Waarom segmentering een comeback maakt
Veel van wat we dachten te weten over hun klanten is 'op zijn kop gezet'. De pandemie heeft veel bedrijven ertoe aangezet om hun bestaande persona's en commercialiseringsbenaderingen te herzien door middel van segmentering. Op dit punt vraag je je misschien af:
Hoe kunnen we onze klanten beter begrijpen?
Hoe kunnen we ons bedrijfsproces beter of efficiënter maken?
Met welke voorbehouden moeten we rekening houden bij het operationaliseren van onze segmentatie/model?
In dit interview put Julien Theys, Managing Partner van Agilytic, uit zijn uitgebreide ervaring met verschillende segmentatieprojecten om uit te leggen hoe gegevens van invloed zijn op commercieel succes met segmentatie.
"Segmentatie is nuttig om de verschillende klantgroepen in te schatten en te identificeren en hun meest relevante behoeften vast te stellen." - Julien
Ben je het ermee eens dat segmentering een comeback maakt?
Julien: Laten we de detailhandel als uitgangspunt nemen: er is een verschuiving naar meer gepersonaliseerde content. Bedrijven kunnen aankooppatronen beter begrijpen en identificeren tot in kleinere, meer granulaire segmenten. Het is nu bijvoorbeeld mogelijk om promoties te optimaliseren per subcategorie van voedingsproducten.
We zien dit ook buiten de detailhandel, zoals in de culturele sector die staat te popelen om oude en nieuwe klanten weer te laten genieten van bioscoop, theater en livemuziek. We kunnen segmenteren op basis van transactiegegevens, aankoopgedrag, hoog omzetpotentieel en hoogfrequente aankopen.
Het is ook een uitdaging om bij segmentatie rekening te houden met COVID-gedrag (d.w.z. overstappen van offline naar online kanalen, de kleinere beschikbare selectie, veranderend aankoopgedrag en meer kopen bij minder frequente reizen). We hebben een enorme toename gezien van digitale campagnes die gericht zijn op meer mensen en prospects, en segmentatie helpt bij het optimaliseren van deze campagnes.
Wat is de eerste stap voor middelgrote retailers als ze het gevoel hebben dat ze hun klanten niet meer kennen?
Julien: De eerste stap is om een samenhangende aanpak te hebben voor het combineren van de "traditionele" sociodemografische gegevens (zoals leeftijd, geslacht, postcode) en gedragsgegevens (aankooppatronen) die ze al hebben.
Gegevens hoeven niet uitputtend, granulair of 100% schoon te zijn om snel betrouwbare inzichten te produceren!
Het heeft geen zin om te wachten op die ongrijpbare perfecte gegevenssets.
Waarom is segmentering als gevolg van de crisis een cruciaal strategisch element voor marketing-/commerciële teams om opnieuw te bekijken?
Julien: Omdat er veel veranderd is, kan het idee van een bedrijf over wie hun klanten zijn ook drastisch veranderd zijn. Teams moeten hun klantsegmenten en kritieke indicatoren en dimensies kennen, vooral na deze crisis.
Door bijvoorbeeld naar interacties te kijken, kunnen teams nieuwe transactiepatronen ontdekken (wie, hoeveel, wanneer, welke producten). Segmentatie brengt potentieel over het hoofd gezien gedrag aan het licht.
Andere 'Nice-to-have'items zijn onder andere contacten of andere interacties (bijv. geabonneerd op de nieuwsbrief, online interactie met het bedrijf).
We kijken ook vaak naar sociodemografische gegevens zoals leeftijd, regio, beroep, type huishouden. Op basis van geografische informatie kunnen we bijvoorbeeld open data gebruiken om aanvullende inzichten te verschaffen: gemiddelde inkomsten, werkloosheidspercentage, leeftijd, enz.
Het is niet alleen in B2C. In B2B-omgevingen bouwen we op interactie- en gedragsgegevens met bedrijfsspecifieke (firmografische) gegevens om te zien welke bedrijfsspecifieke factoren er meer toe doen.
In principe geldt: hoe meer granulariteit je kunt hebben over je klant, hoe beter!
Waarom is het cruciaal om de focus te beperken tot een aantal segmenten met de beste inkomsten/vraaggeneratierespons?
Julien: Segmentatie stelt ons in staat om de klanten met een hoger inkomstenpotentieel te identificeren. Natuurlijk krijgen deze klanten de meeste prioriteit, maar ze zijn niet noodzakelijk de enige focus van marketingcampagnes.
Segmentatie kan ook benadrukken:
Een segment met "middeninkomsten" met het potentieel om door te stromen naar segmenten met hoge uitgaven (vaak "up-selling" genoemd)
Potentiële klanten: als we vaststellen dat we populair zijn bij een bepaald segment (of dat nu het segment is dat we willen aantrekken of niet), is het gemakkelijker om in digitale campagnes te mikken op "lookalike" potentiële klanten.
Hoe spelen gegevens een rol bij segmentatie? Wat zijn veelgebruikte methoden die je in projecten hebt gebruikt?
Julien: Eenvoudige, rechttoe rechtaan methodologieën kunnen al veel quick wins opleveren. Maar welke aanpak we ook kiezen, het moet uitvoerbaar zijn.
Het is altijd goed om te beginnen met een snelle beschrijvende analyse omdat het ons kan helpen om op een ongecompliceerde manier concrete clusters te identificeren.
Dan is hier bijvoorbeeld een klassieke benadering:
Principale Componenten Analyse om het aantal variabelen te verminderen en de clustering te verbeteren
Silhouet- en/of elleboogmethode om het optimale aantal clusters te vinden
K-means om de segmenten te vinden en te genereren
Beschrijving van segmenten: beschrijvende analyse van segmenten op basis van relevante gegevens (bijv. sociodemografisch + belangrijkste trends in transactiegedrag)
Een voorspellend model om te bepalen welke variabelen elk segment onderscheiden van de andere.
Kunt u beschrijven waarom onze aanpak bij het bereiken van bepaalde mijlpalen waardevol kan zijn voor een segmentatieproject?
Julien: Wat echt essentieel is, zijn de voor en na.
Dat betekent dat we ervoor zorgen dat er voldoende validatie van gegevens is. Gezonde gegevens uit de juiste bronnen helpen om klanten te targeten, trends te zien en ons als datawetenschappers te oriënteren welke variabelen moeten worden opgenomen.
Wat je daarna doet met je pas verworven segmentatiekennis is essentieel. Na een segmentatieproject nemen we veel tijd, veel meer dan het bouwen van een model, om het model te beschrijven en hoe onze klant het kan gebruiken. Dit houdt ook in dat we uitleggen hoe het model waarde toevoegt in het heden en in de toekomst. We kunnen bijvoorbeeld als volgende stap aanraden om A/B-tests uit te voeren.
