Яка різниця між сегментацією та кластеризацією?

Після статті “Сегменти клієнтів проти персон“ було б логічно написати ось цю з порівнянням сегментації та кластеризації. Тож я і написав.

Взагалі, маркетологи вже деякий час використовують сегментацію та кластеризацію. Обидва є важливими аспектами спостереження та прогнозування поведінки споживачів, але досі існує плутанина щодо того, чим вони відрізняються та як впливають на ваш маркетинг.

Перш ніж заглибитись в це, треба спочатку поговорити про обидва загалом - бо без однакового розуміння що є чим, порівнювати їх нереально. Бо так то вони дещо схожі - кластеризація та сегментація передбачають групування людей на основі схожості. У світі цифрового досвіду вони є динамічним дуетом прогнозного маркетингу. Основна відмінність між ними полягає в тому, що кластеризація зазвичай керується машинним навчанням, а сегментація - людиною. Ця різниця призвела до того, що багато людей уникають кластеризації та чіпляються за власні знання про клієнтів. 

Це небажання стосується відомої битви людини та машини. Але замість того, щоб розглядати сегментацію як людську версію групування даних проти машинної версії тієї ж дії, ці тактики можна використовувати разом. Дихотомія зайва. Насправді, як ви побачите, їх можна досить ефективно використовувати разом.

Обидві тактики допомагають вам краще зрозуміти клієнтів та потенційних клієнтів, і чим більше ви знаєте про те, як люди взаємодіють з вашою організацією, тим краще ви можете дати їм те, чого вони хочуть. Це гроші на рахунку, хороший клієнтський досвід та розумний бізнес. 

Що таке кластеризація?

Кластеризація використовує алгоритми машинного навчання для виявлення подібностей у даних клієнтів. Простіше кажучи, алгоритми переглядають дані ваших клієнтів, виявляють подібності, які люди могли пропустити, та об'єднують клієнтів у кластери на основі закономірностей у їхній поведінці. 

Деякі приклади включають пошук покупців, які схильні купувати повний комплект одягу, як він візуально представлений, а не самостійно координувати покупки та купувати окремі частини одягу. Інший приклад - покупці вітамінів, які люблять запасатися акційними пропозиціями, на відміну від тих, хто поповнює запаси регулярно. Ті, хто запасається вітамінами, косметикою чи іншими товарами, можуть не повертатися до магазину протягом тривалого часу. Можливо, знадобляться деякі креативні повідомлення та пропозиції, щоб спонукати їх до покупок поза їхнім звичайним циклом.

Коли використовувати кластеризацію

Машинне навчання – це комп’ютеризована суперсила у вашому розпорядженні. Тому найкраще використовувати кластеризацію, коли потрібно проаналізувати набори даних настільки великі, що навіть команда фахівців з обробки даних зайняла б забагато часу. Кластеризація також корисна, тому що, як би мені не хотілося цього говорити, люди схильні до помилок, і машина може побачити те, що ми пропускаємо в наборі даних. Це дозволяє вам потенційно орієнтуватися на кластери по всій базі даних клієнтів, що дозволяє вам персоналізувати на вищому рівні та набагато швидше, ніж ми, люди.

Як застосувати кластеризацію у вашому маркетингу

Ось простий приклад алгоритму кластеризації машинного навчання, який знаходить подібні групи даних у великому наборі даних. У цьому прикладі, чим частіше клієнт купує, тим менше він витрачає. І навпаки, чим довший цикл покупки, тим вищі витрати. Ось як виглядатимуть дані при порівнянні середнього розміру замовлень та середньої кількості днів між покупками. У прикладі покупців, які запасаються, ми можемо побачити ось що - менш часті покупки, але за набагато вищу цінність. Майте на увазі, що алгоритми кластеризації машинного навчання виконують це порівняння за десятками, а в деяких випадках і сотнями точок даних на багатовимірному рівні, щоб виявити кластери клієнтів зі схожою поведінкою. Люди просто не можуть виконати завдання такого масштабу.

Головне полягає в тому, що машинне навчання забезпечує кластеризацію, і що алгоритми знайдуть подібності. Маркетологи самі по собі не виконують жодної роботи. Натомість ми вирішуємо, які кроки робити після того, як машинне навчання виконає початкову роботу. 

Наприклад, у наведеному вище прикладі було визначено кластер покупців, яким знадобилося понад 60 днів, щоб розмістити друге замовлення. Використовуючи ці дані, ми можемо розробити цільові кампанії, які точно визначать цей кластер. Тому що, якщо існує така схожість у моделях купівлі для покупців, які запасаються, у цій групі, можливо, вони поділяють моделі поведінки щодо інших продуктів. У такому випадку маркетолог може розглянути можливість надсилання цьому кластеру коду знижки на вітаміни або добавки, окрім тих, які ці покупці зазвичай купують. 

Що таке сегментація?

Коли маркетолог обирає критерії для виділення певних груп з великого масиву даних, це називається сегментацією. Іншими словами, це коли ви переглядаєте дані про своїх клієнтів і вибираєте конкретні критерії для цільової групи. 

Коли використовувати сегментацію

Саме тут люди використовують свій розум і, як не дивно, обґрунтовані даними серця, щоб визначити певні групи та детально їх розглянути. Там, де кластеризація інформує, сегментація надає можливості та дозволяє маркетологу обирати та цілеспрямовано орієнтуватися на конкретні групи для персоналізованих повідомлень. 

Як застосувати сегментацію у вашому маркетингу

За допомогою сегментації ви (людина) обираєте свою ціль. 

Якщо я продаю вітаміни, я можу орієнтуватися на клієнтів за допомогою повідомлень, які стосуються типів продуктів, які вони купували в минулому. Я можу сегментувати клієнтів, які купували риб'ячий жир, фолієву кислоту та магній у минулому, за допомогою повідомлення про здорове серце. Я можу сегментувати цю групу ще більше, вибравши стать, вік або витрати протягом життя. Прикладом сегментації є навмисне визначення та групування клієнтів, які мають схожі купівельні звички та схильність до певних категорій.  

Сегментація може бути схильною до помилок у людських припущеннях. Я припускаю, що цей сегмент купує ці товари, тому що вони зацікавлені у здоров'ї серця та, через свій вік чи стать, можуть потребувати його більше. З іншого боку, кластеризація може виявити закономірності в купівельній поведінці, не пов'язані з атрибутами, які ми розглядаємо. Іноді наші упередження можуть вводити нас в оману. Вони підштовхують нас до вибору сегмента людей, які, на нашу думку, повинні нам орієнтуватися.  

Кластеризація не має попередньо налаштованих упереджень; вона просто сканує дані на предмет подібності.

Але визначення цього сегмента все ще важливе, оскільки я можу використовувати це разом із кластеризацією для розширення своєї авдиторії. Налаштовуючи спосіб маркетингу для цього сегмента, я збільшую їхню ймовірність покупки та, як наслідок, коефіцієнт конверсії.

Машинне навчання в кластерному аналізі допомагає, постійно аналізуючи поведінку та повторно оцінюючи клієнтів. За допомогою цієї щоденної ітерації кластерний аналіз шукає зміни в поведінці, включаючи поведінку в Інтернеті та поведінку під час взаємодії з електронною поштою, які людина не могла б контролювати щодня. Разом сегментація та кластеризація є потужними союзниками. 

Висновок

Давайте підсумуємо.

• Сегментація: ручне вилучення певних груп, які відповідають обраним критеріям, з великого масиву даних

• Кластеризація: використання машинного навчання для виявлення подібностей у даних клієнтів

Обидва доповнюють одне одного, і основна відмінність полягає в тому, що сегментація передбачає групування, визначене людиною, тоді як кластеризація передбачає групування на базі машинного навчання. 

Обсяг даних про клієнтів, які обробляють сучасні компанії, вражає. Успішне поєднання кластеризації та сегментації у ваші маркетингові тактики залежить від того, як ви організовуєте свої дані, і саме тут платформа даних про клієнтів може бути дуже корисною.