Stai lanciando una campagna email a 100.000 iscritti. Mandi lo stesso messaggio a tutti. Il 2% converte. Ora immagina di poter prevedere, prima dell'invio, quali 10.000 iscritti saranno davvero interessati, e di mandare loro un'offerta più forte. Convertiresti l'8% di quei 10.000 (800 persone) invece del 2% di 100.000 (2.000 persone). Ma siccome hai saltato i 90.000 non interessati, il tuo costo per acquisizione è sceso del 75%. Questa è la segmentazione predittiva: raggruppare i visitatori in base a ciò che probabilmente faranno, non solo a ciò che hanno già fatto.
La segmentazione predittiva usa il machine learning per individuare quali visitatori compiranno un'azione in futuro (compreranno, se ne andranno, passeranno a un piano superiore, inviteranno qualcuno). La segmentazione di base divide i visitatori in gruppi in base al comportamento passato (posizione geografica, fonte di traffico, pagine visitate). La segmentazione predittiva li divide in base al comportamento futuro previsto (probabilità di acquisto, probabilità di abbandono, previsione del valore nel tempo). La differenza di impatto sul business è enorme.
In cosa l'AI raggruppa i visitatori in modo diverso da te?
Prendi qualsiasi dashboard di analisi e troverai la stessa segmentazione: fonte di traffico, tipo di dispositivo, area geografica, forse qualche segmento comportamentale. Sono segmenti utili. Ma si basano su ciò che hai scelto di tracciare e su ciò che hai deciso a mano che conta. Guarda cosa può fare un sistema di AI con gli stessi dati e vedrai che raggruppa i visitatori secondo schemi che non avresti mai notato.
La segmentazione manuale è limitata da ciò a cui pensi di dare un valore. Segmenti per "utenti da annunci a pagamento" e "utenti dalla ricerca organica". Sono segmenti ovvi. La segmentazione con AI si chiede: tra gli utenti da annunci a pagamento, quali convertiranno e quali no? Scopre che gli utenti che cliccano un annuncio, poi se ne vanno e tornano entro 6 ore hanno una conversione 3 volte più alta. È un micro-segmento a cui non penseresti mai. Ma ha valore.
L'AI trova schemi non ovvi. Noti che il tuo valore medio dell'ordine è $50. L'AI scopre che gli utenti che visitano le pagine dei prodotti in un ordine specifico hanno un valore medio dell'ordine di $80. Gli utenti che guardano i prezzi prima di aggiungere al carrello hanno un valore di $30. Questi schemi esistono nei tuoi dati. Una persona impiegherebbe mesi a trovarli. Un modello di AI li trova in poche ore.
L'AI prova migliaia di combinazioni. Una persona può testare a mano 5-10 idee di segmentazione. Un'AI ne testa migliaia. Trova i segmenti che prevedono davvero il comportamento (compreranno?) invece di segmenti che sembrano logici ma non lo sono (pensavamo contasse l'area geografica, ma non è così). Questo approccio basato sui dati batte l'intuizione umana ogni volta.
Soprattutto, l'AI si aggiorna di continuo. Puoi creare un segmento sui dati di luglio. A ottobre lo schema è cambiato. I segmenti manuali diventano vecchi. I segmenti dell'AI si aggiornano da soli all'arrivo di nuovi dati. Le previsioni restano accurate perché si basano sempre sugli schemi attuali.
Cosa può prevedere davvero l'AI sui visitatori?
Guarda cosa può prevedere l'analisi predittiva e troverai opportunità dappertutto. La chiave è scegliere le previsioni che contano per le decisioni di business.
Intenzione di acquisto: Quali visitatori compreranno nei prossimi 30 giorni? Quali non compreranno mai? Quali sono indecisi? L'AI può prevederlo in base agli schemi di comportamento (quante pagine hanno visto, tempo sul sito, aggiunte al carrello senza acquisto). I visitatori con intenzione alta ricevono un'offerta premium. Quelli senza intenzione ricevono una guida gratuita per informarli. Gli indecisi ricevono uno sconto a tempo.
Rischio di abbandono: Quali clienti rischiano di andarsene il mese prossimo? L'AI trova i primi segnali: coinvolgimento in calo, uso delle funzioni in discesa, richieste di assistenza in aumento. Individua questi clienti e potrai intervenire prima che se ne vadano. Un'offerta al momento giusto o un miglioramento del prodotto possono salvarli.
Valore nel tempo: Quali clienti spenderanno di più nel corso della loro vita con te? Non è ovvio. Un cliente che spende $100 il primo giorno può non tornare mai più. Un cliente che spende $20 il primo giorno può spendere $2.000 in cinque anni. L'AI impara quali caratteristiche prevedono un valore alto nel tempo (schemi di utilizzo, adozione delle funzioni o livelli di coinvolgimento). Così puoi concentrare le risorse sull'acquisizione e sulla fidelizzazione dei clienti di alto valore.
Probabilità della prossima azione: Questo visitatore passerà a un piano superiore? Inviterà un amico? Tornerà a visitare il sito? Per ogni azione che conta per il tuo business, l'AI può stimare la probabilità. Poi segmenti i visitatori in base a queste probabilità e personalizzi l'esperienza per ciascuno.
Preferenze di contenuto: Quali argomenti del blog troverà utili questo visitatore? A quali funzioni tiene di più? Quale categoria di prodotti lo interessa? L'AI impara queste preferenze dal comportamento e può consigliare i passi successivi. Un visitatore interessato alle funzioni avanzate vede i confronti tra funzioni. Un visitatore interessato alla facilità d'uso vede le guide sulla semplicità.
Perché prevedere il comportamento futuro invece di analizzare solo il passato?
Chiedi alla maggior parte dei team di analisi come segmentano e descriveranno il comportamento passato. "Utenti molto coinvolti", cioè utenti che si sono coinvolti molto. "Visitatori recenti", cioè persone che hanno visitato il sito la settimana scorsa. Questa è analisi. Ti dice cosa è successo. Ma la domanda di business di solito è: cosa succederà dopo? La previsione risponde a questo.
Il comportamento passato è un cattivo indicatore di quello futuro se qualcosa è cambiato. Un cliente che ha comprato sei mesi fa può andarsene il mese prossimo. Un nuovo visitatore può diventare un cliente fedele. Non puoi dare per scontato che il futuro somigli al passato. I modelli predittivi ne tengono conto imparando quali segnali prevedono davvero il futuro.
La segmentazione predittiva ti permette di agire in anticipo. Se sai che un cliente se ne andrà il mese prossimo, hai il tempo di contattarlo, di migliorare il prodotto o di offrirgli un incentivo. Se noti l'abbandono solo dopo che è avvenuto (analisi del comportamento passato), li hai già persi. La differenza tra agire in anticipo e reagire è enorme.
La segmentazione predittiva ottimizza anche l'uso delle risorse. Hai un budget di marketing limitato. Puoi spenderlo su tutti i clienti (ritorno basso) o sui clienti di alto valore nel tempo (ritorno alto). La segmentazione predittiva individua su quali clienti concentrarti. Spendi meno e guadagni di più.
Come si implementa davvero la segmentazione predittiva?
Parti decidendo cosa vuoi prevedere. Non ogni previsione vale la pena di essere costruita. Scegli previsioni che rispondono a domande di business: "Chi comprerà?" "Chi se ne andrà?" "Chi sono i nostri clienti più preziosi?" "Chi adotterà questa funzione?" Scegline una. Costruisci un modello per quella. Guarda se funziona.
Il passo successivo è la preparazione dei dati. Il modello ha bisogno di dati puliti. Ha bisogno dei segnali giusti. Se vuoi prevedere la probabilità di acquisto, il modello ha bisogno di dati sul comportamento di navigazione, sulle interazioni con il carrello, sul tempo sul sito e sul fatto che abbiano comprato. Se mancano segnali, il modello andrà male. Verifica prima la tua raccolta dati.
Molte piattaforme di analisi oggi includono la segmentazione predittiva come funzione. Altre hanno coorti predittive. Alcune piattaforme di analisi di prodotto hanno la segmentazione con AI. Sono più semplici che costruire modelli su misura. Parti dalle funzioni già incluse nella piattaforma. Costruisci modelli su misura solo se ti servono previsioni che la piattaforma non offre.
Quando hai le previsioni, segmenta il pubblico. I visitatori con alta intenzione di acquisto vanno in un segmento. Quelli con intenzione bassa in un altro. Quelli con alto rischio di abbandono in un segmento di fidelizzazione. Poi personalizza l'esperienza per ciascuno. I visitatori con intenzione alta vedono la pagina dei prezzi. Quelli con intenzione bassa vedono contenuti formativi. I clienti a rischio di abbandono ricevono un contatto dall'assistenza clienti.
Infine, verifica che le previsioni funzionino. Fai un test A/B. Manda ai visitatori previsti ad alta intenzione un'offerta premium. Manda un gruppo di controllo a un'offerta normale. Il gruppo ad alta intenzione converte meglio? Se sì, il modello funziona. Se no, correggilo. La maggior parte dei modelli ha bisogno di messe a punto prima di essere affidabile.
Quali sono i rischi di affidarsi alle previsioni dell'AI?
Le previsioni dell'AI valgono quanto i dati su cui sono addestrate. Se i tuoi dati storici sono distorti (hai acquisito clienti da un solo canale, una sola area geografica, una sola stagione), il modello impara quelle distorsioni. Pensa che quello sia l'unico tipo di cliente che funziona. Quando provi ad acquisire da un altro canale, le previsioni del modello falliscono.
Le previsioni perdono valore col tempo. Un modello addestrato sui dati del primo trimestre può andare bene nel primo trimestre. Al terzo, le condizioni di mercato sono cambiate. I tuoi clienti sono cambiati. Il modello è vecchio. I buoni sistemi predittivi si riaddestrano con regolarità (ogni mese o trimestre) con dati nuovi. Se addestri una volta e non aggiorni mai, le previsioni peggiorano.
Le previsioni possono creare profezie che si autoavverano. Se dici a un venditore "questo cliente se ne andrà", può trattarlo peggio senza accorgersene, causando l'abbandono. Se ignori i clienti previsti a basso valore, non diventano mai preziosi perché non investi mai in loro. Fai attenzione a questo circolo vizioso.
Le previsioni non spiegano il perché. Il modello può dirti "questo visitatore se ne andrà" ma non perché. È l'adattamento al prodotto? Il prezzo? Un concorrente? L'assistenza clienti lo sta deludendo? Serve ancora il giudizio umano per diagnosticare la ragione e sistemarla. Le previsioni fanno emergere il problema. Le persone lo risolvono.
Le norme sulla privacy complicano la segmentazione predittiva. GDPR e CCPA danno agli utenti il diritto di sapere perché vengono trattati in modo diverso e di rifiutare le decisioni automatizzate. Se usi segmenti predittivi per negare l'accesso a qualcuno o fargli pagare di più, potresti dover rendere nota la logica del modello. Consulta un legale prima di usare la segmentazione predittiva su larga scala.
La segmentazione predittiva è la stessa cosa dell'analisi predittiva?
Non esattamente. L'analisi predittiva è il campo più ampio che prevede i risultati futuri (questo cliente se ne andrà, questa metrica salirà). La segmentazione predittiva riguarda in particolare il raggruppamento dei visitatori in base al comportamento previsto. L'analisi predittiva è la capacità. La segmentazione predittiva ne è un'applicazione.
Quanto devono essere accurate le previsioni per essere utili?
Dipende dal costo dell'errore. Se prevedi i visitatori ad alta intenzione e mandi loro uno sconto da $10, sbagliare costa $10. Un'accuratezza del 60% va bene: ci guadagni comunque. Se prevedi le frodi e neghi l'accesso a qualcuno, vuoi un'accuratezza del 95%+. Per la maggior parte delle decisioni di business, un'accuratezza del 70-80% è la soglia oltre la quale le previsioni battono il tirare a caso e vale la pena agire.
Posso usare la segmentazione predittiva su un pubblico piccolo?
Non bene. I modelli predittivi hanno bisogno di dati da cui imparare. Con 100 utenti il modello non ha abbastanza esempi. Con 10.000 utenti ne ha abbastanza per imparare gli schemi di base. Con 100.000 utenti impara schemi più sfumati. Inizia con la segmentazione predittiva quando hai almeno 5.000-10.000 utenti con uno storico di comportamento sufficiente.
Che differenza c'è tra segmentazione predittiva e segmentazione manuale?
La segmentazione manuale divide gli utenti in base a caratteristiche note (area geografica, fonte di traffico, dispositivo). La segmentazione predittiva divide gli utenti in base al comportamento futuro previsto (convertirà, se ne andrà, valore nel tempo). La segmentazione manuale è ciò che è successo. Quella predittiva è ciò che succederà. Entrambe sono utili: usa quella predittiva per la personalizzazione, quella manuale per i report.
Posso aggiornare i segmenti predittivi in tempo reale?
La maggior parte delle piattaforme aggiorna le previsioni ogni giorno o ogni settimana, non in tempo reale. Le previsioni in tempo reale richiedono più infrastruttura e costano di più. Nella maggior parte dei casi, aggiornamenti giornalieri o settimanali bastano. Se ti serve una personalizzazione in tempo reale, investi in una CDI (Customer Data Infrastructure) che si aggiorna di continuo.
Cosa succede se la previsione su un cliente è sbagliata?
Le singole previsioni a volte saranno sbagliate. I modelli sono probabilistici, non deterministici. L'obiettivo è avere ragione più spesso che torto. Se prevedi che qualcuno se ne andrà e ti sbagli (non se ne va), è un solo cliente. Se prevedi che 1.000 clienti se ne andranno e 700 lo fanno davvero, la tua accuratezza è del 70% e hai comunque individuato il segmento a rischio più alto. Concentrati sull'accuratezza complessiva, non su quella del singolo.