกลุ่มและตั้งค่ากฎการกำหนดเป้าหมาย

มีหลายวิธีที่คุณสามารถกำหนดกลุ่มโดยใช้การเรียนรู้ของเครื่อง ขึ้นอยู่กับเป้าหมายของคุณและสิ่งที่คุณหวังว่าจะทำให้สำเร็จในกลุ่มเหล่านี้ ที่นี่เราจะครอบคลุมวิธีการหลักสามวิธี:

• การจัดกลุ่ม
• การจำแนกประเภท
• การทดลอง + การรวมการคาดการณ์

1. การจัดกลุ่ม

ก่อนอื่น หากคุณต้องการระบุและทำความเข้าใจลักษณะหรือกลุ่มผู้ใช้ที่แตกต่างกัน อัลกอริธึมการจัดกลุ่ม (หรือการเรียนรู้ของเครื่องที่ไม่ได้รับการดูแล) เป็นเทคนิคที่ใช้ในการจัดกลุ่มกลุ่มตามลักษณะทั่วไป

นี่คือสิ่งที่ฉันได้ทำงานที่ CXL Institute เมื่อสองสามปีก่อน

ที่มา: CXL

เราส่งแบบสำรวจไปยังฐานลูกค้าของเราด้วยการตอบสนองต่อมาตราส่วน ตัวแปรตามหมวดหมู่ และคำถามปลายเปิด จากนั้นฉันก็ประมวลคำตอบของพวกเขาและรันอัลกอริทึมการจัดกลุ่ม K หมายถึงกับพวกเขา

สิ่งนี้ระบุประมาณสามส่วนที่แตกต่างกันตามการตอบสนองของพวกเขา จากนั้นฉันจึงจัดวางข้อมูลเชิงลึกเชิงคุณภาพจากแต่ละส่วนเหล่านี้ และสัมภาษณ์บุคคลที่เป็นตัวแทนของแต่ละส่วนอย่างสูง สิ่งนี้ทำให้เราเข้าใจฐานลูกค้าที่มีอยู่ของเราอย่างลึกซึ้ง รวมถึงความต้องการ ความท้าทาย และพฤติกรรมที่แตกต่างกัน

หากคุณต้องการทำคลัสเตอร์ ให้รู้ว่าส่วนใหญ่เป็นการสำรวจและเพื่อสร้างความรู้ จะไม่บอกคุณถึง ROI ในการส่งการสื่อสารการตลาดส่วนบุคคลไปยังกลุ่มใดกลุ่มหนึ่งเหล่านี้ และจะไม่บอกคุณว่ากลุ่มใดมีแนวโน้มที่จะตอบสนองต่อประสบการณ์ใด ตัวอย่างเช่น คุณอาจพบว่าสมาชิกอีเมลบางกลุ่มเปิดอีเมลมากขึ้นและมีมูลค่าตลอดอายุการใช้งานสูงขึ้น แต่คุณยังต้องทำงานสร้างสรรค์ในการคิดเนื้อหาและประสบการณ์ใหม่ ๆ เพื่อทดสอบ

แต่เป็นชั้นฐานที่ดีในการเริ่มต้นด้วยการปรับเปลี่ยนในแบบของคุณตามข้อมูล

คุณจะต้องมีนักวิเคราะห์ที่ดีที่สามารถเขียนโค้ด R หรือ Python หรืออย่างน้อยต้องมีเครื่องมืออย่าง Squark ที่ไม่อนุญาตให้มีการวิเคราะห์เชิงคาดการณ์ของโค้ด

2. การจำแนกประเภท

แมชชีนเลิร์นนิงมีแนวโน้มที่จะมีการแบ่งแยกระหว่างการเรียนรู้ภายใต้การดูแลและการเรียนรู้ที่ไม่มีผู้ดูแล ในกรณีที่อัลกอริทึมการจัดกลุ่มไม่ได้รับการดูแล อัลกอริทึมการจัดหมวดหมู่จะถูกควบคุมดูแล

ที่มา: Tech Difference

ซึ่งหมายความว่าคุณมีชุดข้อมูลที่มี "คุณลักษณะ" ต่างๆ (ในกรณีของเรา นี่อาจเป็นข้อมูลต่างๆ เช่น ประเภทอุปกรณ์ หน้าที่เข้าชม ขนาดบริษัท หรือคุณลักษณะใดๆ ที่เราสามารถรวบรวมเกี่ยวกับผู้เยี่ยมชมได้) แล้วคุณจะมีผลลัพธ์ที่คุณ ต้องการคาดการณ์ (ในกรณีของเราคือ Conversion หรือรายได้หรือ LTV)

มีวิธีการและอัลกอริธึมจำนวนมากที่พยายามทำนายผลลัพธ์โดยพิจารณาจากคุณสมบัติของข้อมูล ซึ่งบางส่วนรวมถึงการถดถอยเชิงเส้น การถดถอยโลจิสติก ป่าสุ่ม และโครงข่ายประสาทเทียม

หากคุณต้องการใช้วิธีนี้ คุณจะต้องการนักวิเคราะห์ที่ยอดเยี่ยมที่สามารถจัดรูปแบบให้เข้ากับข้อมูลของคุณได้อย่างเหมาะสม (ไม่เช่นนั้น การคาดคะเนก็ไร้ประโยชน์) หรือซื้อเครื่องมืออย่าง Squark หรือ DataRobot เครื่องมือเหล่านี้ช่วยให้นักวิเคราะห์และนักธุรกิจสามารถปรับโมเดลต่างๆ ให้เข้ากับข้อมูลของตนและคาดการณ์ผลลัพธ์ได้โดยไม่ต้องเข้ารหัสอัลกอริทึมด้วยตนเอง

3. การทดลอง + การแบ่งส่วนการทำนาย

บ่อยครั้งวิธีที่ดีที่สุดในการค้นหากลุ่มผู้ใช้ที่ทำกำไรได้คือการทำการทดลองแบบควบคุมตามปกติและใช้เครื่องมือ (หรือวิธีการวิเคราะห์) ที่ตรวจจับกลุ่มที่มีแนวโน้มว่าจะเป็นไปได้

ตัวอย่างเช่น แนวปฏิบัติจะแสดงแผนภูมิการตัดสินใจที่ตีความได้สูง ซึ่งจะคำนวณความน่าจะเป็นของความสำเร็จในการแปลงสำหรับแต่ละกลุ่มที่สอดคล้องกับแต่ละรูปแบบที่คุณทดสอบ

คะแนนโบนัสหากเครื่องมือกำหนดเป้าหมายเชิงคาดการณ์ของคุณมีการแสดงภาพข้อมูลที่แสดงให้เห็นในภาพประกอบง่ายๆ ว่าคุณได้ตั้งค่ากฎการกำหนดเป้าหมายใดบ้าง และ ROI โดยประมาณ และความน่าจะเป็นที่ประสบความสำเร็จของกฎเหล่านี้

ที่มา: Conductrics

สิ่งนี้ยอดเยี่ยมเพราะคุณไม่เพียงได้รับความน่าจะเป็นของความสำเร็จเท่านั้น แต่คุณสามารถเลือกว่าจะกำหนดเป้าหมายกลุ่มนั้นตามมูลค่าของสิ่งนั้นหรือไม่

หุ่นยนต์ชายส่งคืนผู้เยี่ยมชมจากชนบทเคนตักกี้? อาจไม่คุ้มที่จะตั้งกฎการกำหนดเป้าหมายใหม่ แต่อาจคุ้มค่าที่จะกำหนดเป้าหมายชาวแคลิฟอร์เนียหากพวกเขาเป็นประชากรจำนวนมากและตอบสนองต่อประสบการณ์ที่ได้รับเป็นอย่างดี

วิธีเริ่มต้นใช้งานส่วนบุคคลที่ขับเคลื่อนด้วยข้อมูล

แม้ว่าการลงลึกในรายละเอียดส่วนตัวที่ขับเคลื่อนด้วยข้อมูลอาจเป็นเรื่องที่น่าดึงดูดใจ แต่ฉันแนะนำให้เริ่มช้าๆ

ไม่ทราบมูลค่าที่แท้จริงของกฎการปรับให้เป็นส่วนตัวใดๆ และบ่อยครั้งที่ผลตอบแทนส่วนเพิ่มของการปรับให้เป็นส่วนตัวที่เพิ่มขึ้นนั้นต่ำกว่าต้นทุนความซับซ้อนส่วนเพิ่มที่แนะนำ

ดังนั้น ฉันจะแนะนำแนวทางการปรับเปลี่ยนในแบบของคุณ 3 แบบเพื่อเพิ่มความซับซ้อน (และสมมติว่าขั้นตอน 'รวบรวมข้อมูล' เป็นเพียงการรับข้อมูลของคุณตามลำดับ และทรัพยากร/เครื่องมือที่จำเป็นในการมอบประสบการณ์ที่เป็นส่วนตัว)

ขั้นตอนที่หนึ่ง: เดิน

ดังนั้น ก่อนที่คุณจะลงทุนในเครื่องมือการกำหนดเป้าหมายเชิงคาดการณ์ คุณอาจต้องการใช้วิธีการของ Andrew Anderson ซึ่งอาจเป็นการต่อเนื่องง่ายๆ ของโปรแกรมการทดสอบปกติของคุณ (หมายเหตุด้านข้าง: ไม่มีการเข้าชมสำหรับการทดสอบใช่หรือไม่ การปรับเปลี่ยนในแบบของคุณไม่เหมาะกับคุณ ผลตอบแทนส่วนเพิ่มจะไม่คุ้มกับปริมาณการเข้าชมนั้น ตีวงสวิงใหญ่แทน)

นี่คือส่วนสำคัญของวิธีการ:

• สร้างการดำเนินการข้อความหรือประสบการณ์หลายครั้ง
• ให้บริการทั้งหมดกับทุกคนผ่านการทดลองควบคุม
• ดูผลลัพธ์ตามกลุ่มและคำนวณกำไรทั้งหมดโดยมอบประสบการณ์ที่แตกต่าง ตรวจสอบให้แน่ใจว่าคุณแก้ไขการเปรียบเทียบหลายรายการเมื่อวิเคราะห์หลายส่วน
• ผลักดันโอกาสในการสร้างรายได้สูงสุดที่พบ (หรือทำการทดสอบติดตามเฉพาะกลุ่มนั้นด้วยประสบการณ์ที่คุณทดสอบกับผู้ชมทั้งหมด)

คุณสามารถใช้แพลตฟอร์มการทดสอบ A/B เฉพาะหรือคุณสามารถใช้แพลตฟอร์มการตลาดอัตโนมัติแบบบูรณาการ ส่วนหลังจะช่วยคุณปรับแต่งข้อความในหลายช่องทาง ไม่ใช่แค่เว็บหรือแอพ และคุณสามารถเสนอคำแนะนำผลิตภัณฑ์ส่วนบุคคล เพิ่มรายได้และ CLTV ของคุณ ปรับปรุงเนื้อหา/การค้นพบผลิตภัณฑ์ และอื่นๆ อีกมากมาย

ขั้นตอนที่สอง: วิ่ง

หลังจากได้รับชัยชนะบางส่วนที่นี่ คุณอาจต้องการลงทุนในโซลูชันการวิเคราะห์เชิงคาดการณ์ที่ไม่มีโค้ด เช่น Squark (หรือหากคุณสามารถเขียนโค้ดอัลกอริทึมภายในองค์กรได้) กระบวนการพื้นฐานมีลักษณะดังนี้:

กำหนดตัวชี้วัดความสำเร็จของคุณ
รวบรวมและล้างข้อมูลของคุณ แยกชุดข้อมูลออกเป็นข้อมูลการฝึกอบรมและทดสอบ
ตรวจสอบให้แน่ใจว่าคุณมีมิติข้อมูลหรือคุณลักษณะมากมายในข้อมูลของคุณที่สามารถใช้เพื่อคาดการณ์ผลลัพธ์ได้
กำหนดว่าคุณลักษณะใดเป็นตัวทำนายความสำเร็จของคุณ
คำนวณ ROI ของการปรับแต่งประสบการณ์สำหรับกลุ่มเหล่านั้น อีกอย่าง ถ้าประชากรน้อยเกินไป อาจจะไม่คุ้ม

ตอนนี้ส่วนสำคัญ: เมื่อคุณกำหนดคุณลักษณะหรือมิติข้อมูลที่สามารถคาดการณ์ความสำเร็จได้ (กล่าวคือเป็นผู้เข้าชมที่กลับมา) คุณยังไม่ทราบว่าประสบการณ์ใดมีแนวโน้มที่จะทำงานในส่วนนั้นมากกว่า

งานหนักยังคงอยู่ นั่นคือ การสร้างประสบการณ์ใหม่ที่ยอดเยี่ยมและดำเนินการทดลองเพื่อกำหนดประสิทธิภาพและ ROI ของประสบการณ์ใหม่ของคุณ

คุณยังคงต้องการลงทุนในโซลูชันการแสดงเนื้อหาที่นี่ เช่น WebEngage เพื่อกำหนดเป้าหมายกลุ่มเฉพาะ

ขั้นตอนที่สาม: บิน

สุดท้ายนี้ หากคุณต้องการรวมการกำหนดเป้าหมายที่คาดการณ์ไว้ในขั้นตอนการทดสอบและการเพิ่มประสิทธิภาพตามปกติ คุณจะไม่สามารถเอาชนะเครื่องมืออย่าง Conductrics หรือ Dynamic Yield ได้ เครื่องมือเหล่านี้จะช่วยคุณระบุกลุ่มและมอบประสบการณ์ที่ปรับให้เหมาะกับคุณ ในขณะเดียวกันก็ให้กฎการตัดสินใจที่ตีความได้และรายงานการระบุแหล่งที่มาของ ROI

บทสรุป

ในโลกที่มีแต่พาดหัวข่าวและการพูดคุยในที่ประชุมเกี่ยวกับปัญญาประดิษฐ์ที่เป็นตัวเงิน คุณอาจแปลกใจที่ทราบว่ากระบวนการ

สามารถช่วยให้คุณใช้ประโยชน์จากข้อมูลของคุณและประหยัดเวลาได้มาก (และข้อผิดพลาด) คุณสามารถระบุกลุ่มที่ทำกำไรได้ง่ายและแม่นยำยิ่งขึ้น ตราบใดที่คุณมีข้อมูลที่เหมาะสมและสามารถเข้าถึงได้เมื่อคุณต้องการ

อย่างไรก็ตาม ไม่สามารถตัดสินใจได้ว่าจะใช้ประโยชน์จากส่วนนั้นหรือไม่ คุณยังต้องชั่งน้ำหนักข้อดีข้อเสีย ต้นทุน และประโยชน์ที่ได้รับ

อย่างไรก็ตาม โชคดีที่กระบวนการระบุและจัดกลุ่มไม่เคยง่ายอย่างนี้มาก่อน และการส่งมอบและจัดการประสบการณ์ที่แตกต่างกันหลายรายการไม่เคยง่ายอย่างนี้มาก่อน เครื่องมือการตลาดอัตโนมัติสามารถเสียบเข้ากับแหล่งข้อมูลหรือ CRM ของคุณได้ คุณสามารถจัดการและมอบประสบการณ์ส่วนบุคคลแบบไม่จำกัดผ่านช่องทางใดก็ได้ที่คุณต้องการ ไม่ว่าจะเป็นโฆษณาแบบเสียเงิน โซเชียล เว็บ พุช อีเมล ฯลฯ

เป็นเวลาที่ดีในการเป็นนักการตลาดที่ขับเคลื่อนด้วยข้อมูล

i แหล่งที่มาของรูปภาพ: WebEngage

ใช้ประโยชน์จากพลังของระบบอัตโนมัติสำหรับธุรกิจของคุณ

ด้วยคุณสมบัติการแบ่งส่วนการคาดการณ์และการสนับสนุนลูกค้าที่มีคุณภาพ!

ขอการสาธิต