Der er mange måder at arbejde med segmenteringsmodeller på og det er ikke 100% fast defineret hvad forskellige virksomheder og bureauer mener når de siger segmenteringsmodeller.
Overordnet set mener vi at en organisation bør definere nogle adfærdsmønstre som kendetegner deres segmenter, måden hvorpå segmenteringen af personer i de respæktive segmenter kalder vi så for en segmenteringsmodel, udarbejder man en fælles beskrivelse af personerne i et segment får man dets persona.
Når det kommer til selve segmenteringsmodellerne, kan man igen have forskellige tilgange. Så snart man anvender sin segmenteringsmodel til at forudsige personers adfærd, dvs om til tilhøre et segment før det er bevist, så kalder vi den for en prædiktiv segmenteringsmodel. Hvorimode hvis man udelukkende anvender sin segmenteringsmodel til at afrapportere eller til at udtrække personaer, så er den ikke prædiktiv.
Nedenfor beskriver vi to former for prædiktive segmenteringsmodeller: segmenteringsmodeller som anvender kunstig intelligens (AI) eller dem hvor en maskine står for segmenteringen af personer og kausale segmenteringsmodeller eller dem hvor mennesker manuelt har opsat segmenteringslogikkerne.
AI segmenteringsmodeller
De mest sofistikerede segmenteringsmodeller anvender kunstig intelligens (AI) til at udføre segmentering. AI-modellerne er prædiktive fordi de på alle tidspunkter i kunderejsen kan segmentere en given person, dog med stigende sikkerhed des mere kundedata den får adgang til.
AI segmenteringsmodeller er enten kategoriske fx vurdere om “John er Katteelsker” og “John er Hundeelsker” (husk han kan godt være begge). Eller numeriske, fx estimere at “livstidsværdien for Susanne er 4.500,-“. Begge typer modeller anvender samme teknologi og samme input data, de prædiktere bare forskellige ting.
For at kunne træne en AI segmenteringsmodel, kræver det at man allerede har en række kunder (helst mere end 1.000). Da sammenhængen imellem kundens data og de dertilhørende segmenter, bruges som datasæt til at træne AI-modellen.
Des mere og bedre data man har, des bedre vilkår har den kunstige intelligens for at komme med de rigtige svar. Både antallet af kunder men også antallet af datakilder man har for dem.
Når en AI kundesegmenteringsmodel trænes, finder den komplekse sammenhænge imellem personer i et segment og alle deres tilhørende data. Derefter kan den trænede model udregne sandsynligheden en ny person tilhører segmentet baseret på hendes data.
Der er intet loft for hvor mange segmenter AI-modeller kan bearbejde og når den trænede model sættes i produktion tager det kun et brøkdel af et sekund at segmentere en ny person.
Fordelene ved AI segmenteringsmodeller er at de
- kan hostes separat i skyen og tilgås af andre systemer (fx CRM, nyhedsbrev eller CDP), så man frit kan skifte en leverandør ud uden at skulle ændre hvordan segmenteringsmodellerne anvendes i de andre systemer.
- er klogere end dem som har udviklet den, dvs. har man nok data skal AI nok finde alle sammenhængene uden at mennesket manuelt har “fortalt” den det
- er robuste og kan fortsætte med at køre selvom man ændre på måden man indsamler data eller de værktøjer (så som mailsystem) der anvender dem
- indeholder al den information som skal til for at bygge skræddersyede personaer
Ulemperne ved AI segmenteringsmodeller er de:
- kræver en data-sciencist at udvikle dem (så de er sjældent noget for den lokale frisør)
- kræver at man allerede har indsamlet kundedata for minimum 1000 personer som de kan trænes på
Input til AI segmenteringsmodeller
En AI kundesegmenteringsmodel kan tage alle typer input lige fra strukturede data, til lyd, til billeder, til ustruktureret tekst, her er dog de mest almindelige nogle eksempler:
- Købshistorik (købshistorik, “abandoned carts”, adfærd mv.)
- Kundehistorik (cookies, konkurrencer, nyhedsbreve, events, annoncer, SoMe mv.)
- Custom førstepartsdata (data som jeres kunder frivilligt har givet jer)
- Geo-demografiske data (ikke personlige statistiske data som genereres baseret på IP’er, adresser, app-koordinater eller butikslokationer)
Kausale segmenteringsmodeller
Den mest direkte måde at gå til prædiktiv segmentering på er ved manuelt at opbygge en segmenteringsmodel op fra bunden. En kausal model bygger på en række årsag/effekt forhold, altså en trigger og det tilhørende segment.
Fx kunne en kausal segmenteringsmodel fungere på følgende måde: når en kunde har købt sportstøj så bliver hun knyttet til segmentet “sports entusiaster”, eller når hun har været kunde i mere end 5 år ELLER købt for mere end 5.000,- så knyttes hun til segmentet “loyale kunder”.
De kausale segmenteringsmodeller opsættes oftest direkte i de softwareløsninger som “anvender” segmenterne. Det kan fx være virksomhedens nyhedsbrevs-system eller CRM, således at der direkte bliver sendt en mail eller oprettet en supportopgave.
Kausale segmenteringsmodeller er idelle for mindre virksomheder som ikke har ressourcer til at arbejde med AI, eller hvis man som større virksomhed ønsker at supplere sit AI-setup med nogle deskriptive segmenter der har en afgrænset usecase (fx en hurtig annonce på Facebook).
Fordelene ved de kausale segmenteringsmodeller er at de:
- er nøjagtige når man ved præcis hvad de skal “modellere”
- er omkostningslette at opsætte
Ulemperne ved de kausale segmenteringsmodeller er at de:
- er reaktionære, altså ikke er i stand til at putte kunder i et segment før det er bevist at kunden tilhøre det
- er statiske, dvs hver eneste sammenhæng skal forståes og opsættes manuelt, segmenteringsmodellerne er derfor ikke klogere end dem som har sat dem op.
- er fast forankret i de systemer de er sat op i, dvs skifter man mailsystem skal alle modellerne sættes op igen
- ikke indeholder personaer