Cselekvő ügyfélszegmentációs modellek létrehozása

Dan LeBlanc, CEO & A Daasity alapítója

Jun 27, 2019

Mi az ügyfélszegmentáció?

Az ügyfélszegmentáció az ügyfelek bizonyos közös jellemzők alapján történő csoportosítása. Minden ügyfélnek közös igénye van az Ön termékére vagy szolgáltatására, de ezen túlmenően vannak határozott demográfiai különbségek (pl. életkor, nem), és általában további társadalmi-gazdasági, életmódbeli vagy egyéb viselkedésbeli különbségekkel rendelkeznek, amelyek hasznosak lehetnek a szervezet számára.

Milyen típusú információkat használnak fel az ügyfélszegmentációban

Minden olyan információ felhasználható az ügyfélszegmentációhoz, amelyet az egyénekről meg lehet szerezni. A közvetlenül a fogyasztóknak szóló márkák és a B2B-vállalatok egyértelmű előnyben vannak, mivel már csak a tranzakciós adatokból is rengeteg információt szerezhetnek az ügyfeleikről.

Az alapvető adattípusok jellemzően a következők:

• Geográfia (számlázási információk, szállítási információk (ha van), böngészési információk)
• Vásárolt termék(ek)/szolgáltatás(ok)
• Hogyan találtak Önre az ügyfelek (hivatkozó URL és/vagy kampányinformációk, promóciós kódok)
• A használt eszköz (eszköz típusa, márka (ha mobil), böngésző)
• Ha ez az ügyfél első vásárlása
• Fizetési mód

Ezeken az alapokon túl a vállalatok dönthetnek úgy, hogy az értékesítési vagy pénztári folyamat részeként további információkat gyűjtenek, amelyek bővíthetik az ügyféladataikat, például:

• A vásárlás oka
• Marketing- vagy reklámcsatorna, amely a vásárláshoz vezetett*
• A rendeltetésszerű használat: üzleti, személyes, önfogyasztás, ajándék stb.
• Vállalat iparági szegmense
• Munkakör
• Kor/nem

*Fontos megjegyzés:
Ez egyre gyakoribbá vált, különösen a közvetlen fogyasztóknak szóló vállalkozásoknál, amelyek megpróbálják felmérni marketingjük hatékonyságát, és a Google Analyticsben az utolsó kattintás mellett egy másik nézőpontot is kínálnak. Mindig van egy egészséges hibahatár, amelyet a vásárlóktól ilyen módon jelentett adatokra alkalmaznak, de mindenképpen jelzi, hogy szerintük mi volt a legemlékezetesebb vagy legfontosabb oka a vásárlásuknak. A Daasity speciális logikát épített ki ezen információk feldolgozására, más adatokkal együtt, hogy segítsen meghatározni a vásárlásokért felelős legvalószínűbb marketingcsatornát.

Ezektől kezdve lehetőség van további attribútumokra következtetni vagy további attribútumokat vásárolni. Az attribútumok kikövetkeztetése azt jelenti, hogy már gyűjtött olyan adatokat, amelyek erős korrelációt eredményeznek egy másik attribútummal. Például a névből következtethet a nemre.

A másik lehetőség az adatok megvásárlása és hozzáadása az ügyfelek meglévő profiladataihoz. Az olyan vállalatok, mint az Experian, az Acxiom és mások történetesen jelentős mennyiségű, hitelkártya-tranzakciókból származó vásárlási adatokkal, valamint demográfiai adatokkal rendelkeznek, amelyeket bizonyos viselkedési formákhoz rendeltek hozzá. Erős megfelelési arányokkal rendelkeznek ahhoz, hogy további adatokat szolgáltassanak (az úgynevezett 3rd party adatok), mint például:

• A háztartás becsült jövedelme
• A gyermekek jelenléte
• A lakástulajdon
• A vállalati kategóriában vagy más kiskereskedelmi kategóriákban elköltött összeg
• Az életstílus vagy viselkedési érdeklődés

6 féle ügyfélszegmentációs modell

A szokásos ügyfélszegmentációs modellek az egyszerűtől a nagyon összetettig terjednek, és számos üzleti okból használhatók. A gyakori szegmentációk közé tartoznak:

1. Demográfiai
   Minimálisan sok vállalat azonosítja a nemet, hogy az adott ügyfélszegmens alapján hozzon létre és szolgáltasson tartalmat. Hasonlóképpen a szülői státusz egy másik fontos szegmens, amelyet a vásárlás részleteiből, az ügyfelektől további információk megkérdezésével vagy az adatok harmadik féltől való beszerzésével lehet levezetni.

2. Recency, frequency, monetary (RFM)
   A direkt levelek szegmentálásában gyakran használt módszer, amelynek során az ügyfeleket a legutóbbi vásárlásuk gyakorisága, az általuk végrehajtott vásárlások teljes száma (gyakoriság) és az általuk elköltött összeg (pénzösszeg) alapján azonosítják. Ezt gyakran használják a nagy értékű ügyfelek (HVC-k) azonosítására.

3. Nagy értékű ügyfelek (HVC-k)
   Az RFM-szegmentáció alapján minden vállalkozás – ágazattól vagy iparágtól függetlenül – többet szeretne tudni arról, hogy honnan származnak a HVC-k, és milyen jellemzőkkel rendelkeznek, hogy több ilyen ügyfelet szerezzen.

4. Az ügyfelek státusza
   A legtöbb vállalat legalább aktív és lejárt ügyfelekre osztja az ügyfeleket, ami azt jelzi, hogy az ügyfél mikor vásárolt utoljára, vagy mikor lépett kapcsolatba Önnel. A tipikus, nem luxuscikkeknél az aktív ügyfeleknek azokat tekintik, akik az elmúlt 12 hónapban vásároltak. A megszűnt ügyfelek azok, akik az elmúlt 12 hónapban nem vásároltak. Az ügyfeleket még tovább lehet csoportosítani az adott státuszban töltött időszak vagy más jellemzők alapján.

5. Viselkedés
   A múltban megfigyelt viselkedés jelezheti a jövőbeli cselekedeteket, mint például a bizonyos alkalmakra vagy eseményekre történő vásárlás, bizonyos márkákból történő vásárlás, vagy olyan jelentős életesemények, mint a költözés, házasságkötés vagy gyermekvállalás. Azt is fontos figyelembe venni, hogy a vásárló miért vásárolja meg az Ön termékét/szolgáltatását, és hogy ezek az okok hogyan változhatnak az év(ek) során, ahogy az igényei változnak.

6. Pszichográfiai
   A pszichográfiai vásárlói szegmentáció általában olyan puhább intézkedéseket foglal magában, mint az attitűdök, meggyőződések vagy akár személyiségjegyek. Például azok a felmérési kérdések, amelyek azt vizsgálják, hogy valaki mennyire ért egyet vagy mennyire nem ért egyet egy állítással, jellemzően a márka számára fontos bizonyos hiedelmekkel kapcsolatos attitűdök vagy nézőpontok osztályozására irányulnak.

5 ügyfélszegmentáció előnyei

Az ügyfélszegmentáció bevezetésének számos előnye van, többek között a marketingstratégia, a promóciós stratégia, a termékfejlesztés, a költségvetés kezelése és a releváns tartalom eljuttatása az ügyfelek vagy leendő ügyfelek számára. Nézzük meg az egyes előnyöket egy kicsit részletesebben.

1. Marketingstratégia
   Az ügyfélszegmentálás segíthet az általános marketingstratégia és az üzenetküldés tájékoztatásában. Ahogy megismeri a legjobb ügyfelei tulajdonságait, hogy miben hasonlítanak egymásra, és mi fontos számukra, ezt az információt felhasználhatja az üzenetküldés, a kreatív fejlesztés és a csatornák kiválasztása során.

2. Promóciós stratégia
   Egy átfogó promóciós stratégiát (pl. ügyfeleink az ajánlatokat keresik, ezért gyakori ajánlatokat kell kínálnunk) az egyes szegmenseknek szóló promóciók küldésére a széles körű ügyfélszegmentációs rendszerből származó információkkal jobban meg lehet határozni. Megállapíthatja, hogy az ügyfelek bizonyos csoportjai nem igényelnek kedvezményeket, ha bizonyos üzeneteket használnak, így megkímélheti magát attól, hogy egyáltalán kedvezményt kínáljon ezeknek a csoportoknak.

3. Budgethatékonyság
   A legtöbb vállalat nem rendelkezik korlátlan marketingköltségvetéssel, ezért fontos, hogy pontosan tudja, mire és hogyan költ. Példaként megcélozhatja a hasonló ügyfeleket a nagy értékű vagy a legnagyobb valószínűséggel konvertáló szegmensekbe, hogy a marketingbefektetéséből a legtöbbet hozhassa ki.

4. Termékfejlesztés
   Minél több ügyfelet szerez, annál többet tud meg arról, hogy mi a fontos a számukra, milyen funkciókat szeretnének, és mely ügyfelek a legértékesebbek. Vállalata ezeket a meglátásokat felhasználhatja arra, hogy olyan termékjellemzőket helyezzen előtérbe, amelyek vagy a legtöbb ügyfelet vonzzák, vagy a nagy értékű ügyfelek közé soroltakat, vagy más, az iparága szempontjából értelmes jellemzőket.”

5. Az ügyfelek relevanciát követelnek
   Legyen szó D2C, B2B, Millennials vagy GenZ; úgy tűnik, hogy az ügyfelek minden lehetséges csoportjáról van tanulmány vagy forrás, amely azt állítja, hogy a releváns tartalom fontos számukra. Ezek az ügyfélszegmensek nagyobb valószínűséggel reagálnak, vásárolnak és tisztelik a márkát, valamint kötődést éreznek, ha releváns tartalmat kapnak. Ha valamilyen szintű szegmentálást végez, biztosíthatja, hogy az e-mailben, a webhelyen, digitális hirdetéseken vagy más módszereken keresztül eljuttatott üzenetek célzottan és relevánsak legyenek a látó egyén számára. Az adatvédelem hiperéberségének szinte ellentmond, hogy ennyi adatot ilyen módon használjon fel, de mivel manapság annyi marketingüzenet érkezik az emberekhez, senkinek sincs ideje olyasmire, ami nem releváns a számára.

Hogyan tegye az ügyfélszegmentálást megvalósíthatóvá

Hogyan tegye az ügyfélszegmentálást megvalósíthatóvá, először is egy céllal kell kezdenie. Ahogy korábban említettük, a szegmentálás lehet egyszerű, összetett vagy bármi a kettő között – és nem korlátozódik egyetlen szegmenskészletre. Az adatok mai egyszerűségével és hozzáférhetőségével különböző ügyfélszegmenseket dolgozhat ki különböző célokra.

A különböző forrásokból szerezhető információk mennyisége végtelen. De csak akkor hasznosak, ha fel is tudja használni őket. Ehhez kérdezősködni, kíváncsinak lenni és elemezni kell a rendelkezésre álló adatokat. Onnan kezdve, ahogy kincseket találsz a birtokodban lévő adatokban elásva, tervezz meg egy tesztet, hogy megerősítsd, hogy valóban hasznos megállapításról van szó.

Példák az ügyfélszegmentációra

A Targetnek van talán a leghíresebb története arról, hogy az ügyfélszegmentáció, az analitika és a marketingtechnikák segítségével növelte a pénztárcája részesedését a terhes nők körében. 2012-ben robbant ki az a hihetetlen történet, hogy a Target véletlenül tájékoztatta egy fiatal nő apját arról, hogy a nő valójában terhes, mielőtt ő maga közölte volna vele a hírt.

Amint egy vásárlónak gyermeke születik, vásárlási szokásai és kosarának tartalma hirtelen megváltozik, és következetesen pelenkákat és más termékeket tartalmaz. Ez a vásárlók egy egész szegmense: azok az emberek, akiknek most született gyermekük. Ha ehhez hozzáadjuk a nemet, akkor máris ott vannak a nők, akik éppen most szültek. Ahogy az elemzők kiértékelték ennek a szegmensnek a történetét, elkezdték látni, hogy a vásárlási szokások a terhesség mérföldköveinek jelzőiként jelennek meg. Innen kiindulva biztosan építettek olyan előrejelző modelleket, amelyek osztályozták a vásárlókat, amint elérnek néhányat ezek közül a markerek közül, és megjelölték ezeket a vásárlókat, mint újonnan terheseket. A Target azt a lépést tette, hogy nagyon specifikusan ezeket a nőket célzott hirdetésekkel és direkt postai küldeményekkel a babatermékekre, babaruhákra és kellékekre irányuló marketingtevékenységet folytatott. Amikor egy fiatal nő megkapta az egyik neki címzett levelezőlapot, az apja megdöbbent, hogy a Target milyen ostoba és figyelmetlen… egészen addig, amíg rá nem jött, hogy a lánya valóban várandós, és a Target előbb tudott róla.

Ez a példa extrém, de emlékezetes. A szegmentálás alkalmazható az ügyfelek ismeretének, az üzletág ismeretének, a józan észnek és talán néhány kreatív variációnak a felhasználásával – még akkor is, ha nincs egy Target méretű adattudósokból álló csapat, amely az adatokat öntögeti.

A szegmentálás használatának és az azonnali eredményekhez szükséges adatgyűjtés megkezdésének egyszerű módja az e-mail kampányok. Tegyük fel, hogy egy kampánysorozatot tervez, és valóban szeretné megtudni, hogyan reagálnak a különböző ügyfélcsoportok a különböző üzenetekre és ajánlatokra. Rendelkezik egy egészséges e-mail-adatbázissal, amely vegyesen tartalmaz ügyfeleket és nem ügyfeleket. Az alábbi kód segítségével csoportosíthatja az ügyfeleket a nem ügyfelek csoportjába, majd a csoportokat aszerint, hogy az utolsó vásárlás ideje 0-3 hónap, 3-6 hónap, 6-12 hónap és >12 hónap.

view: customer_recency { derived_table: { sql: WITH last_order AS ( SELECT customer_id, MAX(order_date) AS last_order_date FROM order GROUP BY customer_id ) SELECT c.customer_id, CASE WHEN DATEDIFF(day, CAST(lo.last_order_date AS DATE), CAST(current_timestamp::timestamp AS DATE)) BETWEEN 0 AND 90 THEN '1: 0-3 Months Active' WHEN DATEDIFF(day, CAST(lo.last_order_date AS DATE), CAST(current_timestamp::timestamp AS DATE)) BETWEEN 91 AND 180 THEN '2: 3-6 Months Active' WHEN DATEDIFF(day, CAST(lo.last_order_date AS DATE), CAST(current_timestamp::timestamp AS DATE)) BETWEEN 181 AND 365 THEN '3: 6-12 Months Active' WHEN DATEDIFF(day, CAST(lo.last_order_date AS DATE), CAST(current_timestamp::timestamp AS DATE)) > 365 THEN '4: 12+ Months Lapsed' ELSE 'Non-Customer' END AS customer_recency_group FROM customer c LEFT JOIN last_order lo ON c.customer_id = lo.customer_id GROUP BY c.customer_id, lo.last_order_date ;; } dimension: customer_id { sql: ${TABLE}.customer_id ;; primary_key: yes } dimension: customer_recency_group { type: string sql: ${TABLE}.customer_recency_group ;; } measure: num_customer { type: count }}

Ezután értékelheti az egyes csoportok teljesítményét a küldött tartalmakkal szemben, hogy megállapítsa, vannak-e olyan konkrét üzenetek, amelyek nagyobb visszhangra találnak.

Tegyen többet a megvalósítható ügyfélszegmentációs modellekkel

Az ügyfélszegmentáció fontos része minden olyan vállalkozásnak, amelynek célja a bevételek, az ismétlési arányok, a pénztárca részesedése és a nyereségesség növelése. A szegmentálásnak nem kell hihetetlenül összetettnek vagy költségesnek lennie, és könnyen elvégezhető egy Looker műszerfal segítségével, könnyen elérhető tranzakciós vagy demográfiai adatokkal. Az ügyfélszegmentálás pedig előnyös az ügyfelei és a szervezete számára, mivel lehetővé teszi, hogy az ügyfelek jobban kötődjenek a márkához, mert releváns tartalmat kaptak, és így a vállalatnak is megnövekedett pozitív eredményeket kell elérnie.

Iratkozzon fel a Looker blogjára, hogy naprakész maradjon a nagy adatokkal kapcsolatos trendi témákról, adatelemzési történetekről, termékhírekről és Daasity csapatunk további írásairól.