Tahmine Dayalı Segmentasyon: Gerçek Veriye Dayalı Kişiselleştirmeye Başlarken

Avinash Kaushik'in dediği gibi, "Toplu olarak tüm veriler saçmalıktır." Segmentasyon ve veriye dayalı kişiselleştirme, pazarlamacıların ve ürün yöneticilerinin emrinde olan en güçlü araçlardan bazılarıdır.

Her ziyaretçiye veya kullanıcıya aynı şekilde davranmak yerine, kullanıcılarınızın benzersiz davranışsal, psikografik, demografik ve firmaografik özelliklerine dayalı deneyimler sunabilirsiniz.

Bu noktada, herkesin segmentasyon fikrinin yanı sıra mantıksal uzantısı - kişiselleştirme fikrine kapıldığını düşünüyorum.

Aslında, bir Evergage araştırmasına göre, "Pazarlamacıların %92'si pazarlamalarında kişiselleştirme tekniklerini kullandıklarını bildirdi, ancak pazarlamacıların %55'i etkili kişiselleştirme uygulamak için yeterli müşteri verisine sahip olduklarını düşünmüyor."

Segmentasyon ve kişiselleştirmenin ardındaki teori, genellikle yürütme gerçeğinden daha pembedir. Gerçekte, bir kişiselleştirme programının çalışması için üç temel bileşene ihtiyacınız vardır.

Bu makale bu temel esasları gözden geçirecek ve ardından geleneksel segmentasyon ile tahmine dayalı segmentasyon (makine öğrenimi tarafından yönlendirilen) arasındaki farkı açıklayacağım.

1. Tahmini Segmentasyon Nedir?
2. Veri, İçerik ve Hedefleme Kuralları: Kişiselleştirmenin Temelleri
   • Veri
   • İçerik
   • Hedefleme Mantığı
3. Tahmine Dayalı Segmentasyon ve İş Mantığı
4. İş Mantığı Segmentasyonu
• Fikir odaklı kişiselleştirme
• Test sonrası segmentasyon
• Keşifsel veri analizi ve korelasyonlar
5. Tahmini Segmentasyon
• kümeleme
• sınıflandırma
• Deneme + Tahmine Dayalı Segmentasyon
6. Veriye Dayalı Kişiselleştirmeye Nasıl Başlanır?
• Birinci Aşama: Yürümek
• İkinci Aşama: Koş
• Üçüncü Aşama: Uçmak

Bu makalenin sonunda, veriye dayalı kişiselleştirmenin ve tahmine dayalı segmentasyonun nasıl uygulanacağı konusunda iyi bir fikre sahip olacaksınız.

İlk olarak, 'Tahmini Segmentasyon' nedir?

Yüksek düzeyde segmentasyon, bir şeyi ayrı parçalara veya bölümlere ayırma işlemidir.

Kaynak: CXL

“Bölümlendirme” dediğimizde, genellikle “pazar bölümlendirme” veya “müşteri bölümlendirme” veya belki de “davranışsal bölümleme”yi kastediyoruz. Bu tür segmentasyon, müşterilerin bir alt grubunu veya bölümünü diğerinden ayıran özellikleri belirleme ve tanımlama sürecidir.

Bu genellikle iş mantığı ile yapılır. Örneğin, mobil cihaz kullanıcıları masaüstü kullanıcılarından ayrı bir segmenttir diyebiliriz. Veya daha yaygın olarak, ziyaretçileri coğrafi temsile göre gruplandırabiliriz: NAM ve EMEA kullanıcıları.

Bu yöntemde, genellikle izlediğiniz bir hedef veya sonuç vardır ve alt grupların bu hedefle ilgili olarak paylaştığı ortak özellikleri belirlemek için geriye doğru çalışabilirsiniz.

Örneğin, blogunuzda “e-posta listesi kayıt dönüşümlerini” izleyebilirsiniz. Tahmine dayalı segmentasyon, blogunuzu ziyaret ederken tutarlı davranan farklı gruplar olduğunu keşfedebilir.

Bir grup mobil ziyaretçi, sitede çok az zaman geçirme eğilimindedir ve yüksek oranda geri döner. Organik kanallardan gelen başka bir masaüstü ziyaretçi grubu çok az zaman harcıyor ve benzer şekilde yüksek bir oranda hemen çıkıyor.

Veri analizini kullanarak bu segmentleri kendi başınıza keşfedebilirsiniz, ancak tahmine dayalı segmentasyon araçları bu kullanıcı segmentlerini belirlemeye ve kümelemeye çalışır. Genellikle bunun gibi araçlar, kişiselleştirme kurallarını tetikleyebilmeniz için bu segmentlerin yapacağı işlemleri tahmin etmeye çalışır.

Veri, İçerik ve Hedefleme Kuralları: Kişiselleştirmenin Temelleri

Kişiselleştirilmiş deneyimleri farklı kullanıcı segmentlerine başarılı bir şekilde sunmak için üç bileşene ihtiyacınız var:

• Veri
• İçerik
• Hedefleme Mantığı

1. Veri

Segmentasyon ve kişiselleştirme söz konusu olduğunda veriler her şeyin temelini oluşturur.

İhtiyaç duyduğunuz verilere ihtiyacınız olduğunda sahip değilseniz, onlar için kişiselleştirilmiş deneyimleri tetiklemek şöyle dursun, kullanıcı segmentlerini belirleyemezsiniz. Ek olarak, verileriniz kesin değilse ve/veya eksikse, kişiselleştirmeniz etkisiz olabilir.

Bu nedenle, herhangi bir segmentasyon yapmadan önce şu üç şeyi doğrulayın:

• • İhtiyacınız olan her şeyi ölçüyor musunuz? Düzgün ayarlanmış hedefleriniz, özel boyutlarınız vb. var mı? Verileriniz “tamamlandı” mı?
  • Verileriniz güvenilir mi? %100 'doğru' olması gerekmez, ancak günlük kaydında tutarlı ve kesin mi?
  • Verilerinize ihtiyacınız olduğunda erişilebilir mi? Verilerinizden içgörü elde etmek için ne kadar temizlik ve hazırlık yapmanız gerekiyor? Toplu ve diğer kaynaklarla (sosyal, web, e-posta, müşteri verileri) bağlantılı mı? Hemen kullanılabilecek ve analiz edilebilecek bir yerde saklanıyor mu?

Ayrıca, veri kaynaklarınızı bazı merkezi depolama tablolarına bağlamak isteyeceksiniz. Günümüzde, Hull.io ve Segment gibi müşteri veri platformları (CDP'ler) oyunun adıdır, ancak pazarlama ve müşteri verilerinizi merkezileştirmek, depolamak ve operasyonel hale getirmek için HubSpot gibi CRM'leri de kullanabilirsiniz.

Satın alma öncesi verilerinizi satın alma sonrası verilerinize bağladığınızda bunlar önem kazanır. Bu, tahmin edilen yaşam boyu değeri veya kayıp oranı gibi önemli iş metriklerine dayalı olarak segmentleri tanımlamanıza olanak tanır.

2. İçerik

İçerik kısmı çok daha kolaydır.

Esasen kişiselleştirme yapmak istiyorsanız öncelikle veri kaynaklarınızı kullanarak bir kullanıcı segmenti tanımlıyorsunuz. Ardından, o segmente sunmak için yeni bir deneyim de oluşturmanız gerekir.

Yeni içerik veya deneyimler oluşturmak, hem zaman hem de para açısından kaynak gerektirir. Ayrıca, ne kadar çok içerik ve deneyim sunarsanız ve yönetirseniz, kuruluşunuzda o kadar karmaşıklık yaratırsınız.

Conductrics CEO'su Matt Gershoff, Digital Analytics Power Hour podcast'inde bununla ilgili harika bir benzetme yaptı.

Kişiselleştirmeyi esasen bir çoklu evren yaratmak olarak tanımladı.

Web sitenizin bir versiyonunu herkese çalıştırmak, tek bir evrene sahip olmak gibidir ve belki de bir A/B testi, paralel bir evrende (veya "versiyon B") hayatın nasıl görüneceğini görmek için bir karşı olgusal çalıştırmanıza izin verir.

Bir A/B testinde, hedef dönüşümünüz tarafından tanımlanan şekilde B sürümünün ziyaretçileriniz için daha iyi bir "evren" olup olmadığını görmek istersiniz ve bunun gerçekten optimal olduğunu bulursanız, A evrenini (orijinal) kapatırsınız ve tekrar tekil bir evrene yeniden girin.

Bununla birlikte, birden fazla benzersiz segmente sunulan birden çok içerik varyantı, deneyimlerin bu segmentlere özgü olduğu birkaç farklı evreni açık tutmak gibidir.

Bunun büyüsü, her bir segmentin değerini ve deneyimlerini artırarak web sitenizin değerini artırabilmenizdir, ancak binlerce “evreni” açmanın hem tüm bunları oluşturmak hem de yönetmek açısından nasıl maliyetli olacağını anlayabilirsiniz. deneyimler.

3. Hedefleme Mantığı

Son olarak, içerik oluşturmak için faydalı verileriniz ve kaynaklarınız varsa, hedefleme veya kişiselleştirme mantığını kullanıcı segmentlerine tam olarak nasıl tetiklediğinizi belirlemeniz gerekir.

Verileri deneyimlerle bu şekilde ilişkilendirirsiniz.

İş mantığını kullanabilir (belirli segmentlerin belirli değerlere sahip olması gerektiğini varsayarak – hatta onları A/B testi bile yapabilirsiniz) veya kullanıcılarınızı farklı gruplara, yani en değerli kullanıcılar, ayrılmak üzere sınıflandırmak için makine öğrenimi ve tahmine dayalı segmentasyon/RFM'yi tanıtabilirsiniz. kullanıcılar, hareketsiz kullanıcılar vb. RFM segmentasyonunu kullanarak, hangi kullanıcı segmentlerinin hangi içerik deneyimlerine daha değişken yanıt verdiğini de öğrenebilirsiniz.

Teknik olarak bu adım için ya veri tabanınıza bağlı ya da veri tabanınızla bütünleşebilen ve veri tabanından çekebilen bir içerik dağıtım sistemine ihtiyacınız var. WebEngage, CRM'inize sorunsuz bir şekilde bağlanabilen ve E-posta, SMS, WhatsApp, Facebook, Mobil ve Web Push ve daha fazlası gibi kanallarda kullanıcılarınızla 1:1 temelinde etkileşim kurmanıza yardımcı olan tam kapsamlı bir pazarlama otomasyonu ve saklama işletim sistemidir.

Yine de, ne kadar çok hedefleme kuralı tetiklerseniz, oluşturduğunuz sistem o kadar karmaşık olur. Dolayısıyla, belirli bir segmenti ve sisteme tanıtılan marjinal karmaşıklığı hedefleyerek yararlanabileceğiniz yatırım getirisinde bir ödünleşim vardır. Adları özel e-posta belirteçleriyle birleştirmek kolaydır (çoğu e-posta aracı bunu artık kutudan çıkarmaktadır), ancak bu size o hedefleme kuralının yatırım getirisini söylemez.

Kaynak: GMass

Bu nedenle, sırf yapabildiğiniz için tonlarca kişiselleştirme ayarlamak yerine, belirli bir segmenti hedeflemenin yatırım getirisini ve verimliliğini belirleyerek buna stratejik ve metodolojik olarak bakmalısınız.

Tahmine Dayalı Segmentasyon ve İş Mantığı

"İş mantığı" ve "tahmini segmentasyon" gibi hedefleme mantığıyla ilgili bazı jargonları zaten bıraktım.

İş mantığı, temelde "veriye dayalı kişiselleştirme", "tahmini segmentasyon" veya "makine öğrenimi tabanlı kişiselleştirme" yelpazesinin diğer tarafında yer alır. Ancak bu yöntemlerin her ikisi de aynı amaca sahiptir: kişiselleştirilmiş deneyimlerle tedavi edilecek segmentleri belirleyin.

Bu iki kutbu ve nasıl farklı olduklarını tanımlayalım.

İş Mantığı Segmentasyonu

"İş mantığı", insanların hedefleme kurallarını seçtiği genel yöntemdir. Bu yöntemde, temel olarak, geçmiş verileri ve korelasyonları veya iş mantığını, stratejisini veya görüşleri kullanarak hangi segmentlerin en yüksek etki fırsatlarına sahip olduğuna karar verirsiniz. İş mantığı hedefleme kurallarını elde etmenin üç ana yolu vardır:

• Fikir odaklı kişiselleştirme
• Test sonrası segmentasyon
• Keşifsel veri analizi

1. Fikir odaklı kişiselleştirme

Örneğin, tamamen öznel nedenlerle mobil cihazlarda istilacı bir açılır pencereyi tetiklemekten kaçınmak isteyebilirsiniz. Bu iyi bir kullanıcı deneyimi değil, bu yüzden bundan kaçınırsınız. O segmentin tepkisini tahmin etmek için verilere bile ihtiyacınız yok.

Mobil kullanıcılara farklı davranmak, kişiselleştirmenin yaygın bir kullanımıdır

Bu, şirketlerin büyük çoğunluğunun segmentasyon veya veriye dayalı kişiselleştirme yaptıklarını söylerken kullandıkları yöntemdir. Hangi segmentin hangi deneyime olumlu yanıt vereceğini keyfi olarak tahmin eder ve kendi görüşlerine göre kişiselleştirirler.

2. Test sonrası segmentasyon

Bununla birlikte, daha az yaygın olan (ancak daha etkili), bir deney yürütmek ve ardından belirli varyasyonların belirli segmentler üzerinde daha yüksek etki alanlarına sahip olup olmadığını anlamak için son test analizi yapmaktır.

Bir e-ticaret ödeme akışı üzerinde bir test yaptığınızı hayal edin.

Birden fazla varyantı test etmeye karar verdiniz - bir varyant bir dizi güven ve güvenlik sembolüne sahip, biri aciliyet mesajlarını kullanan bir açılır pencereye sahip ve diğeri sembolsüz (orijinal versiyon).

Denemeyi analiz ettikten sonra, B versiyonunun "kazandığını" ve tahmini %10'luk bir artışa sahip olduğunu belirlediniz. Harika bir galibiyet.

Bununla birlikte, verileri inceler ve mobil ve masaüstü ziyaretçileri, geri gelen ve yeni ziyaretçiler ve ABD'den gelen ziyaretçiler ile ABD'li olmayan ziyaretçiler gibi yüksek etkili segmentlere bakarsınız.

Bunu yaparken, iPhone kullanıcılarının B varyantında %35 daha iyi dönüşüm sağladığını keşfettiniz. iPhone kullanıcıları, hedef kitlenizin önemli bir yüzdesini, yani tüm ziyaretçilerin yaklaşık %25'ini temsil ediyor. Bu, bu segment için kişiselleştirilmiş bir deneyimi tetiklemenin faydalı olabileceği ve yatırım getirisinin olumlu olabileceği anlamına gelir.

Ayrıca, Android kullanıcıları aslında B varyantında %20 daha düşük ve C varyantında kontrole göre %15 daha yüksek dönüşüm sağladı. Android kullanıcıları kitlenizin %10'unu temsil ediyor, yani yine oldukça büyük bir popülasyon.

Yani toplamda kazandığı için B varyantını başlatabilirsiniz. Veya alternatif olarak, iPhone kullanıcılarını B varyantı almaya ve Android kullanıcılarını C varyantı almaya tetiklemek için hedefleme kuralları oluşturabilirsiniz. Diğer herkes orijinali alır.

3. Keşifsel veri analizi ve korelasyonlar

Segmentasyon için "iş mantığını" kullanmanın son yolu, erişiminiz olan verileri keşfetmek ve segment özellikleri ile dönüşüm olasılığı arasındaki korelasyonları aramaktır.

Örneğin, iPhone kullanıcılarının daha yüksek dönüşüm sağladığını görebilirsiniz. Veya ana sayfanızda video izleyen kişiler. Veya form alanlarınızın yarısını dolduran ve bir haftada 3 kez dönen Kansaslı erkek Android kullanıcıları.

İşte bu yaklaşımla ilgili sorun: Yeterli segmente bakın ve bir korelasyon bulacaksınız. Bu bir sinyale karşı gürültü sorunu.

Kaynak: Tyler Vigen

Bu yaklaşımla ilgili daha büyük sorun, korelasyonun nedensellik anlamına gelmemesidir.

California'dan gelen bir masaüstü ziyaretçisinin daha yüksek dönüşüm sağlaması, bunun veriye dayalı kişiselleştirme yoluyla hedeflemeye değer bir segment olduğu anlamına gelmez.

İş mantığı dünyasında yapabileceğiniz en iyi şey, deneyler yapmak ve test sonrası segmentasyon yoluyla yüksek değerli segmentleri keşfetmektir. Ardından, belirli bir hedefleme kuralının YG'sini hesaplar ve yalnızca o segmenti hedefleyen bir takip denemesi çalıştırırsınız.

Ardından nedenselliği ve bu hedefleme kuralını sürdürmenin gerçek yatırım getirisini ortaya çıkarabilirsiniz. Bu yaklaşım hakkında daha fazla bilgi için, Andrew Anderson'ın konuyla ilgili harika anlatımını okuyun.

Tahmini Segmentasyon

Tahmine dayalı segmentasyon (veya başka bir adla "veriye dayalı" veya "AI tabanlı" segmentasyon), insan sezgisini ve manuel veri analizini segment tanımından çıkarmayı ve hedefleme kurallarını ayarlamayı amaçlar.

Makine öğrenimini kullanarak segmentleri tanımlamanın birkaç yolu vardır. Bu sadece hedeflerinizin ne olduğuna ve bu segmentlerle neyi başarmayı umduğunuza bağlıdır. Burada üç temel yöntemi ele alacağız:

• kümeleme
• sınıflandırma
• Deneme + tahmine dayalı havuzlama

1. Kümeleme

İlk olarak, yalnızca farklı kullanıcı karakterlerini veya segmentlerini belirlemek ve anlamak istiyorsanız, kümeleme algoritmaları (veya denetimsiz makine öğrenimi), ortak özelliklere dayalı olarak segmentleri bir araya getirmek için kullanılan bir tekniktir.

Bu, birkaç yıl önce CXL Enstitüsü'nde üzerinde çalıştığım bir şey.

Kaynak: CXL

Ölçek yanıtları, kategorik değişkenler ve açık uçlu sorulardan oluşan bir karışımla müşteri tabanımıza anketler gönderdik. Daha sonra yanıtlarını kodladım ve üzerlerinde K Means kümeleme algoritmasını çalıştırdım.

Bu, yanıtlarına dayalı olarak kabaca üç farklı segment tanımladı. Daha sonra, bu bölümlerin her birinden elde edilen niteliksel içgörüler üzerine katmanlar oluşturdum ve her bir bölümü yüksek oranda temsil eden kişilerle görüştüm. Bu, mevcut müşteri tabanımızı ve onların farklı arzularını, zorluklarını ve davranışlarını derinlemesine anlamamızı sağladı.

Kümeleme yapmak istiyorsanız, bunun çoğunlukla keşif amaçlı ve bilgi oluşturma amaçlı olduğunu bilin. Size bu segmentlerden birine kişiselleştirilmiş pazarlama iletişimi göndermenin yatırım getirisini veya hangi segmentlerin hangi deneyimlere yanıt vereceğini söylemez. Örneğin, belirli bir e-posta abonesi segmentinin daha fazla e-posta açtığını ve yaşam boyu değeri daha yüksek olduğunu görebilirsiniz, ancak yine de test etmek için yeni içerik ve deneyimler tasarlama yaratıcı işini yapmanız gerekir.

Ancak, veriye dayalı kişiselleştirme ile başlamak için iyi bir temel katmandır.

Ayrıca R veya Python kodlayabilen iyi bir analiste veya en azından Squark gibi hiçbir kod tahmin analitiğine izin vermeyen bir araca ihtiyacınız olacak.

2. Sınıflandırma

Makine öğrenimi, denetimli ve denetimsiz öğrenme arasında tanımlanma eğilimindedir. Kümeleme algoritmalarının denetlenmediği durumlarda, sınıflandırma algoritmaları denetlenir.

Kaynak: Teknik farklılıklar

Bu, çeşitli "özellikler" içeren bir veri kümeniz olduğu anlamına gelir (bizim durumumuzda bu, cihaz türü, ziyaret edilen sayfalar, şirket boyutu veya ziyaretçiler hakkında toplayabileceğimiz herhangi bir özellik gibi şeyler olabilir) ve ardından şu sonuçları elde edersiniz: tahmin etmek istiyorum (bizim durumumuzda, dönüşümler veya gelir veya YBD).

Bazıları doğrusal regresyonlar, lojistik regresyonlar, rastgele ormanlar ve sinir ağlarını içeren veri özelliklerine dayalı sonuçları tahmin etmeye çalışan çok sayıda metodoloji ve algoritma vardır.

Bu yöntemi kullanmak istiyorsanız, bir modeli verilerinize düzgün bir şekilde sığdırabilecek (aksi takdirde tahminler işe yaramaz) veya Squark veya DataRobot gibi bir araç satın alabilecek harika bir analist isteyeceksiniz. Bu araçlar, analistlerin ve iş adamlarının, algoritmaları kendileri kodlamadan verilerine farklı modeller uydurmasını ve sonuçları tahmin etmesini sağlar.

3. Deney + Tahmine Dayalı Segmentasyon

Genellikle, kazançlı kullanıcı segmentleri bulmanın en iyi yolu, normal kontrollü deney sürecinizi sürdürmek ve gelecek vaat eden segmentleri tespit eden bir araç (veya analiz yöntemi) kullanmaktır.

Örneğin, Conductrics, test ettiğiniz her bir değişkene karşılık gelen bireysel segmentler için dönüşüm başarısı olasılıklarını hesaplayan, oldukça yorumlanabilir bir karar ağacı gösterir.

Tahmine dayalı hedefleme aracınızda, basit çizimlerle, hangi hedefleme kurallarını belirlediğinizi ve bu kuralların tahmini YG'sini ve başarı olasılığını gösteren veri görselleştirmesi varsa, bonus puanlar.

Kaynak: İletkenler

Bu harika çünkü yalnızca başarı olasılığını elde etmekle kalmaz, aynı zamanda değerine göre o segmenti hedefleyip hedeflememeyi seçebilirsiniz.

Erkek android, Kentucky'nin kırsalından gelen ziyaretçileri geri mi getiriyor? Belki de yeni bir hedefleme kuralı oluşturmaya değmez. Ancak, kalabalık bir nüfusa sahiplerse ve belirli bir deneyime çok olumlu yanıt veriyorlarsa, belki de Kaliforniyalıları hedeflemeye değer.

Veriye Dayalı Kişiselleştirmeye Nasıl Başlanır?

Veriye dayalı kişiselleştirmenin derinlerine dalmak cazip gelse de, yavaş başlamanızı öneririm.

Herhangi bir kişiselleştirme kuralının gerçek değerinin ne olduğu bilinmiyor ve çoğu zaman artan kişiselleştirmenin marjinal getirileri, getirilen marjinal karmaşıklık maliyetinin gerisinde kalıyor.

Bu nedenle, artan karmaşıklık için üç kişiselleştirme yaklaşımı sunacağım (ve "tarama" aşamasının yalnızca verilerinizi ve kişiselleştirilmiş deneyimler sunmak için gereken kaynakları/araçları almak olduğunu varsayalım).

Birinci Aşama: Yürümek

Bu nedenle, tahmine dayalı bir hedefleme aracına yatırım yapmadan önce, normal deneme programınızın basit bir devamı olabilecek Andrew Anderson'ın metodolojisini kullanmak isteyebilirsiniz (yan not: deneyler için trafiğiniz yok mu? Kişiselleştirme size göre değil. bu trafik seviyesinde marjinal getiriler buna değmez. Bunun yerine büyük dalgalanmalar yakalayın).

İşte metodolojinin özü:

• Mesajın veya deneyimin birden çok uygulamasını oluşturun
• Tüm teklifleri kontrollü bir deney yoluyla herkese sunun
• Sonuçlara segment bazında bakın ve farklılaştırılmış bir deneyim vererek toplam kazancı hesaplayın. Birçok segmenti analiz ederken çoklu karşılaştırmaları düzelttiğinizden emin olun.
• Bulunan en yüksek gelir getiren fırsatı yayınlayın (veya tüm kitle üzerinde test ettiğiniz deneyimlerle yalnızca o segmentte bir takip denemesi çalıştırın).

Özel A/B test platformlarını kullanabilir veya entegre bir pazarlama otomasyon platformu kullanabilirsiniz. İkincisi, yalnızca web veya uygulamada değil, birden çok kanaldaki mesajları kişiselleştirmenize yardımcı olur ve kişiselleştirilmiş ürün önerileri sunabilir, gelirinizi ve CLTV'nizi artırabilir, içerik/ürün keşfini iyileştirebilir ve çok daha fazlasını yapabilirsiniz.

İkinci Aşama: Koş

Burada bazı kazançlar elde ettikten sonra, Squark gibi kodsuz bir tahmine dayalı analitik çözümüne yatırım yapmak isteyebilirsiniz (veya algoritmaları elbette kurum içinde kodlayabiliyorsanız). Temel süreç şuna benzer:

Başarı metriklerinizi belirleyin
Verilerinizi toplayın ve temizleyin, veri kümenizi eğitim ve test verilerine ayırın.
Verilerinizde sonucu tahmin etmek için kullanılabilecek sayısız boyut veya özellik bulunduğundan emin olun.
Hangi özelliklerin başarı metriklerinizi öngördüğünü belirleyin.
Bu segmentler için deneyimlerin kişiselleştirilmesinin yatırım getirisini hesaplayın. Yine, nüfus çok küçükse, buna değmeyebilir.

Şimdi önemli kısım: Başarıyı öngören bir özellik veya boyut tanımladıktan sonra (geri gelen ziyaretçiler olduğunu söyleyin), o segment üzerinde hangi deneyimlerin daha fazla işe yarayacağını hala anlamadınız.

Zor iş hala devam ediyor: yani, yeni deneyimlerinizin etkinliğini ve yatırım getirisini belirlemek için yeni harika deneyimler yaratmak ve deneyler yürütmek.

Belirli segmentleri hedeflemek için yine de burada WebEngage gibi bir içerik dağıtım çözümüne yatırım yapmak isteyeceksiniz.

Üçüncü Aşama: Uçmak

Son olarak, tahmine dayalı hedeflemeyi normal deneme ve optimizasyon iş akışınıza dahil etmek istiyorsanız, İletkenlik veya Dinamik Verim gibi bir aracı yenemezsiniz. Bu araçlar, segmentleri belirlemenize ve kişiselleştirilmiş deneyimler sunmanıza yardımcı olurken, size yorumlanabilir karar kuralları ve yatırım getirisi ilişkilendirme raporları sunar.

Çözüm

Yapay zekanın gümüş bir kurşun olduğuna dair manşetlerin ve konferans konuşmalarının hakim olduğu bir dünyada, “veriye dayalı kişiselleştirme” veya “öngörüye dayalı segmentasyon” sürecinin sizin için tüm işi yapmadığını öğrenmek sizi şaşırtabilir.

Verilerinizden yararlanmanıza ve çok zaman kazanmanıza (ve hatalardan) yardımcı olabilir. Uygun verilere sahip olduğunuz ve ihtiyaç duyduğunuzda bu verilere erişebildiğiniz sürece, kârlı segmentleri daha kolay ve doğru bir şekilde belirleyebilirsiniz.

Ancak, o segmenti kullanıp kullanmama konusunda sizin yerinize karar veremez. Yine de artıları ve eksileri, maliyetleri ve faydaları tartmanız gerekecek.

Neyse ki, segmentleri belirleme ve gruplama süreci hiç bu kadar kolay olmamıştı ve birden fazla farklı deneyimi sunmak ve yönetmek hiç bu kadar kolay olmamıştı. Veri kaynağınıza veya CRM'nize bir pazarlama otomasyon aracı takılabilir. Ücretli reklamlar, sosyal medya, web, push, e-posta vb. herhangi bir kanal aracılığıyla sınırsız kişiselleştirilmiş deneyimleri yönetebilir ve sunabilirsiniz.

Veri odaklı bir pazarlamacı olmak için harika bir zaman.

i Resim kaynağı: WebEngage

İşletmeniz İçin Otomasyonun Gücünden Yararlanın

Tahmine dayalı segmentasyon özellikleri ve kaliteli müşteri desteği ile!

Demo Talep Et