Seorang manajer pemasaran di sebuah UKM Italia harus meluncurkan promosi. Di sistem CRM, ia dapat melihat usia, jenis kelamin, dan wilayah tempat tinggal pelanggan, tetapi tidak tahu siapa saja yang telah berkali-kali mengunjungi kategori tertentu, siapa yang membatalkan proses checkout, atau siapa yang hanya berbelanja saat mendapatkan diskon. Basis data tersebut menggambarkan para pelanggan, tetapi tidak menjelaskan apa yang sebenarnya mendorong mereka untuk melakukan pembelian.
Inilah keterbatasan segmentasi tradisional. Pesan yang sama untuk semua orang mungkin menjangkau banyak kontak, namun hanya menyentuh segelintir orang. Segmentasi perilaku mengubah sudut pandang: mengamati tindakan, frekuensi, waktu terakhir pembelian, nilai pembelian, dan interaksi di berbagai saluran, lalu mengubah sinyal-sinyal ini menjadi kelompok-kelompok yang berguna untuk pengambilan keputusan.
Anda tidak perlu membentuk tim data science untuk memulai. Dengan data yang sudah tersedia di CRM, situs web, email, dan platform e-commerce, serta platform yang didukung AI, Anda dapat beralih dari daftar statis ke wawasan operasional. Di sini, Anda akan menemukan panduan praktis, lengkap dengan contoh untuk sektor ritel, keuangan, dan e-commerce, perhatian terhadap privasi, serta metode untuk membuat segmen menjadi dinamis.
Manajer sebuah toko online mengetahui omzet bulanan. Ia tahu produk apa saja yang laku terjual dan mungkin juga berapa banyak pelanggan yang tinggal di wilayah tertentu. Namun, ketika harus memilih kepada siapa promosi akan dikirimkan, ia sering kali menggunakan kategori umum, seperti “wanita dalam rentang usia tertentu” atau “pelanggan di Italia Utara”.
Informasi ini mungkin berguna, tetapi tidak menjelaskan perilaku tersebut. Dua orang dari daerah yang sama bisa saja memiliki kebutuhan yang bertolak belakang: yang satu berbelanja setiap bulan tanpa menunggu diskon, sedangkan yang lain mengunjungi situs web, membandingkan harga, dan baru melakukan pembelian saat ada kampanye promosi. Memperlakukan mereka dengan cara yang sama berarti mengabaikan sinyal-sinyal penting.
Segmentasi perilaku memang memperhatikan sinyal-sinyal ini. Kunjungan berulang, pembelian terbaru, keranjang belanja yang ditinggalkan, atau tanggapan terhadap newsletter menunjukkan tahap mana yang sedang dilalui pelanggan dalam perjalanan pembeliannya. Dengan demikian, tim pemasaran dapat menyesuaikan konten, saluran, dan waktu, alih-alih hanya mengandalkan data demografis.
Aturan praktis: sebelum mempertimbangkan pesan apa yang akan Anda kirimkan, tanyakan pada diri Anda sendiri tindakan apa dari pelanggan yang ingin Anda pahami.
Bagi sebuah UKM, langkah pertama bisa jadi sederhana: membandingkan riwayat pembelian dengan interaksi digital, lalu mengidentifikasi kelompok-kelompok yang layak mendapatkan perlakuan berbeda. Anda dapat memulai dengan wawasan ELECTE tentang pelanggan untuk mengubah data yang tersedia menjadi landasan kerja yang lebih jelas, tanpa mencampuradukkan kompleksitas analisis dengan nilai informasi tersebut.
Segmentasi perilaku membagi pelanggan ke dalam kelompok-kelompok yang homogen berdasarkan apa yang dilakukan oleh para pelanggan tersebut. Segmentasi demografis menjawab pertanyaan “siapa mereka?”, dengan menggunakan unsur-unsur seperti usia, jenis kelamin, atau wilayah geografis. Segmentasi perilaku menambahkan pertanyaan yang lebih berguna untuk mengambil tindakan: “bagaimana perilaku mereka saat berinteraksi dengan perusahaan?”.
Variabel-variabel tersebut dapat mencakup:
Analogi yang paling sederhana adalah contoh seorang pemilik toko. Mengetahui bahwa seseorang tinggal di dekat toko memang memberikan informasi, tetapi mengingat bahwa ia datang setiap minggu, selalu meminta produk yang sama, dan tidak memanfaatkan promosi, memungkinkan kita untuk melayaninya dengan lebih baik. Data perilaku menghubungkan pengamatan dengan pengambilan keputusan.
Di Italia, penelitian mengenai pelanggan ritel bahan makanan telah lama menggunakan desil pengeluaran, frekuensi, dan waktu pembelian terakhir. Logika ini mendahului model RFM, yang mengklasifikasikan pelanggan berdasarkan recency, frequency, dan monetary, serta membantu membedakan pelanggan setia, pelanggan bernilai tinggi, atau pelanggan yang berisiko berhenti berbelanja. Gambaran historisnya tersedia dalam ulasan mendalam mengenai perilaku konsumen multikanal.
Klasifikasi deskriptif mengelompokkan karakteristik yang sudah diketahui. Sebaliknya, profilasi dapat menggunakan korelasi dan model untuk memperkirakan kecenderungan di masa depan. Perbedaannya penting: sebuah segmen dapat menyatakan “pelanggan ini baru saja melakukan pembelian”, sedangkan sebuah model dapat membantu mengidentifikasi siapa saja yang menunjukkan tanda-tanda yang sesuai dengan pembelian baru.
Berbagai literatur Italia mengenai segmentasi menunjukkan bahwa waktu terakhir penggunaan dan frekuensi dapat memiliki nilai prediktif yang lebih tinggi daripada sekadar karakteristik demografis, karena kedua faktor tersebut mencerminkan kebutuhan yang telah diungkapkan. Hal ini menjadikan segmentasi lebih berguna untuk menyesuaikan kampanye dan prioritas komersial, sebagaimana dibahas dalam analisis mengenai segmentasi generasi dalam pemasaran digital.
Segmentasi yang bermanfaat muncul dari perpaduan antara data terstruktur, peristiwa digital, dan konteks bisnis. Tidak cukup hanya dengan menambahkan banyak informasi. Anda harus mengaitkan tindakan-tindakan tersebut dengan pelanggan yang sama, menentukan peristiwa yang saling terkait, dan memilih variabel yang dapat menjadi panduan dalam kampanye atau pengambilan keputusan bisnis.
Sebelum membuat klaster, tentukan terlebih dahulu hasil yang ingin Anda capai. “Mengenal pelanggan lebih baik” terlalu umum. “Mengaktifkan kembali pelanggan yang sudah lama tidak berbelanja” atau “menawarkan aksesori kepada pelanggan yang telah membeli produk utama” memberikan kriteria konkret untuk menyaring data.
Bagi sebuah UMKM, landasan awal dapat mencakup:
Model RFM sering kali menjadi titik awal yang baik karena merangkum data historis menjadi tiga pertanyaan yang mudah dipahami. Siapa yang baru saja melakukan pembelian? Siapa yang sering membeli? Siapa yang menghasilkan nilai paling tinggi? Proses pengelompokan kemudian dapat menggabungkan variabel-variabel ini dengan kategori favorit, respons terhadap penawaran, atau perilaku penelusuran.
Pada tahun 2020, jumlah konsumen multichannel di Italia mencapai 46,5 juta, atau setara dengan88% dari populasi berusia di atas 14 tahun yang berjumlah 52,7 juta orang, dengan pertumbuhan sebesar 6% dibandingkan tahun sebelumnya, menurut analisis CustomerMinding mengenai segmentasi multichannel. Studi yang sama menunjukkan preferensi pembayaran yang berbeda di antara profil perilaku: PayPal menjadi pilihan utama bagi kelompok Digital Rooted dan Digital Engaged, masing-masing sebesar 53%, sementara kelompok Digital Bouncers dan Digital Rookies lebih memilih kartu prabayar, masing-masing sebesar 41% dan 44%.
Nilai dari contoh ini tidak terletak pada pembayaran itu sendiri. Contoh ini menunjukkan bahwa perilaku yang dapat diamati dapat menjadi panduan yang lebih efektif dalam menentukan penawaran, saluran, dan pesan dibandingkan dengan kategori demografis umum.
Sebuah klaster harus membantu seseorang melakukan sesuatu. “Kelompok 4” tidak memberikan informasi apa pun kepada tim pemasaran. Sebaliknya, “Pelanggan baru, pelanggan setia, dan pelanggan yang responsif terhadap promosi” menunjukkan logika komunikasi dan metrik yang perlu dipantau.
Jaga agar basis data tetap terpusat, tentukan kode identifikasi yang konsisten, dan periksa kualitas data sebelum melakukan otomatisasi. Panduan analisis data perusahaan ini dapat membantu Anda mengintegrasikan pengumpulan, pembersihan, dan interpretasi data ke dalam satu proses yang mudah dipahami bahkan oleh tim non-teknis.
Sebuah segmen hanya akan bermanfaat jika memicu alur kerja. Proses tersebut dapat dimulai dengan tujuan bisnis, dilanjutkan dengan pemilihan peristiwa yang relevan, dan diakhiri dengan sebuah kampanye, tindakan tenaga penjualan, atau keputusan terkait layanan.
Misalkan sebuah situs e-commerce ingin mengurangi tingkat pengabaian proses checkout. Situs tersebut tidak perlu mengklasifikasikan setiap perilaku yang mungkin terjadi. Situs tersebut dapat berfokus pada pengguna yang telah beberapa kali melihat suatu produk, menambahkan barang ke keranjang belanja, namun menghentikan proses pembelian sebelum melakukan pembelian.
Segmen tersebut dapat diaktifkan jika berisi:
Panduan teknis yang ditujukan untuk pasar Italia merekomendasikan untuk menggabungkan metrik RFM dan peristiwa navigasi, seperti kunjungan berulang, jalur klik, interaksi email, dan pengabaian proses checkout, guna menciptakan segmen mikro yang terperinci namun dapat diukur. Prinsipnya sederhana: semakin sedikit label yang bersifat hiasan, semakin banyak kelompok yang terkait dengan tindakan konkret.
Tingkat konversi menunjukkan apakah segmen tersebut merespons kampanye. Frekuensi pembelian membantu memahami apakah hubungan tersebut semakin menguat. Lifetime value, atau LTV, mengaitkan nilai ekonomi dari hubungan tersebut dengan keputusan pemasaran, sedangkan tingkat churn menandakan berkurangnya keterlibatan.
Anda dapat menggabungkan indikator-indikator ini dengan NPS yang dibedakan berdasarkan segmen, asalkan data tersebut diinterpretasikan bersamaan dengan tindakan nyata. Seorang pelanggan mungkin menyatakan kepuasan namun jarang melakukan pembelian, atau sering berinteraksi tanpa menyelesaikan pesanan. Perilaku tersebut tidak menggantikan umpan balik, melainkan melengkapinya.
Kriteria kualitas: sebuah KPI berguna ketika dapat memengaruhi suatu keputusan, bukan sekadar mengisi dasbor.
Segmentasi dinamis memperbarui kelompok saat perilaku berubah. Seorang pelanggan yang menyelesaikan pembelian akan keluar dari segmen pelanggan yang berhenti berbelanja. Seorang pelanggan setia yang berhenti mengunjungi situs dapat dimasukkan ke dalam program reaktivasi. Untuk mengatur pengendalian ini dan memilih indikator yang konsisten, Anda dapat berkonsultasi dengan ELECTE mengenai analitik KPI perusahaan.
Logika yang sama berubah bentuknya tergantung pada sektornya. Sebuah supermarket mengamati frekuensi dan nilai belanja. Sebuah perusahaan keuangan memperhatikan penggunaan layanan dan tanda-tanda risiko. Sebuah platform e-commerce melacak alur mulai dari pencarian, produk, keranjang belanja, hingga pembayaran.
Dalam sektor ritel Italia, segmentasi yang didasarkan pada desil pengeluaran serta variabel frekuensi dan kedekatan waktu pembelian merupakan akar historis dari pendekatan RFM, sebagaimana didokumentasikan dalam penelitian mengenai pelanggan produk sembako. Dengan demikian, sebuah gerai dapat membedakan antara pelanggan bernilai tinggi, pelanggan yang sering berbelanja namun dengan pengeluaran terbatas, pembeli sesekali, dan pelanggan yang frekuensi belanjanya telah berkurang.
Kelompok-kelompok ini tidak selalu membutuhkan insentif yang sama. Pelanggan tetap dapat menerima layanan yang lebih cepat atau saran tambahan. Pelanggan sesekali mungkin membutuhkan pesan yang berkaitan dengan kategori produk yang telah mereka beli. Sedangkan pelanggan yang frekuensi pembeliannya menurun memerlukan analisis konteks terlebih dahulu, bukan promosi otomatis.
Harga merupakan variabel yang sensitif. Sebuah keluarga mungkin memilih produk alternatif yang lebih murah karena setia pada merek dagang pengecer, atau karena anggaran mereka saat ini lebih terbatas. Perilaku yang diamati tersebut tidak cukup untuk menjelaskan alasannya.
Di sektor keuangan, klaster perilaku dapat menggambarkan cara pelanggan menggunakan layanan: frekuensi akses, jenis transaksi, saluran yang disukai, serta perubahan dalam profil operasional. Sinyal-sinyal ini dapat mendukung personalisasi penawaran, pengelolaan prioritas, dan pemantauan proses kepatuhan.
Namun, analisis tersebut harus tetap dipisahkan dari keputusan otomatis berdampak besar yang tidak diatur dengan baik. Sebuah model dapat menandai adanya perubahan yang perlu diverifikasi, tetapi tidak boleh dianggap sebagai penjelasan lengkap mengenai perilaku pelanggan. Untuk kegiatan keuangan, kredit, atau kepatuhan, diperlukan pengawasan manusia, dokumentasi, dan penilaian hukum yang spesifik. Konten ini bukan merupakan nasihat keuangan maupun pendapat kepatuhan.
Alur kerja yang hati-hati dapat mengikuti urutan berikut:
Sebuah toko online dapat mengelompokkan pengguna berdasarkan titik di mana mereka menghentikan proses pembelian. Pengguna yang melihat halaman produk beberapa kali memiliki minat yang berbeda dibandingkan dengan mereka yang sampai ke tahap pembayaran namun membatalkan transaksi pada langkah terakhir. Demikian pula, pengguna yang membuka email tanpa mengklik menunjukkan kebutuhan yang berbeda dibandingkan dengan mereka yang mengklik, membandingkan beberapa produk, dan kembali ke situs.
Kampanye tersebut sebaiknya mencerminkan perbedaan ini. Pesan informatif dapat membantu mereka yang sedang mempertimbangkan. Pengingat mungkin cocok untuk mereka yang menghentikan proses checkout. Saran tambahan dapat bermanfaat bagi mereka yang telah menyelesaikan pembelian. Tujuannya bukanlah untuk mengirimkan lebih banyak komunikasi, melainkan untuk mengurangi kesenjangan antara perilaku dan konten.
Penelitian terhadap keluarga-keluarga Italia menunjukkan adanya perbedaan antara niat yang diungkapkan dan perilaku yang diamati. Ada kelompok yang konsisten dan ada pula yang lebih kontradiktif; oleh karena itu, apa yang dikatakan seseorang sebagai pilihannya tidak selalu sesuai dengan apa yang sebenarnya dibelinya.
Pada pertengahan tahun 2024,85% konsumen Italia berpenghasilan rendah telah beralih ke produk yang lebih murah, memilih alternatif yang lebih terjangkau, menurut data Statista yang dilaporkan dalam penelitian yang tersedia diarsip Universitas Parma. Hal ini tidak secara otomatis menunjukkan berkurangnya loyalitas. Hal ini mungkin menandakan pembatasan anggaran sementara.
Oleh karena itu, sektor ritel dan e-commerce sebaiknya menggabungkan faktor perilaku, harga, kategori, saluran, dan konteks. Segmen yang menyamakan kepekaan terhadap harga dengan preferensi yang sebenarnya dapat menyebabkan kampanye yang keliru dan kesimpulan yang tidak adil mengenai pelanggan.
Peralihan dari segmen statis ke segmen dinamis tidak hanya bergantung pada algoritma. Sebuah UKM bisa saja memiliki model yang baik namun tetap memperoleh hasil yang kurang memuaskan jika sistem CRM tidak terintegrasi dengan situs web, alamat email tidak menggunakan pengenal yang sama, dan tim penjualan menafsirkan peristiwa secara berbeda dari tim pemasaran.
Di Italia, penerapan kecerdasan buatan (AI) masih lebih umum di kalangan perusahaan besar dibandingkan dengan usaha kecil dan menengah (UKM): 53,1% perusahaan besar menggunakan solusi AI, sedangkan angka tersebut hanya 15,7% di kalangan UKM, menurut laporan tahunan Intesa Sanpaolo mengenai kecerdasan buatan di perusahaan-perusahaan Italia. Data ini menunjukkan adanya kesenjangan dalam hal infrastruktur, kompetensi, dan kualitas data, bukan karena kurangnya nilai dari metode tersebut.
Mulailah dengan kasus penggunaan yang terbatas. Jika tujuannya adalah mengaktifkan kembali pelanggan yang tidak aktif, tentukan apa arti “tidak aktif” bagi bisnis Anda, peristiwa apa saja yang menandakan hal tersebut, dan tim mana yang harus bertindak. Kemudian tetapkan tanggung jawab: siapa yang memantau data, siapa yang menyetujui kampanye, dan siapa yang mengukur hasilnya.
Sebuah program berkelanjutan mencakup:
Tidak perlu memulai dengan segmentasi yang sangat rumit. Sebuah kelompok kecil yang terdefinisi dengan jelas, diperbarui secara teratur, dan dikaitkan dengan tindakan yang jelas, memberikan nilai lebih daripada puluhan kluster yang tidak pernah digunakan oleh siapa pun.
GDPR mendefinisikan profilasi sebagai bentuk pemrosesan otomatis yang digunakan untuk mengevaluasi aspek-aspek pribadi, termasuk preferensi, minat, keandalan, perilaku, lokasi, dan pergerakan, sebagaimana dijelaskan oleh Otoritas Perlindungan Data dalam definisi profilasi. Di Italia, Otoritas Perlindungan Data juga membedakan antara pengumpulan data dengan pengelompokan selanjutnya para subjek data ke dalam kelompok-kelompok yang homogen untuk tujuan tertentu.
Untuk profilasi pemasaran, persetujuan pada umumnya harus bersifat spesifik dan terpisah dari persetujuan untuk pengiriman komunikasi promosi. Pernyataan privasi harus menjelaskan mengenai profilasi, pemrosesan data harus dicatat dalam daftar pemrosesan data, dan apabila kegiatan tersebut dilakukan dalam skala besar, mungkin diperlukan penilaian dampak, sesuai dengan ringkasan praktik Italia mengenai profilasi berdasarkan GDPR.
Kasus Google yang ditangani oleh Otoritas Perlindungan Data juga menunjukkan bahwa data tidak boleh digunakan untuk pembuatan profil tanpa persetujuan terlebih dahulu. Kebijakan privasi harus menjelaskan dengan jelas pemantauan dan penggunaan data untuk tujuan periklanan, termasuk teknik seperti fingerprinting, sebagaimana tercantum dalam keputusan Otoritas Perlindungan Data terkait Google.
Segmentasi sederhana dapat menggunakan kueri berdasarkan karakteristik yang diketahui. Profilasi menambahkan model, korelasi, dan inferensi untuk memperkirakan kecenderungan atau perilaku, sesuai dengan analisis mengenai perbedaan antara profilasi dan segmentasi.
Perbedaan ini mengubah tanggung jawab. Sebelum mengaktifkan suatu model, pastikan dasar hukumnya, transparansi, kualitas data, dan kemampuan untuk menjelaskan penggunaan segmen tersebut. Platform seperti ELECTE, sebuah platform analitik data berbasis kecerdasan buatan (AI) untuk UMKM, dapat membantu menghubungkan sumber data, mengotomatiskan pra-pemrosesan dan analisis, mengidentifikasi pola, anomali, dan tren, serta menghasilkan laporan; namun, tata kelola tujuan dan pemrosesan data tetap menjadi tanggung jawab perusahaan.
Segmentasi perilaku bukanlah proyek yang hanya diperuntukkan bagi perusahaan besar. Ini adalah metode untuk menghubungkan tindakan yang dapat diamati dengan keputusan sehari-hari, mulai dari promosi ritel hingga pengelolaan keranjang belanja, hingga menganalisis sinyal dalam layanan keuangan.
Mulailah dari data yang sudah Anda miliki. Tentukan tujuan, identifikasi variabel-variabel yang paling relevan, pastikan CRM, situs web, email, dan tim penjualan dapat saling terintegrasi, lalu buat segmen awal yang dapat dianalisis. Ukur responsnya dengan KPI yang sesuai, kemudian perbarui aturan-aturan tersebut ketika terjadi perubahan perilaku, kondisi ekonomi, atau prioritas perusahaan.
Perbedaan antara segmentasi statis dan dinamis tidak hanya terletak pada teknologinya. Perbedaan tersebut terletak pada kemampuan tim untuk mengubah suatu peristiwa, seperti pembelian terbaru atau proses checkout yang terhenti, menjadi tindakan yang tepat waktu dan menghormati privasi. Proses yang didukung AI dapat mengurangi pekerjaan manual dan membuat wawasan tersebut dapat diakses bahkan tanpa tim ilmu data.
ELECTE menghubungkan sumber data perusahaan Anda, menganalisis perilaku pembelian secara otomatis, dan membantu mengubah segmen, anomali, serta tren menjadi laporan yang dapat dimanfaatkan. Kunjungi ELECTE untuk mengetahui cara menerapkan segmentasi dinamis dalam pekerjaan sehari-hari perusahaan UKM Anda.
.svg)
.svg)
.svg)
