מנהלת שיווק בחברה קטנה ובינונית באיטליה צריכה להשיק מבצע. במערכת ה-CRM היא רואה את גילם, מינם ואזור מגוריהם של הלקוחות, אך אינה יודעת מי ביקר מספר פעמים בקטגוריה מסוימת, מי נטש את תהליך התשלום או מי קונה רק כאשר הוא מקבל הנחה. מסד הנתונים מתאר את האנשים, אך אינו מגלה מה באמת מביא אותם לבצע רכישה.
זהו המגבלה של פילוח מסורתי. מסר זהה לכולם עשוי להגיע למספר רב של אנשי קשר, אך לפנות רק למעטים. פילוח התנהגותי משנה את נקודת המבט: הוא בוחן פעולות, תדירות, עדכניות, ערך הרכישות והאינטראקציות בערוצים השונים, ולאחר מכן הופך את הסימנים הללו לקבוצות שימושיות לצורך קבלת החלטות.
אין צורך להקים מחלקת מדע נתונים כדי להתחיל. בעזרת הנתונים הקיימים כבר במערכת ה-CRM, באתר, בדוא"ל ובמסחר האלקטרוני, ובאמצעות פלטפורמה המונעת על ידי בינה מלאכותית, תוכל לעבור מרשימות סטטיות לתובנות תפעוליות. כאן תמצא מדריך מעשי, הכולל דוגמאות מתחום הקמעונאות, הפיננסים והמסחר האלקטרוני, התייחסות לנושא הפרטיות ושיטה להפיכת הפלחים לדינמיים.
מנהל חנות מקוונת יודע מהו מחזור המכירות החודשי. הוא יודע אילו מוצרים נמכרים, ואולי אף כמה לקוחות מתגוררים באזור מסוים. אולם, כאשר הוא צריך להחליט למי לשלוח מבצע, הוא נוטה להשתמש בקטגוריות כלליות, כגון "נשים בטווח גילאים מסוים" או "לקוחות מצפון איטליה".
מידע זה עשוי להיות שימושי, אך הוא אינו מסביר את ההתנהגות. שני אנשים מאותו אזור עשויים להיות בעלי צרכים מנוגדים: האחד קונה מדי חודש מבלי להמתין להנחות, והשני נכנס לאתר, משווה מחירים ומבצע את הרכישה רק במהלך מבצע קידום מכירות. התייחסות אליהם באותו אופן פירושה התעלמות מסימנים חשובים.
פילוח התנהגותי מתייחס בדיוק לאותות אלה. ביקור חוזר, רכישה אחרונה, עגלת קניות נטושה או תגובה ל- newsletter – כל אלה מספקים מידע על השלב שבו נמצא הלקוח במסלול הרכישה. כך, אנשי השיווק יכולים לשנות את התוכן, הערוץ והעיתוי, במקום להסתמך רק על נתונים דמוגרפיים.
כלל מעשי: לפני שתשאל את עצמך איזה מסר לשלוח, שאל את עצמך איזו פעולה של הלקוח אתה רוצה להבין.
עבור חברה קטנה או בינונית, הצעד הראשון יכול להיות פשוט: להשוות את היסטוריית הרכישות עם האינטראקציות הדיגיטליות ולזהות קבוצות שראויות ליחס שונה. תוכלו להתחיל מהתובנות של ELECTE על הלקוחות כדי להפוך את הנתונים הזמינים לבסיס עבודה ברור יותר, מבלי לבלבל בין מורכבות הניתוח לערך המידע.
פילוח התנהגותי מחלק את קהל הלקוחות לקבוצות הומוגניות על סמך פעולותיהם. הפילוח הדמוגרפי עונה על השאלה "מי הם?", תוך שימוש במאפיינים כגון גיל, מין או אזור גיאוגרפי. הפילוח ההתנהגותי מוסיף שאלה שימושית יותר לצורך פעולה: "כיצד הם מתנהגים כאשר הם באים במגע עם החברה?".
המשתנים עשויים לכלול:
האנלוגיה הפשוטה ביותר היא זו של בעל חנות. הידיעה שאדם מסוים מתגורר בסמוך לחנות היא מידע מועיל, אך הזיכרון שהוא נכנס לחנות מדי שבוע, מבקש תמיד את אותו המוצר ואינו מנצל את המבצעים – מאפשר לתת לו שירות טוב יותר. הנתון ההתנהגותי מקשר בין התצפית להחלטה.
באיטליה, מחקרים על לקוחות בתחום המזון משתמשים זה מכבר בעשיריות של הוצאות, תדירות הרכישות ומועד הרכישה האחרון. גישה זו מקדימה את מודלי ה-RFM, המסווגים את הלקוחות על פי מועד הרכישה האחרון (recency), תדירות הרכישות (frequency) והיקף ההוצאות (monetary), ומסייעים להבחין בין לקוחות נאמנים, לקוחות בעלי ערך גבוה או לקוחות הנמצאים בסיכון לנטישה. סקירה היסטורית של הנושא זמינה במאמר המעמיק על התנהגות הצרכנים בערוצים מרובים.
סיווג תיאורי מקבץ מאפיינים שכבר ידועים. לעומת זאת, פרופילציה יכולה להשתמש בקורלציות ובמודלים כדי להעריך נטיות עתידיות. ההבדל הוא משמעותי: פלח שוק יכול לציין ש"לקוחות אלה ביצעו רכישה לאחרונה", בעוד שמודל יכול לסייע בזיהוי מי שמפגין סימנים המעידים על רכישה עתידית.
הפרסומים האיטלקיים בנושא פילוח קהל מדגישים כי עדכניות ותדירות עשויות להיות בעלות ערך חיזוי גבוה יותר מאשר מאפיינים דמוגרפיים בלבד, מכיוון שהן משקפות צרכים שכבר באו לידי ביטוי. דבר זה הופך את הפילוח ליעיל יותר בהתאמת קמפיינים וסדרי עדיפויות מסחריים, כפי שנדון בניתוח בנושא פילוח דורי בשיווק דיגיטלי.
פילוח יעיל נובע משילוב בין נתונים מובנים, אירועים דיגיטליים וההקשר העסקי. לא די בהוספת מידע רב. עליך לקשר את הפעולות לאותו לקוח, להגדיר אירועים קוהרנטיים ולבחור משתנים שיוכלו להנחות קמפיין או החלטה עסקית.
לפני יצירת אשכולות, הגדירו בבירור את התוצאה שאתם רוצים להשיג. "להכיר טוב יותר את הלקוחות" הוא ביטוי כללי מדי. "להחזיר לקוחות שלא קנו זמן רב" או "להציע אביזרים למי שרכש מוצר עיקרי" מספקים קריטריון קונקרטי לבחירת הנתונים.
עבור חברה קטנה ובינונית, בסיס התחלתי עשוי לכלול:
מודל ה-RFM מהווה לרוב נקודת התחלה טובה, שכן הוא מתרגם את נתוני העבר לשלוש שאלות מובנות. מי קנה לאחרונה? מי קונה לעתים קרובות? מי מייצר את הערך הרב ביותר? לאחר מכן, תהליך הקיבוץ יכול לשלב משתנים אלה עם קטגוריות מועדפות, תגובות למבצעים או התנהגות גלישה.
בשנת 2020, מספר הצרכנים האיטלקים המשתמשים בערוצים מרובים עמד על 46.5 מיליון, המהווים88% מהאוכלוסייה מעל גיל 14, המונה 52.7 מיליון אנשים, עם צמיחה של 6% בהשוואה לשנה הקודמת, על פי ניתוח של CustomerMinding בנושא פילוח רב-ערוצי. אותו מחקר מראה העדפות תשלום שונות בין פרופילים התנהגותיים: PayPal היה המועדף על ידי קבוצות ה-"Digital Rooted" וה-"Digital Engaged", שתיהן בשיעור של 53%, בעוד שקבוצות ה-"Digital Bouncers" וה-"Digital Rookies" העדיפו כרטיסים נטענים, בשיעורים של 41% ו-44% בהתאמה .
הערך של הדוגמה הזו אינו טמון בתשלום עצמו. היא מראה כי התנהגות נצפית יכולה להנחות את קביעת ההצעות, הערוצים והמסרים בצורה יעילה יותר מאשר קטגוריה דמוגרפית כללית.
קבוצה צריכה לעזור למישהו לעשות משהו. "קבוצה 4" לא אומרת דבר לצוות השיווק. לעומת זאת, "לקוחות חדשים, לקוחות קבועים, לקוחות הרגישים למבצעים" מציעה היגיון תקשורתי ומדד שיש לעקוב אחריו.
שמור על מסד נתונים מרכזי, קבע מזהה אחיד ובדוק את איכות הנתונים לפני שתתחיל בתהליך האוטומציה. המדריך לניתוח נתונים עסקיים יכול לעזור לך לשלב בין איסוף, ניקוי ופרשנות הנתונים לתהליך שיהיה מובן גם לצוותים שאינם בעלי רקע טכני.
קטע הופך להיות שימושי רק כאשר הוא מפעיל תהליך עבודה. התהליך יכול להתחיל ביעד עסקי, לעבור לבחירת האירועים הרלוונטיים ולהסתיים בקמפיין, בפעולה של המוכר או בהחלטה בנוגע לשירות.
נניח שאתר מסחר מקוון מעוניין לצמצם את שיעור הנטישה בתהליך התשלום. הוא אינו צריך לסווג כל התנהגות אפשרית. הוא יכול להתמקד באלה שביקרו במוצר מספר פעמים, הוסיפו פריט לעגלת הקניות ונטשו את התהליך לפני הרכישה.
הקטע הופך לניתן לפעולה אם הוא מכיל:
המדריכים הטכניים המוקדשים לשוק האיטלקי ממליצים לשלב מדדי RFM ואירועי ניווט, כגון ביקורים חוזרים, מסלולי קליקים, אינטראקציות בדוא"ל ונטישת תהליך התשלום, כדי ליצור מיקרו-פלחים מפורטים אך ניתנים למדידה. העיקרון פשוט: פחות תוויות "קישוטיות", ויותר קבוצות הקשורות לפעולה קונקרטית.
שיעור ההמרה מצביע על מידת התגובה של הפלח לקמפיין. תדירות הרכישה מסייעת להבין אם הקשר הולך ומתחזק. ערך חיי הלקוח (LTV) מקשר בין הערך הכלכלי של הקשר להחלטות השיווקיות, בעוד ששיעור הנטישה מעיד על ירידה במעורבות.
ניתן לשלב מדדים אלה עם מדד NPS מותאם לפי פלח שוק, בתנאי שהנתון יפורש בהקשר של הפעולות בפועל. לקוח יכול להביע שביעות רצון אך לקנות לעיתים רחוקות, או לקיים אינטראקציה רבה מבלי להשלים הזמנה. ההתנהגות אינה מחליפה את המשוב, אלא משלימה אותו.
קריטריון לאיכות: מדד ביצוע מרכזי (KPI) הוא שימושי כאשר הוא משפיע על קבלת החלטה, ולא כאשר הוא רק ממלא את לוח המחוונים.
הפילוח הדינמי מעדכן את הקבוצה כאשר ההתנהגות משתנה. לקוח שמבצע רכישה יוצא מהפלח של "הנוטשים". לקוח קבוע שמפסיק לבקר באתר עשוי להיכנס למסלול של החזרת לקוחות. כדי לארגן בקרה זו ולבחור מדדים עקביים, תוכל להיעזר ב-ELECTE לניתוח KPI עסקי.
אותו היגיון לובש צורות שונות בהתאם לענף. סופרמרקט בוחן את תדירות הקניות ואת ערך הקניות. חברה פיננסית בוחנת את השימוש בשירותים ואת סימני הסיכון. אתר מסחר מקוון עוקב אחר המסלול שבין חיפוש, מוצר, עגלת קניות ותשלום.
בתחום הקמעונאות האיטלקית, פילוח הלקוחות על בסיס עשירונים של הוצאות ועל פי המשתנים של תדירות הרכישות ועיתוי הרכישות האחרון מהווה את השורש ההיסטורי של גישת ה-RFM, כפי שתועד במחקרים על לקוחות בתחום המזון. לפיכך, סניף מכירה יכול להבחין בין לקוחות בעלי ערך גבוה, לקוחות תדירים אך עם הוצאות נמוכות, קונים מזדמנים ולקוחות שהפחיתו את תדירות הרכישות.
קבוצות אלה אינן בהכרח זקוקות לאותו תמריץ. הלקוח הקבוע עשוי לקבל שירות מהיר יותר או הצעות משלימות. הלקוח המזדמן עשוי להזדקק להודעה הקשורה לקטגוריה שכבר רכש. מי שהפחית את תדירות הרכישות זקוק תחילה לניתוח ההקשר, ולא למבצע אוטומטי.
המחיר הוא משתנה רגיש. משפחה עשויה לרכוש מוצר חלופי זול יותר משום שהיא נאמנה למותג של הרשת, או משום שהתקציב שלה בתקופה זו מוגבל יותר. ההתנהגות שנצפתה כשלעצמה אינה מסבירה את הסיבה.
בתחום הפיננסי, אשכולות התנהגותיים יכולים לתאר את אופן השימוש של הלקוח בשירותים: תדירות הגישה, סוגי הפעולות, הערוצים המועדפים ושינויים בפרופיל הפעילות. סימנים אלה יכולים לתמוך בהתאמת ההצעה אישית, בניהול סדרי העדיפויות ובמעקב אחר תהליכי הציות.
עם זאת, הניתוח חייב להישאר נפרד מהחלטות אוטומטיות בעלות השפעה רבה שאינן מנוהלות כראוי. מודל יכול להצביע על שינוי שיש לבדוק, אך אין להתייחס אליו כהסבר מקיף להתנהגות הלקוח. עבור פעילויות פיננסיות, אשראי או תאימות, נדרשים בקרות אנושיות, תיעוד והערכות משפטיות ספציפיות. תוכן זה אינו מהווה ייעוץ פיננסי או חוות דעת בנושא תאימות.
זרימה זהירה יכולה להתבצע לפי הרצף הבא:
חנות מקוונת יכולה לסווג את המשתמשים לפי השלב שבו הם מפסיקים את המסלול. למי שצופה מספר פעמים בדף המוצר יש עניין שונה מזה של מי שמגיע לשלב התשלום ונוטש בשלב האחרון. גם מי שפותח את הודעות הדוא"ל מבלי ללחוץ משדר צורך שונה מזה של מי שלוחץ, משווה בין מספר מוצרים וחוזר לאתר.
הקמפיין צריך לשקף את ההבדל הזה. מסר אינפורמטיבי יכול לסייע למי שנמצא בשלב ההערכה. תזכורת עשויה להתאים למי שהפסיק את תהליך התשלום. הצעה משלימה עשויה להועיל למי שכבר השלים את הרכישה. המטרה אינה לשלוח יותר הודעות, אלא לצמצם את הפער בין ההתנהגות לתוכן.
המחקר על המשפחות האיטלקיות מצביע על פערים שונים בין הכוונות המוצהרות להתנהגויות שנצפו. ישנן קבוצות עקביות וקבוצות סותרות יותר, ולכן מה שאדם אומר שהוא מעדיף לא תמיד תואם את מה שהוא קונה.
באמצע שנת 2024,85% מהצרכנים האיטלקים בעלי ההכנסה הנמוכה כבר עברו ל"טרייד-דאון" (trade-down) ובחרו באלטרנטיבות זולות יותר, על פי נתוני Statista המופיעים במחקר הזמיןבארכיון אוניברסיטת פארמה. נתון זה אינו מעיד בהכרח על ירידה בנאמנות. הוא עשוי להצביע על הגבלת תקציב זמנית.
לכן, על ענף הקמעונאות והמסחר האלקטרוני לשלב בין התנהגות, מחיר, קטגוריה, ערוץ והקשר. פלח שוק שמבלבל בין רגישות למחיר להעדפה אמיתית עלול להוביל לקמפיינים שגויים ולמסקנות מוטעות לגבי הלקוח.
המעבר ממגזרים סטטיים למגזרים דינמיים אינו תלוי רק באלגוריתם. חברה קטנה או בינונית עשויה להחזיק במודל טוב ועדיין להשיג תוצאות חלשות אם מערכת ה-CRM אינה מתקשרת עם האתר, הודעות הדוא"ל אינן משתמשות באותו מזהה, וצוות המכירות מפרש את האירועים באופן שונה מצוות השיווק.
באיטליה, השימוש ב-AI נפוץ יותר בקרב חברות גדולות מאשר בקרב חברות קטנות ובינוניות: 53.1% מהחברות הגדולות משתמשות בפתרונות AI, לעומת 15.7% מהחברות הקטנות והבינוניות, על פי הדו"ח השנתי של Intesa Sanpaolo בנושא בינה מלאכותית בחברות איטלקיות. הנתון מצביע על פער בתשתיות, במיומנויות ובאיכות הנתונים, ולא על חוסר ערך בשיטה.
התחל במקרה שימוש מצומצם. אם המטרה היא להחזיר לקוחות לא פעילים, הגדר מה פירוש המונח "לא פעיל" עבור העסק שלך, אילו אירועים מאששים זאת ואיזה צוות צריך לפעול. לאחר מכן, הקצה אחריות: מי בודק את הנתונים, מי מאשר את הקמפיין, ומי מודד את התוצאות.
מסלול בר-קיימא כולל:
אין צורך להתחיל מפילוח מורכב במיוחד. קבוצה קטנה ומוגדרת היטב, המתעדכנת באופן קבוע ומקושרת לפעולה ברורה, מספקת ערך רב יותר מעשרות אשכולות שאף אחד לא משתמש בהם.
ה-GDPR מגדיר פרופילציה כצורה של עיבוד אוטומטי המשמשת להערכת היבטים אישיים, לרבות העדפות, תחומי עניין, אמינות, התנהגות, מיקום ותנועה, כפי שמבהיר נציב הפרטיות בהגדרתו ל"פרופילציה". באיטליה, הנציב מבחין בנוסף בין איסוף הנתונים לבין החלוקה הבאה של בעלי העניין לקבוצות הומוגניות למטרות ספציפיות.
לצורך פרופיל שיווקי, ההסכמה צריכה להיות, ככלל , ספציפית ונפרדת מההסכמה לשליחת הודעות שיווקיות. הודעת הפרטיות צריכה להסביר את תהליך הפרופיל, העיבוד צריך להירשם ברישום העיבודים, וכאשר הפעילות מתבצעת בקנה מידה נרחב, ייתכן שיהיה צורך בביצוע הערכת השפעה, בהתאם לסיכום הנוהג האיטלקי בנושא פרופיל לפי ה-GDPR.
המקרה של גוגל שנדון על ידי הרשות להגנת הפרטיות מראה גם כי אין להשתמש בנתונים לצורך יצירת פרופילים ללא הסכמה מראש. מדיניות הפרטיות חייבת להסביר בבירור את המעקב והשימוש בנתונים למטרות פרסומיות, כולל טכניקות כגון "טביעת אצבע" (fingerprinting), כפי שעולה מההחלטה של הרשות להגנת הפרטיות בנוגע לגוגל.
פילוח פשוט יכול להשתמש בשאילתות המבוססות על מאפיינים ידועים. פרופילציה משלבת מודלים, מתאמים והסקות כדי להעריך נטיות או התנהגויות, בהתאם לניתוח ההבדלים בין פרופילציה לפילוח.
הבחנה זו משנה את חלוקת האחריות. לפני הפעלת מודל, יש לוודא את הבסיס המשפטי, את השקיפות, את איכות הנתונים ואת האפשרות להסביר את השימוש בפלח הנתונים. פלטפורמה כמו ELECTE, פלטפורמת ניתוח נתונים המונעת על ידי בינה מלאכותית המיועדת לעסקים קטנים ובינוניים, יכולה לסייע בחיבור מקורות, באוטומציה של עיבוד מקדים וניתוח, בזיהוי תבניות, חריגות ומגמות, ובהפקת דוחות, אך האחריות על קביעת המטרות ועל עיבוד הנתונים נותרת בידי החברה.
פילוח התנהגותי אינו פרויקט השמור לתאגידים גדולים בלבד. זוהי שיטה המקשרת בין פעולות הניתנות לצפייה להחלטות יומיומיות, החל מקידום מכירות בקמעונאות, דרך ניהול סל הקניות, ועד לניתוח סימנים בשירותים פיננסיים.
התחל מהנתונים שכבר יש ברשותך. בחר יעד, זהה את המשתנים הרלוונטיים ביותר, ודא שה-CRM, האתר, הדוא"ל ומחלקת המכירות יכולים לתקשר ביניהם, וצור פלח ראשון שניתן לפרש. מדוד את התגובה באמצעות מדדי KPI עקביים, ולאחר מכן עדכן את הכללים כאשר מתרחשים שינויים בהתנהגות, בהקשר הכלכלי או בסדר העדיפויות של החברה.
ההבדל בין פילוח סטטי לפילוח דינמי אינו טמון רק בטכנולוגיה. הוא טמון ביכולתו של הצוות להפוך אירוע, כגון רכישה אחרונה או תהליך תשלום שנקטע, לפעולה מהירה ומכבדת את הפרטיות. תהליך המונע על ידי בינה מלאכותית יכול לצמצם את העבודה הידנית ולהפוך את התובנות לנגישות גם ללא צוות מדע נתונים.
ELECTE מחברת בין מקורות המידע הארגוניים שלכם, מנתחת באופן אוטומטי את דפוסי הרכישה ומסייעת להפוך פלחים, חריגות ומגמות לדוחות שימושיים. בקרו באתר ELECTE כדי לגלות כיצד לשלב פילוח דינמי בעבודה היומיומית של העסק הקטן או הבינוני שלכם.
.svg)
.svg)
.svg)
