SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE Jan Matoušek
Zaměření prezentace Téma: Proč některé segmentace fungují a jiné ne Žadné ohromující manažerské schéma Praxe a zkušenosti z 9-ti let tvorby segmentací Telco Retial E-Commerce
Proč segmentovat zákazníky e-shopu
E-mail je přece zdarma Všem můžeme poslat stejnou nabídku
Bojujeme o pozornost v záplavě nabídek relevantním, cíleným sdělením Zákazníka ztrácíme mnohdy navždy, pokud nás hodí do koše
Individuální vs. masová komunikace Nejsem ženská (sociodemografie)
Nechci luxusní doplňky (potřeby) Proč vůbec příště zvedat hlavu (opt out/ spam)
Která reklama má šanci? Segmentace je střední cestou mezi individuální a masovou komunikací
Potřebuju lepší brusle (potřeby)
Řeším zuby, proč si nedopřát bělení (potřeby + sociodemografie)
Segmentace
Dobrá segmentace zákazníků:
Skutečně odlišuje zákazníky Dosahuje velmi rozdílných měr response mezi segmenty Umožňuje porozumění a řízení segmentů Umožňuje migraci komunikace na nákladnější kanály při zvýšení ROI (návratnosti)
Tvrdá nebo měkká data ? Tvrdá data (Nákupy)
• Přiřaditelnost ke konkrétném zákazníkům • Přesnost • Chybějící lifestyle a demografie
Měkká data (Výzkum)
• Lifestyle, názory, demografie • Vztah ke značce a kategorii • Chybějící nebo nepřesné propojení ke konkrétním zákazníkům
Kombinace
• Výhody obou shora zmíněných řešení • Project management • Cena
Typy segmentací z tvrdých dat
Behaviorální (podle chování) Chování
a usage, produkty
RFM / Hodnotová Současná,
minulá, budoucí hodnota, věrnost
Business - Příčiny úspěchu a neúspěchu Příčiny úspěchu
Příčiny neúspěchu
Dobrá představa managementu
Nejasné zadání
Otevřená kooperace
Příliš striktní zadání
Jak vypadá (ne)jasné zadání
Modelování - Příčiny úspěchu a neúspěchu Příčiny úspěchu
Příčiny neúspěchu
Jasně rozmyšlené rozměry segmentace
Příliš mnoho dimenzí segmentace
Několik dobře definovaných potřeb zákazníka
Mnoho matně definovaných potřeb zákazníka
(Ne)jasné rozměry segmentace
Kuchařka MENU: Reálné: Úspěchy a chyby Počet segmentů Postupy a přístupy Přibližný obor Přibližná data
Krok 1 - Typy zákazníků v e-shopech Desítky segmentací umožňují prezentovat typologii: 1. Jednorázoví zákazníci, Velikost: cca 50 %, Současná hodnota 10% Nakoupili jen jednou a už o nich nikdy nebylo slyšet. 2. Slevaři, Velikost: 30%, Současná hodnota 5% Vyhledávají jen nejnižší ceny a o nic jiného nejeví zájem. Přicházejí z cenových vyhledávačů 3. Luxusní, Velikost: 10%, Současná hodnota 35% Zákazníci kupují drahé zboží a nehledí na cenu. Jsou orientovaní na luxus. 4.Věrní, Velikost: 10%, Současná hodnota 50% Zákazníci se skutečnou vazbou na značku / výdejnu nebo typ zboží. Vazba může být dána blízkostí, dobrou zkušeností, použitelností webu,…
Krok 2 – Definice Dimenzí
Úspěch tvoří dobrá volba dimenzí segmentace Evergreen:
RFM (Recency, Frequency, Monetary)
Je
pro nás podstatný obrat, peníze, věrnost,… Jaké místo budou mít noví a staří zákazníci Potřeby: Jsme
techničtí ? – Pracujme s pokročilostí zákazníka Jsme rodinní ? – Pracujme s rodinami a dětmi Jsme formální ? – Pracujme s příležitostmi Jsme sportovní ? – Oddělme sportovce a „povaleče“
Modelování
V centru zájmu analytiků Pro business má malý význam:
Volba segmentačního algoritmu Volba databázových a analytických nástrojů
Velký význam mají
Zkušenosti analytiků Kvalita dat Kvalita zadání
Evaluace - Segmentační řešení I
Liší se od sebe profily natolik, že si zaslouží speciální komunikaci ? Jsou odlišní v hlavních dimenzích (zde: věrnost a potřeby/pokročilost)
tv í kl ub o vé Ko po up lo il sp žk y oř .E Ko le up kt ro il . sp ot ř .z Ko bo up ží il síť .v yb Ko av up en il í no te b oo Ko k up il tis ká rn Ko u up il so ft Ko up il PC so uč Ko ás up tk il u ch la ze Ko ní pi le xt er ní Ko pa up m ěť il W iF i
en s lu š
11%
1.77
100%
0%
8%
7%
5%
0%
5%
2%
0%
0%
29%
4%
8%
1.61
2%
0%
21%
12%
15%
37%
4%
11%
1%
0%
0%
11%
18% 13%
2.19 1.90
98% 3%
1% 0%
3% 2%
13% 3%
9% 3%
23% 0%
8% 1%
14% 5%
85% 100%
21% 18%
25% 0%
6% 2%
64%
3.21
99%
17%
40%
46%
47%
23%
19%
26%
96%
53%
66%
37%
Dé l
ka
Ko up il
př ís
ah u vz t
ivn í ak t
Ko up il
1 Maličkosti Levné přislušenství Notebooky a spotřební elektronika, 2 Mobilní méně cenově citlivý Počítače s příslušenstvím, moho 3 Beru vše transakcí, i drahé transakce 4 PC-čkář Pouze levný počítač Overclockers, Upgraders, Pokročilí, Klubový Extrémní aktivita, Nadšenci, Overclock Fanatici, Kluboví, Mnoho transakcí 5 er vč. Drahých
Kl ub
Cl
us t
er (
Se gm Př en ed t) bě žn ýn áz ev Ry se ch gm lá en ch tu ar ak te ri s t ik a
Evaluace - Segmentační řešení II
Máme co říci každému segmentu ? Jak budou strukturované nabídky ?
Implementace
Použití segmentace nelze zajistit jen technickým řešením Nutno znovu zapojit i marketing a vedení společnosti
Vyhodnocení
Při cílení na správný segment je třeba ověřit dvojnásobnou a vyšší responsi než je průměr Spící segmenty je nutno vyloučit z komunikace V tomto případě došlo k úspoře 20% budgetu za komunikaci katalogu při zachování 94% responsí (vyloučení Spících) ->Segmentace se osvědčila a dále se používá pro další aktivity
Kontakt Data Mind s.r.o. U průhonu 466/22 170 00 Praha 7 www.datamind.cz
Jan Matoušek (
[email protected]) +420 720 705 639
Profil Zakladatel firmy Data Mind, specialista na data mining
