İtalyan bir KOBİ’nin pazarlama sorumlusu bir promosyon başlatmak zorundadır. CRM sisteminde müşterilerin yaşını, cinsiyetini ve ikamet ettikleri bölgeyi görebilir, ancak hangi müşterilerin belirli bir kategoriyi birkaç kez ziyaret ettiğini, hangilerinin ödeme sürecini yarıda bıraktığını veya sadece indirim aldıklarında alışveriş yaptığını bilemez. Veritabanı kişileri tanımlar, ancak onları satın almaya gerçekten neyin yönlendirdiğini açıklamaz.
Geleneksel segmentasyonun sınırı budur. Herkese aynı mesaj, çok sayıda kişiye ulaşabilir ancak çok azına hitap edebilir. Davranışsal segmentasyon bakış açısını değiştirir: farklı kanallardaki eylemleri, sıklığı, güncelliği, satın alma değerini ve etkileşimleri gözlemler, ardından bu sinyalleri karar verme sürecinde faydalı olacak gruplara dönüştürür.
Başlamak için bir veri bilimi departmanı kurmanıza gerek yok. CRM, web sitesi, e-posta ve e-ticaret platformlarında halihazırda mevcut olan verilerle ve yapay zeka destekli bir platformla, statik listelerden operasyonel içgörülere geçebilirsiniz. Burada perakende, finans ve e-ticaret sektörlerine yönelik örnekler içeren pratik bir yol haritası, gizlilik konusuna verilen önem ve segmentleri dinamik hale getirme yöntemi bulabilirsiniz.
Bir çevrimiçi mağazanın sorumlusu, o ayın cirosunu bilir. Hangi ürünlerin sattığını ve belki de belirli bir bölgede kaç müşterinin yaşadığını bilir. Ancak bir promosyonu kime göndereceğine karar verirken, genellikle “belirli bir yaş aralığındaki kadınlar” veya “Kuzey İtalya’daki müşteriler” gibi genel kategoriler kullanır.
Bu bilgiler yararlı olabilir, ancak bu davranışı açıklamaz. Aynı bölgeden iki kişinin ihtiyaçları birbirine zıt olabilir: Biri indirimleri beklemeden her ay alışveriş yapar, diğeri ise siteye girer, fiyatları karşılaştırır ve yalnızca bir promosyon kampanyası sırasında satın alır. Onlara aynı şekilde davranmak, önemli işaretleri göz ardı etmek anlamına gelir.
Davranışsal segmentasyon tam da bu sinyalleri dikkate alır. Tekrarlanan bir ziyaret, yakın zamanda yapılan bir satın alma, terk edilmiş bir alışveriş sepeti veya bir newsletter adresine verilen yanıt, müşterinin satın alma yolculuğunda hangi aşamada olduğunu gösterir. Böylece pazarlama, yalnızca demografik verilere güvenmek yerine içerik, kanal ve zamanlamayı değiştirebilir.
Pratik kural: Hangi mesajı göndereceğinizi düşünmeden önce, müşterinin hangi davranışını anlamak istediğinizi kendinize sorun.
Bir KOBİ için ilk adım basit olabilir: Satın alma geçmişini dijital etkileşimlerle karşılaştırmak ve farklı bir yaklaşıma layık grupları belirlemek. ELECTE’nin müşteri içgörülerinden yola çıkarak, analizin karmaşıklığını bilginin değeriyle karıştırmadan mevcut verileri daha net bir çalışma temeline dönüştürebilirsiniz.
Davranışsal segmentasyon, müşterileri davranışlarına göre homojen gruplara ayırır. Demografik segmentasyon ise yaş, cinsiyet veya coğrafi bölge gibi unsurları kullanarak “kimler?” sorusuna yanıt verir. Davranışsal segmentasyon ise eyleme yönelik daha yararlı bir soru ekler: “Şirketle etkileşime girdiklerinde nasıl davranıyorlar?”.
Değişkenler şunları içerebilir:
En basit benzetme, bir dükkân sahibiyle ilgilidir. Bir kişinin dükkânın yakınında yaşadığını bilmek bilgilendirici bir durumdur; ancak bu kişinin her hafta dükkâna geldiğini, her zaman aynı ürünü istediğini ve indirimlerden yararlanmadığını hatırlamak, ona daha iyi hizmet verilmesini sağlar. Davranışsal veri, gözlemi bir kararla ilişkilendirir.
İtalya’da, market müşterileri üzerine yapılan araştırmalarda uzun süredir harcama, satın alma sıklığı ve satın alma zaman ına göre desiller kullanılmaktadır. Bu mantık, müşterileri satın alma zamanına (recency), sıklığına (frequency) ve harcama tutarına (monetary) göre sınıflandıran ve sadık, yüksek değerli veya terk etme riski taşıyan müşterileri ayırt etmeye yardımcı olan RFM modellerinin öncüsüdür. Bu konuyla ilgili tarihsel gelişmeler, çok kanallı tüketici davranışlarına ilişkin ayrıntılı analizde yer almaktadır.
Betimsel bir sınıflandırma, halihazırda bilinen özellikleri gruplandırır. Profilleme ise, gelecekteki eğilimleri tahmin etmek için korelasyonları ve modelleri kullanabilir. Aradaki fark önemlidir: Bir segment “bu müşteriler yakın zamanda alışveriş yaptı” diyebilirken, bir model ise yeni bir satın alma işlemiyle uyumlu işaretler gösteren kişileri belirlemeye yardımcı olabilir.
Segmentasyonla ilgili İtalyan kaynakları, güncelliğin ve sıklığın, yalnızca demografik özelliklerden daha fazla öngörü değeri taşıyabileceğini vurgulamaktadır; zira bunlar, halihazırda dile getirilmiş ihtiyaçları yansıtmaktadır. Bu durum, dijital pazarlamada kuşaksal segmentasyon analizinde de ele alındığı üzere, kampanyaları ve ticari öncelikleri kişiselleştirmek açısından segmentasyonun daha yararlı olmasını sağlar.
Etkili bir segmentasyon, yapılandırılmış veriler, dijital olaylar ve kurumsal bağlamın bir araya gelmesiyle ortaya çıkar. Sadece çok sayıda bilgi eklemek yeterli değildir. Eylemleri aynı müşteriyle ilişkilendirmeli, tutarlı olaylar tanımlamalı ve bir kampanyayı veya ticari bir kararı yönlendirebilecek değişkenleri seçmelisiniz.
Küme oluşturmadan önce, elde etmek istediğiniz sonucu netleştirin. “Müşterileri daha iyi tanımak” çok genel bir ifadedir. “Uzun süredir alışveriş yapmayan müşterileri yeniden aktif hale getirmek” ya da “ana ürünü satın alanlara aksesuar önermek” gibi ifadeler, verileri seçmek için somut bir kriter sunar.
Bir KOBİ için başlangıç temeli şunları içerebilir:
RFM modeli, geçmiş verileri üç anlaşılır soruya dönüştürdüğü için genellikle iyi bir başlangıç noktasıdır. Kimler yakın zamanda alışveriş yaptı? Kimler sık sık alışveriş yapıyor? Kimler daha fazla değer yaratıyor? Kümeleme yöntemi ise bu değişkenleri tercih edilen kategoriler, tekliflere verilen yanıtlar veya gezinme davranışlarıyla birleştirebilir.
CustomerMinding’in çok kanallı segmentasyon analizine göre, 2020 yılında İtalyan çok kanallı tüketici sayısı 46,5 milyondu; bu rakam, 52,7 milyon kişiden oluşan 14 yaş üstü nüfusun%88’ine denk geliyordu ve bir önceki yıla göre %6’lık bir artış göstermişti. Aynı çalışma, davranış profilleri arasında farklı ödeme tercihleri olduğunu ortaya koyuyor: PayPal, hem “Digital Rooted” hem de “Digital Engaged” profilleri tarafından %53 oranında tercih edilirken, “Digital Bouncers” ve “Digital Rookies” profilleri sırasıyla %41 ve %44 oranında ön ödemeli kartları tercih etti .
Bu örneğin değeri, ödemenin kendisinde yatmıyor. Gözlemlenebilir davranışların, genel bir demografik kategoriden daha etkili bir şekilde teklifleri, kanalları ve mesajları yönlendirebileceğini gösteriyor.
Bir küme, birisinin bir şeyi yapmasına yardımcı olmalıdır. “Grup 4” pazarlama ekibine hiçbir şey ifade etmez. “Son zamanlarda alışveriş yapan, sık alışveriş yapan, promosyonlara duyarlı müşteriler” ise bir iletişim mantığı ve izlenmesi gereken bir ölçüt önerir.
Otomasyona geçmeden önce veritabanınızı merkezi bir şekilde yönetin, tutarlı bir tanımlayıcı belirleyin ve verilerin kalitesini kontrol edin. Kurumsal veri analizi kılavuzu, veri toplama, temizleme ve yorumlama süreçlerini, teknik bilgiye sahip olmayan ekipler için bile anlaşılır bir süreç halinde birleştirmenize yardımcı olabilir.
Bir segment, ancak bir iş akışını tetiklediğinde anlam kazanır. Süreç, bir ticari hedefle başlayabilir, ilgili olayların seçilmesiyle devam edebilir ve bir kampanya, satış temsilcisinin gerçekleştirdiği bir eylem veya hizmetle ilgili bir kararla sona erebilir.
Bir e-ticaret sitesinin ödeme sürecindeki terk oranını azaltmak istediğini varsayalım. Her türlü davranışı sınıflandırmasına gerek yoktur. Bir ürünü birkaç kez ziyaret eden, sepetine bir ürün ekleyen ve satın almadan önce süreci yarıda bırakan kullanıcılara odaklanabilir.
Segment, aşağıdakileri içeriyorsa işlenebilir hale gelir:
İtalyan pazarına yönelik teknik kılavuzlar, ayrıntılı ancak ölçülebilir mikro segmentler oluşturmak için RFM metriklerini ve tekrarlanan ziyaretler, tıklama yolları, e-posta etkileşimleri ve ödeme sürecinden vazgeçme gibi gezinme olaylarını bir araya getirmeyi önermektedir. İlke basittir: süs niteliğindeki etiketler ne kadar az olursa, somut bir eyleme bağlı gruplar o kadar fazla olur.
Dönüşüm oranı, segmentin kampanyaya yanıt verip vermediğini gösterir. Satın alma sıklığı, ilişkinin güçlenip güçlenmediğini anlamaya yardımcı olur. Yaşam boyu değer (LTV), ilişkinin ekonomik değerini pazarlama kararlarıyla ilişkilendirirken, terk oranı ise etkileşimin azaldığını gösterir.
Bu göstergeleri, segmentlere göre farklılaştırılmış bir NPS ile bir arada kullanabilirsiniz; ancak bu verinin, somut eylemlerle birlikte değerlendirilmesi şartıyla. Bir müşteri memnun olduğunu belirtebilir ancak nadiren satın alabilir ya da çok fazla etkileşimde bulunsa da siparişini tamamlamayabilir. Davranış, geri bildirimin yerini almaz; onu tamamlar.
Kalite kriteri: Bir KPI, bir kararı etkilediğinde yararlıdır; bir gösterge tablosunu doldurduğunda değil.
Dinamik segmentasyon, davranışta bir değişiklik olduğunda grubu günceller. Satın alma işlemini tamamlayan bir müşteri, “terk edenler” segmentinden çıkar. Ziyaretlerini kesen düzenli bir müşteri ise yeniden etkinleştirme sürecine girebilir. Bu kontrolü düzenlemek ve tutarlı göstergeler seçmek için, kurumsal KPI analitiği konusunda ELECTE’ye danışabilirsiniz.
Aynı mantık, sektöre göre farklı şekiller alır. Bir süpermarket, alışveriş sıklığını ve tutarını inceler. Bir finans şirketi ise hizmetlerin kullanımını ve risk işaretlerini gözlemler. Bir e-ticaret sitesi ise arama, ürün, sepet ve ödeme arasındaki süreci takip eder.
İtalyan perakende sektöründe, harcama desillerine ve satın alma sıklığı ile son satın alma tarihine dayalı segmentasyon, market müşterileri üzerine yapılan araştırmalarda da belgelendiği üzere, RFM yaklaşımının tarihsel bir temelini oluşturmaktadır. Bu sayede bir satış noktası, yüksek değerli müşterileri, sık alışveriş yapan ancak harcama tutarı düşük olan müşterileri, ara sıra alışveriş yapan müşterileri ve alışveriş sıklığını azaltan müşterileri birbirinden ayırt edebilir.
Bu gruplar için mutlaka aynı teşvikin uygulanması gerekmez. Düzenli müşteriye daha hızlı bir hizmet veya ek öneriler sunulabilir. Ara sıra alışveriş yapan müşteriye ise daha önce satın aldığı ürün kategorisiyle ilgili bir mesaj gönderilebilir. Alışveriş sıklığını azaltan müşterilere ise otomatik bir promosyon değil, öncelikle durum analizi yapılmalıdır.
Fiyat hassas bir değişkendir. Bir aile, market markasına sadık olduğu için ya da o dönemdeki bütçesinin daha kısıtlı olması nedeniyle daha ucuz bir alternatif satın alabilir. Gözlemlenen davranış tek başına bu nedeni açıklamaz.
Finans sektöründe, davranış kümeleri müşterinin hizmetleri nasıl kullandığını ortaya koyabilir: erişim sıklığı, işlem türleri, tercih edilen kanallar ve işlem profilindeki değişiklikler. Bu göstergeler, tekliflerin kişiselleştirilmesini, önceliklerin yönetilmesini ve uyum süreçlerinin izlenmesini destekleyebilir.
Ancak bu analiz, uygun şekilde yönetilmeyen ve büyük etkiye sahip otomatik kararlardan ayrı tutulmalıdır. Bir model, doğrulanması gereken bir değişikliği işaret edebilir, ancak müşterinin davranışına ilişkin eksiksiz bir açıklama olarak değerlendirilmemelidir. Finansal, kredi veya uyum faaliyetleri için insan tarafından yapılan kontroller, belgeleme ve özel hukuki değerlendirmeler gereklidir. Bu içerik, finansal danışmanlık veya uyum görüşü niteliğinde değildir.
İhtiyatlı bir akış şu sırayı izleyebilir:
Bir çevrimiçi mağaza, kullanıcıları satın alma sürecinin hangi aşamasında ayrıldıklarına göre segmentlere ayırabilir. Bir ürün sayfasını birkaç kez inceleyen bir kullanıcının ilgisi, ödeme aşamasına gelip son adımda işlemi yarıda bırakan bir kullanıcının ilgisinden farklıdır. Ayrıca, e-postaları tıklamadan açan bir kullanıcı, tıklayan, birden fazla ürünü karşılaştıran ve siteye geri dönen bir kullanıcıdan farklı bir ihtiyaç ortaya koyar.
Kampanya bu farkı yansıtmalıdır. Bilgilendirici bir mesaj, satın almayı değerlendiren kişilere yardımcı olabilir. Ödeme işlemini yarıda bırakanlar için bir hatırlatma uygun olabilir. Satın alma işlemini zaten tamamlamış olanlara ise tamamlayıcı bir öneri faydalı olabilir. Amaç, daha fazla mesaj göndermek değil, davranış ile içerik arasındaki mesafeyi azaltmaktır.
İtalyan aileler üzerine yapılan araştırma, beyan edilen niyetler ile gözlemlenen davranışlar arasında farklı kümeler olduğunu ortaya koymaktadır. Tutarlı gruplar ve daha çelişkili gruplar mevcuttur; dolayısıyla bir kişinin tercih ettiğini söylediği şey, her zaman satın aldıklarıyla örtüşmemektedir.
Parma Üniversitesi arşivinde bulunan araştırmada yer alan Statista verilerine göre, 2024 yılının ortasında,düşük gelirli İtalyan tüketicilerin %85’i daha ucuz alternatifleri tercih ederek zaten “trade-down” yapmıştı. Bu durum, otomatik olarak daha az sadakat anlamına gelmez. Bütçede geçici bir kısıtlamaya işaret ediyor olabilir.
Bu nedenle, perakende ve e-ticaret sektörleri davranış, fiyat, kategori, kanal ve bağlam unsurlarını bir araya getirmelidir. Fiyat duyarlılığını gerçek tercihlerle karıştıran bir segment, yanlış kampanyalara ve müşteri hakkında haksız sonuçlara yol açabilir.
Statik segmentlerden dinamik segmentlere geçiş, yalnızca algoritmaya bağlı değildir. Bir KOBİ, iyi bir modele sahip olsa da, CRM sistemi web sitesi ile iletişim kurmuyorsa, e-postalar aynı kimlik bilgisini paylaşmıyorsa ve satış ekibi olayları pazarlama ekibinden farklı bir şekilde yorumluyorsa, yine de zayıf sonuçlar elde edebilir.
İtalya'da yapay zekanın benimsenmesi, KOBİ'lere kıyasla büyük işletmeler arasında daha yaygın olmaya devam ediyor: Intesa Sanpaolo'nun İtalyan işletmelerinde yapay zeka kullanımına ilişkin yıllık raporuna göre, büyük işletmelerin %53,1'i yapay zeka çözümlerini kullanırken, bu oran KOBİ'lerde %15,7'dir. Bu veri, yöntemin değerinin eksikliğinden ziyade altyapı, yetkinlik ve veri kalitesi açısından bir uçurum olduğunu göstermektedir.
Sınırlı bir kullanım senaryosuyla başlayın. Hedefiniz aktif olmayan müşterileri yeniden aktif hale getirmekse, işiniz için “aktif olmayan”ın ne anlama geldiğini, bunu doğrulayan olayların neler olduğunu ve hangi ekibin devreye girmesi gerektiğini belirleyin. Ardından sorumlulukları dağıtın: verileri kim kontrol edecek, kampanyayı kim onaylayacak, sonucu kim ölçecek?
Sürdürülebilir bir süreç şunları içerir:
Son derece karmaşık bir segmentasyondan başlamak gerekli değildir. İyi tanımlanmış, düzenli olarak güncellenen ve net bir eyleme bağlı küçük bir grup, kimsenin kullanmadığı onlarca kümeden daha fazla değer sunar.
GDPR, profillemeyi, tercihler, ilgi alanları, güvenilirlik, davranış, konum ve hareketler dahil olmak üzere kişisel özellikleri değerlendirmek için kullanılan bir otomatik işleme biçimi olarak tanımlamaktadır; bu tanım, Veri Koruma Otoritesi’nin profilleme tanımında da açıkça belirtilmiştir. İtalya’da Veri Koruma Otoritesi, veri toplama işlemini, ilgili kişilerin belirli amaçlar doğrultusunda homojen gruplara ayrılması işleminden ayrıca ayırmaktadır.
Pazarlama amaçlı profil oluşturma için, rıza kural olarak spesifik olmalı ve tanıtım amaçlı iletişimlerin gönderilmesine ilişkin rızadan ayrı olmalıdır. Bilgilendirme metninde profil oluşturma süreci açıklanmalı, işleme faaliyeti işleme kayıt defterine kaydedilmeli ve faaliyetin geniş ölçekte gerçekleştirilmesi durumunda, GDPR kapsamında profil oluşturmaya ilişkin İtalyan uygulamalarının özetine göre bir etki değerlendirmesi gerekli olabilir.
Veri Koruma Kurumu’nun Google davası, verilerin önceden alınmış rıza olmaksızın profil oluşturma amacıyla kullanılamayacağını da ortaya koymaktadır. Bilgilendirme metni, Veri Koruma Kurumu’nun Google hakkındaki kararında da belirtildiği üzere, parmak izi alma gibi teknikler de dahil olmak üzere, reklam amaçlı veri izleme ve kullanımını açıkça açıklamalıdır.
Basit segmentasyon, bilinen özelliklere dayalı sorgular kullanabilir. Profilleme ise, profilleme ile segmentasyon arasındaki farklara ilişkin analize göre, eğilimleri veya davranışları tahmin etmek için modeller, korelasyonlar ve çıkarımlar ekler.
Bu ayrım, sorumlulukları değiştirir. Bir modeli devreye almadan önce, yasal dayanağı, şeffaflığı, verilerin kalitesini ve segmentin kullanımının açıklanabilirliğini kontrol edin. KOBİ’ler için yapay zeka destekli bir veri analizi platformu olan ELECTE gibi bir platform , kaynakları birbirine bağlamaya, ön işleme ve analiz süreçlerini otomatikleştirmeye, kalıpları, anomalileri ve eğilimleri tespit etmeye ve raporlar oluşturmaya yardımcı olabilir; ancak işleme amaçlarının ve işlemlerin yönetişimi, şirketin sorumluluğunda kalır.
Davranışsal segmentasyon, yalnızca büyük şirketlere özgü bir proje değildir. Perakende promosyonlarından alışveriş sepeti yönetimine ve finansal hizmetlerdeki sinyallerin yorumlanmasına kadar, gözlemlenebilir eylemleri günlük kararlarla ilişkilendirmek için kullanılan bir yöntemdir.
Zaten elinizde bulunan verilerden yola çıkın. Bir hedef belirleyin, en önemli değişkenleri tespit edin, CRM, web sitesi, e-posta ve satış departmanlarının birbiriyle iletişim kurabildiğinden emin olun ve yorumlanabilir bir ilk segment oluşturun. Tutarlı KPI’larla yanıtı ölçün, ardından davranışlar, ekonomik koşullar veya şirket öncelikleri değiştiğinde kuralları güncelleyin.
Statik ve dinamik segmentasyon arasındaki fark sadece teknolojide yatmıyor. Bu fark, ekibin yakın zamanda yapılan bir satın alma veya yarıda kalan bir ödeme işlemi gibi bir olayı, gizlilik kurallarına uygun ve zamanında bir eyleme dönüştürebilme yeteneğinde yatıyor. Yapay zeka destekli bir süreç, manuel iş yükünü azaltabilir ve veri bilimi ekibi olmasa bile içgörülere erişimi sağlayabilir.
ELECTE, kurumsal verilerinizi birbirine bağlar, satın alma davranışlarını otomatik olarak analiz eder ve segmentleri, anomalileri ve trendleri kullanışlı raporlara dönüştürmenize yardımcı olur. ELECTE'yi ziyaret ederek dinamik segmentasyonu KOBİ'nizin günlük iş akışına nasıl entegre edebileceğinizi keşfedin.
.svg)
.svg)
.svg)
