Du sender en e-mailkampagne til 100.000 abonnenter. Du sender den samme besked til alle. 2 % konverterer. Forestil dig nu, at du kunne forudsige, hvilke 10.000 abonnenter der faktisk vil være interesserede, før du sender, og give dem et stærkere tilbud. Du ville konvertere 8 % af de 10.000 (800 personer) i stedet for 2 % af 100.000 (2.000 personer). Men fordi du springer de 90.000 uinteresserede over, falder din pris pr. kunde med 75 %. Det er forudsigende segmentering: at gruppere besøgende efter, hvad de sandsynligvis gør næste gang, ikke kun efter, hvad de har gjort før.
Forudsigende segmentering bruger machine learning til at finde ud af, hvilke besøgende der kommer til at gøre noget i fremtiden (købe, forlade dig, opgradere, anbefale dig). Basal segmentering deler besøgende op efter tidligere adfærd (geografi, trafikkilde, besøgte sider). Forudsigende segmentering deler dem op efter forudsagt fremtidig adfærd (sandsynlighed for at købe, sandsynlighed for at forlade dig, forudsagt kundeværdi). Forskellen betyder enormt meget for forretningen.
Hvordan grupperer AI besøgende anderledes, end du gør manuelt?
Se på et vilkårligt analytics-dashboard, og du finder den samme segmentering: trafikkilde, enhedstype, geografi og måske nogle adfærdssegmenter. De segmenter er nyttige. Men de bygger på det, du har valgt at måle, og det, du selv har besluttet, betyder noget. Se på, hvad et AI-system kan gøre med de samme data, og du ser, at det grupperer besøgende efter mønstre, du aldrig ville have opdaget.
Manuel segmentering er begrænset af, hvad du kommer i tanke om at måle. Du segmenterer efter "brugere fra betalte annoncer" og "brugere fra organisk søgning". De er åbenlyse. AI-segmentering spørger: Blandt brugere fra betalte annoncer, hvilke konverterer, og hvilke gør ikke? Den finder ud af, at brugere, der klikker på en annonce, forlader siden og kommer tilbage inden for 6 timer, har 3 gange så høj konverteringsrate. Det er et mikrosegment, du aldrig ville tænke på at oprette. Men det er værdifuldt.
AI finder mønstre, der ikke er åbenlyse. Du ser, at din gennemsnitlige ordreværdi er $50. AI finder ud af, at brugere, der besøger produktsider i netop den rækkefølge, har $80 i ordreværdi. Brugere, der ser priserne, før de lægger noget i kurven, har $30. Mønstrene findes i dine data. Et menneske ville bruge måneder på at finde dem. En AI-model finder dem på timer.
AI tester tusindvis af kombinationer. Et menneske kan manuelt teste 5-10 idéer til segmenter. En AI tester tusindvis. Den finder de segmenter, der faktisk forudsiger adfærd (vil de købe?), frem for segmenter, der lyder logiske, men ikke virker (vi troede, geografi betød noget, men det gør den ikke). Den datadrevne tilgang slår menneskelig mavefornemmelse hver gang.
Og vigtigst: AI opdaterer løbende. Du opretter måske et segment ud fra data fra juli. Til oktober har mønstret flyttet sig. Manuelle segmenter bliver forældede. AI-segmenter opdaterer sig automatisk, når der kommer nye data. Forudsigelserne forbliver præcise, fordi de altid bygger på de nuværende mønstre.
Hvad kan AI egentlig forudsige om besøgende?
Se på, hvad forudsigende analytics kan sige noget om, og du finder muligheder overalt. Nøglen er at vælge de forudsigelser, der betyder noget for forretningsbeslutninger.
Købsintention: Hvilke besøgende køber inden for de næste 30 dage? Hvilke køber aldrig? Hvilke er i tvivl? AI kan forudsige det ud fra adfærdsmønstre (hvor mange sider de har set, tid på siden, at de lægger i kurven uden at købe). Besøgende med høj intention får et særligt tilbud. Besøgende uden intention får en gratis guide, der oplyser dem. Dem, der er i tvivl, får en rabat i en begrænset periode.
Risiko for afgang: Hvilke kunder risikerer at forlade dig den næste måned? AI finder de tidlige varselstegn: faldende engagement, faldende brug af funktioner, flere henvendelser til support. Find de kunder, så kan du gribe ind, før de forlader dig. Et tilbud på det rigtige tidspunkt eller en forbedring af produktet kan redde dem.
Kundeværdi over tid: Hvilke kunder bruger flest penge, så længe de er kunder? Det er ikke åbenlyst. En kunde, der bruger $100 den første dag, kommer måske aldrig tilbage. En kunde, der bruger $20 den første dag, bruger måske $2.000 over fem år. AI lærer, hvilke kendetegn der forudsiger høj kundeværdi (brugsmønstre, brug af funktioner eller engagement). Så kan du sætte ressourcerne ind på at finde og beholde kunder med høj værdi.
Sandsynlighed for næste handling: Opgraderer den her besøgende sit abonnement? Anbefaler vedkommende dig til en ven? Kommer vedkommende tilbage? For hver handling, der betyder noget for din forretning, kan AI vurdere sandsynligheden. Så segmenterer du besøgende efter de sandsynligheder og tilpasser oplevelsen til hver gruppe.
Indholdspræferencer: Hvilke blogemner finder den her besøgende værdifulde? Hvilke funktioner interesserer vedkommende mest? Hvilken produktkategori er vedkommende interesseret i? AI lærer de præferencer af adfærden og kan anbefale næste skridt. En besøgende, der er interesseret i avancerede funktioner, ser sammenligninger af funktioner. En besøgende, der går op i, at det er nemt, ser guides om enkelhed.
Hvorfor forudsige fremtidig adfærd i stedet for bare at analysere fortiden?
Spørg de fleste analyseteams, hvordan de segmenterer, og de beskriver tidligere adfærd. "Brugere med højt engagement", altså brugere, der engagerede sig meget. "Nylige besøgende", altså folk, der besøgte siden i sidste uge. Det er analyse. Den fortæller, hvad der skete. Men forretningens spørgsmål er som regel: Hvad sker der næste gang? Det svarer forudsigelser på.
Tidligere adfærd er en dårlig pejling af fremtidig adfærd, hvis noget har ændret sig. En kunde, der købte for seks måneder siden, forlader dig måske næste måned. En førstegangsbesøgende bliver måske en loyal kunde. Du kan ikke gå ud fra, at fremtiden ligner fortiden. Forudsigende modeller tager højde for det ved at lære, hvilke signaler der faktisk forudsiger fremtiden.
Forudsigende segmentering lader dig handle på forhånd. Hvis du ved, at en kunde forlader dig næste måned, har du tid til at række ud, forbedre dit produkt eller give et incitament. Hvis du først opdager kundeafgang, efter den er sket (analyse af tidligere adfærd), har du allerede mistet kunden. Forskellen på at handle på forhånd og at reagere bagefter er stor.
Forudsigende segmentering gør også fordelingen af dine ressourcer bedre. Du har et begrænset marketingbudget. Du kan bruge det på alle kunder (lavt afkast) eller på kunder med høj værdi (højt afkast). Forudsigende segmentering viser, hvilke kunder du skal fokusere på. Du bruger mindre og tjener mere.
Hvordan indfører du forudsigende segmentering i praksis?
Start med at finde ud af, hvad du vil forudsige. Ikke alle forudsigelser er værd at bygge. Vælg forudsigelser, der svarer på forretningsspørgsmål: "Hvem køber?" "Hvem forlader os?" "Hvem er vores mest værdifulde kunder?" "Hvem tager den her funktion i brug?" Vælg én. Byg en model til den. Se, om den virker.
Næste skridt er at klargøre data. Modellen har brug for rene data. Den har brug for de rigtige signaler. Hvis du vil forudsige sandsynligheden for et køb, skal modellen have data om browsingadfærd, handlinger i kurven, tid på siden og om de købte. Hvis der mangler signaler, klarer modellen sig dårligt. Gennemgå først din dataindsamling.
Mange analytics-platforme har nu forudsigende segmentering som en funktion. Andre har forudsigende kohorter. Nogle platforme til produktanalyse har AI-segmentering. Det er nemmere end at bygge egne modeller. Start med platformens egne funktioner. Byg kun egne modeller, hvis du har brug for forudsigelser, som platformen ikke tilbyder.
Når du har forudsigelser, så segmenter din målgruppe. Besøgende med høj købsintention kommer i ét segment. Besøgende med lav intention i et andet. Dem med høj risiko for afgang kommer i et segment til fastholdelse. Tilpas så oplevelsen til hver gruppe. Besøgende med høj intention ser prissiden. Dem med lav intention ser oplysende indhold. Kunder med risiko for afgang får henvendelse fra kundesucces-teamet.
Til sidst skal du kontrollere, at forudsigelserne virker. Kør en A/B-test. Send de forudsagte besøgende med høj intention et særligt tilbud. Send en kontrolgruppe et normalt tilbud. Konverterer gruppen med høj intention bedre? Hvis ja, virker modellen. Hvis nej, så juster den. De fleste modeller skal finpudses, før de er til at stole på.
Hvad er risikoen ved at stole på AI-forudsigelser?
AI-forudsigelser er kun så gode som de data, de er trænet på. Hvis dine historiske data er skæve (du har kun fået kunder fra én kanal, ét geografisk område, én sæson), lærer modellen de skævheder. Den tror, at det er den eneste kundetype, der virker. Når du prøver at få kunder fra en anden kanal, svigter modellens forudsigelser.
Forudsigelser forældes over tid. En model trænet på data fra første kvartal klarer sig måske godt i første kvartal. Til tredje kvartal har markedet ændret sig. Dine kunder har ændret sig. Modellen er forældet. Gode forudsigende systemer trænes jævnligt om (månedligt eller kvartalsvis) med nye data. Hvis du træner én gang og aldrig opdaterer, bliver forudsigelserne dårligere.
Forudsigelser kan blive selvopfyldende. Hvis du fortæller en sælger "den her kunde forlader os", behandler vedkommende måske ubevidst kunden dårligere, og så sker det. Hvis du ignorerer kunder, der er forudsagt til lav værdi, bliver de aldrig værdifulde, fordi du aldrig investerer i dem. Vær opmærksom på den feedback-sløjfe.
Forudsigelser forklarer ikke hvorfor. Modellen kan sige, at "den her besøgende forlader os", men ikke hvorfor. Passer produktet ikke? Er det prisen? En konkurrent? Svigter kundesucces dem? Du har stadig brug for menneskelig dømmekraft til at finde årsagen og rette den. Forudsigelser viser problemet. Mennesker løser det.
Privatlivsregler gør forudsigende segmentering mere indviklet. GDPR og CCPA giver brugerne ret til at vide, hvorfor de behandles forskelligt, og til at fravælge automatiske afgørelser. Hvis du bruger forudsigende segmenter til at nægte nogen adgang eller opkræve mere, skal du måske oplyse modellens begrundelse. Tal med en jurist, før du bruger forudsigende segmentering i stor skala.
Er forudsigende segmentering det samme som forudsigende analytics?
Ikke helt. Forudsigende analytics er det bredere felt, hvor man forudsiger fremtidige udfald (forlader den her kunde os, stiger det her nøgletal). Forudsigende segmentering handler specifikt om at gruppere besøgende efter deres forudsagte adfærd. Forudsigende analytics er evnen. Forudsigende segmentering er én anvendelse af den.
Hvor præcise skal forudsigelserne være for at være nyttige?
Det afhænger af, hvad det koster at tage fejl. Hvis du forudsiger besøgende med høj intention og sender dem $10 i rabat, koster en fejl $10. 60 % præcision er fint, for du tjener stadig penge. Hvis du forudsiger svindel og nægter nogen adgang, vil du have over 95 % præcision. Til de fleste forretningsbeslutninger er 70-80 % præcision grænsen, hvor forudsigelser slår tilfældige gæt og er værd at handle på.
Kan jeg bruge forudsigende segmentering på små målgrupper?
Ikke godt. Forudsigende modeller har brug for data at lære af. Med 100 brugere har modellen ikke nok eksempler. Med 10.000 brugere har den nok til at lære basale mønstre. Med 100.000 brugere lærer den nuancerede mønstre. Start med forudsigende segmentering, når du har mindst 5.000-10.000 brugere med nok adfærdshistorik.
Hvad er forskellen på forudsigende og manuel segmentering?
Manuel segmentering deler brugere op efter kendte kendetegn (geografi, trafikkilde, enhed). Forudsigende segmentering deler brugere op efter forudsagt fremtidig adfærd (vil konvertere, vil forlade os, kundeværdi). Manuel segmentering er det, der skete. Forudsigende er det, der vil ske. Begge dele er nyttige: Brug forudsigende til personalisering og manuel til rapportering.
Kan jeg opdatere forudsigende segmenter i realtid?
De fleste platforme opdaterer forudsigelser dagligt eller ugentligt, ikke i realtid. Forudsigelser i realtid kræver mere infrastruktur og koster mere. Til de fleste formål er daglige eller ugentlige opdateringer nok. Hvis du har brug for personalisering i realtid, så invester i en CDI (Customer Data Infrastructure), der opdaterer løbende.
Hvad sker der, hvis min forudsigelse om en kunde er forkert?
Enkelte forudsigelser vil nogle gange være forkerte. Modeller er sandsynlighedsbaserede, ikke faste. Målet er at have ret oftere, end man tager fejl. Hvis du forudsiger, at en person forlader dig, og det viser sig ikke at passe, er det én kunde. Hvis du forudsiger, at 1.000 kunder forlader dig, og 700 faktisk gør det, er din præcision 70 %, og du har stadig fundet det segment, der har størst risiko. Fokuser på præcisionen samlet set, ikke for den enkelte.