Keuntungan:
- Kemampuan untuk mendefinisikan dan menafsirkan RFM (Recency-Frequency-Monetary) dan segmen perilaku dengan dukungan kecerdasan buatan
- Kemampuan untuk menghasilkan komunikasi yang dipersonalisasi dan rancangan penawaran loyalitas untuk setiap segmen
- Kemampuan untuk mengamati diskriminasi, kerahasiaan, dan batasan persetujuan eksplisit dalam segmentasi dan personalisasi
Tidak semua pelanggan sama. Beberapa datang setiap minggu dan menghabiskan banyak uang; beberapa datang sekali dan menghilang; Ada yang dulu setia tapi tak mampir lagi. Mengirimkan pesan yang sama dan penawaran yang sama kepada mereka semua hanya membuang-buang uang dan tidak membuahkan hasil. Segmentasi pelanggan adalah membagi pelanggan menjadi kelompok-kelompok yang bermakna dan menetapkan pendekatan yang tepat untuk setiap kelompok. Di unit ini, Anda akan menggunakan kecerdasan buatan sebagai asisten yang mengekstrak segmen dari data pelanggan dan menghasilkan rancangan komunikasi yang sesuai untuk setiap segmen. Batasan kritis: segmentasi memberikan kekuasaan, namun kekuasaan ini tidak boleh diterjemahkan menjadi diskriminasi dan pelanggaran privasi.
Segmentasi: Ini adalah proses membagi pelanggan ke dalam kelompok-kelompok berdasarkan kesamaan perilaku, nilai atau kebutuhan.
Personalisasi: Memberikan konten, penawaran, atau pengalaman kepada setiap segmen (atau orang) yang sesuai dengan minat dan kebutuhan mereka.
RFM: segmentasi paling praktis
Metode yang paling banyak digunakan di ritel adalah RFM. Ini terlihat pada tiga sinyal sederhana:
- R (Recency): Kapan terakhir kali pelanggan berbelanja? Terbaru = lebih aktif.
- F (Frekuensi): Berapa kali dia berbelanja dalam jangka waktu tertentu? Tinggi = lebih terhubung.
- M (Moneter): Totalnya berapa yang dibelanjakannya? Lebih tinggi = lebih berharga.
Setiap pelanggan diberi skor pada ketiga dimensi ini (misalnya 1-5), dan kombinasi skor menentukan segmennya. Yapay zeka bu skorlamayı dan segmen adlandırmayı hızlıca yapar.
segmen
Profil RFM
Pendekatan
Juara
R, F, M tinggi
Hadiah, akses awal, jadikan duta besar
pelanggan setia
F tinggi, M sedang
Keuntungan penjualan dan loyalitas
mereka yang berisiko
R rendah, sebelumnya F/M tinggi
memenangkan kembali kampanye
pelanggan baru
R tinggi, F rendah
Apa yang harus dilakukan, tidak perlu lagi melakukan tes
mereka yang tertidur
R rendah, F rendah
Pengingat atau penurunan biaya rendah
Tip: Jangan mengirimkan diskon ke semua orang. Diskon kejuaraan adalah hilangnya margin (yang seharusnya diterimanya); Simpan diskon untuk segmen yang benar-benar berisiko dan tidak aktif.
Segmen perilaku
Selain RFM, perilaku juga menentukan segmen: preferensi kategori (hanya membeli produk bayi), saluran (hanya online), sensitivitas harga (membeli selalu saat obral), musiman. Kecerdasan buatan dapat mengekstrak pola-pola ini dari data dan menyarankan kelompok-kelompok seperti “pemburu harga”, “pembeli premium”, “pembeli akhir pekan”.
Batasan personalisasi: etika dan privasi
Segmentasi sangat kuat, tetapi tidak pernah melewati tiga garis:
- Tidak ada diskriminasi: Segmen tersebut tidak dapat didasarkan pada karakteristik yang dilindungi (etnis, agama, kesehatan, orientasi seksual); Membuat kesimpulan tidak langsung dari mereka (misalnya memperkirakan etnis berdasarkan kode pos) juga berisiko.
- Persetujuan eksplisit: Persetujuan eksplisit dari pelanggan biasanya diperlukan untuk mengirim pesan elektronik komersial (SMS, email). Tanpa persetujuan, pengiriman merupakan risiko hukum dan reputasi.
- Minimalkan data: Gunakan data paling sedikit yang diperlukan untuk membuat segmen; Jauhi data sensitif.
Perhatian: Penargetan berdasarkan peristiwa kehidupan yang sensitif seperti "Pelanggan ini mungkin hamil, ayo rekomendasikan produk bayi" dapat mengganggu pelanggan dan menimbulkan persepsi pelanggaran privasi. Berhati-hatilah dengan penargetan inferensial.
Segmentasi langkah demi langkah
- Siapkan data anonim: Kode pelanggan (bukan nama), tanggal belanja terakhir, jumlah pembelian, total pembelanjaan, kategori. Hapus pengenal pribadi.
- Skor RFM: Memiliki skor kecerdasan buatan 1-5 pada dimensi R, F, M.
- Segmen nama: Hubungkan kombinasi skor ke dalam kelompok yang bermakna.
- Peta tindakan: Draf tujuan, penawaran, dan pesan untuk setiap segmen.
- Filter persetujuan dan etika: Kirim hanya ke pelanggan yang menyetujui, hapus penargetan diskriminatif, ukur hasil.
kasus kecil
Kasus 1 — Penawaran yang tepat untuk segmen yang tepat: Sebuah jaringan kosmetik mengirimkan SMS diskon 15% secara seragam kepada 40.000 pelanggan per bulan. Ketika disegmentasi dengan kecerdasan buatan RFM, para "juara" (8.500 orang) sudah menerima secara teratur. Diskon dikirimkan hanya kepada 6.200 orang yang berisiko, dan akses awal + poin dikirimkan kepada para juara. Meskipun biaya kampanye menurun sebesar 30%, jumlah pelanggan berisiko yang kembali meningkat sebesar 18%.
Kasus 2 — Menang kembali: Sebuah toko kelontong online memindahkan 3.100 pelanggan setianya yang belum berbelanja selama 90+ hari ke dalam segmen "berisiko". AI menghasilkan draf pesan “kami merindukanmu + pengiriman gratis dari kategori yang Anda terima sebelumnya” yang dipersonalisasi. Ini dikirim ke 2.400 orang dengan persetujuan; 410 di antaranya berbelanja lagi dalam waktu 6 minggu.
Kasus 3 — Kesalahan dan koreksi etika: Sebuah toko ingin menggunakan informasi lingkungan sekitar saat meminta segmen "potensi pembelanjaan tinggi" dari kecerdasan buatan. Orang yang bertanggung jawab menyadari bahwa hal ini menimbulkan risiko diskriminasi dan privasi tidak langsung dan mendasarkannya pada perilaku berbelanja yang sebenarnya, bukan pada lingkungan sekitar. Segmen ini lebih adil dan akurat.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Kelompokkan pelanggan saya.
Data yang mana, logika yang mana, tujuannya yang mana tidak jelas.
Perintah yang kuat:
Peran Anda: Spesialis CRM dan segmentasi. Data: Di bawah ini adalah tabel pelanggan anonim (kode_pelanggan, jumlah hari belanja terakhir, jumlah pembelian dalam 12 bulan, total pembelanjaan, kategori paling banyak dibeli). Tidak ada informasi pribadi. Tugas: (1) membagi pelanggan menjadi 5 segmen dengan logika RFM dan memberi nama setiap segmen, (2) memberikan perkiraan ukuran setiap segmen, (3) saran tindakan satu kalimat untuk setiap segmen. Aturan: Gunakan hanya data perilaku dalam data; Jangan membuat kesimpulan yang diskriminatif berdasarkan distrik, nama, atau demografi. Data: [tempel]
Templat cepat yang dapat disalin
1) Segmentasi RFM
Skor data pelanggan anonim berikut dengan logika RFM (1-5 untuk R, F, M) dan bagi menjadi segmen yang bermakna. Berikan ukuran dan deskripsi setiap segmen. Sajikan dalam bentuk tabel. Data: [tempel]
2) Draf komunikasi berbasis segmen
Tulis SMS yang dipersonalisasi dan draf email untuk segmen: [deskripsi segmen]. Nada sesuai dengan [nada] merek kami, proposal [penawaran]. Sarankan dua judul berbeda. Jangan gunakan klaim yang menyesatkan, maksimal 40 kata.
3) Kampanye kemenangan kembali
Buat draf pesan win-back untuk pelanggan setia lama yang belum berbelanja selama 90+ hari. Berdasarkan preferensi kategori sebelumnya, tawarkan insentif berbiaya rendah. Berikan 3 pendekatan berbeda.
4) Audit etika/persetujuan
Periksa rencana penargetan berikut: apakah ada diskriminasi berdasarkan karakteristik yang dilindungi, kesimpulan peristiwa kehidupan yang sensitif, penyerahan tanpa persetujuan, atau penggunaan data pribadi yang tidak perlu? Tandai risiko dan sarankan alternatifnya. Rencana: [tempel]
Kesalahan umum
- Pesan yang sama untuk semua orang: Komunikasi tanpa segmen hanya membuang-buang uang dan perhatian.
- Diskon kejuaraan yang tidak perlu: Diskon bagi pelanggan yang sudah membelinya adalah hilangnya margin.
- Mengirim tanpa persetujuan: Persetujuan eksplisit diperlukan untuk SMS/email.
- Segmen berdasarkan karakteristik yang dilindungi: Diskriminasi; Inferensi tidak langsung juga berisiko.
- Penargetan peristiwa kehidupan yang sensitif: Menciptakan persepsi adanya pelanggaran privasi.
- Tetapkan segmen sekali dan lupakan: Perilaku pelanggan berubah; Perbarui secara teratur.
Singkatnya
Segmentasi adalah cara untuk menetapkan pendekatan yang tepat terhadap pelanggan yang tepat; RFM adalah awal yang paling praktis. AI mempercepat penilaian, penamaan segmen, dan penyusunan pesan. Namun batasan persetujuan eksplisit, minimalisasi data, dan non-diskriminasi tidak dapat dinegosiasikan; Dasarkan personalisasi pada data perilaku, hindari gangguan sensitif.
Tugas aplikasi
Buat tabel dari data pelanggan anonim Anda (kode pelanggan, pembelian terakhir, frekuensi, pembelanjaan, kategori). Ekstrak 5 segmen dengan "1) Segmentasi RFM", hasilkan "2) Draf komunikasi berbasis segmen" untuk segmen yang paling berharga dan paling berisiko. Masukkan rencana Anda melalui “4) Tinjauan etika/persetujuan.”
daftar periksa
- [ ] Saya menganonimkan data pelanggan.
- [ ] Saya membuat segmen yang bermakna dengan RFM.
- [ ] Saya telah memisahkan penawaran dan pesan yang sesuai untuk setiap segmen.
- [ ] Saya berencana mengirim hanya kepada pelanggan yang menyetujui.
- [ ] Saya telah menghindari properti yang dilindungi dan inferensi sensitif.
- [ ] Saya membuat rencana untuk memperbarui segmen secara berkala.