Traditionelle Segmentierung beginnt mit einer Hypothese: Frauen zwischen fünfundzwanzig und vierzig, Kleinunternehmer, Leute, die einen Warenkorb abgebrochen haben. Das sind nützliche Labels, aber es sind auch Vermutungen, die meist aus einem Persona-Dokument stammen, das von Leuten geschrieben wurde, die die Daten nie gesehen haben. Die AI-Zielgruppensegmentierung kehrt den Prozess um. Sie geben einem Modell das von Ihnen aufgezeichnete Verhalten, und es liefert die Gruppen zurück, die tatsächlich darin existieren und die häufig keiner demografischen Linie entsprechen, die Sie gezogen hätten.
Die Ergebnisse sind oft unangenehm. Ein von uns betreutes Handelskonto hatte drei Personas in seinem Brand Deck und sechs klare Verhaltenscluster in seinen Kaufdaten, wobei das größte Cluster keiner der Personas entsprach. Ein anderes fand heraus, dass seine wertvollste Gruppe nicht dadurch definiert war, wer sie waren, sondern wann sie kauften: ein enges Zeitfenster am Vormittag unter der Woche, das sich über alle demografischen Merkmale hinweg erstreckte. Keine dieser Erkenntnisse war für einen Menschen, der ein Dashboard liest, verfügbar, da beide Interaktionen zwischen Variablen waren und keine Eigenschaften einer einzelnen.
AI-Zielgruppensegmentierung basiert auf Verhalten, nicht auf Attributen
Die Inputs, die nützliche Cluster erzeugen, sind fast immer verhaltensbezogen: Aktualität, Häufigkeit, Geldwert, Kategorienmix, Zeit bis zum ersten Kauf, Rabattsensitivität, Kanal des Erstkontakts, Sitzungstiefe vor der Konvertierung. Demografische Felder können einbezogen werden, aber sie neigen dazu, das Clustering aus uninteressanten Gründen zu dominieren und das Signal, das Sie wollten, zu verdrängen. Beginnen Sie verhaltensbezogen und fügen Sie Attribute später nur hinzu, wenn sie die Trennung verbessern.
Praktisch bedeutet dies, dass die Arbeit in Ihrem eigenen Data Warehouse oder CRM-Export stattfindet, nicht auf der Werbeplattform. Die Plattform weiß, was auf ihrer eigenen Oberfläche passiert ist. Ihre eigenen Aufzeichnungen wissen, was danach passiert ist, und das ist der Teil, der den Wert bestimmt. Jede Segmentierung, die nur auf Signalen der Werbeplattform basiert, wird auf den Kanal ausgerichtet sein, der den Klick erzeugt hat.
Die Anzahl der Gruppen wählen
Clustering-Algorithmen geben Ihnen gerne drei oder dreißig Gruppen. Die richtige Zahl ist eine operative Frage, keine statistische. Wenn Sie für ein Segment keine andere Anzeige, kein anderes Angebot oder keine andere Landingpage schreiben können, muss dieses Segment nicht existieren. In der Praxis liegt die Anzahl der nutzbaren Cluster bei mittelgroßen Konten meist zwischen vier und sieben. Darüber hinaus verschwimmen die Gruppen und dem Kreativteam gehen die wirklich unterschiedlichen Dinge aus, die es zu sagen gibt.
Validieren Sie, bevor Sie etwas aufbauen. Ein Cluster ist real, wenn es stabil ist, wenn Sie es in einem anderen Zeitfenster erneut ausführen, wenn es groß genug ist, um es in einer Kampagne zu erreichen, und wenn es sich bei einem Ergebnis unterscheidet, das Ihnen wichtig ist, anstatt nur bei den Inputs, die zu seiner Bildung verwendet wurden. Cluster, die den Stabilitätstest nicht bestehen, sind meist Artefakte einer Werbeaktion oder einer saisonalen Spitze.
Cluster in etwas verwandeln, das Sie ansprechen können
Ein Cluster ist eine Liste von Kunden. Werbeplattformen möchten entweder, dass diese Liste als Match-Zielgruppe hochgeladen wird, oder eine Regel, die sie beschreibt. Beide Wege funktionieren und haben unterschiedliche Fehlermodi.
- Hochgeladene Listen bieten eine exakte Mitgliedschaft, verfallen aber: Menschen bewegen sich zwischen Clustern, und eine vierteljährlich aktualisierte Liste ist am Ende des Quartals falsch.
- Regelbasierte Annäherungen bleiben aktuell, verlieren aber an Präzision, da eine Plattform nur die Variablen sehen kann, die sie hält.
- Lookalike-Expansion von einem Cluster funktioniert gut, wenn das Cluster verhaltensmäßig unterschiedlich ist, und schlecht, wenn es hauptsächlich ein Größenartefakt ist.
- Serverseitige Zielgruppen-Updates halten Listen ohne manuellen Export frisch und sind den technischen Aufwand wert, sobald Sie mehr als drei Segmente haben.
- Unterdrückung ist oft wertvoller als Targeting: Der Ausschluss eines minderwertigen Clusters verbessert die Effizienz oft mehr als die Verfolgung eines hochwertigen.
Dieser letzte Punkt wird zu wenig genutzt. Die meisten Konten haben ein Cluster, das leicht konvertiert, häufig zurückkehrt und im Service mehr kostet, als es einbringt. Es durch AI-Zielgruppensegmentierung zu finden und dann von der Prospektion auszuschließen, ist eine einzeilige Änderung mit messbarem Effekt auf die gemischte Marge.
Geben Sie jedem Segment eine andere Botschaft
Segmentierung ohne differenzierte Kreation ist ein teurer Weg, dieselbe Kampagne zweimal zu fahren. Sobald Cluster validiert sind, besteht die nächste Aufgabe darin, jedes in einfacher Sprache zu beschreiben: was sie kaufen, wann, worauf sie reagieren, was sie nie tun. Diese Beschreibung ist das Kreativ-Briefing. Wenn die Beschreibungen alle gleich klingen, waren Ihre Cluster nicht aussagekräftig und Sie sollten einen Schritt zurückgehen.
Wir schreiben normalerweise ein einseitiges Profil pro Segment und testen es intern: Geben Sie es jemandem, der die Daten nicht gesehen hat, und fragen Sie, ob er diesen Kunden aus einem Raum auswählen könnte. Wenn sie das nicht können, ist das Segment noch nicht umsetzbar.
Führen Sie es nach einem Zeitplan erneut aus
Kundenstämme driften. Eine im Januar erstellte Segmentierung beschreibt ein Unternehmen, das im Oktober nicht mehr existiert, insbesondere nach einer Preisänderung, einer neuen Produktlinie oder einer signifikanten Kanalverschiebung. Führen Sie das Clustering vierteljährlich erneut aus und vergleichen Sie: Stabile Cluster bestätigen das Modell, und Cluster, die sich aufspalten oder verschmelzen, sagen Ihnen, dass sich im Unternehmen etwas geändert hat, oft bevor die Umsatzberichte dies tun.
Der strategische Wert der AI-Zielgruppensegmentierung liegt nicht in besseren Targeting-Parametern. Es ist ein genaueres Bild davon, wer Ihre Kunden tatsächlich sind, aufgebaut aus dem, was sie getan haben, anstatt aus dem, was ein Workshop beschlossen hat, wie sie sind. Targeting ist nur das erste, was Sie mit diesem Bild tun.
Weiterlesen: AI-Werbeoptimierung
Passende Leistung: KI-Werbeoptimierung