Spouštíte e-mailovou kampaň pro 100 000 odběratelů. Všem pošlete stejnou zprávu. Konvertují 2 %. Teď si představte, že byste před odesláním dokázali předpovědět, kterých 10 000 odběratelů bude mít skutečně zájem, a poslali jim silnější nabídku. Z těch 10 000 byste konvertovali 8 % (800 lidí) místo 2 % ze 100 000 (2 000 lidí). Protože jste ale vynechali 90 000 nezainteresovaných, vaše náklady na získání zákazníka klesly o 75 %. To je prediktivní segmentace: seskupování návštěvníků podle toho, co pravděpodobně udělají dál, a ne jen podle toho, co udělali dřív.
Prediktivní segmentace používá strojové učení k určení, kteří návštěvníci v budoucnu provedou nějakou akci (nakoupí, odejdou, přejdou na vyšší tarif, doporučí vás). Základní segmentace dělí návštěvníky do skupin podle minulého chování (zeměpisná poloha, zdroj návštěvnosti, navštívené stránky). Prediktivní segmentace je dělí podle předpovídaného budoucího chování (pravděpodobnost nákupu, pravděpodobnost odchodu, předpověď celoživotní hodnoty). Rozdíl v dopadu na podnikání je obrovský.
Jak AI seskupuje návštěvníky jinak než vy ručně?
Vezměte jakýkoli analytický přehled a najdete stejnou segmentaci: zdroj návštěvnosti, typ zařízení, zeměpisná poloha, možná nějaké segmenty chování. To jsou užitečné segmenty. Jsou ale založené na tom, co jste se rozhodli sledovat a co jste ručně usoudili, že je důležité. Podívejte se, co zvládne systém AI se stejnými daty, a zjistíte, že seskupuje návštěvníky podle vzorců, kterých byste si nikdy nevšimli.
Ruční segmentace je omezená tím, co vás napadne měřit. Segmentujete podle „uživatelé z placených reklam“ a „uživatelé z organického vyhledávání“. To jsou zjevné skupiny. Segmentace s AI se ptá: kteří z uživatelů z placených reklam konvertují a kteří ne? Zjistí, že uživatelé, kteří kliknou na reklamu, odejdou a do 6 hodin se vrátí, mají 3krát vyšší konverzní poměr. To je mikrosegment, který by vás nenapadlo vytvořit. Je ale cenný.
AI nachází nezjevné vzorce. Všimnete si, že vaše průměrná hodnota objednávky je $50. AI zjistí, že uživatelé, kteří navštíví stránky produktů v tomto konkrétním pořadí, mají průměrnou hodnotu objednávky $80. Uživatelé, kteří si před přidáním do košíku prohlédnou ceník, mají $30. Tyto vzorce ve vašich datech existují. Člověk by je hledal měsíce. Model AI je najde za hodiny.
AI vyzkouší tisíce kombinací. Člověk dokáže ručně otestovat 5 až 10 nápadů na segmentaci. AI jich otestuje tisíce. Najde segmenty, které skutečně předpovídají chování (koupí?), a ne segmenty, které znějí logicky, ale nefungují (mysleli jsme, že záleží na zeměpisné poloze, ale nezáleží). Tento přístup založený na datech porazí lidskou intuici pokaždé.
A hlavně: AI se průběžně aktualizuje. Segment můžete vytvořit podle dat z července. Do října se vzorec posune. Ruční segmenty zastarávají. Segmenty s AI se s příchodem nových dat aktualizují automaticky. Předpovědi zůstávají přesné, protože vždy vycházejí z aktuálních vzorců.
Co všechno může AI o návštěvnících předpovědět?
Podívejte se, co umí prediktivní analytika předpovědět, a najdete příležitosti na každém kroku. Klíčem je vybrat předpovědi, které záleží pro obchodní rozhodnutí.
Záměr nakoupit: Kteří návštěvníci nakoupí v následujících 30 dnech? Kteří nikdy? Kteří váhají? AI to dokáže předpovědět podle vzorců chování (kolik stránek zobrazili, čas na webu, přidání do košíku bez nákupu). Návštěvníci s vysokým záměrem dostanou prémiovou nabídku. Návštěvníci bez záměru dostanou průvodce zdarma, který je vzdělá. Váhající dostanou časově omezenou slevu.
Riziko odchodu: Kterým zákazníkům hrozí, že příští měsíc odejdou? AI najde časová varovná znamení: klesající zapojení, ubývající využívání funkcí, přibývající tikety podpory. Tyto zákazníky identifikujete a můžete zasáhnout dřív, než odejdou. Dobře načasovaná nabídka nebo vylepšení produktu je může zachránit.
Celoživotní hodnota: Kteří zákazníci utratí během svého života nejvíc? To není zjevné. Zákazník, který první den utratí $100, se možná nikdy nevrátí. Zákazník, který první den utratí $20, může za pět let utratit $2,000. AI se naučí, které vlastnosti předpovídají vysokou celoživotní hodnotu (ať jde o vzorce používání, využívání funkcí nebo úroveň zapojení). Pak můžete zdroje soustředit na získávání a udržení zákazníků s vysokou LTV.
Pravděpodobnost další akce: Přejde tento návštěvník na vyšší tarif? Doporučí vás kamarádovi? Navštíví vás znovu? U každé akce, na které vašemu podnikání záleží, může AI odhadnout pravděpodobnost. Pak návštěvníky segmentujete podle těchto pravděpodobností a pro každého přizpůsobíte zážitek.
Preference obsahu: Která témata na blogu bude tento návštěvník považovat za cenná? Které funkce ho budou zajímat nejvíc? Která kategorie produktů ho láká? AI se tyto preference učí z chování a může doporučit další kroky. Návštěvník zajímající se o pokročilé funkce uvidí srovnání funkcí. Návštěvník, kterému záleží na snadném použití, uvidí průvodce jednoduchostí.
Proč předpovídat budoucí chování a neanalyzovat jen minulost?
Zeptejte se většiny analytických týmů, jak segmentují, a popíšou minulé chování. „Vysoce zapojení uživatelé“, tedy uživatelé, kteří byli hodně aktivní. „Nedávní návštěvníci“, tedy lidé, kteří přišli minulý týden. To je analýza. Říká vám, co se stalo. Obchodní otázka ale obvykle zní: co se stane dál? Na to odpovídá předpověď.
Minulé chování je špatným prediktorem budoucího chování, pokud se cokoli změnilo. Zákazník, který nakoupil před šesti měsíci, může příští měsíc odejít. Návštěvník, který přišel poprvé, se může stát věrným zákazníkem. Nemůžete předpokládat, že budoucnost bude vypadat jako minulost. Prediktivní modely to zohledňují tím, že se učí, které signály budoucnost skutečně předpovídají.
Prediktivní segmentace vám umožňuje jednat proaktivně. Pokud víte, že zákazník příští měsíc odejde, máte čas se mu ozvat, vylepšit produkt nebo nabídnout pobídku. Pokud si odchodu všimnete až poté, co nastane (analýza minulého chování), už jste ho ztratili. Rozdíl mezi proaktivním a reaktivním přístupem je obrovský.
Prediktivní segmentace také optimalizuje rozdělení zdrojů. Máte omezený marketingový rozpočet. Můžete ho utratit za všechny zákazníky (nízká návratnost) nebo za zákazníky s vysokou LTV (vysoká návratnost). Prediktivní segmentace určí, na které zákazníky se soustředit. Utratíte méně a vyděláte víc.
Jak prediktivní segmentaci skutečně zavést?
Začněte tím, že určíte, co chcete předpovídat. Ne každou předpověď stojí za to budovat. Vyberte předpovědi, které odpovídají na obchodní otázky: „Kdo nakoupí?“ „Kdo odejde?“ „Kdo jsou naši nejcennější zákazníci?“ „Kdo začne používat tuto funkci?“ Vyberte jednu. Postavte na ni model. Podívejte se, zda funguje.
Dalším krokem je příprava dat. Model potřebuje čistá data. Potřebuje správné signály. Pokud chcete předpovídat pravděpodobnost nákupu, model potřebuje data o procházení, interakcích s košíkem, čase na webu a o tom, zda nakoupili. Pokud signály chybí, model bude fungovat špatně. Nejdřív zkontrolujte sběr dat.
Mnoho analytických platforem dnes obsahuje prediktivní segmentaci jako funkci. Jiné mají prediktivní kohorty. Některé platformy produktové analytiky mají segmentaci s AI. Je to snazší než budovat vlastní modely. Začněte s funkcemi přímo v platformě. Vlastní modely stavte, jen pokud potřebujete předpovědi, které platforma nenabízí.
Jakmile máte předpovědi, segmentujte publikum. Návštěvníci s vysokým záměrem nakoupit patří do jednoho segmentu. S nízkým záměrem do jiného. S vysokým rizikem odchodu do segmentu pro udržení. Pak pro každý segment přizpůsobte zážitek. Návštěvníci s vysokým záměrem uvidí ceník. S nízkým záměrem uvidí vzdělávací obsah. Zákazníkům s rizikem odchodu se ozve zákaznický úspěch.
Nakonec ověřte, že předpovědi fungují. Spusťte A/B test. Předpovězeným návštěvníkům s vysokým záměrem pošlete prémiovou nabídku. Kontrolní skupině pošlete běžnou nabídku. Konvertuje skupina s vysokým záměrem lépe? Pokud ano, model funguje. Pokud ne, upravte ho. Většina modelů potřebuje doladění, než jsou spolehlivé.
Jaká jsou rizika spoléhání na předpovědi AI?
Předpovědi AI jsou jen tak dobré, jako data, na kterých se trénují. Pokud jsou vaše historická data zkreslená (zákazníky jste získávali jen z jednoho kanálu, jedné země, jedné sezony), model se tato zkreslení naučí. Myslí si, že jediný typ zákazníka, který funguje, je ten. Když se pokusíte získávat zákazníky z jiného kanálu, předpovědi modelu selžou.
Předpovědi s časem slábnou. Model natrénovaný na datech z 1. čtvrtletí může v 1. čtvrtletí fungovat dobře. Do 3. čtvrtletí se tržní podmínky změní. Změní se vaši zákazníci. Model zastará. Dobré prediktivní systémy se pravidelně přetrénovávají (měsíčně nebo čtvrtletně) s novými daty. Pokud trénujete jednou a nikdy neaktualizujete, předpovědi se zhoršují.
Předpovědi mohou vytvořit sebenaplňující se proroctví. Když obchodníkovi řeknete „tento zákazník odejde“, může se k němu podvědomě chovat hůř, a tím odchod způsobit. Když budete ignorovat zákazníky předpovězené jako málo hodnotné, nikdy se cenní nestanou, protože do nich nikdy neinvestujete. Mějte tuto zpětnou vazbu na paměti.
Předpovědi nevysvětlují proč. Model vám může říct „tento návštěvník odejde“, ale ne proč. Je to tím, že produkt nesedí? Cenou? Konkurencí? Selhává u něj zákaznický úspěch? Pořád potřebujete lidský úsudek, abyste příčinu určili a opravili. Předpovědi problém odhalí. Lidé ho vyřeší.
Předpisy o ochraně soukromí prediktivní segmentaci komplikují. GDPR a CCPA dávají uživatelům právo vědět, proč se s nimi zachází jinak, a odmítnout automatizovaná rozhodnutí. Pokud používáte prediktivní segmenty k odepření přístupu nebo k účtování vyšší ceny, možná budete muset zveřejnit úvahy modelu. Než prediktivní segmentaci nasadíte ve velkém, poraďte se s právníkem.
Je prediktivní segmentace totéž co prediktivní analytika?
Ne úplně. Prediktivní analytika je širší obor předpovídání budoucích výsledků (odejde tento zákazník, vzroste tato metrika). Prediktivní segmentace se týká konkrétně seskupování návštěvníků podle jejich předpovídaného chování. Prediktivní analytika je schopnost. Prediktivní segmentace je jedno z jejích použití.
Jak přesné musí předpovědi být, aby byly užitečné?
Záleží na ceně za omyl. Pokud předpovídáte návštěvníky s vysokým záměrem a pošlete jim slevu $10, omyl stojí $10. Přesnost 60 % je v pořádku, pořád jste v plusu. Pokud předpovídáte podvody a někomu odepíráte přístup, chcete přesnost 95 % a víc. U většiny obchodních rozhodnutí je hranicí, od které předpovědi porazí náhodné hádání a stojí za to podle nich jednat, přesnost 70-80 %.
Mohu použít prediktivní segmentaci u malého publika?
Ne dobře. Prediktivní modely potřebují data, ze kterých se učí. Se 100 uživateli nemá model dost příkladů. S 10 000 uživateli má dost k naučení základních vzorců. Se 100 000 uživateli se naučí i jemné vzorce. S prediktivní segmentací začněte, když máte alespoň 5 000-10 000 uživatelů s dostatečnou historií chování.
Jaký je rozdíl mezi prediktivní a ruční segmentací?
Ruční segmentace dělí uživatele podle známých vlastností (zeměpisná poloha, zdroj návštěvnosti, zařízení). Prediktivní segmentace dělí uživatele podle předpovídaného budoucího chování (konvertuje, odejde, celoživotní hodnota). Ruční segmentace je to, co se stalo. Prediktivní je to, co se stane. Obojí je užitečné: prediktivní používejte pro personalizaci, ruční pro reporting.
Mohu prediktivní segmenty aktualizovat v reálném čase?
Většina platforem aktualizuje předpovědi denně nebo týdně, ne v reálném čase. Předpovědi v reálném čase vyžadují víc infrastruktury a stojí víc. Pro většinu použití stačí denní nebo týdenní aktualizace. Pokud potřebujete personalizaci v reálném čase, investujte do CDI (Customer Data Infrastructure), která se aktualizuje průběžně.
Co se stane, když se moje předpověď o zákazníkovi mýlí?
Jednotlivé předpovědi se někdy budou mýlit. Modely jsou pravděpodobnostní, ne deterministické. Cílem je mít pravdu častěji než ne. Pokud předpovíte, že někdo odejde, a mýlíte se (neodejde), je to jeden zákazník. Pokud předpovíte, že odejde 1 000 zákazníků, a skutečně odejde 700, je vaše přesnost 70 % a stále jste určili segment s nejvyšším rizikem. Soustřeďte se na celkovou přesnost, ne na přesnost u jednotlivců.