Klantensegmentatie
Van theorie naar praktijk
Eén van de grootste uitdagingen in marketing is het gericht toewijzen van budgetten. Je wil natuurlijk graag een goede ROI (Return on Investment), en daarom is het belangrijk om de doelgroepen van marketingacties zo precies mogelijk te bepalen. Dit proces noemt men klantsegmentatie. Klantsegmentatie is een uitdagende en arbeidsintensieve opgave waarbij een veelvoud aan gegevens uit verschillende bronnen gecombineerd worden. AI helpt je meer bronnen te doorzoeken om beter afgelijnde - en soms verrassende - klantensegmenten te definiëren. Dat laat je toe om budgetten gerichter toe te wijzen alsook de relaties met je klanten te versterken.
Toepassingen
Klantensegmentatie is één van de meest toegepaste use cases voor AI. Dat is natuurlijk niet zo verrassend. Datahongerige AI smult van de enorme hoeveelheid klantendata tegenwoordig beschikbaar. Door die data te analyseren met AI-algoritmen, vind je snel nieuwe patronen in klantengedrag en krijg je een idee van welk klantensegment je het best aanspreekt.
Een schat van data is aanwezig op sociale media. Mensen posten er publiek foto's, teksten en ervaringen. Wanneer je de juiste toegang hebt tot die data, kan al deze informatie een enorme meerwaarde zijn voor een klantensegmentatie. Je kan deze bijvoorbeeld via AI linken aan een bestaand ERP-systeem en heel gerichte inzichten in je klanten krijgen. Ook de data die je zelf verzamelt, zoals de verkooptransacties in een supermarkt, leent zich perfect tot een klantensegmentatie met AI.
Wanneer je een kleiner nichebedrijf bent, is het traditioneel gezien echter moeilijk om de juiste klantensegmenten te vinden. Je richt je uiteindelijk maar tot een beperkt doelpubliek, dus grote klantensegmenten zoeken, heeft weinig zin. Maar omdat AI in het detail data uitspit, is het vaak toch mogelijk om zelfs in nichemarkten relevante klantensegmenten te vinden. Omgekeerd geldt het voor grote bedrijven dat zij binnen hun grote klantensegmenten meer in detail kunnen gaan. Dat laat toe om makkelijker aan micro marketing en direct marketing te doen.
AI laat je ook toe om tot verrassende inzichten te komen. Waar je bijvoorbeeld snel zou denken dat uitgaven het verschil maken tussen een kooplustige en minder kooplustige klant, blijkt dat niet altijd het geval te zijn. Gelijkaardig werd in een studie omtrent organische voedselmarkt in Iran initieel verwacht dat psychologische factoren belangrijker zouden zijn dan demografische factoren tijdens de marktanalyse. Door de data met AI te analyseren, werd het echter duidelijk dat demografische factoren zoals het educatie- en inkomstniveau veel belangrijker waren. Dit inzicht laat toe om concrete wijzigingen door te voeren in de marketingstrategie, maar ook bijvoorbeeld in het distributiekanaal en grote van een verpakking. Dergelijke inzichten laten je soms ook toe om geheel nieuwe segmenten te ontdekken.
Vereisten
Data
- Historische aankopen van klanten
- Producteigenschappen
- Optioneel: Persoonlijke klantengegevens
- Optioneel: Aankoopgedrag van klanten (zoals bijv. Producten bekeken op website, tijd om tot beslissing te komen etc.)
- Optioneel: Historische marketingcampagnes met ev. reactie van klanten erbij
Hardware
- Standaard dataopslag en -verwerkingscapaciteit
Algoritme
- Clustering algoritmes – Algoritmen die cases (in dit geval klanten) in groepen verdelen op basis van alle eigenschappen die beschikbaar zijn.
- ~K-Means, Birch, Spectral...
- Encoders of auto-encoders – Algoritmes die een digitale vingerafdruk opstellen per case, op basis van eigenschappen die onderscheidend zijn.
- ~Auto-encoders: A neural network die de een case samendrukt tot of vereenvoudigd in een minimale set van informatie die wel nog steeds voldoende is om de originele case terug samen te stellen. Dit is te vergelijken met zippen en unzippen.
- ~Encoders: Een neural network dat getraind wordt om het gedrag van een bepaalde klant te voorspellen (bijv. of deze al dan niet tot aankoop van een product overgaat). Vervolgens wordt één van de onderliggende layers van het neurale netwerk gebruikt als representatie/vingerafdruk van de originele case.
Aandachtspunten
- Valideren van je segmenten is moeilijk. De ‘echte’ klantengroepen zijn doorgaans niet gekend. Dit maakt het moeilijk om de accuraatheid van de algoritmes te valideren. Typisch gebeurt dit op een indirecte manier, bijv. door te monitoren of klanten binnen dezelfde groep inderdaad op dezelfde manier reageren op promoties, marketing-acties...
- Draag zorg voor GDPR en ethische overwegingen. Er dient voorzichtig te worden omgesprongen met persoonlijke gegevens. Typisch wordt het als OK beschouwd om data over interacties tussen klant en bedrijf te gebruiken, meer “algemene” persoonlijke informatie zoals leeftijden, woonplaats, relaties met andere personen etc. is dat typisch niet. Ook informatie zoals bijv. Geo-locaties of informatie verkregen via apps van derde partijen kan enkel gebruikt worden mits toestemming.
- Trial & error is een deel van de job. Veel clustering algoritmes verwachten dat je zelf vastlegt hoeveel verschillende clusters er moeten gecreëerd worden. Experimenteer met een verschillend aantal clusters of bepaal het aantal clusters aan de hand van het beoogd gebruik (bijv. er is budget voor 3 verschillende marketingboodschappen, dus we hebben 3 verschillende klantengroepen nodig).
- Data normalisatie is vereist. Clustering algoritmes zijn enkel nuttig op genormaliseerde data. Indien niet alle variabelen gemeten worden op dezelfde schaal, dan zullen variabelen die een hogere grootorde hebben zwaarder doorwegen dan de andere variabelen (m.a.w. de variabele lichaamslengte in cm zal bij clusteren een grotere impact hebben dan de variabele aantal jaren klant). Er bestaan verschillende normaliseringsfuncties om de schaal van elke feature terug te brengen tot [-1, 1] of [0, 1].
- Voorzie capaciteit in functie van het gekozen algoritme. Bouwen, trainen en verfijnen van neurale netwerken gebeurt typisch niet out-of-the-box (i.t.t. de toepassing van clustering algoritmes). Voldoende manuren dienen hiervoor gebudgetteerd te worden.
- Data met een tijdscomponent zorgt voor rijkere inzichten maar is ook complexer om te verwerken. Segmentatie is het eenvoudigst wanneer je deze kan toepassen op “statische” data, waarbij je gegevens over een klant op moment T in de tijd gebruikt. Wanneer je gebruik wil maken van longitudinale, meer dynamische data, zoals een log van aankoopevents, dan heb je meer werk tijdens het voorbereiden van de data.
Stappenplan
Indien een clustering-approach
- Verzamel klantengegevens. Besteed uiteraard aandacht aan GDPR.
- Data preprocessing
- ~Transformeer de data naar een tabelformaat waarin elke rij een klant voorstelt en elke kolom een eigenschap van de klant
- ~Optioneel: feature engineering. Voeg klantenfeatures toe die niet rechtstreeks beschikbaar zijn als variabele. Bijv. Aantal jaren klant
- ~Normaliseer gegevens naar eenzelfde schaal voor elke feature
- Pas een clustering techniek toe
- Voer een descriptieve analyse uit op de klanten in de verschillende clusters om te bepalen hoe klanten in cluster 1 verschillen van die in cluster N.
- Beoordeel de juistheid en bruikbaarheid van de clusters en de verdeling van de klanten. Herhaal stappen 1-4 tot een bevredigend resultaat.
Indien een encoding approach
- Verzamel klantengegevens. Besteed uiteraard aandacht aan GDPR.
- Identificeer target variabele die je als een proxy zou kunnen beschouwen voor een goede klant (bijv. Al dan niet reageren op een marketingmail).
- Data preprocessing
- ~Transformeer de data naar een tabelformaat waarin elke rij een klant voorstelt en elke kolom een eigenschap van de klant
- ~Normaliseer gegevens naar eenzelfde schaal voor elke feature
- Train een neuraal netwerk om de pseudo-doelvariabele te voorspellen
- Selecteer de voorlaatste layer van het netwerk
- Pas een descriptieve analyse toe op de nodes uit de geselecteerde layer en probeer een betekenis te geven aan hoge versus lage waardes voor deze node.
- Beoordeel de juistheid en bruikbaarheid van de nodes en de verdeling van de klanten. Herhaal stappen 2-5 tot een bevredigend resultaat.
Indien een auto-encoding-approach
- Verzamel klantengegevens. Besteed uiteraard aandacht aan GDPR.
- Data preprocessing
- ~Transformeer de data naar een tabelformaat waarin elke rij een klant voorstelt en elke kolom een eigenschap van de klant
- ~Normaliseer gegevens naar eenzelfde schaal voor elke feature
- Train een neuraal netwerk met minstens 2 layers. Het netwerk moet proberen om klantengegevens te reconstrueren die eerst door de layers van het netwerk geaggregeerd zijn.
- Selecteer de middelste layer van het netwerk
- Pas een descriptieve analyse toe op de nodes uit de geselecteerde layer en probeer een betekenis te geven aan hoge versus lage waardes voor deze node.
- Beoordeel de juistheid en bruikbaarheid van de nodes en de verdeling van de klanten. Herhaal stappen 3-5 tot een bevredigend resultaat.
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
