News e trend di Oracle Applications Italia: tutto quello che devi sapere sul SaaS
-
Applications Italian,
Customer Experience
July 31, 2018
Perché dovresti sostituire la Customer Segmentation con il Machine Learning?
Gli algoritmi di Machine Learning sono molto più efficaci della Customer Segmentation per personalizzare l'esperienza del cliente.
Il marketing personalizzato è in cima alla lista delle azioni guidate dalla tecnologia che i dirigenti di tutto il mondo stanno adottando per soddisfare le esigenze dei loro clienti. Secondo eMarketer, negli Stati Uniti, il 70% dei retailers considera la personalizzazione della customer experience come una massima priorità. Un prerequisito chiave per la personalizzazione è conoscere il cliente e, per questo, le aziende in genere si rivolgono alla segmentazione dei clienti. Il 40% dei marketers globali afferma di praticare la segmentazione dei clienti in una certa misura, mentre il 48% crede di essere un professionista.
Quindi, solitamente come funziona? Innanzitutto, vengono definiti i segmenti. In secondo luogo, i clienti vengono assegnati a un segmento per le campagne di marketing inbound mirate, come il cross-selling sulle chiamate in entrata o le campagne outbound, come le e-mail. Sembra semplice? La verità è che l'assegnazione dei clienti ai segmenti è un lavoro complesso. Alla domanda sulle principali barriere al raggiungimento degli obiettivi di personalizzazione della propria azienda, la motivazione più frequentemente citata (42%) da parte di marketers britannici e statunitensi è stata la mancanza di risorse come tempo, persone e denaro.
Ma, per dirla senza mezzi termini, la Customer Segmentation è uno spreco di risorse. Ecco perché:
I segmenti sono troppo ampi o diventano troppo complicati da gestire. Sono finiti i giorni in cui i clienti venivano segmentati esclusivamente sulla base di dati demografici o acquisti di prodotti precedenti. Questi segmenti sono troppo ampi e offrono solo tassi di conversione subottimali. Al giorno d'oggi, le aziende stanno cercando di includere criteri di segmentazione aggiuntivi acquisiti lungo il percorso del cliente, come "apertura di campagne email", "click sul sito web", "partecipazione ad un evento" e "visualizzazione del prodotto x ma non lo hanno acquistato". L'elenco dei criteri desiderati è in continua crescita e, se gestito manualmente, diventa rapidamente ingestibile.
I segmenti diventano obsoleti rapidamente. La spinta ad ampliare i criteri di segmentazione per includere interessi e preferenze si traduce in un'altra sfida. Dopo aver comprato la tua casa e ottenuto il tuo mutuo, probabilmente non sarai più interessato in un mutuo per un tempo molto lungo. La riallocazione dei clienti da un segmento all'altro viene spesso eseguita manualmente o per gruppo e richiede monitoraggio e spostamento costanti.
I segmenti non sono in grado di prendere in considerazione un preciso momento. Diciamo che stai chiamando la tua banca per lamentarti degli addebiti sul tuo estratto conto. Gli agenti del call center, vedono sul loro schermo in quale segmento ti trovi e possono vedere la migliore offerta di cross-selling. Ma è ora il momento giusto per venderti una nuova carta di credito? Forse no. Quale sarebbe la migliore offerta? Il segmento predefinito non sarà di alcun aiuto per l'agente.
Quindi, se la customer segmentation non è di grande aiuto, cosa è necessario fare?
Le capacità del Machine Learning
Facciamo un passo indietro. Cosa stai cercando di ottenere? Stai cercando di offrire un'esperienza personalizzata in modo che i clienti ritornino più volte. Inizia con la definizione di personas che rappresentino un determinato segmento di clienti. Fai brainstorming delle possibili sfide e poi traccia il perfetto customer journey.
“Con il Machine Learning, ogni cliente è il proprio segmento,
definito da tutti i criteri che desideri."
Tuttavia, è possibile rendersi rapidamente conto che la creazione del perfetto customer journey può richiedere notevoli investimenti. Inoltre, potrebbe richiedere un cambiamento radicale in un'area che potrebbe non essere sotto la tua competenza. Cosa puoi fare se non hai l’autorità per trasformare radicalmente il modo in cui la tua azienda opera?
La risposta: inizia con quello che hai. Mira a massimizzare l'impatto delle tue attuali capacità e risorse - i tuoi canali, agenti, contenuti e offerte disponibili. Non perdere tempo a definire segmenti e destinare loro i clienti. Dedica del tempo a capire chi sarà meglio servito, attraverso quale canale, con quale messaggio e in quale momento. Questo è facile, perché il machine learning farà il duro lavoro per te.
A dirla tutta, dovrai comunque fornire delle regole di base. Alcuni prodotti avranno requisiti legali come età minima o requisiti di residenza. Inoltre, potresti decidere di voler riservare canali più onerosi solo per i clienti di alto valore.
Oltre a questo, la macchina imparerà ad ogni interazione del cliente se il canale, il contenuto, l'offerta e il momento fossero "giusti" per un determinato cliente. Tutti i dati associati a quell'interazione verranno anche trasmessi per scopi di apprendimento. Questi dati potrebbero includere comportamenti precedenti sui clic, età, sesso, stato civile e reddito. Sulla base del feedback e dei dati di una moltitudine di interazioni, la macchina può automaticamente costruire modelli statistici. Questi modelli prevedono quindi quale modalità di coinvolgimento è più probabile per soddisfare ogni singolo cliente.
Più dati di apprendimento ci sono, più accurati saranno i modelli. Potrebbe essere necessario essere un po' pazienti affinchè i modelli facciano previsioni con elevata precisione. Per velocizzare le cose, potresti prendere in considerazione l'utilizzo di dati storici per preparare i modelli. In alternativa, potresti voler ricorrere ai modelli pre-inseriti dai fornitori di servizi cloud. In ogni caso, non è più necessario assegnare i clienti ai segmenti. Con il machine learning, ogni cliente è il proprio segmento, definito da tutti i criteri che desideri.
La customer segmentation ha fatto il suo corso. Gli algoritmi di Machine Learning sono molto più efficaci per personalizzare l'esperienza del cliente.
Per leggere l’articolo originale di Eva Michel (Oracle Insight) clicca qui.
