Du kör en e-postkampanj till 100 000 prenumeranter. Du skickar samma meddelande till alla. 2 % konverterar. Tänk dig nu att du kunde förutse vilka 10 000 prenumeranter som faktiskt blir intresserade innan du skickar, och ge dem ett starkare erbjudande. Du skulle konvertera 8 % av de 10 000 (800 personer) i stället för 2 % av 100 000 (2 000 personer). Men eftersom du hoppade över de ointresserade 90 000 sjönk din kostnad per kund med 75 %. Det är prediktiv segmentering: att gruppera besökare efter vad de sannolikt gör härnäst, inte bara efter vad de gjorde förut.
Prediktiv segmentering använder maskininlärning för att se vilka besökare som kommer att göra något i framtiden (köpa, lämna, uppgradera, tipsa andra). Vanlig segmentering delar in besökare i grupper efter tidigare beteende (geografisk plats, trafikkälla, besökta sidor). Prediktiv segmentering delar in dem efter förutsett framtida beteende (sannolikhet att köpa, sannolikhet att lämna, förutsett kundvärde). Skillnaden i affärsnytta är enorm.
Hur grupperar AI besökare annorlunda än du gör manuellt?
Ta vilken analysinstrumentpanel som helst så hittar du samma segmentering: trafikkälla, enhetstyp, geografi och kanske några beteendesegment. Det är användbara segment. Men de bygger på det du valde att spåra och det du manuellt bestämde var viktigt. Titta på vad ett AI-system kan göra med samma data så ser du att det grupperar besökare efter mönster du aldrig hade lagt märke till.
Manuell segmentering begränsas av vad du kommer på att mäta. Du segmenterar efter "användare från betalda annonser" och "användare från organisk sökning". De är uppenbara. AI-segmentering frågar: bland användarna från betalda annonser, vilka kommer att konvertera och vilka inte? Den hittar att användare som klickar på en annons, lämnar sidan och kommer tillbaka inom 6 timmar har tre gånger så hög konvertering. Det är ett mikrosegment du aldrig skulle komma på att skapa. Men det är värdefullt.
AI hittar mönster som inte är uppenbara. Du ser att ditt snittordervärde är 50 USD. AI hittar att användare som besöker produktsidor i just den här ordningen har 80 USD i snittordervärde. Användare som tittar på priset innan de lägger något i kundvagnen har 30 USD. De här mönstren finns i din data. En människa skulle behöva månader för att hitta dem. En AI-modell hittar dem på timmar.
AI testar tusentals kombinationer. En människa kan manuellt testa 5-10 segmenteringsidéer. En AI testar tusentals. Den hittar de segment som faktiskt förutser beteende (kommer de att köpa?) i stället för segment som låter logiska men inte stämmer (vi trodde geografi spelade roll, men det gör den inte). Det datadrivna arbetssättet slår mänsklig intuition varje gång.
Viktigast av allt: AI uppdaterar sig hela tiden. Du kanske skapar ett segment baserat på data från juli. Till oktober har mönstret förskjutits. Manuella segment blir föråldrade. AI-segment uppdateras automatiskt när ny data kommer in. Förutsägelserna håller sig träffsäkra eftersom de alltid bygger på aktuella mönster.
Vad kan AI faktiskt förutse om besökare?
Titta på vad prediktiv analys kan förutse så hittar du möjligheter överallt. Nyckeln är att välja förutsägelser som spelar roll för affärsbeslut.
Köpintention: Vilka besökare köper inom de närmaste 30 dagarna? Vilka köper aldrig? Vilka tvekar? AI kan förutse det utifrån beteendemönster (hur många sidor som visats, tid på sajten, att lägga i kundvagnen utan att köpa). Besökare med hög köpintention får ett premiumerbjudande. Besökare utan köpintention får en gratis guide som ger kunskap. De som tvekar får en tidsbegränsad rabatt.
Risk att lämna: Vilka kunder riskerar att lämna under nästa månad? AI hittar de tidiga varningstecknen: engagemanget sjunker, användningen av funktioner minskar, supportärendena ökar. Hittar du de här kunderna kan du ingripa innan de lämnar. Ett väl tajmat erbjudande eller en produktförbättring kan rädda dem.
Kundvärde över tid: Vilka kunder kommer att spendera mest under hela sin tid hos dig? Det är inte uppenbart. En kund som spenderar 100 USD första dagen kanske aldrig kommer tillbaka. En kund som spenderar 20 USD första dagen kanske spenderar 2 000 USD under fem år. AI lär sig vilka egenskaper som förutser högt kundvärde (användningsmönster, användning av funktioner eller engagemangsnivå). Då kan du lägga resurserna på att skaffa och behålla kunder med högt värde.
Sannolikhet för nästa handling: Kommer den här besökaren att uppgradera sin plan? Kommer hen att tipsa en vän? Kommer hen att besöka sajten igen? För varje handling som är viktig för din verksamhet kan AI uppskatta sannolikheten. Sedan segmenterar du besökare efter de sannolikheterna och anpassar upplevelsen för var och en.
Innehållspreferenser: Vilka bloggämnen tycker den här besökaren är värdefulla? Vilka funktioner bryr hen sig mest om? Vilken produktkategori intresserar hen? AI lär sig de här preferenserna från beteendet och kan rekommendera nästa steg. En besökare som är intresserad av avancerade funktioner ser jämförelser av funktioner. En besökare som är intresserad av enkelhet ser guider om hur enkelt det är.
Varför förutse framtida beteende i stället för att bara analysera det förflutna?
Fråga de flesta analysteam hur de segmenterar så beskriver de tidigare beteende. "Användare med högt engagemang", alltså användare som engagerat sig mycket. "Nya besökare", alltså personer som besökte sajten förra veckan. Det är analys. Den säger vad som hände. Men den affärsmässiga frågan är oftast: vad händer härnäst? Förutsägelse svarar på den.
Tidigare beteende är en dålig förutsägelse av framtida beteende om något har ändrats. En kund som köpte för sex månader sedan kanske lämnar nästa månad. En förstagångsbesökare kanske blir en lojal kund. Du kan inte utgå från att framtiden liknar det förflutna. Prediktiva modeller tar hänsyn till det genom att lära sig vilka signaler som faktiskt förutser framtiden.
Prediktiv segmentering låter dig agera i förväg. Om du vet att en kund lämnar nästa månad har du tid att höra av dig, förbättra produkten eller erbjuda en förmån. Om du bara märker att kunder lämnar efter att det hänt (analys av tidigare beteende) har du redan förlorat dem. Skillnaden mellan att agera i förväg och i efterhand är stor.
Prediktiv segmentering optimerar också hur du fördelar resurser. Du har en begränsad marknadsföringsbudget. Du kan lägga den på alla kunder (låg avkastning) eller på kunder med högt värde (hög avkastning). Prediktiv segmentering visar vilka kunder du ska fokusera på. Du spenderar mindre och tjänar mer.
Hur inför du prediktiv segmentering i praktiken?
Börja med att bestämma vad du vill förutse. Alla förutsägelser är inte värda att bygga. Välj förutsägelser som svarar på affärsfrågor: "Vem köper?" "Vem lämnar?" "Vilka är våra mest värdefulla kunder?" "Vem tar till sig den här funktionen?" Välj en. Bygg en modell för den. Se om den fungerar.
Nästa steg är att förbereda data. Modellen behöver ren data. Den behöver rätt signaler. Om du vill förutse köpbenägenhet behöver modellen data om surfbeteende, interaktion med kundvagnen, tid på sajten och om de köpte. Saknas signaler presterar modellen dåligt. Granska din datainsamling först.
Många analysplattformar har nu prediktiv segmentering som funktion. Andra har prediktiva kohorter. Vissa produktanalysplattformar har AI-segmentering. De är enklare än att bygga egna modeller. Börja med funktioner som finns i plattformen. Bygg egna modeller bara om du behöver förutsägelser som plattformen inte erbjuder.
När du har förutsägelser segmenterar du din publik. Besökare med hög köpintention hamnar i ett segment. De med låg intention hamnar i ett annat. De med hög risk att lämna hamnar i ett segment för att behålla kunder. Sedan anpassar du upplevelsen för var och en. Besökare med hög intention ser prissidan. De med låg intention ser utbildande innehåll. Kunder med risk att lämna får kontakt från kundsupporten.
Till sist, kontrollera att förutsägelserna fungerar. Kör ett A/B-test. Skicka ett premiumerbjudande till de besökare som förutspåtts ha hög intention. Skicka ett vanligt erbjudande till en kontrollgrupp. Konverterar gruppen med hög intention bättre? Om ja fungerar modellen. Om nej, justera den. De flesta modeller behöver förfinas innan de är pålitliga.
Vilka är riskerna med att lita på AI-förutsägelser?
AI-förutsägelser är bara så bra som den data de tränats på. Om din historiska data är skev (du har bara skaffat kunder från en kanal, ett land, en säsong) lär sig modellen den skevheten. Den tror att det är den enda kundtypen som fungerar. När du försöker skaffa kunder från en annan kanal slår modellens förutsägelser fel.
Förutsägelser förlorar träffsäkerhet över tid. En modell som tränats på data från första kvartalet kan fungera bra under första kvartalet. Till tredje kvartalet har marknadsförhållandena ändrats. Dina kunder har ändrats. Modellen är föråldrad. Bra prediktiva system tränas om regelbundet (varje månad eller kvartal) med ny data. Tränar du en gång och aldrig uppdaterar blir förutsägelserna sämre.
Förutsägelser kan bli självuppfyllande. Om du säger till en säljare att "den här kunden kommer att lämna" kan säljaren omedvetet behandla kunden sämre, vilket orsakar att kunden lämnar. Om du ignorerar kunder som förutspåtts ha lågt värde blir de aldrig värdefulla, eftersom du aldrig satsar på dem. Var medveten om den här återkopplingen.
Förutsägelser förklarar inte varför. Modellen kan säga "den här besökaren kommer att lämna" men inte varför. Är det passformen på produkten? Priset? En konkurrent? Brister kundsupporten? Du behöver fortfarande mänskligt omdöme för att ta reda på orsaken och åtgärda den. Förutsägelser lyfter fram problemet. Människor löser det.
Dataskyddsregler gör prediktiv segmentering mer komplicerad. GDPR och CCPA ger användare rätt att veta varför de behandlas olika och att välja bort automatiserade beslut. Om du använder prediktiva segment för att neka någon åtkomst eller ta mer betalt av någon kan du behöva redovisa modellens resonemang. Rådgör med en jurist innan du inför prediktiv segmentering i stor skala.
Är prediktiv segmentering samma sak som prediktiv analys?
Inte riktigt. Prediktiv analys är det bredare området att förutse framtida utfall (kommer den här kunden att lämna, kommer det här mätvärdet att stiga). Prediktiv segmentering handlar specifikt om att gruppera besökare efter deras förutsedda beteende. Prediktiv analys är förmågan. Prediktiv segmentering är en tillämpning av den.
Hur träffsäkra behöver förutsägelserna vara för att vara användbara?
Det beror på vad ett misstag kostar. Om du förutser besökare med hög intention och ger dem 10 USD i rabatt kostar ett misstag 10 USD. Då är 60 % träffsäkerhet bra, du går ändå med vinst. Om du förutser bedrägerier och nekar någon åtkomst vill du ha över 95 % träffsäkerhet. För de flesta affärsbeslut är 70-80 % träffsäkerhet gränsen där förutsägelser slår slumpen och är värda att agera på.
Kan jag använda prediktiv segmentering på små målgrupper?
Inte bra. Prediktiva modeller behöver data att lära av. Med 100 användare har modellen inte tillräckligt med exempel. Med 10 000 användare har den tillräckligt för att lära sig grundläggande mönster. Med 100 000 användare lär den sig nyanserade mönster. Börja med prediktiv segmentering när du har minst 5 000-10 000 användare med tillräcklig beteendehistorik.
Vad är skillnaden mellan prediktiv och manuell segmentering?
Manuell segmentering delar in användare efter kända egenskaper (geografi, trafikkälla, enhet). Prediktiv segmentering delar in användare efter förutsett framtida beteende (kommer att konvertera, kommer att lämna, kundvärde). Manuell segmentering är det som hände. Prediktiv är det som kommer att hända. Båda är användbara. Använd prediktiv för personalisering och manuell för rapportering.
Kan jag uppdatera prediktiva segment i realtid?
De flesta plattformar uppdaterar förutsägelser dagligen eller veckovis, inte i realtid. Förutsägelser i realtid kräver mer infrastruktur och kostar mer. För de flesta användningsfall räcker dagliga eller veckovisa uppdateringar. Om du behöver personalisering i realtid kan du investera i en CDI (Customer Data Infrastructure) som uppdateras löpande.
Vad händer om min förutsägelse om en kund är fel?
Enskilda förutsägelser blir ibland fel. Modeller är sannolikhetsbaserade, inte deterministiska. Målet är att ha rätt oftare än fel. Om du förutser att någon lämnar och har fel (hen lämnar inte) rör det sig om en kund. Om du förutser att 1 000 kunder lämnar och 700 faktiskt gör det är din träffsäkerhet 70 % och du har ändå hittat det segment som löper störst risk. Fokusera på träffsäkerheten totalt, inte för enskilda kunder.