smart segmentation это что

Что такое Google Smart Shopping и как эффективно сегментировать кампании

Google Shopping — это одна из самых лучших вещей для екомерса, которые только можно придумать для формирования первого впечатления. Это тип рекламной кампании, при которой пользователь еще до клика на объявление может узнать название товара и магазина, цену товара, скидки или спецпредложения, рейтинг магазина, количество отзывов, увидеть фотографию.

Рекламные объявления выводятся на первой странице поиска, в Google Покупках, на странице «Товар», YouTube.

Пример поисковой выдачи

Карточки Google Shopping на странице покупок

Карточка товара в разделе «Покупки»

Рекламный блок маркетплейса на YouTube:

Объявление на YouTube

Что такое Google Smart Shopping

У Google, кроме обычных торговых кампаний, есть умный подтип — Smart Shopping Campaigns. Основное различие между ними — применение машинного обучения, которое нужно для автоматизации подбора оптимальных настроек.

Принцип работы умных торговых кампаний очень простой: вы добавляете логотип компании, контент, загружаете описание товаров в фид, выбираете часть или все товары, система сама создает объявления и показывает пользователю, если запрос соответствует товару.

Вот такие результаты можно достичь, если использовать в аккаунте смарт-кампании вместе с другими кампаниями:

Иллюстрация к кейсу

Прямо влиять на работу умных кампаний мы не можем, однако можем подготовиться к их запуску: грамотно сегментировать продукты для Google Smart Shopping.

Сегментация кампаний Google Smart Shopping

Стоит ли объединять все продукты в одну смарт-кампанию? Может, лучше сегментировать по категориям, цене или другим показателям? Разберемся в базовых моментах структуризации смарт-кампаний, чтобы они работали эффективно. Что ж, структурировать или не структурировать?

Одна умная кампания на все товары

Google рекомендует объединять товары в одну кампанию, если другое не оправдано спецификой ниши. Естественно, вы можете запускать не все товары из ассортимента интернет-магазина, а только их часть.

Однако при очень разнообразном ассортименте использовать все товары в одной кампании, как минимум некорректно, даже по мнению Google в отношении правил создания рекламы. Ведь тогда объявления не будут максимально релевантными. А значит, сегментация очень даже нужна.

Несколько умных кампаний с разными настройками

В аккаунте Google Ads можно создать до 100 смарт-кампаний. Однако большое количество смарт-кампаний работает эффективно в случае, если товары в кампаниях не повторяются.

Например, вы хотите протестировать разные стратегии назначения ставок — максимальная ценность конверсии и целевая рентабельность. Берете 5 товаров и запускаете две умные кампании. На первый взгляд очень логичное решение. Но есть нюанс: по факту эти кампании — конкуренты, а такая борьба снизит их эффективность. Конкурировать будут даже те кампании, у которых совпадает хотя бы 1 товар. Если кампании будут работать одновременно, то они могут недополучать нормальное количество показов. Такая ситуация может сложиться в одной или в обеих кампаниях.

К чему приведет отсутствие или маленькое количество показов и кликов в умных кампаниях? Официально это, конечно же, секретный секрет Google. Но из практики мы можем выделить несколько вариантов развития событий. Чем больше кликов и конверсий — тем релевантнее и полезнее реклама для пользователя. Если показатели неудовлетворительные, то система пессимизирует аккаунт в пользу конкурентов: уменьшит показы ваших объявлений, увеличит конкурентные, которые показывают результаты лучше. Такая ситуация происходит из-за снижения показателя качества. При ручном управлении вам придется самостоятельно повышать ставки, чтобы иметь возможность выиграть аукцион, при интеллектуальном назначении ставок — все сделается за вас.

Если вы все же планируете запустить две и больше рекламных кампаний с разными настройками для одного и того же набора товаров, отдайте предпочтение стандартным Google Shopping. Конкурировать со смарт-кампаниями они не будут, но приоритет получат именно вторые.

Сегментация по категориям

Это самый простой и действенный способ сегментировать товары для умных кампаний. Особенно актуально при выборе стратегии Target ROAS, ведь у различных товаров разная маржинальность и целевая рентабельность будет отличаться.

Допустим, вы продаете телефоны и чехлы для них. Товары из разной ценовой категории, у них, конечно же, разная маржинальность. Поэтому одинаковое значение Target ROAS ставить нельзя. Если значение будет подбираться по категории телефонов, то чехлы просто не дотянут до него. И наоборот, при ориентире на чехлы, реклама телефонов просто не покажет максимальную эффективность и вы не дополучите прибыль.

Поэтому 1 категория = 1 умная кампания.

Сегментация по потенциалу товаров

Еще один способ сегментации смарт-кампаний — по конверсионности товаров.

Иногда в умных кампаниях одни товары отрабатывают значительно лучше других. Тогда не имеет смысла рекламировать «плохие». Выход: выделить конверсионные товары в отдельную кампанию. Так мы делаем для наших клиентов, когда видим, что часть товаров только изредка появляется в рекламе, а сама кампания приносит убытки.

Резюмируем

Google Smart Shopping всегда получает приоритет над другими кампаниями. И если у интернет-магазина небольшой ассортимент, рекомендуем при запуске умных кампаний приостанавливать остальные. Так вы сможете предотвратить вмешательство в обучение.

В других ситуациях выделяйте в смарт-кампании лишь часть товаров, которых не будет в других умных кампаниях, стандартных торговых и ремаркетинговых кампаниях. Поисковой рекламы такие ограничения не касаются.

Автор — Алена Лихтер, PPC team lead агентства контекстной рекламы Penguin-team.

Источник

Smart Segmentation: Maximizing Engagement with AI

The Double Whammy Staring at Marketers

This resulted in an exponential rise in competition in the digital space for mindshare and customer loyalty. Unfortunately, the digital influx also pummelled consumer attention span to a meagre 8 seconds (a sharp decline from 12 seconds in 2000 ). As a result, today’s marketers find themselves in an intensely competitive universe where thousands of brands are battling it out for the ever-shrinking attention span of the consumer.

The Rise of Digital Marketing

Marketing 2: 0: Engaging the Connected & Empowered Consumer

Smart marketers soon realized that blasting consumers with a barrage of generic, irrelevant communication is hurting them twofold: it quickly drains precious marketing budget and also spreads the sentiment that the brand is apathetic to consumer needs. To gain mindshare in an attention-deficit consumer, marketers needed to make personalized communications

A key pillar within this reformed marketing philosophy is personalization because it sets the stage and gives a contextual framework for a relevant and value-driven engagement.

The Holy Grail for Marketers: Hyperpersonalization at Scale

In its simplest sense, personalization is a targeted approach to customer engagement that delivers tailored, useful and relevant communication to every customer. For smaller businesses with small to medium customer sets, the personalization efforts are fairly simple and achievable with a good analyst team. But it gets increasingly complex and a herculean task at enterprise levels of data and consumer sets. In fact, less than 10% of top retailers say that are good at effective personalization.

When done well, personalization accelerates sales and business growth for brands while increasing overall customer satisfaction levels. Personalization improves conversion rates by a whopping 70% and it impacts ripples across the entire consumer lifecycle: from acquisition costs, engagement levels, average order values to repeat purchases.

The challenge to implementing personalization at scale basically boils down to two things: the pace of change in consumer behaviour and exponential rise in data volumes. Combine these two and you get rapidly changing data, constantly shifting customer segments and frequent changes in the type of insights needed from the data.

Smart Segmentation with AI: Powering the New Personalization Paradigm

Since smart segmentation serves as the primer for personalization, it’s vital to create relevant and accurate segments before embarking on your engagement strategy.

The Need for Smart Segmentation

While basic segmentations like demographics and location can be done manually, creating complex personas and purchase patterns segments can be tedious and time-consuming. Moreover, these generic segmentations cannot be used for building advanced purchase propensities modelling.

For successful smart segmentation, brands will need to layer basic segmentation attributes with ‘behavioural aspects’ of a customer. These include explicit behavioural aspects like purchase history, search history etc. and implicit behaviour aspects like dwell time on a specific product page, heatmaps and other storefront interactions. Moreover, these behaviour segments need to be dynamic and adaptive based on evolving customer needs.

This is where emerging technologies like AI and ML can help brands optimize their data and resources to achieve their business goals.

AI-Powered Adaptive Segmentation

The true power of Artificial Intelligence lies in its ability to find complex and disparate correlations which are almost impossible to uncover through manual intervention.

The need of the hour for brands is to value-driven experiences at every stage in the customer journey. However, multiple data sources and non-linear customer journeys have made it difficult for brands to create a seamless customer experience. Adaptive segmentation is a great way to create centralized segmentation based on multiple factors like demographic data, behaviour metrics and time.

Adaptive segmentation is powered by an intelligent algorithm that constantly ‘learns’ more about the customer every time he/she engages with the brand – whether on social media, email, website or in store. Adaptive segmentation also enables brands to optimize segments based on higher conversion probability rather than simple demographics metrics.

4 Step Process to Smart Segmentation

AI-based segmentation typically comprises of 4 stages :

Benefits of AI-Powered Segmentation

Источник

Интерактивная сегментация: выделяем кошек, собак и людей

Мы уже рассказывали про некоторые работы исследователей из московского Центра искусственного интеллекта Samsung. Недавно вышла статья «f-BRS: Rethinking Backpropagating Refinement for Interactive Segmentation» Константина Софиюка, Ильи Петрова, Ольги Бариновой и Антона Конушина, которая была принята на всемирную конференцию по компьютерному зрению CVPR 2020. И в этом посте мы расскажем, о чем пишут наши коллеги в этой работе и об интерактивной сегментации как прикладной задаче компьютерного зрения в целом.

Что такое сегментация?

В широком смысле «сегментация», как следует из Оксфордского словаря, — это разделение чего-либо на несколько частей, либо одна из таких частей. В нашем случае сегментация — это задача в компьютерном зрении, которая позволяет разделить цифровое изображение на разные части (сегменты) в соответствии с тем, какому объекту какие пиксели принадлежат. Таким образом мы получаем попиксельную маску объекта.

Зачем она нужна?

Применений сегментации изображений масса. Семантическая и инстанс-сегментация могут использоваться в беспилотных автомобилях и роботах. Камеры служат для получения точной визуальной информации об окружающей среде (наряду с остальной информацией от датчиков и сенсоров), но критически важное условие правильной работы — насколько хорошо алгоритм понимает, что сейчас окружает робота.

Другая область применения — медицина, где с помощью семантической или инстанс-сегментации можно проанализировать рентгенографические и электронно-микроскопические снимки — например, в стоматологии, пульмонологии, онкологии, генетике и т.д. С помощью сегментации анализируют спутниковые изображения и карты, скопления людей и объекты глубокого космоса.

Интерактивная сегментация изображений

Ручная разметка позволила собрать датасеты (например, ImageNet и Microsoft COCO), лежащие в основе всех современных достижений компьютерного зрения. Один из самых ценных и трудоёмких видов разметки — сегментация изображений. Отличие интерактивной сегментации в том, что она требует участия пользователя на протяжении всего процесса. В частности, пользователь может выделять нужные объекты и исправлять ошибки алгоритма с помощью кликов. Интерактивная сегментация может использоваться в различных приложениях и для редактирования изображений. Например, в Paint 3D на Windows 10 есть функция выделения областей изображения кликом.

Про задачу и существующие способы её решения

В данной работе рассматривается кликовая (click-based) интерактивная сегментация: пользователь выделяет нужные объекты с помощью позитивных или негативных кликов. Позитивные клики указывают, что область клика относится к нужному объекту, а негативные — что не относится.

Большая часть алгоритмов интерактивной сегментации, основанной на кликах (click-based), содержит backbone-сеть, предобученную на датасете ImageNet. На вход backbone-сеть получает само изображение и карты позитивных и негативных кликов. На выходе модель создает сегментационную маску для нужного объекта. Основная проблема такого подхода — невозможно скорректировать результат ответа нейросети. Эта проблема возникает из-за особенностей нейронных сетей — в некотором смысле они являются черными ящиками, и никто не может гарантировать, что у обученной модели всегда будет выполняться очевидный для людей инвариант: под позитивным кликом всегда должна быть маска объекта, а под негативным — нет. Пример: пользователь ставит клик на объекте, но нейросеть почему-то не выделяет область под кликом. Кликает еще раз — результат не меняется, потому что нейросеть выдала неправильный ответ на заданный клик, и этот ответ не поддается коррекции.

Как можно разрешить эту проблему? На конференции CVPR 2019 авторы из Гарварда и университета Корё в совместной работе Interactive Image Segmentation via Backpropagating Refinement Scheme представили технику для улучшения существующих алгоритмов интерактивной сегментации. Сначала по пользовательскому вводу создаются карты с позитивными и негативными кликами. Они передаются в сверточную нейронную сеть вместе с исходным изображением, и дальше все стандартно – нейросеть генерирует карту вероятностей. В этой карте для каждого пикселя задается вероятность того, что данный пиксель принадлежит к нужному нам объекту. Поскольку нейросеть не гарантирует, что в указанных кликах будут корректные предсказания, авторы предложили использовать схему уточняющих обратных проходов (backpropagating refinement scheme, BRS), в результате применения которой при следующем прямом проходе получается корректная сегментационная маска.

Источник

За счёт чего это достигается? В BRS решается следующая оптимизационная задача — необходимо минимизировать среднеквадратичную ошибку (MSE loss) предсказания только в тех точках, где находятся пользовательские клики. Для этого попиксельно модифицируется карта расстояний пользовательских кликов (distance maps) так, чтобы выход сети лучше им соответствовал. На наш взгляд интуиция, объясняющая успех такого решения, берёт своё начало с методов adversarial attacks (заметим, что авторы в своей статье не провели подобной аналогии). Благодаря открытию adversarial attacks, стало известно, что небольшие изменения входов сети (обычно это просто RGB изображение) могут кардинально повлиять на итоговый результат предсказания. BRS по своей сути является той же самой оптимизационной задачей, которую решают для осуществления adversarial attacks.

BRS имеет и свои минусы. Главный его недостаток — долгое время работы, поскольку на каждой итерации совершается обратный проход по всей сети.

Предлагаемое решение

Прежде чем переходить к описанию предложенного решения, обратимся к недавней статье авторов из московского Центра искусственного интеллекта Samsung, в которой решается задача инстанс-сегментации. Представленная архитектура построена на основе предобученной на ImageNet сети. В ней есть:

«Голова» сети принимает на вход клик, и затем вся сеть подстраивается под заданный объект.

Почему мы обратились к этой статье? Совсем недавно авторы из московского Центра искусственного интеллекта Samsung открыли, что BRS, о которой говорилось выше, можно применять к любой части сети. Это открытие вместе с переосмыслением идей из рассмотренной выше статьи позволило создать f-BRS — Feature Backpropagating Refinement Scheme — в которой любой выход промежуточного слоя сети может выступать в качестве целевой переменной оптимизации. В f-BRS оптимизируется только небольшой набор параметров внутри сети, а именно scale и bias для признаков фиксированного слоя. Это сохраняет точность и существенно повышает скорость работы алгоритма.

У метода f-BRS есть несколько возможных конфигураций (f-BRS-A, f-BRS-B, f-BRS-C). Они отличаются положением промежуточных слоев, которые должны быть оптимизированы. В экспериментах рассматриваются только промежуточные слои декодера DeepLabV3+, что позволяет обеспечить снижение вычислительных затрат на обратный проход BRS.

Представленная архитектура выглядит так:

Существует два подхода для модифицирования промежуточных слоев — попиксельный (pixel-wise) и поканальный (channel-wise). В pixel-wise подходе, имея тензор 100×100 по ширине и высоте и 64 по глубине, мы получаем 100x100x64x2=12800000 параметров. Чем больше число параметров, тем больше вероятность, что сеть будет переобучаться. Кроме того, все значения карты признаков оптимизируются независимо, что может приводить к проблеме «локального переобучения» (см. иллюстрацию ниже). В channel-wise подходе мы работаем только с 64 каналами и обучаем гораздо меньше параметров, что делает подход устойчивым к переобучению.

Поканальный (channel-wise) подход решает проблему локального переобучения — сеть понимает, где объект «овца», а где объект «ягненок»

Еще одно нововведение, которое представлено в статье — техника Zoom-In, которая позволяет улучшить качество интерактивной сегментации. В предыдущих работах по интерактивной сегментации использовались кропы изображений, чтобы ускорить модель и сохранить мелкие детали в масках сегментации. Это позволяет получить более точные маски маленьких объектов, но, с другой стороны, результаты могут стать хуже в случае, если исходное разрешение объекта больше разрешения кропа.

Эксперименты показали, что 1-3 кликов достаточно, чтобы нейросеть достигла 80% меры Жаккара (Intersection over Union, IoU) по отношению к ground truth-маске. То есть, начиная с третьего клика, можно получать кропы в соответствии с ограничивающим прямоугольником (bounding box) маски объекта и применять интерактивную сегментацию только к нужному участку изображения.

Пошагово технику Zoom-In можно записать следующим образом:

Zoom-In улучшил результаты во всех экспериментах и использовался по умолчанию вместе с f-BRS. При этом Zoom-In можно применять и вместе с другими моделями для интерактивной сегментации.

Датасеты и результаты

Эксперименты проводились на четырех датасетах: GrabCut, Berkeley, DAVIS и SBD.
Во всех случаях f-BRS устанавливает новую планку качества в интерактивной сегментации.

Пример — сравнение результатов, в первом ряду используется предложенная f-BRS, во втором BRS не задействована.

Что здесь бросается в глаза? Без f-BRS, несмотря на настойчивые попытки пользователя включить велосипед в область положительной сегментации, модель продолжает наращивать маску, относящуюся к спортсмену. Получается, что f-BRS требует меньше кликов, то есть гораздо меньше работы по ручной сегментации.

Для тех, кто дочитал наш пост до конца и готов воспроизвести результат, создав собственные иллюстрации, мы предлагаем взять код к статье здесь и посмотреть видеопрезентацию на CVPR 2020 — здесь.

А тех, кто сейчас только поставил перед собой задачу с нуля научиться решать задачи в области машинного зрения при помощи нейросетей, мы приглашаем записаться на наш бесплатный онлайн-курс на Stepik! В финале курса вы уже осознанно решите прикладную задачу компьютерного зрения и можно будет двигаться в более продвинутую область сегментации изображений.

Автор статьи:
Юлия Чуркина
Специалист по управлению проектами,
Центр искусственного интеллекта Samsung

Источник

Scaling the Revenue Engine — Chapter 4: Customer Segmentation

Smart segmentation sparks scaling.

Y ou have a product. It makes the unworkable workable; the unavoidable and urgent easier. On some dimension of personal or corporate need (status, affiliation, safety, ease of use, cost, speed, etc.), your product connects. Segmentation can only emerge from this: the solid foundation of a compelling product. Without it, you have nothing. Once you’ve nailed basic product / market fit, however, proper segmentation is the lift-off point for all future company growth.

Who is your customer? This is the question that customer segmentation answers.

Segmentation is a data-driven filtering exercise. Your segmentation scheme divides the market into buckets, and then clarifies which buckets matter most. Your ideal customer profile (ICP) emerges from your top priority buckets (segments). Here we find the ideal buyers’ and users’ personas, tasks, expectations and pain points as they pertain to your product.

Working bottom-up from a detailed understanding of product use case scenarios, the company has defined three high-level segments: B2B subscription companies, B2C subscription companies, and companies in transformation. The latter segment is populated by companies that are innovating their business models. Each of these three major segments has been further sub-segmented by industry, company size, and geography.

The segmentation scheme is leveraged to clarify brand, tighten messaging, and focus the sales organization. The top-level Zuora brand is distilled into one word: “Freedom.” This cascades into three segment-specific brands. For B2B, it’s “Freedom to Grow.” For B2C, it’s “Freedom to Experiment.” And for companies in transformation, it’s “Freedom to Reinvent.”

The sales organization itself is organized into three tiers, based on company size. B2B, B2C, and companies in transformation are all served by the same sales teams within a size-based tier, but messaging is customized to these different audiences, based on their unique buyer and user personas.

Segmentation has also sharpened product road map decision making. By understanding the unique unmet product needs in each segment, smart decisions have been made to prioritize development.

That’s the power of doing it right. Smart customer segmentation:

So why do so few tech startup CEOs get it right?

Too often, CEOs either don’t segment at all, or they approach the task with a top-down, “gut instinct” approach. Lacking the time or money for extensive research, the next best thing, many CEOs conclude, is essentially an educated guess. But there’s a sweet spot that stands between “expensive, time-consuming research projects” and “winging it.”

Источник

Три вида сегментации клиентов: как сделать общение с пользователями эффективнее

На своем опыте рассказываем, как сочетать между собой три фреймворка для сегментации — ABCDX-сегментацию, JTBD-теорию и User Journey — и собирать полезные инсайты о клиентах: их проблемах, мотивации, ограничениях и возможностях, которые помогут вам лучше продавать и не тратить ресурсы впустую.

Простой сегментации по демографическим характеристикам в B2C или так называемым фирмографическим в B2B — уже недостаточно. Даже поведенческой сегментации мало, если данные о действиях пользователей не дополняются информацией о контексте, в котором они находятся. Исследование Altimeter подтверждает, что на место традиционных методов сегментации пришли смешанные, которые учитывают мотивы и контекст, в котором находятся клиенты, их онлайн-поведение и данные о предыдущих покупках.

Сегментации по полу, возрасту и геолокации недостаточно. Данные о том, что наш продукт покупает Маша, которой 25 лет, не помогают сделать его лучше и успешнее продавать. Маша может отвечать за поддержку в интернет-магазине или быть маркетологом в языковой школе. В первом случае ее будут интересовать возможности чата — история диалогов, распределение по каналам, заметки и сохраненные ответы для операторов, во втором — инструменты лидогенерации и квалификации: поп-апы, чат-бот, автоматические приглашения в чат, триггерные письма.

Скольким Машам нужен чат, а сколько мечтают о своем собственном маленьком чат-боте на сайте? Сколько денег принесет каждая из них? Как надолго останется? Чтобы знать все это, развивать сервис и оптимизировать каналы продаж, необходимо проводить качественные исследования целевой аудитории, сочетать разные виды сегментации и фреймворки между собой. А данные, полученные в ходе качественных исследований, — подкреплять количественными и соотносить с метриками на каждом этапе воронки и внутри продукта.

Мы поделимся тремя методами, с помощью которых сегментировали своих клиентов: ABCDX-сегментация, JTBD-теория и User Journey. С помощью этих фреймворков мы собрали большой массив качественных инсайтов о наших пользователях, а на их основе построили стратегию коммуникаций и продаж.

Сервисом Carrot quest пользуются небольшие интернет-магазины, онлайн-сервисы и крупные компании. В зависимости от задач, которые стоят перед разными командами и людьми внутри этих компаний, они образуют пересекающиеся сегменты, заинтересованные в разных инструментах, решениях, подходах. Мы сформировали свой подход к взаимодействию с пользователями с помощью трехэтапной сегментации, создания портретов buyer-персон на основе полученных данных и дальнейшего создания high-, mid- и low-touch воронок для каждого сегмента. Это первая часть истории, во второй части мы подробно расскажем про создание портретов buyer-персон и проектирование воронок под каждую из них.

Зачем нужна сегментация

Потенциальные покупатели — не однородная группа, они отличаются друг от друга не только по полу, возрасту и географии в B2C или по сегменту бизнеса, размеру компании, объемам трафика на сайте и прибыли в B2B, а более кардинально:

Общаться со всеми одинаково — не эффективно. У каждого пользователя свои особенности и проблемы. Сегментация позволяет определить схожие характеристики, объединить пользователей в группы и персонализировать общение.

Вы должны знать, что ваши конкуренты уже используют сегментацию пользователей. По данным исследования Altimeter, только 2% бизнесов не применяют сегментацию.

Что произойдет, если не делать сегментацию

На сайт приходят разные пользователи, ⅔ из них — нецелевой трафик, оставшаяся ⅓ — потенциальные покупатели. Сегментация клиентов в воронке продаж означает приоритизацию командного времени и экономию ресурсов. Если вы не знаете, кто ваша целевая аудитория, какие инструменты они используют, какие задачи решают и чего хотят от вашего продукта, то запросто можете потратить все ресурсы на нецелевых лидов.

Вести всех потенциальных покупателей по одной общей воронке продаж — нецелесообразно. Вы будете тратить время и деньги зря — предлагать не то и не тем. Конверсия такой воронки будет стремиться к нулю и вы будете терять потенциальных покупателей.

Спасибо! Мы уже отправили всё на почту

Как сегментировать клиентов

Самая важная часть любого исследования — определение целей и задач. Результатами исследования по сегментации будут пользоваться разные команды — маркетинг, продажи, продукт. Договоритесь с каждой из заинтересованных сторон, чего они ждут, в каком виде нужны результаты исследования, как эти результаты будут использованы в работе.

Вот три ключевых этапа, которые выделили мы:

Если вы работаете в сфере B2B, вашими клиентами будут компании.

Buyer-персонами в этом случае будут сотрудники этих компаний с определенными ролями и рабочими задачами.

Мы в Carrot quest используем все три подхода для сегментации:

Использование для сегментации трех фреймворков помогает нам досконально изучить пользователей, определить их боли и мотивы. Все три модели отлично дополняют друг друга и помогают составить полную картину о пользователях, с помощью которой можно растить бизнес.

ABCDX-сегментация

Суть ABCDX-сегментации: вы делите пользователей, которые хотя бы раз купили у вас, на четыре сегмента — по степени ценности, которую эти клиенты получили от продукта.

А — есть боль, продукт очень нужен, поэтому высокая конверсия в покупку и постоянное использование.

B — есть боль, продукт очень нужен, но есть возражения. Платят много, но достаточно долго принимают решение о покупке.

C — боль частично закрыта, есть потребность в продукте, но ценность не высокая. Готовы платить мало и есть ряд значимых возражений.

D — есть много вопросов и возражений, чаще всего в итоге не покупают.

X — крупный клиент, которому нужно что-то специфическое, какие-то персональные доработки, на которые вы не готовы.

Разберем пример из личного опыта. Наша основная фича — онлайн-чат, с помощью которого можно оптимизировать поддержку, собирать квалифицированные лиды и продавать. Пользователи из сегмента А и B приходят к нам за решением этих задач, и наш сервис с ними хорошо справляется. В итоге клиенты из этих сегментов довольны сотрудничеством.

Также в Carrot quest есть email-рассылки, но в аналитике по ним нет карты кликов. Это не основная наша фича, и клиенты, которые приходят к нам решать только эту задачу (C и D сегменты), будут обращать внимание на недоработку и в конечном счете могут уйти.

Проблема в том, что мы часто тратим больше времени на потребности сегментов C и D: они недовольны и постоянно пишут в поддержку, при этом приносят намного меньше выручки, чем A и B сегменты. В итоге мы расфокусированы и тратим усилия не на то. Скорость роста замедляется.

Как применять ABCDX-сегментацию:

Примеры квалификационных вопросов для ABCDX-сегментации:

Сегментация по JTBD

Мы верим в теорию Jobs to be done и видим результаты применения фреймворка в разных продуктах. Её суть: клиенты не покупают продукты, а «нанимают» их для выполнение определенных работ. У каждого продукта есть одна большая работа (core job), которая может распадаться затем на десятки и даже сотни мелких.

Что читать по теме:

Например, мы применили подход JTBD и узнали, что для наших клиентов сервис Carrot quest выполняет две ключевые работы, которые они формулируют так:

Внутри этих больших работ могут быть сотни маленьких, каждая из которых возникает в определенном контексте. Описывать их удобнее всего в формате Job Story:

Сочетание Job Stories позволяет собрать профили пользователей с большими работами.

Так, работу по увеличению количества лидов и продаж можно сделать различными способами. Вот пара примеров таких работ, которые мы сформулировали с помощью JTBD-подхода:

Наши пользователи выполняют продажи определенным образом. Для нас это — эффективный способ сегментации.

Как применять JTBD-сегментацию:

В первую очередь нужно определить с помощью интервью схожие паттерны в поведении клиентов, которые привели к покупке, а также их боли, мотивы и контекст.

Вопросы для сегментации по JTBD от Дмитрия Капаева, исследователя и автора курса по теории работ:

Когда вы определите ключевые работы, которые совершают клиенты с помощью вашего продукта, сегментируйте их по этим работам и дополните фирмографическими данными. По нашему опыту, необходимо провести не менее десяти качественных интервью с клиентами на выявление ключевых работ.

Сегментация на основе User Journey

User Journey или Customer Journey Map (карта пути клиента) — это описание клиентского пути в продукте от первого знакомства с компанией до первой покупки и дальнейшего использования различных фичей.

Если вы ничего не знаете про CJM, советуем вам прочитать:

Пользователи проходят определенные этапы своего жизненного цикла в продукте. Изучение User Journey внутри продукта помогает в первую очередь улучшить продукт, а также провести исследования по сегментации пользователей в зависимости от того, какие функции они используют и для чего.

Сегментация по User Journey основывается на сборе данных о действиях пользователей и последующих интервью с клиентами. Аналитика клиентского пути позволяет разделить пользователей по группам в зависимости от того, какими функциями они пользуются и насколько активно, а также с какими проблемами и ограничениями чаще всего сталкиваются.

Материалы по теме сбора данных:

Как применять сегментацию по User Journey:

Список вопросов для сегментации по User Journey:

Цель интервью по User Journey — определить как пользователь работает в сервисе: как находит нужную функцию, как использует её, куда обращается за помощью.

Сегментация по User Journey поможет разделить пользователей в зависимости от их путей в продукте и основных функций, с которыми они работают, но для полноценной картины о сегментах необходимо использовать все три фреймворка для качественного разделения клиентов по группам.

Источник