Tato data miningová technika rozděluje zákazníky do vnitřně konzistentních celků - segmentů. Pokud budeme například pracovat v pojišťovnictví, budeme jistě chtít pro účely havarijního pojištění oddělit řidiče s čerstvým razítkem na řidičském průkazu od služebních řidičů a tzv. čepičářů, kteří vyjíždějí jen na svatby a pohřby. Takovéto dělení je velmi podstatné, protože jedna část řidičů nám nese velké riziko a přitom nemá mnoho peněz (mladí), druhá vyvažuje rizika solventností (profesionální řidiči), zatímco třetí rizika minimalizuje, a je možné jim nabídnout pojištění s nižší cenou (sváteční řidiči, tzv. čepičáři).
Algoritmy segmentace
Segmentační algoritmy obecně pocházejí z domény data minigu a strojového učení. V technické literatuře se jim říká clusterová, nebo česky seskupovací analýza.
Protože je segmentace vícerozměrná, musíme si nejprve zákazníky představit umístěné v prostoru více proměnných. Například zákazník Pepa Brzobohatý má veliké útraty, ale je málo věrný naší firmě. Zákaznice Mirka Spořivá naopak nakupuje pouze levné zboží, ale za to pravidelně a vždy jen v našem obchodě. Ve dvojrozměrném prostoru daným věrností a útratou budou tito zákazníci od sebe velmi vzdáleni a budou proto zařazeni do odlišných segmentů.
Obrázek: Příklad dvourozměrné segmentace z praxe Data Mind, dle věrnosti a útraty
Původní segmentační algoritmy jsou založeny na hierarchickém slučování zákazníků. Tyto techniky jednoduše najdou nejpodobnější zákazníky a sloučí je do jednoho segmentu (clusteru). V další fázi se slučují segmenty do větších celků. Některé pokročilejší techniky používají místo vzdáleností mezi zákazníky statistické míry podobnosti. Jiné zvolí náhodně centra clusterů a následně jim přiřazují zákazníky. V konkrétních aplikacích má ovšem volba seskupovacího algoritmu, dle našich zkušeností, podružnou úlohu. Podstatnější je volba proměnných, podle kterých se seskupování provádí.
Dimenze segmentace
Proměnné, podle kterých segmentujeme, tvoří jádro našich řešení, je proto potřeba jim věnovat náležitou pozornost. Otázka, podle čeho dělit své zákazníky, totiž není triviální. Mnoho firem se zaměřuje na útratu zákazníka. Pokud od ní odečteme náklady, dostaneme čistou hodnotu zákazníka pro náš podnik. To ovšem pro efektivní komunikaci a poznání zákazníků nestačí. Mnohdy dojde marketingové oddělení k tomu, že zvláštní pozornost si zasluhují noví zákazníci a zákazníci, kteří nedávno nakoupili. Velké oblibě marketingových oddělení se těší také věrní zákazníci.
Segmentace však dostane lidský rozměr až s uplatněním proměnných, které zdůrazňují odlišné potřeby zákazníků. Profesionální fotograf má úplně jiné fotografické potřeby než rekreant na dovolené, a to dokonce při stejné útratě. Pokud si zákazník koupil štěteček na čištění objektivu za 250 Kč, má tento zákazník vyšší potenciál než nákupčí kompaktního fotoaparátu za 2.000 Kč. První zákazník totiž na sebe prozradil, že má profesionální potřeby, zatímco druhý demonstroval paradoxně větším nákupem, že ho fotografování vůbec nezajímá.
Další dimenzí jsou tedy obvykle potřeby zákazníků, které přidávají segmentům plastickou charakteristiku.
Výhody segmentace
Ve firmě Data Mind se vždy snažíme s našimi klienty nejprve probrat účel, který má daná segmentace plnit. Cíle segmentace začínají od pouhého porozumění zákazníkům. Při hrubém zjednodušení, některým firmám stačí pochopit, že obsluhují určité procento nadšených zákazníků, a určité procento zákazníků, kterým je jejich zboží a firma srdečně jedno. Nasnadě je pak druhý krok, ve kterém se věrná základna zákazníků dále podporuje ve věrnosti, a část nevěrných zákazníků se snažíme přesvědčit o výhodách věrnosti k dané značce nebo společnosti.
Hlavním účelem segmentace založené na nákupech zákazníka ovšem je, že můžeme doručovat konkrétní sdělení konkrétním zákazníkům. V oboru počítačů můžeme nadšencům sdělovat podrobnosti o architektuře procesorů a naladit je tak ke koupi. Segmentům méně pokročilým pak můžeme komunikovat třeba to, že jejich notebook může být červený. Spokojenost je obvykle na obou stranách. Zákazník dostává sdělení šité na míru a obchodník dostane více objednávek. Podstatné z hlediska komunikující firmy je i to, že zákazníci nebudou sdělení házet do fyzického ani do spamového koše.
Case study z prostřední elektroniky
Popišme si nyní konkrétní segmentační projekt. Obor klienta a názvy segmentů byly změněny, zbytek je reálný.
Začátek segmentačního projektu s Data Mind tvoří vždy workshop ke stanovení cílů segmentace. Probereme důkladně, jaké dimenze má segmentační řešení mít. V případě prodejce elektroniky jsme chtěli oddělit věrnou část zákazníků, nepodcenit však ani rozměr pokročilosti zákazníka.
Poté následovala „temná fáze“ přípravy zákaznických segmentů. V ní jsme pracovali s databází tak, abychom získali co nejlepší proměnné do segmentačního řešení. Tvorba modelu je již jen třešničkou na dortu.
Výsledná segmentace vytvořila segment věrných zákazníků s mnoha nákupy. Oddělila také fanatické příznivce elektroniky a výpočetní techniky, zde pod názvem Fanatici. Nadšence tvořili poloprofesionálové, u nichž je elektronka hlavním koníčkem, ale ne obživou. V dalším segmentu byli odděleni věrní zákazníci, kteří hodně nakupují, ale jejich pokročilost je průměrná. Jako Unikáti byli nazváni zákazníci, kteří nakupovali unikátní zboží, které nebylo k nalezení v žádném jiném elektronickém obchodě v ČR. Podstatná část bývalých zákazníků tvořila mrtvou masu, kterou bude potřeba reaktivovat - tito dostali název Spící.
Segmentace zákazníků byla poté nasazena na systémy klienta a propojena s ostatními informacemi o zákaznících.
V dalším kroku jsme v Data Mind vymysleli marketingové strategie pro jednotlivé segmenty. Rozhodli jsme, že tištěný katalog, který je distribuován s náklady 10 Kč na kus bude doručen jen „kvalitním“ segmentům Fanatiků a Věrných. Pro kontrolu jsme obeslali i část ostatních segmentů.
Výsledkem bylo zdvojnásobení nákupů na jeden obeslaný katalog: Kvalitní segmenty braly zboží více než dvojnásobně oproti méně kvalitním. Na dosažený výsledek, který zdvojnásobil výnosnost oslovení, se klient díval optikou úspory. Na neobeslané polovině zákazníků se ušetřila polovina nákladů, které by jinak vyletěla komínem.
Obrázek: Míra nákupů (response rate) u jednotlivých segmentů
Možná kritéria segmentace zákazníků:
K segmentaci zákazníků můžeme použít různé zdroje:
• data o nákupech
• data z marketingového výzkumu
• kombinaci obou uvedených zdrojů
Pokud preferujeme barvité popisy zákazníků, provázané na jejich životní styl, použijeme obvykle výzkumnou segmentaci zákazníků. V případě, že hodláme oslovit část zákaznické základny přímou komunikací typu zásilky do schránky (direkt mail), použijeme raději segmentaci založenou na nákupech zákazníka. Tu později můžeme „dobarvit“ výzkumem, pokud se zeptáme na charakteristiky zákazníků.
Jak může vypadat segmentace zákazníků
V následujícím oddíle si můžeme udělat představu o segmentech zákazníků z hlediska jednotlivých oborů podnikání. Názvy vycházejí z praxe společnosti Data Mind, ale nejedná se o výpis z konkrétních segmentací - ty jsou chráněny dohodou o mlčenlivosti. Ideální název segmentu je samovysvětlující, a měl by co nejvíce vystihovat životní styl, který u zákazníků předpokládáme.
Cíle segmentace zákazníků
• Doručit relevantní obchodní nabídky správným zákazníkům
• Porozumět zákazníkům
• Strategicky rozvíjet služby a produkty
• Posilovat věrnost zákazníků
Publikováno v časopise Computer
