Je verstuurt een e-mailcampagne naar 100.000 abonnees. Iedereen krijgt hetzelfde bericht. 2% converteert. Stel je nu voor dat je vóór het versturen kon voorspellen welke 10.000 abonnees echt geïnteresseerd zijn, en dat je hen een sterker aanbod stuurt. Dan converteer je 8% van die 10.000 (800 mensen) in plaats van 2% van 100.000 (2.000 mensen). Maar doordat je de 90.000 ongeïnteresseerde abonnees oversloeg, daalden je kosten per klant met 75%. Dat is voorspellende segmentatie: bezoekers groeperen op wat ze waarschijnlijk hierna doen, niet alleen op wat ze eerder deden.
Voorspellende segmentatie gebruikt machine learning om te bepalen welke bezoekers in de toekomst een actie ondernemen (kopen, afhaken, upgraden, doorverwijzen). Gewone segmentatie verdeelt bezoekers in groepen op basis van gedrag in het verleden (locatie, verkeersbron, bezochte pagina's). Voorspellende segmentatie verdeelt ze op voorspeld toekomstig gedrag (kans om te kopen, kans om af te haken, voorspelde klantwaarde). Het verschil in impact op je bedrijf is enorm.
Hoe groepeert AI bezoekers anders dan jij handmatig doet?
Neem een willekeurig analyticsdashboard en je ziet dezelfde segmentatie: verkeersbron, apparaattype, locatie, misschien een paar gedragssegmenten. Dat zijn nuttige segmenten. Maar ze zijn gebaseerd op wat jij koos te volgen en wat jij handmatig belangrijk vond. Kijk wat een AI-systeem met dezelfde data kan en je ziet dat het bezoekers groepeert op patronen die je nooit had opgemerkt.
Handmatige segmentatie wordt beperkt door wat jij bedenkt te meten. Je segmenteert op "gebruikers uit betaalde advertenties" en "gebruikers uit organische zoekresultaten". Dat ligt voor de hand. AI-segmentatie vraagt: welke gebruikers uit betaalde advertenties gaan converteren en welke niet? Het vindt dat gebruikers die op een advertentie klikken, weggaan en binnen 6 uur terugkomen, 3 keer zo vaak converteren. Dat is een microsegment dat je nooit zou bedenken. Maar het is waardevol.
AI vindt patronen die niet voor de hand liggen. Je ziet dat je gemiddelde orderwaarde $50 is. AI ziet dat gebruikers die productpagina's in deze specifieke volgorde bezoeken een orderwaarde van $80 hebben. Gebruikers die de prijzen bekijken voordat ze iets in hun winkelwagen leggen, hebben een orderwaarde van $30. Deze patronen zitten in je data. Een mens heeft er maanden voor nodig om ze te vinden. Een AI-model vindt ze in uren.
AI test duizenden combinaties. Een mens kan handmatig 5 tot 10 segmentatie-ideeën testen. AI test er duizenden. Het vindt de segmenten die echt gedrag voorspellen (gaan ze kopen?) in plaats van segmenten die logisch klinken maar het niet doen (we dachten dat locatie ertoe deed, maar dat is niet zo). Deze datagedreven aanpak wint het altijd van menselijke intuïtie.
Het belangrijkste: AI werkt continu bij. Je maakt misschien een segment op basis van data uit juli. In oktober is het patroon verschoven. Handmatige segmenten raken verouderd. AI-segmenten worden automatisch bijgewerkt zodra er nieuwe data binnenkomt. De voorspellingen blijven nauwkeurig, omdat ze altijd op actuele patronen zijn gebaseerd.
Wat kan AI echt voorspellen over bezoekers?
Kijk wat voorspellende analytics kan voorspellen en je ziet overal kansen. De kunst is voorspellingen kiezen die ertoe doen voor zakelijke beslissingen.
Koopintentie: Welke bezoekers kopen de komende 30 dagen? Welke nooit? Welke twijfelen nog? AI kan dit voorspellen op basis van gedragspatronen (hoeveel pagina's bekeken, tijd op de site, producten in de winkelwagen laten liggen zonder te kopen). Bezoekers met hoge koopintentie krijgen een premium aanbod. Bezoekers zonder koopintentie krijgen een gratis gids om ze te informeren. Twijfelaars krijgen een tijdelijke korting.
Vertrekrisico: Welke klanten lopen het risico de komende maand te vertrekken? AI vindt de vroege waarschuwingssignalen: afnemende betrokkenheid, minder gebruik van functies, meer supporttickets. Herken je deze klanten, dan kun je ingrijpen voordat ze vertrekken. Een aanbod op het juiste moment of een productverbetering kan ze behouden.
Klantwaarde: Welke klanten geven in hun hele klantleven het meeste uit? Dat is niet vanzelfsprekend. Een klant die op dag één $100 uitgeeft, komt misschien nooit meer terug. Een klant die op dag één $20 uitgeeft, geeft misschien in vijf jaar $2.000 uit. AI leert welke kenmerken een hoge klantwaarde voorspellen (gebruikspatronen, gebruik van functies of betrokkenheid). Dan kun je je middelen richten op het werven en behouden van klanten met een hoge klantwaarde.
Kans op de volgende actie: Gaat deze bezoeker zijn abonnement upgraden? Gaat hij een vriend doorverwijzen? Komt hij nog een keer terug? Voor elke actie die voor je bedrijf telt, kan AI de kans inschatten. Daarna segmenteer je bezoekers op die kansen en pas je de ervaring voor elk segment aan.
Inhoudsvoorkeuren: Welke blogonderwerpen vindt deze bezoeker waardevol? Welke functies vindt hij het belangrijkst? Welke productcategorie interesseert hem? AI leert deze voorkeuren uit gedrag en kan vervolgstappen aanbevelen. Een bezoeker die geïnteresseerd is in geavanceerde functies ziet functievergelijkingen. Een bezoeker die geïnteresseerd is in gebruiksgemak ziet gidsen over eenvoud.
Waarom toekomstig gedrag voorspellen in plaats van alleen het verleden analyseren?
Vraag de meeste analyticsteams hoe ze segmenteren en ze beschrijven gedrag uit het verleden. "Gebruikers met veel betrokkenheid", dus gebruikers die veel deden. "Recente bezoekers", dus mensen die vorige week langskwamen. Dat is analyse. Het vertelt wat er gebeurd is. Maar de vraag voor je bedrijf is meestal: wat gebeurt er hierna? Voorspelling beantwoordt dat.
Gedrag uit het verleden voorspelt de toekomst slecht als er iets veranderd is. Een klant die zes maanden geleden kocht, kan volgende maand vertrekken. Een nieuwe bezoeker kan een trouwe klant worden. Je kunt er niet van uitgaan dat de toekomst op het verleden lijkt. Voorspellende modellen houden daar rekening mee door te leren welke signalen de toekomst echt voorspellen.
Met voorspellende segmentatie kun je vooruit handelen. Weet je dat een klant volgende maand vertrekt, dan heb je tijd om contact op te nemen, je product te verbeteren of een stimulans aan te bieden. Merk je vertrek pas nadat het gebeurd is (analyse van gedrag uit het verleden), dan ben je de klant al kwijt. Het verschil tussen vooruit handelen en achteraf reageren is groot.
Voorspellende segmentatie optimaliseert ook hoe je je middelen verdeelt. Je marketingbudget is beperkt. Je kunt het uitgeven aan alle klanten (lage ROI) of aan klanten met een hoge klantwaarde (hoge ROI). Voorspellende segmentatie wijst aan op welke klanten je je moet richten. Je geeft minder uit en verdient meer.
Hoe voer je voorspellende segmentatie echt in?
Begin met bepalen wat je wilt voorspellen. Niet elke voorspelling is het bouwen waard. Kies voorspellingen die zakelijke vragen beantwoorden: "Wie gaat kopen?" "Wie gaat afhaken?" "Wie zijn onze waardevolste klanten?" "Wie gaat deze functie gebruiken?" Kies er één. Bouw daar een model voor. Kijk of het werkt.
De volgende stap is datavoorbereiding. Het model heeft schone data nodig. Het heeft de juiste signalen nodig. Wil je koopkans voorspellen, dan heeft het model data nodig over browsegedrag, acties in de winkelwagen, tijd op de site en of mensen kochten. Ontbreken er signalen, dan presteert het model slecht. Controleer eerst je dataverzameling.
Veel analyticsplatforms hebben voorspellende segmentatie nu als functie. Andere hebben voorspellende cohorten. Sommige productanalyticsplatforms hebben AI-segmentatie. Dat is makkelijker dan eigen modellen bouwen. Begin met functies die in het platform zitten. Bouw alleen eigen modellen als je voorspellingen nodig hebt die het platform niet biedt.
Heb je voorspellingen, dan segmenteer je je publiek. Bezoekers met hoge koopintentie gaan naar het ene segment. Bezoekers met lage intentie naar een ander. Bezoekers met een hoog vertrekrisico gaan naar een retentiesegment. Pas dan de ervaring voor elk segment aan. Bezoekers met hoge intentie zien de prijspagina. Bezoekers met lage intentie zien educatieve inhoud. Klanten met vertrekrisico krijgen contact van customer success.
Controleer ten slotte of de voorspellingen werken. Doe een A/B-test. Stuur de bezoekers met voorspelde hoge intentie een premium aanbod. Stuur een controlegroep een normaal aanbod. Converteert de groep met hoge intentie beter? Zo ja, dan werkt het model. Zo nee, pas het aan. De meeste modellen hebben verfijning nodig voordat ze betrouwbaar zijn.
Wat zijn de risico's van vertrouwen op AI-voorspellingen?
AI-voorspellingen zijn zo goed als de data waarop ze getraind zijn. Is je historische data scheef (je haalde klanten alleen uit één kanaal, één regio, één seizoen), dan leert het model die scheefheid. Het denkt dat dat het enige klanttype is dat werkt. Probeer je klanten uit een ander kanaal te werven, dan falen de voorspellingen van het model.
Voorspellingen verouderen. Een model dat op data van het eerste kwartaal is getraind, kan in het eerste kwartaal goed presteren. In het derde kwartaal zijn de marktomstandigheden veranderd. Je klanten zijn veranderd. Het model is verouderd. Goede voorspellende systemen worden regelmatig opnieuw getraind (maandelijks of per kwartaal) met nieuwe data. Train je één keer en werk je nooit bij, dan worden de voorspellingen slechter.
Voorspellingen kunnen zichzelf waarmaken. Als je een verkoper vertelt "deze klant gaat vertrekken", behandelt hij die klant misschien onbewust slechter, waardoor de klant vertrekt. Negeer je klanten met een voorspelde lage waarde, dan worden ze nooit waardevol, omdat je nooit in ze investeert. Wees je bewust van deze terugkoppeling.
Voorspellingen verklaren niet waarom. Het model kan zeggen "deze bezoeker gaat vertrekken", maar niet waarom. Past het product niet? Zijn het de prijzen? Een concurrent? Laat customer success hem vallen? Je hebt nog steeds menselijk oordeel nodig om de reden te bepalen en op te lossen. Voorspellingen laten het probleem zien. Mensen lossen het op.
Privacywetgeving maakt voorspellende segmentatie ingewikkelder. De AVG en de CCPA geven gebruikers het recht te weten waarom ze anders worden behandeld en zich af te melden voor geautomatiseerde besluiten. Gebruik je voorspellende segmenten om iemand toegang te weigeren of meer te laten betalen, dan moet je mogelijk de redenering van het model openbaar maken. Raadpleeg een jurist voordat je voorspellende segmentatie op grote schaal invoert.
Is voorspellende segmentatie hetzelfde als voorspellende analytics?
Niet precies. Voorspellende analytics is het bredere vakgebied van het voorspellen van uitkomsten (gaat deze klant vertrekken, gaat deze meting stijgen). Voorspellende segmentatie gaat specifiek over het groeperen van bezoekers op hun voorspelde gedrag. Voorspellende analytics is de mogelijkheid. Voorspellende segmentatie is één toepassing ervan.
Hoe nauwkeurig moeten voorspellingen zijn om nuttig te zijn?
Dat hangt af van wat een fout kost. Voorspel je bezoekers met hoge intentie en stuur je ze $10 korting, dan kost een fout $10. Een nauwkeurigheid van 60% is dan prima, je verdient nog steeds. Voorspel je fraude en weiger je iemand toegang, dan wil je 95% of meer. Voor de meeste zakelijke beslissingen is 70-80% nauwkeurigheid de drempel waarbij voorspellingen beter zijn dan gokken en de moeite van het handelen waard.
Kan ik voorspellende segmentatie gebruiken bij kleine doelgroepen?
Niet goed. Voorspellende modellen hebben data nodig om van te leren. Met 100 gebruikers heeft het model te weinig voorbeelden. Met 10.000 gebruikers heeft het genoeg om basispatronen te leren. Met 100.000 gebruikers leert het genuanceerde patronen. Begin met voorspellende segmentatie als je minstens 5.000-10.000 gebruikers hebt met voldoende gedragsgeschiedenis.
Wat is het verschil tussen voorspellende en handmatige segmentatie?
Handmatige segmentatie verdeelt gebruikers op bekende kenmerken (locatie, verkeersbron, apparaat). Voorspellende segmentatie verdeelt gebruikers op voorspeld toekomstig gedrag (gaat converteren, gaat vertrekken, klantwaarde). Handmatige segmentatie is wat er gebeurd is. Voorspellend is wat er gaat gebeuren. Beide zijn nuttig: gebruik voorspellend voor personalisatie en handmatig voor rapportage.
Kan ik voorspellende segmenten in realtime bijwerken?
De meeste platforms werken voorspellingen dagelijks of wekelijks bij, niet in realtime. Voorspellingen in realtime vragen meer infrastructuur en kosten meer. Voor de meeste toepassingen is dagelijks of wekelijks bijwerken genoeg. Heb je personalisatie in realtime nodig, investeer dan in een CDI (Customer Data Infrastructure) die continu bijwerkt.
Wat gebeurt er als mijn voorspelling over een klant fout is?
Individuele voorspellingen zijn soms fout. Modellen werken met kansen, niet met zekerheden. Het doel is vaker gelijk te hebben dan ongelijk. Voorspel je dat iemand vertrekt en heb je het mis (hij blijft), dan gaat het om één klant. Voorspel je dat 1.000 klanten vertrekken en 700 doen dat echt, dan is je nauwkeurigheid 70% en heb je toch het segment met het hoogste risico gevonden. Let op de nauwkeurigheid over het geheel, niet per persoon.