Нет больше универсальных подходов к маркетинговым кампаниям

Не все клиенты одинаковы. - Я (и многие другие тоже)

Вы никогда не будете разговаривать с родителями так, как вы разговариваете со своим партнером, и вы никогда не будете разговаривать со своими детьми так, как вы говорите со своим руководителем. Так почему же ваша маркетинговая команда использует универсальный язык в своих маркетинговых материалах?

Использование машинного обучения и искусственного интеллекта с огромным объемом истории потребителей, веб-трафика и обзоров продуктов может оказать ощутимое влияние на маркетинговые кампании. Используя возможности статистических и аналитических инструментов, клиентов можно разделить на сегменты на основе трех простых поведенческих черт, влияющих на язык, используемый в многоканальных маркетинговых кампаниях, что приводит к повышению CTR и коэффициентов конверсии.

Чем лучше вы знаете своего клиента, тем лучше вам.

Как клиент, вы не хотите, чтобы вас воспринимали только как средство для достижения цели. Вы хотите быть частью сообщества. Ваша работа как продавца - узнавать своих клиентов и говорить с ними то, что вы о них знаете. Не будьте пассивными, изучите их болевые точки, узнайте их покупательские привычки и укрепляйте доверие. Выручка последует.

Сегментация рынка и модель RFM

Как правило, есть четыре способа сегментировать вашу потребительскую базу:

  • Демографические - возраст, пол, социально-экономический статус
  • Географические - где они в мире?
  • Психографический - ищу обручальные кольца, планирую купить дом
  • Поведенческие: что делает ваш клиент, когда он попадает на ваш сайт?

API Google BigQuery позволяет создавать запросы, подобные SQL, к данным Google Analytics. Если у вас есть отслеживание электронной торговли через свою учетную запись Google Analytics, у вас есть доступ к данным о поведении ваших клиентов. Рассматриваемое исследование проводилось на основе данных Google Merchandise Store с августа 2016 года по август 2017 года. За этот период магазин посетили более 740 000 уникальных людей, в результате чего было совершено 11 500 покупок на общую сумму более 200 000 долларов.

Чтобы дополнить веб-данные, которые мы получаем из Google Merchandise Store, мы разработаем несколько функций, чтобы «оценивать» каждого клиента на основе модели RFM. Этот метод учитывает недавность (R) последней покупки, частоту (F) или количество всех покупок минус один и денежное выражение (M), определяемое средней суммой заказа.

RFM Feature Engineering

Чтобы сегментировать данные, вам нужно начать с трех столбцов: уникальные идентификаторы клиентов, даты транзакции и сумма транзакции. Я использовал эту функцию для обработки данных Google Merch Store в формате, из которого мы можем моделировать -

После того, как мы пропустим фрейм данных через эту функцию, у нас останется следующая информация:

Важно отметить, что у вас могут быть посетители вашего сайта, которые не совершают покупок, но этот метод сегментации ориентирован на клиентов, которые уже совершили конверсию. Можно и нужно провести еще одно исследование поведения тех, кто не совершает покупки, чтобы вы могли улучшить конверсию своего веб-сайта.

Неконтролируемое машинное обучение с помощью Kmeans

Теперь, когда наши данные готовы к кластеризации, мы протестируем несколько уровней кластера и сравним сумму квадратов ошибок на графике изгиба, чтобы определить лучший уровень для кластеризации каждой функции по отдельности.

Похоже, что частота начинает выравниваться на пяти кластерах, давность - на четырех или пяти, а доход - на четырех или пяти. В зависимости от вашей бизнес-модели у вас могут быть причины выбрать меньшее или большее количество кластеров. После нескольких итераций я выбрал пять значений "Частота", четыре значения "Время давности" и пять значений "Доход".

Отсюда нам понадобятся некоторые вспомогательные функции, чтобы упорядочить кластеры от худшего к лучшему и назначить каждой точке данных соответствующий кластер.

И вот результаты:

  • Частота - подавляющее большинство клиентов попадают в более низкие категории, и наблюдается огромный скачок между тремя и четырьмя, при этом только один клиент совершил покупку более 15 раз.
  • Давность - большинство клиентов довольно неактивны (сколько тройников Google вам действительно нужно?). Окно недавности тем больше, чем лучше назначение кластера.
  • Выручка. Подавляющее большинство потребителей покупали в Google Merchandise Store товары на сумму в среднем от 17 до 19 долларов. Пять кластеров доходов довольно хорошо разнесены, в среднем на них тратится не более 23 долларов.

Мы определим общий балл путем сложения баллов каждого кластера и на основании этого определим стратификацию сегментов.

rfm_df[‘OverallScore’] = rfm_df[‘RecencyCluster’] + rfm_df[‘FrequencyCluster’] + rfm_df[‘RevenueCluster’]
rfm_df.groupby(‘OverallScore’)[‘Recency’,’Frequency’,’logRevenue’].mean()

В зависимости от вашей бизнес-модели у вас уже могут быть определенные ограничения для сегментов. Здесь я разбил их на три группы. Неактивные,
нечастые, малоэффективные пользователи имеют низкую ценность, средняя ценность выше среднего дохода со средним - более чем средняя новизна и средняя или более высокая частота, а высокоценные клиенты попадают в верхние эшелоны как минимум двух функций. .

# Naming and defining segments
rfm_df[‘Segment’] = 0
rfm_df.loc[rfm_df[‘OverallScore’]>4,’Segment’] = 1 
rfm_df.loc[rfm_df[‘OverallScore’]>6,’Segment’] = 2

А теперь визуализируем каждый кластер, чтобы увидеть, насколько хорошо мы справились:

Посмотрите на эти красиво очерченные кластеры!

На этом графике мы видим, что есть клиенты, которые не потратили много денег, но часто заходят на сайт и недавно совершили покупки, которые также попадают в категорию дорогостоящих. Похоже, что оценки падают либо из-за очень нечастых покупок, либо из-за того, что они совершили последнюю покупку в далеком прошлом.

Отсюда вы можете передать информацию своему отделу маркетинга или, если вы ЯВЛЯЕТесь отделом маркетинга, использовать эту информацию, чтобы продвигаться вперед в разработке языка для маркетинговых кампаний по электронной почте или рекламы, ориентированной на конкретное покупательское поведение каждого клиента. Вы посеяли семена, теперь посмотрите, как растет ваш доход!