RISC, Mosaik, Conzoom, demografi. Som marketingfolk kan vi godt lide at komme folk i kasser. Segmentere målgruppen, så vi har bedre forståelse for, hvem vi skal kommunikere til.
Kasser er rare, men for firkantede
Segmentering har hidtil haft den udfordring, at den har været for statisk. Et låst, forhistorisk gennemsnit, der sagde, at alle på din vej var 42,3 år gamle, havde 1.4 børn, læste 2.3 ugeblade osv. Hvis du selv har forsøgt at finde ud af, hvilken kasse du passede i, har du selv oplevet, at det ikke liiige var dig – og sådan har det også været for alle andre. Tilsvarende har en person, vi har segmenteret som enlig, lige fået en kæreste, det unge par har fået barn, de gifte er blevet skilt osv.
Relevans er vigtigere end nogensinde
Men selv om en alt for firkantet segmentering er problematisk, så er det vigtigere end nogensinde, at vores budskaber er relevante, så kommer vi igennem til kunden. Derfor arbejdes der nu med en dynamisk datasegmentering, hvor virksomheden for hver enkelt kunde definerer hvilke indsatser, der lige nu vil være mest relevante.
Målet er at forøge kundens livstidsværdi mest muligt. Og her er det en balancegang mellem at tjene mest, men også at gøre det så længe som muligt. Og hvis du presser den kortsigtede citron for hårdt – så nedbringer du levetiden.
Hvis vi f.eks. har 5000 produkter, kan modellen fortælle, hvilket produkt der er størst chance for at sælge til kunden lige nu? Eller kunden skal måske påvirkes med et servicekald, have sendt en mail – eller indgå i et anti-churn forløb? Eller måske er der mest værdi i at lade være med at bruge penge på at kommunikere og blot lade kunden være i fred i en periode?
Datamodellerne ved mere om kunderne, end kunderne selv
Baseret på dynamisk viden om kunden, kundens aktuelle handlinger (f.eks. klik på mails, hvilket device de bruger, geografisk placering osv) og lignende kunders handlinger, udregnes on-the-fly hvilken interaktion, der vil havde den mest positive LTV.
Og det mest interessante – specielt for en der som jeg har arbejdet med traditionel dialogmarkedsføring i mange år – er, at systemerne tilsyneladende ved mere om kunderne, end kunderne selv gør! Hvis man fx spørger kunderne om deres behov, så passer svarene dårligere med kundernes reelle adfærd, end de forudsigelser, datamodellerne kan udregne på kundernes vegne.
Og i en tid, hvor presset på budgetterne er massivt, er der det ikke uvæsentligt, at effekten af kampagner stiger markant. Eksempler på effektforbedringer på 2-8 gange ved denne form for datadrevet-real-time-segmentering er reglen – ikke undtagelsen. Og modellerne er ”selvlærende”, så de bliver mere og mere præcise for hver succes eller fejlskud, de oplever.
