BigQuery ML kan klantsegmenten bouwen op basis van echt gedrag en waardeverschillen. Handig als je doelgroepdenken nu nog te grof is voor serieuze kanaalsturing.
Veel doelgroepen beginnen als een goed idee en eindigen als een verzameling filters. Nieuwe klanten. Terugkerende klanten. Hoge orderwaarde. Lage betrokkenheid. Dat helpt, maar blijft vaak te grof om echt anders te sturen.
Veel segmentatie blijft steken op wat makkelijk uit te leggen is
Dat is begrijpelijk. Eenvoudige segmenten zijn snel te bouwen en makkelijk te delen met teams. Alleen gaat er onderweg veel verschil verloren. Klanten met dezelfde orderwaarde kunnen totaal ander gedrag laten zien. Bezoekers die op papier even interessant zijn, kunnen in werkelijkheid heel verschillend reageren op prijs, kanaal of timing.
Dan wordt segmentatie vooral beschrijvend. Je ziet groepen terug in je rapportage, maar ze helpen nog niet echt om boodschap, budget of kanaal anders in te zetten.
Je hebt waarschijnlijk al handmatige segmenten gebouwd
Veel teams proberen dit te verbeteren met extra regels. Een segment voor frequente kopers. Een segment voor hoge winkelwagenwaarde. Een segment voor mensen die alleen via aanbiedingen kopen. Dat kan werken, maar blijft vaak gebaseerd op keuzes die je vooraf al hebt bedacht.
Google noemt in de BigQuery ML-documentatie k-means expliciet als modeltype voor data segmentation, bijvoorbeeld voor het identificeren van klantsegmenten. Dat is relevant omdat je hiermee niet eerst hoeft te bepalen welke groepen er zouden moeten zijn. Het model zoekt patronen in de data en groepeert klanten op basis van overeenkomsten in gedrag of kenmerken.
De use case is niet een slimmer model. De use case is betere doelgroepkeuzes
Daar zit het verschil. Voor marketing is customer segmentatie met BigQuery ML pas nuttig als het helpt om te zien welke groepen echt anders reageren of anders waard zijn. Niet alleen wie vaak koopt, maar welke combinatie van gedrag, frequentie, kanaal en waarde bij elkaar hoort.
Dan verandert segmentatie van etiket naar keuzehulp. Je kunt campagnes beter afstemmen, retentie gerichter sturen en eerder zien welke groep vooral kortinggedreven is en welke groep juist ruimte heeft voor hogere klantwaarde.
Zo gebruikt PaperDigits BigQuery ML voor segmentatie
Wij beginnen niet met cluster-aantallen. We beginnen met de vraag welk verschil nu commercieel onzichtbaar blijft. Welke klanten lijken in het dashboard op elkaar, maar reageren in de praktijk heel anders? Welke groepen verdienen nu dezelfde boodschap terwijl hun gedrag of waarde anders ligt?
Daarna bepalen we welke variabelen nodig zijn, bouwen we de segmentatie in BigQuery ML en vertalen we de uitkomst naar iets wat een marketingteam kan gebruiken. Soms wordt dat een rapportage. Soms een doelgroep voor activatie. Soms juist een segmentatie die laat zien waar je huidige indeling te grof is.
Waar je nu brede doelgroepen ziet, zie je straks groepen met echt ander gedrag
Het nuttigste effect zit meestal niet in meer segmenten. Het zit in beter onderscheid. Je ziet eerder welke klanten veel aandacht vragen maar weinig opleveren, welke groepen gevoelig zijn voor prijs en welke klanten juist ruimte bieden voor herhaalaankoop of cross-sell.
BigQuery ML maakt segmentatie daarmee niet interessanter voor analisten alleen. Het maakt doelgroepkeuzes vooral bruikbaarder voor marketing die op meer wil sturen dan alleen volume.
Meer informatie nodig?
Heb je vragen over dit onderwerp? Stuur ons een WhatsApp bericht en we helpen je graag verder!
