Disclaimer:
Denne case bygger på en opgave for en ikke længere eksiterende entitet. Herefter omtalt “kunden”.
Vi har fået lov til at dele sensitive informationer imod at vi sløre andre informationer der sikre at kunden ikke kan identificeres.
Denne case er tiltænkt som inspiration til hvordan et samarbejde med Segmentering.com kan se ud.
Om projektet
Måltidskasser er et forholdsvist nyt koncept hvor forbrugere får tilsendt en kasse med ingredienser og instrukser til selv at tilberede en række sunde og spændende måltider. Under COVID opstod der en kraftig forøgelse i efterspørgslen for måltidskasseservices og antallet af virksomheder som konkurrede om kunderne steg ligeså.
Den øgede konkurrence ledte til guerilla-markedsføring hvor firmaerne konkurrerede ved i stigende grad at tilbyde gratis prøveperioder mv. Det skabte grobund for at en gruppe brugere som kendetegnes ved ikke at have købsintention, men derimod at hoppe imellem gratis prøveperioder og opstartstilbud.
Vores Kunde var en forholdsvis ny virksom og havde derfor ikke skala nok til at tjene penge på deres kunder og med en CAC (customer aquisition cost) op til DKK 750, var de i høj grad afhængig af investorer.
Forholdet imellem deres betalende kunder og personer der sprang fra efter prøveperioden var et centralt problem for dem, da det fik deres Churn-rate til at se kunstig høj ud og derfor fik deres investeringscase til at se væsentligt dårligere ud. Så de rakte ud til os for at se om vi med data og AI kunne forøge andelen som konverterede til betalende kunder.
Eksekvering
Løsning
Under første deepdive med Kunden granskede vi deres eksisterende setup og kom med et løsningsforslag til udfordringen.
Vi definerede to nøgle segmenter “Turister” og “Kunder”, så deres marketing- og customerservice- afdelinger kunne gå efter “Kunder”-segmentet og deres Webdeveloper afdeling kunne forsøge at demotivere “Turister”-segmentet fra at aktivere opstartstilbuddet.
Kunden indsamlede allerede følgende data: navn, mail, tlf, adresse og en række ordreinformationer. Deres database indholdte lige over 2300 “Kunder” og knap 4500 “Turister”.
For at hjælpe de tre afdelingen som Kunden ønskede måtte vi udvikle to prædiktive AI-segmenteringsmodeller som skulle være i stand til segmentere alle:
- Besøgende på hjemmesiden
- Hele landet geografisk
- Alle bestillinger
Grundet Kundens manglende adfærdsdata og for at skabe bedst muligt grundlag for modellering af de to kundesegmenter, måtte vi foretage en geografisk kundedataberigelse.
Resultater
Segmenteringsmodellen “Turister” blev implementeret på hjemmesiden. Hver gang en besøgende klikkede ind på landingsiden for opstartstilbuddet, blev der fortaget et API kald til Segmenteringsmodellen Turister.
Rent praktisk blev personens IP adresse geo-lokaliseret og baseret på sociodemografiske data for personens område estimerede AI-modellen sandsynligheden for at der var tale om en turist. Dette anvendte Kundens webudviklere til at redirecte til forskellige landing pages – med det udfald at Turister mødte en formulering som såede tvivl om hvorvidt de kunne springe fra uden betaling.
“Segmenteringsmodellen blev anvendt til at demotivere Turister til at aktivere opstartstilbuddet hvilket reducerede andelen af nye Turister med 14% uden at kundevæksten blev påvirket negativt”
Segmenteringsmodellen “Kunder” blev brugt til geografisk højpotentiale mapping, for at kortlægge hvor i landet Kundens marketingteam skulle fokusere deres annoncepres. Vi har fået lov til at fremvise segmenteringsmodellen for Aarhus Kommune, nedenfor. Man kan zoome ind og navigere rundt på kortet for at finde de områder med højt salgspotentiale (Grøn).
“Segmenteringsmodellen blev anvendt til at finde annoncerings hotspots, hvilket resulterede i 17% lavere CAC”
Til sidst blev begge segmenteringsmodeller anvendt på alle kunder efter aktivering af opstartstilbuddet.
Hver nat blev alle nye kunder opdateret med en sandsynlighed for hver af de to segemnter. Det opsatte API brugte leveringsadressen (mere præcist alternativ til IP adresser) til at geolokalisere kunderne, således at modellerne fik mere præcise sociodemografiske data at prædikere på baggrund af.
Det betød at Kundens customerservice team nu havde en ide om hvem der højst sandsynligt ville konvertere og hvem der ville springe fra før prøveperiodens ophør.
Rent lavpraktisk satte customerservice teamet 5 automatiske emails op for alle som havde over 65% sandsynlighed for at tilhøre “Turister”-segmentet. Hvorimod alle andre blev inddelt i lav, middel og høj sandsynlighed mht “Kunder”-segmentet, hvilket tillod customer service at eksperimentere med ordlyden.
“Segmenteringsmodellerne blev anvendt til at skræddersy kommunikationen og til at regulere antallet af automatiske mails – det resulterede i at Churn på introduktionstilbuddet faldt fra ca 67% til ca 57%”
Tre måneder efter at modellerne blev implementeret var der kørt nok personer igennem introduktionstilbuddet til at følge op på performance. Foruden de tre ovenstående indikationer lavede vi også en korrelations analyse af prædiktionerne og konversions. Analysen viste en klar korrelation imellem modellerne og virkeligheden. Men den indikerede også at korrelationen er bedre for leveringsadresser end IP-adresser.