En marknadsföringsansvarig på ett italienskt små- och medelstort företag ska lansera en kampanj. I CRM-systemet ser hon kundernas ålder, kön och bostadsort, men hon vet inte vilka som har besökt en viss kategori flera gånger, vilka som har avbrutit köpet eller vilka som endast handlar när de får rabatt. Databasen beskriver personerna, men ger ingen information om vad som verkligen får dem att köpa.
Detta är begränsningen med traditionell segmentering. Ett budskap som är detsamma för alla kan nå många kontakter men bara tilltala ett fåtal. Beteendebaserad segmentering förändrar perspektivet: den observerar handlingar, frekvens, hur nyligen köpet gjordes, köpvärde och interaktioner på olika kanaler, och omvandlar sedan dessa signaler till grupper som är användbara för beslutsfattandet.
Du behöver inte bygga upp en avdelning för datavetenskap för att komma igång. Med data som redan finns i CRM-systemet, på webbplatsen, i e-post och i e-handeln, samt med en AI-driven plattform, kan du gå från statiska listor till operativa insikter. Här hittar du en praktisk vägledning med exempel från detaljhandeln, finanssektorn och e-handeln, fokus på integritet och en metod för att göra segmenten dynamiska.
Den som ansvarar för en webbutik känner till månadens omsättning. Hen vet vilka produkter som säljer och kanske hur många kunder som bor i en viss region. Men när hen ska välja vem som ska få ett erbjudande använder hen ofta generella kategorier, som ”kvinnor i en viss åldersgrupp” eller ”kunder i norra Italien”.
Denna information kan vara användbar, men den förklarar inte beteendet. Två personer från samma område kan ha helt olika behov: den ena handlar varje månad utan att vänta på rabatter, medan den andra besöker webbplatsen, jämför priser och genomför sitt köp först under en kampanj. Att behandla dem på samma sätt innebär att man bortser från viktiga signaler.
Beteendebaserad segmentering tar just hänsyn till dessa signaler. Ett återkommande besök, ett nyligen genomfört köp, en övergiven varukorg eller ett svar på en newsletter ger en bild av var kunden befinner sig i köpprocessen. Marknadsföringen kan därmed anpassa innehåll, kanal och tidpunkt, istället för att enbart förlita sig på demografiska uppgifter.
En praktisk regel: Innan du funderar på vilket meddelande du ska skicka, bör du fråga dig själv vilken handling hos kunden du vill förstå.
För ett små- och medelstort företag kan det första steget vara enkelt: jämför köphistoriken med de digitala interaktionerna och identifiera grupper som förtjänar en särskild behandling. Du kan utgå från ELECTEs kundinsikter för att omvandla tillgängliga data till en tydligare arbetsgrund, utan att blanda ihop analysens komplexitet med informationens värde.
Beteendebaserad segmentering delar upp kundkretsen i homogena grupper utifrån vad människor gör. Demografisk segmentering besvarar frågan ”vem är de?”, med hjälp av faktorer som ålder, kön eller geografiskt område. Den beteendebaserade segmenteringen lägger till en fråga som är mer användbar för praktiska åtgärder: ”hur beter de sig när de interagerar med företaget?”.
Variablerna kan omfatta:
Den enklaste analogin är den med en butiksinnehavare. Att veta att en person bor i närheten av butiken är informativt, men att komma ihåg att hen kommer in varje vecka, alltid frågar efter samma produkt och inte utnyttjar erbjudandena gör det möjligt att ge hen bättre service. Beteendedata kopplar samman iakttagelsen med ett beslut.
I Italien har man inom undersökningar av livsmedelskunder sedan länge använt deciler för utgifter, köpfrekvens och hur nyligen köpen gjorts. Denna logik föregår RFM-modellerna, som klassificerar kunderna utifrån recency, frequency och monetary och hjälper till att urskilja lojala kunder, kunder med högt värde eller kunder som riskerar att lämna företaget. En historisk översikt finns i den fördjupande artikeln om konsumentbeteende i flera kanaler.
En beskrivande klassificering grupperar redan kända egenskaper. Profilering kan däremot använda korrelationer och modeller för att uppskatta framtida benägenheter. Skillnaden är viktig: ett segment kan ange att ”dessa kunder har nyligen köpt något”, medan en modell kan hjälpa till att identifiera vilka som visar tecken som tyder på ett nytt köp.
Italienska studier om segmentering visar att aktualitet och frekvens kan ha större prediktivt värde än enbart demografiska egenskaper, eftersom de återspeglar behov som redan har uttryckts. Detta gör segmenteringen mer användbar för att skräddarsy kampanjer och affärsprioriteringar, vilket diskuteras i analysen om generationssegmentering inom digital marknadsföring.
En användbar segmentering uppstår genom samspelet mellan strukturerade data, digitala händelser och företagskontexten. Det räcker inte att bara lägga till mycket information. Du måste koppla ihop åtgärderna till samma kund, definiera sammanhängande händelser och välja variabler som kan ligga till grund för en kampanj eller ett affärsbeslut.
Innan du skapar kluster bör du klargöra vilket resultat du vill uppnå. ”Att lära känna kunderna bättre” är för allmänt. ”Att återaktivera de som inte har handlat på länge” eller ”att föreslå tillbehör till dem som har köpt en huvudprodukt” ger ett konkret urvalskriterium för data.
För ett små- och medelstort företag kan en utgångspunkt omfatta:
RFM-modellen är ofta en bra utgångspunkt eftersom den översätter historiska data till tre lättbegripliga frågor. Vem har köpt nyligen? Vem köper ofta? Vem genererar mest värde? Vid klusteranalysen kan man sedan kombinera dessa variabler med favoritkategorier, respons på erbjudanden eller surfbeteende.
År 2020 uppgick antalet italienska multikanalkonsumenter till 46,5 miljoner, vilket motsvarar88 % av befolkningen över 14 år – som består av 52,7 miljoner personer – och innebär en ökning med 6 % jämfört med föregående år, enligt CustomerMindings analys av multikanalsegmentering. Samma studie visar på olika betalningspreferenser mellan olika beteendeprofiler: PayPal var det föredragna betalningssättet bland ”Digital Rooted” och ”Digital Engaged”, båda med 53 %, medan ”Digital Bouncers” och ”Digital Rookies” föredrog kontantkort, med 41 % respektive 44 %.
Värdet i detta exempel ligger inte i själva betalningen. Det visar att observerbart beteende kan styra erbjudanden, kanaler och budskap på ett mer effektivt sätt än en allmän demografisk kategori.
Ett kluster ska hjälpa någon att göra något. ”Grupp 4” säger ingenting till marknadsföringsteamet. ”Nya kunder, återkommande kunder, kunder som är mottagliga för erbjudanden” antyder däremot en kommunikationsstrategi och ett mått som bör följas upp.
Se till att databasen är centraliserad, fastställ en enhetlig identifiering och kontrollera datakvaliteten innan du automatiserar. Guiden till analys av företagsdata kan hjälpa dig att koppla samman insamling, rensning och tolkning i en process som även icke-tekniska team kan förstå.
Ett segment blir först användbart när det sätter igång en arbetsflöde. Processen kan inledas med ett affärsmål, fortsätta med urvalet av relevanta händelser och avslutas med en kampanj, en åtgärd från säljaren eller ett beslut om service.
Låt oss anta att en e-handelsbutik vill minska antalet avbrutna köp. Den behöver inte kategorisera varje tänkbart beteende. Den kan istället fokusera på de kunder som har besökt en produkt flera gånger, lagt till en artikel i varukorgen och avbrutit köpprocessen innan köpet genomfördes.
Segmentet blir aktiverbart om det innehåller:
De tekniska riktlinjerna för den italienska marknaden rekommenderar att man kombinerar RFM-mått med navigationshändelser, såsom återkommande besök, klickvägar, e-postinteraktioner och avbrutna köp, för att skapa detaljerade men mätbara mikrosegment. Principen är enkel: ju färre ytliga etiketter, desto fler grupper kopplade till en konkret handling.
Konverteringsgraden visar om segmentet svarar på kampanjen. Köpfrekvensen hjälper till att förstå om relationen håller på att stärkas. Livstidsvärdet, eller LTV, kopplar samman relationens ekonomiska värde med marknadsföringsbesluten, medan bortfallsgraden indikerar ett minskat engagemang.
Du kan använda dessa indikatorer tillsammans med ett NPS-värde som är uppdelat efter segment, förutsatt att siffrorna tolkas i kombination med de faktiska åtgärderna. En kund kan uttrycka tillfredsställelse men köpa sällan, eller ha mycket kontakt utan att slutföra en beställning. Beteendet ersätter inte feedbacken, utan kompletterar den.
Kvalitetskriterium: En KPI är användbar när den påverkar ett beslut, inte när den bara fyller ut en instrumentpanel.
Dynamisk segmentering uppdaterar gruppen när beteendet förändras. En kund som slutför ett köp lämnar segmentet för kunder som avbrutit köpet. En stamkund som slutar besöka webbplatsen kan inkluderas i en återaktiveringsprocess. För att organisera denna kontroll och välja lämpliga indikatorer kan du vända dig till ELECTE för KPI-analyser inom företaget.
Samma logik tar sig olika uttryck beroende på bransch. En livsmedelsbutik analyserar hur ofta kunderna handlar och hur mycket de spenderar. Ett finansbolag tittar på användningen av tjänsterna och riskindikatorer. En e-handelsaktör följer kundens väg från sökning till produkt, varukorg och betalning.
Inom den italienska detaljhandeln utgör segmentering baserad på utgiftsdeciler samt variablerna köpfrekvens och köpfrekvens utgör en historisk grund för RFM-metoden, vilket framgår av undersökningar om livsmedelskunder. En butik kan därför skilja mellan högvärdiga kunder, frekventa kunder med begränsade utgifter, tillfälliga köpare och kunder som har minskat sin köpfrekvens.
Dessa grupper behöver inte nödvändigtvis samma incitament. Den återkommande kunden kan få snabbare service eller kompletterande förslag. Den tillfälliga kunden kan behöva ett meddelande som är kopplat till den kategori som hen redan har köpt. Den som har minskat sina köp behöver först en analys av sammanhanget, inte en automatisk kampanj.
Priset är en känslig faktor. En familj kan välja ett billigare alternativ antingen för att de är trogna butikskedjans eget märke eller för att budgeten för den här perioden är mer begränsad. Det observerade beteendet förklarar inte i sig självt orsaken.
Inom finanssektorn kan beteendekluster beskriva hur kunden använder tjänsterna: hur ofta kunden loggar in, vilken typ av transaktioner som utförs, vilka kanaler som föredras och förändringar i användarprofilen. Dessa signaler kan underlätta anpassningen av erbjudandet, prioriteringshanteringen och övervakningen av efterlevnadsprocesserna.
Analysen måste dock hållas åtskild från automatiserade beslut med stor påverkan som inte styrs på ett adekvat sätt. En modell kan signalera en förändring som bör kontrolleras, men bör inte betraktas som en fullständig förklaring till kundens beteende. För finansiella aktiviteter, kreditverksamhet eller efterlevnadsfrågor krävs mänskliga kontroller, dokumentation och specifika juridiska bedömningar. Detta innehåll utgör varken finansiell rådgivning eller ett yttrande om efterlevnad.
Ett försiktigt förfarande kan följa denna sekvens:
En webbutik kan dela in användarna utifrån var i köpprocessen de avbryter. Den som tittar på en produktbeskrivning flera gånger har ett annat intresse än den som går vidare till betalningen men avbryter i sista steget. Även den som öppnar e-postmeddelanden utan att klicka signalerar ett annat behov än den som klickar, jämför flera produkter och återvänder till webbplatsen.
Kampanjen bör återspegla denna skillnad. Ett informativt meddelande kan vara till hjälp för dem som överväger ett köp. En påminnelse kan vara lämplig för dem som har avbrutit köpprocessen. Ett kompletterande förslag kan vara till nytta för dem som redan har slutfört köpet. Målet är inte att skicka fler meddelanden, utan att minska klyftan mellan beteende och innehåll.
Undersökningen av italienska hushåll visar på olika mönster mellan uttalade avsikter och observerat beteende. Det finns grupper som uppvisar enhetlighet och grupper som är mer motsägelsefulla, vilket innebär att det en person säger sig föredra inte alltid stämmer överens med vad hen köper.
I mitten av 2024 hade85 % av de italienska konsumenterna med låg inkomst redan bytt till billigare alternativ, enligt uppgifter från Statista som redovisas i den undersökning som finns tillgänglig iParma-universitetets arkiv. Detta innebär inte automatiskt att lojaliteten har minskat. Det kan tyda på en tillfällig budgetbegränsning.
Därför bör detaljhandeln och e-handeln beakta både beteende, pris, produktkategori, försäljningskanal och sammanhang. Ett segment som förväxlar priskänslighet med verkliga preferenser kan leda till felaktiga kampanjer och orättvisa slutsatser om kunden.
Övergången från statiska segment till dynamiska segment beror inte enbart på algoritmen. Ett små- och medelstort företag kan ha en bra modell och ändå uppnå svaga resultat om CRM-systemet inte kommunicerar med webbplatsen, om e-postmeddelandena inte använder samma identifierare och om säljteamet tolkar händelserna på ett annat sätt än marknadsföringsteamet.
I Italien är användningen av AI fortfarande vanligare bland stora företag än bland små och medelstora företag: 53,1 % av de stora företagen använder AI-lösningar, jämfört med 15,7 % av de små och medelstora företagen, enligt Intesa Sanpaolos årsrapport om artificiell intelligens i italienska företag. Siffrorna pekar på en klyfta när det gäller infrastruktur, kompetens och datakvalitet, inte på att metoden saknar värde.
Börja med ett avgränsat användningsfall. Om målet är att återaktivera inaktiva kunder, definiera då vad ”inaktiv” innebär för just din verksamhet, vilka händelser som bekräftar detta och vilket team som ska agera. Tilldela sedan ansvar: vem som kontrollerar uppgifterna, vem som godkänner kampanjen och vem som mäter resultatet.
En hållbar utveckling omfattar:
Man behöver inte börja med en extremt komplex segmentering. En liten, väl avgränsad grupp som uppdateras regelbundet och är kopplad till en tydlig åtgärd ger större värde än dussintals kluster som ingen använder.
I GDPR definieras profilering som en form av automatiserad behandling som används för att utvärdera personliga aspekter, däribland preferenser, intressen, pålitlighet, beteende, plats och förflyttningar, vilket den italienska dataskyddsmyndigheten förtydligar i sin definition av profilering. I Italien skiljer dataskyddsmyndigheten dessutom mellan insamling av uppgifter och den efterföljande indelningen av de registrerade i homogena grupper för specifika ändamål.
När det gäller marknadsföringsprofilering måste samtycket som regel vara specifikt och skilt från samtycket till utskick av marknadsföringsmeddelanden. I informationsmeddelandet måste profileringen förklaras, behandlingen måste antecknas i behandlingsregistret och, när verksamheten sker i stor skala, kan en konsekvensbedömning vara nödvändig, enligt sammanfattningen av den italienska praxis som gäller profilering enligt GDPR.
Dataskyddsmyndighetens beslut i Google-ärendet visar också att uppgifter inte får användas för profilering utan förhandsgodkännande. Integritetspolicyn måste tydligt förklara övervakningen och användningen av uppgifter för reklamändamål, inklusive tekniker som fingeravtryckning, vilket framgår av dataskyddsmyndighetens beslut om Google.
Enkel segmentering kan baseras på sökfrågor som utgår från kända egenskaper. Profiling bygger vidare på modeller, samband och slutsatser för att uppskatta benägenheter eller beteenden, enligt analysen av skillnaderna mellan profiling och segmentering.
Denna distinktion medför förändrade ansvarsområden. Innan du aktiverar en modell bör du kontrollera den rättsliga grunden, transparensen, datakvaliteten och möjligheten att redogöra för hur segmentet används. En plattform som ELECTE, en AI-driven dataanalysplattform för små och medelstora företag, kan hjälpa till att koppla samman källor, automatisera förbehandling och analys, identifiera mönster, avvikelser och trender samt generera rapporter, men ansvaret för ändamålen och behandlingen ligger fortfarande hos företaget.
Beteendebaserad segmentering är inte något som bara stora företag kan ägna sig åt. Det är en metod för att koppla samman observerbara handlingar med vardagliga beslut, från marknadsföring i detaljhandeln till hantering av kundvagnar och tolkning av signaler inom finanssektorn.
Utgå från de data du redan har. Välj ett mål, identifiera de mest relevanta variablerna, se till att CRM-systemet, webbplatsen, e-posten och försäljningen kan kommunicera med varandra och skapa ett första tolkbart segment. Mät responsen med hjälp av samstämmiga KPI:er och uppdatera sedan reglerna när beteendet, det ekonomiska läget eller företagets prioriteringar förändras.
Skillnaden mellan statisk och dynamisk segmentering ligger inte bara i tekniken. Den ligger i teamets förmåga att omvandla en händelse – till exempel ett nyligen genomfört köp eller en avbruten kassa – till en snabb åtgärd som respekterar integriteten. En AI-driven process kan minska det manuella arbetet och göra insikterna tillgängliga även utan ett datavetenskapsteam.
ELECTE kopplar samman dina företagsdata, analyserar automatiskt köpbeteenden och hjälper dig att omvandla segment, avvikelser och trender till användbara rapporter. Besök ELECTE för att ta reda på hur du kan integrera dynamisk segmentering i det dagliga arbetet i ditt små- och medelstora företag.
.svg)
.svg)
.svg)
