Davranışsal segmentasyon: nedir ve nasıl uygulanır

İtalyan bir KOBİ'nin pazarlama sorumlusu bir promosyon başlatmak zorundadır. CRM'de müşterilerin yaşını, cinsiyetini ve ikamet bölgesini görür, ancak kimin bir kategoriyi birden fazla kez ziyaret ettiğini, kimin ödeme aşamasını yarıda bıraktığını veya kimin sadece indirim aldığında satın aldığını bilmez. Veritabanı insanları tanımlar, ama onları gerçekten satın almaya iten şeyi anlatmaz.

Geleneksel segmentasyonun sınırı tam da budur. Herkes için aynı olan bir mesaj birçok kişiye ulaşabilir ama azına hitap eder. Davranışsal segmentasyon bakış açısını değiştirir: eylemleri, sıklığı, güncelliği, satın alma değerini ve farklı kanallardaki etkileşimleri gözlemler, ardından bu sinyalleri karar vermede işe yarayan gruplara dönüştürür.

Başlamak için bir veri bilimi departmanı kurmaya gerek yok. CRM, site, e-posta ve e-ticarette zaten mevcut olan verilerle ve AI destekli bir platformla, statik listelerden operasyonel içgörülere geçebilirsiniz. Burada perakende, finans ve e-ticaret için örnekler içeren, gizliliğe dikkat eden ve segmentleri dinamik hale getirmek için bir yöntem sunan pratik bir yol bulacaksınız.

Dizin

• Müşteriler konuştuğunda, gerçekten dinliyor musunuz?
• Tanımlamak yeterli değildir
• Hedeften yola çıkın
• Temas noktalarını birbirine bağlayın
• Yorumlanabilir kümeler oluşturun
• Sorundan mikro segmente
• Davranışı açıklayan KPI'lar seçin
• Perakende ve gıda
• Finans
• E-ticaret
• Ekonomik bağlam yorumu değiştirir
• Teknolojiden önce işi organize edin
• Gizliliği projenin bir parçası olarak ele alın
• Segment ile öngörücü profili ayırt edin
• Teoriden pratiğe, sonraki adımlar

Müşteriler konuştuğunda, gerçekten dinliyor musunuz?

Bir online mağazanın sorumlusu ayın cirosunu bilir. Hangi ürünlerin sattığını ve belki de kaç müşterinin belirli bir bölgede yaşadığını bilir. Ancak bir promosyonu kime göndereceğine karar vermesi gerektiğinde, genellikle “belirli bir yaş aralığındaki kadınlar” veya “Kuzey İtalya müşterileri” gibi genel kategoriler kullanır.

Bu bilgiler yararlı olabilir, ancak davranışı açıklamaz. Aynı bölgeden iki kişinin zıt ihtiyaçları olabilir: biri indirim beklemeden her ay satın alır, diğeri siteye girer, fiyatları karşılaştırır ve yalnızca bir promosyon kampanyası sırasında satın alma işlemini tamamlar. Onlara aynı şekilde davranmak, önemli sinyalleri görmezden gelmek demektir.

Davranışsal segmentasyon tam olarak bu sinyalleri dinler. Tekrarlanan bir ziyaret, yakın zamanda yapılan bir satın alma, terk edilmiş bir sepet veya bir Newsletter'a verilen yanıt, müşterinin satın alma yolculuğunda hangi noktada olduğunu anlatır. Pazarlama böylece yalnızca demografik verilere güvenmek yerine içeriği, kanalı ve zamanlamayı değiştirebilir.

Pratik kural: hangi mesajı göndereceğinizi sormadan önce, müşterinin hangi eylemini anlamak istediğinizi sorun.

Bir KOBİ için ilk adım basit olabilir: satın alma geçmişini dijital etkileşimlerle karşılaştırmak ve farklı bir muamele hak eden grupları belirlemek. Mevcut verileri, analizin karmaşıklığını bilginin değeriyle karıştırmadan daha net bir çalışma temeline dönüştürmek için Electe müşteri içgörülerinden yola çıkabilirsiniz.

Davranışsal segmentasyon nedir

Davranışsal segmentasyon, müşterileri yaptıkları şeye göre homojen gruplara ayırır. Demografik segmentasyon “kim onlar?” sorusuna, yaş, cinsiyet veya coğrafi alan gibi unsurları kullanarak cevap verir. Davranışsal segmentasyon ise eylem için daha yararlı bir soru ekler: “şirketle ilişki kurduklarında nasıl davranıyorlar?”

Değişkenler şunları içerebilir:

• Güncellik: son satın almadan bu yana ne kadar süre geçti.
• Sıklık: müşteri ne sıklıkla satın alıyor.
• Parasal değer: zaman içinde veya sipariş başına ne kadar harcıyor.
• Gezinme: hangi sayfaları ve hangi sırayla ziyaret ediyor.
• Etkileşim: e-postalara, tekliflere ve iletişimlere nasıl tepki veriyor.
• Kullanım: satın alma sonrasında bir ürünü veya hizmeti nasıl kullanıyor.

En basit benzetme bir esnafınkidir. Bir kişinin mağazaya yakın yaşadığını bilmek bilgilendiricidir, ancak her hafta geldiğini, her zaman aynı ürünü istediğini ve promosyonlardan yararlanmadığını hatırlamak onu daha iyi hizmet vermeyi sağlar. Davranışsal veri, gözlemi bir kararla birleştirir.

İtalya'da, gıda perakendesi müşterileri üzerine yapılan araştırmalar uzun zamandır harcama ondalıklarını, satın alma sıklığını ve güncelliğini kullanmıştır. Bu mantık, müşterileri recency, frequency ve monetary'ye göre sınıflandıran ve sadık, yüksek değerli veya kaybetme riski taşıyan müşterileri ayırt etmeye yardımcı olan RFM modellerini önceler. Tarihsel arka plan, çok kanallı tüketici davranışı üzerine derinlemesine incelemede mevcuttur.

Tanımlamak yeterli değildir

Betimleyici bir sınıflandırma, zaten bilinen özellikleri gruplandırır. Profilleme ise korelasyonları ve modelleri kullanarak gelecekteki eğilimleri tahmin edebilir. Bu fark önemlidir: bir segment “bu müşteriler son zamanlarda satın aldı” diyebilir, oysa bir model yeni bir satın alma ile uyumlu sinyaller gösteren kişileri belirlemeye yardımcı olabilir.

Segmentasyon üzerine İtalyan kaynaklar, sıklık ve yakınlığın (recency ve frequency) yalnızca demografik özelliklerden daha yüksek öngörü değeri taşıyabildiğini vurguluyor; çünkü bunlar zaten ifade edilmiş ihtiyaçları yansıtır. Bu durum, segmentasyonu kampanyaları ve ticari önceliklendirmeyi kişiselleştirmek için daha kullanışlı kılar, dijital pazarlamada kuşaksal segmentasyon üzerine yapılan analizde de ele alındığı gibi.

Teknikler ve gerekli veriler

Yararlı bir segmentasyon, yapılandırılmış veriler, dijital olaylar ve şirket bağlamının kesişiminden doğar. Çok fazla bilgi eklemek yeterli değildir. Eylemleri aynı müşteriyle ilişkilendirmen, tutarlı olaylar tanımlaman ve bir kampanyayı veya ticari kararı yönlendirebilecek değişkenleri seçmen gerekir.

Hedeften başla

Kümeler oluşturmadan önce, elde etmek istediğin sonucu netleştir. “Müşterileri daha iyi tanımak” çok genel bir ifadedir. “Uzun süredir satın almayanları yeniden harekete geçirmek” veya “ana bir ürün satın alanlara aksesuar önermek” ise veri seçimi için somut bir kriter sunar.

Bir KOBİ için başlangıç niteliğinde bir temel şunları içerebilir:

• İşlem geçmişi: ürünler, kategoriler, değer ve tarih.
• Site üzerindeki olaylar: tekrarlanan ziyaretler, site içi arama, görüntülenen sayfalar ve ödeme adımı.
• E-posta pazarlama: açılmalar, tıklamalar ve etkileşim eksikliği.
• Satış sonrası: destek talepleri, iadeler ve geri bildirimler.
• Bağlamsal veriler: satın alma kanalı, bölge, sezonsallık ve promosyonlara duyarlılık.

RFM modeli genellikle iyi bir başlangıç noktasıdır, çünkü geçmişi anlaşılır üç soruya dönüştürür. Kim yakın zamanda satın aldı? Kim sık satın alıyor? Kim en fazla değeri üretiyor? Kümeleme, ardından bu değişkenleri tercih edilen kategorilerle, tekliflere verilen yanıtlarla veya gezinme davranışıyla birleştirebilir.

Temas noktalarını birbirine bağla

2020 yılında, İtalyan çok kanallı tüketiciler 46,5 milyon kişiydi; bu, 52,7 milyon kişiden oluşan 14 yaş üstü nüfusun %88'ine karşılık geliyordu ve önceki yıla göre %6 büyüme gösteriyordu; CustomerMinding'in çok kanallı segmentasyon üzerine analizine göre. Aynı çalışma, davranışsal profiller arasında farklı ödeme tercihlerini de göstermektedir: PayPal, Digital Rooted ve Digital Engaged tarafından tercih ediliyordu, her ikisi de %53 oranında, Digital Bouncers ve Digital Rookies ise sırasıyla %41 ve %44 oranlarında yeniden yüklenebilir kartları tercih ediyordu.

Bu örneğin değeri ödeme yönteminin kendisinde değildir. Gözlemlenebilir davranışın, genel bir demografik kategoriden daha etkili bir şekilde teklifleri, kanalları ve mesajları yönlendirebileceğini gösterir.

Yorumlanabilir kümeler oluştur

Bir kümenin, birinin bir şey yapmasına yardımcı olması gerekir. “Grup 4” pazarlama ekibine hiçbir şey söylemez. “Son zamanlarda alışveriş yapan, sık alışveriş yapan, promosyonlara duyarlı müşteriler” ise bir iletişim mantığı ve izlenmesi gereken bir metrik önerir.

Veritabanını merkezi tut, tutarlı bir tanımlayıcı belirle ve otomasyona geçmeden önce veri kalitesini kontrol et. Şirket veri analizi kılavuzu, toplama, temizleme ve yorumlama süreçlerini teknik olmayan ekipler için de anlaşılır bir sürece bağlamana yardımcı olabilir.

Pratik iş akışları ve KPI'lar

Bir segment, ancak bir iş akışını harekete geçirdiğinde faydalı hale gelir. Süreç bir ticari hedefle başlayabilir, ilgili olayların seçilmesinden geçebilir ve bir kampanya, bir satış temsilcisi eylemi veya bir hizmet kararıyla sonuçlanabilir.

Sorundan mikro segmente

Bir e-ticaret sitesinin ödeme sürecindeki terk oranını azaltmak istediğini varsayalım. Her olası davranışı sınıflandırmasına gerek yok. Bir ürünü birden fazla kez ziyaret eden, bir ürünü sepete ekleyen ve satın alma öncesinde süreci yarıda bırakan kişilere odaklanabilir.

Segment, şunları içerdiğinde eyleme dönüştürülebilir hale gelir:

1. Net bir olay, örneğin ödeme sürecinin yarıda kesilmesi.
2. Bir zaman aralığı, ürünün satın alma döngüsüne göre tanımlanır.
3. Bir hariç tutma, siparişini zaten tamamlamış kişilerle iletişime geçmemek için.
4. Bir eylem, örneğin bir hatırlatma, bilgilendirici bir içerik veya ticari bir temas.
5. Bir çıkış kriteri, satın alma veya bir yanıt sonrasında müşteriyi akıştan çıkarmak için.

İtalyan pazarına özel teknik rehberler, granüler ama ölçülebilir mikro segmentler oluşturmak için RFM metriklerini tekrarlanan ziyaretler, tıklama yolu, e-posta etkileşimleri ve ödeme sürecinde terk gibi gezinme olaylarıyla birleştirmeyi önerir. İlke basittir: daha az dekoratif etiket, somut bir eyleme bağlı daha fazla grup.

Davranışı açıklayan KPI'ları seçin

Dönüşüm oranı, segmentin kampanyaya yanıt verip vermediğini gösterir. Satın alma sıklığı, ilişkinin pekişip pekişmediğini anlamaya yardımcı olur. Yaşam boyu değer, yani LTV, ilişkinin ekonomik değerini pazarlama kararlarıyla ilişkilendirirken, terk oranı bağlılığın azaldığını gösterir.

Bu göstergeleri, veri gerçek eylemlerle birlikte okunmak koşuluyla segment bazında farklılaştırılmış bir NPS ile birlikte kullanabilirsiniz. Bir müşteri memnuniyetini ifade edip nadiren satın alabilir, ya da sipariş tamamlamadan çok fazla etkileşimde bulunabilir. Davranış, geri bildirimin yerini almaz, onu tamamlar.

Kalite kriteri: bir KPI, bir kararı değiştirdiğinde faydalıdır, bir gösterge panelini doldurduğunda değil.

Dinamik segmentasyon, davranış değiştiğinde grubu günceller. Bir satın alma işlemini tamamlayan müşteri, terk edenler segmentinden çıkar. Ziyaretlerini kesen düzenli bir müşteri, bir yeniden etkinleştirme sürecine dahil olabilir. Bu kontrolü düzenlemek ve tutarlı göstergeler seçmek için kurumsal KPI analitiği için Electe'ye başvurabilirsiniz.

Sektöre göre uygulama örnekleri

Aynı mantık sektöre göre şekil değiştirir. Bir süpermarket, alışveriş sıklığını ve değerini gözlemler. Bir finans şirketi, hizmet kullanımını ve risk sinyallerini izler. Bir e-ticaret, arama, ürün, sepet ve ödeme arasındaki yolculuğu takip eder.

Perakende ve gıda perakendeciliği

İtalyan perakendesinde, harcama ondalıklarına ve satın alma sıklığı ile yakınlık değişkenlerine dayalı segmentasyon, gıda perakendeciliği müşterileri üzerine yapılan araştırmalarda belgelendiği üzere RFM yaklaşımının tarihsel bir köküdür. Bu nedenle bir satış noktası, yüksek değerli müşteriler, sık ama düşük harcamalı müşteriler, ara sıra alışveriş yapanlar ve sıklığını azaltmış müşteriler arasında ayrım yapabilir.

Bu gruplar mutlaka aynı teşviki gerektirmez. Düzenli müşteri, daha hızlı bir hizmet veya tamamlayıcı öneriler alabilir. Ara sıra alışveriş yapan müşterinin, zaten satın aldığı kategoriyle ilgili bir mesaja ihtiyacı olabilir. Sıklığını azaltmış olanlar için önce bir bağlam analizi gerekir, otomatik bir promosyon değil.

Fiyat, hassas bir değişkendir. Bir aile, dağıtıcı markasına sadık olduğu için ya da o dönemki bütçesi daha kısıtlı olduğu için daha ekonomik bir alternatif satın alabilir. Gözlemlenen davranış, nedeni tek başına açıklamaz.

Finans

Finans sektöründe, davranışsal kümeler müşterinin hizmetleri nasıl kullandığını tanımlayabilir: erişim sıklığı, işlem türü, tercih edilen kanallar ve operasyonel profildeki değişimler. Bu sinyaller, teklifin kişiselleştirilmesini, önceliklerin yönetilmesini ve uyumluluk süreçlerinin izlenmesini destekleyebilir.

Ancak analiz, yeterince yönetilmeyen yüksek etkili otomatik kararlardan ayrı tutulmalıdır. Bir model, incelenmesi gereken bir değişikliği işaret edebilir, ancak müşteri davranışının tam bir açıklaması olarak ele alınmamalıdır. Finansal, kredi veya uyumluluk faaliyetleri için, insan kontrolleri, belgelendirme ve özel hukuki değerlendirmeler gereklidir. Bu içerik finansal danışmanlık veya uyumluluk görüşü teşkil etmez.

İhtiyatlı bir akış şu sırayı izleyebilir:

• Tespit: işlemlerde veya hizmet kullanımında bir değişikliği belirlemek.
• Bağlamsallaştırma: sinyali geçmiş veriler, kanal ve mevcut bilgilerle karşılaştırmak.
• Doğrulama: yetkili bir ekibin müdahalesini talep etmek.
• Belgelenmiş karar: gerekçeleri, kontrolleri ve sonucu kaydetmek.

E-ticaret

Bir online mağaza, kullanıcıları süreçte durdukları noktaya göre segmentlere ayırabilir. Bir ürün sayfasını defalarca inceleyen kişinin ilgisi, ödeme sayfasına gelip son adımda vazgeçen kişininkinden farklıdır. E-postaları tıklamadan açan kişi de tıklayıp birden fazla ürünü karşılaştıran ve siteye geri dönen kişiden farklı bir ihtiyaç sinyali verir.

Kampanya bu farkı yansıtmalıdır. Bilgilendirici bir mesaj, henüz değerlendirme aşamasında olan kişiye yardımcı olabilir. Bir hatırlatma, ödeme sürecini yarıda bırakan kişi için uygun olabilir. Tamamlayıcı bir öneri, satın alma işlemini zaten bitirmiş olana hitap edebilir. Amaç daha fazla iletişim göndermek değil, davranış ile içerik arasındaki mesafeyi azaltmaktır.

Ekonomik bağlam okumayı değiştirir

İtalyan haneleri üzerine yapılan araştırma, beyan edilen niyetler ile gözlemlenen davranışlar arasında farklı kümeler ortaya koyuyor. Tutarlı gruplar olduğu gibi daha çelişkili gruplar da var; dolayısıyla bir kişinin tercih ettiğini söylediği şey, satın aldığı şeyle her zaman örtüşmüyor.

2024 yılının ortasında, Parma Üniversitesi arşivinde yer alan araştırmada aktarılan Statista verisine göre, düşük gelirli İtalyan tüketicilerin %85'i zaten trade-down yaparak daha ekonomik alternatifleri tercih etmişti. Bu durum, otomatik olarak daha düşük bir sadakati göstermez. Geçici bir bütçe kısıtlamasına işaret edebilir.

Bu nedenle, perakende ve e-ticaret şirketleri davranış, fiyat, kategori, kanal ve bağlamı birlikte değerlendirmelidir. Fiyat hassasiyetini gerçek tercihle karıştıran bir segment, yanlış kampanyalara ve müşteri hakkında haksız sonuçlara yol açabilir.

Uygulama ve entegrasyon için en iyi uygulamalar

Statik segmentlerden dinamik segmentlere geçiş yalnızca algoritmaya bağlı değildir. İyi bir modele sahip bir KOBİ, CRM sitesiyle iletişim kurmuyorsa, e-postalar aynı tanımlayıcıyı paylaşmıyorsa ve satış ekibi olayları pazarlama ekibinden farklı yorumluyorsa yine de zayıf sonuçlar elde edebilir.

İtalyan işletmelerinde yapay zeka üzerine Intesa Sanpaolo'nun yıllık raporuna göre, İtalya'da yapay zeka benimsenmesi KOBİ'lere kıyasla büyük şirketlerde daha yaygın: yapay zeka çözümlerini kullanan büyük şirketlerin oranı %53,1 iken, KOBİ'lerde bu oran %15,7. Bu veri, yöntemin değer eksikliğini değil, altyapı, yetkinlik ve veri kalitesi açısından bir farkı işaret ediyor.

Teknolojiden önce işi organize edin

Sınırlı bir kullanım senaryosuyla başlayın. Amaç pasif müşterileri yeniden harekete geçirmekse, işletmeniz için “pasif” ne anlama geliyor, bunu hangi olaylar doğruluyor ve hangi ekip müdahale etmeli tanımlayın. Ardından sorumlulukları belirleyin: verileri kim kontrol ediyor, kampanyayı kim onaylıyor, sonucu kim ölçüyor.

Sürdürülebilir bir yaklaşım şunları içerir:

• Ticari hedef: iyileştirilecek bir kararı seçin.
• Öncelikli değişkenler: hedefle gerçekten bağlantılı az sayıda davranışsal değişken seçin.
• Entegrasyon: CRM, satış, site, e-posta ve e-ticareti birbirine bağlayın.
• Kontrollü test: segmenti genişletmeden önce sınırlı bir kampanyada deneyin.
• Gözden geçirme: KPI'ları, veri kalitesini ve giriş veya çıkış kurallarını kontrol edin.

Son derece karmaşık bir segmentasyonla başlamak gerekmez. İyi tanımlanmış, düzenli olarak güncellenen ve net bir eyleme bağlı küçük bir grup, kimsenin kullanmadığı düzinelerce kümeden daha fazla değer sunar.

Gizliliği projenin bir parçası olarak ele alın

Garante Privacy'nin profillemenin tanımında açıkladığı gibi, GDPR, profillemeyi tercihler, ilgi alanları, güvenilirlik, davranış, konum ve hareketler dahil olmak üzere kişisel yönleri değerlendirmek için kullanılan otomatik bir işleme biçimi olarak tanımlar. İtalya'da Garante, ayrıca veri toplamayı, ilgili kişilerin belirli amaçlar için homojen gruplara ayrılmasından ayırır.

Pazarlama profillemesi için, onayın kural olarak tanıtım iletişimlerinin gönderilmesine ilişkin onaydan özel ve ayrı olması gerekir. Aydınlatma metni profillemeyi açıklamalıdır, işleme faaliyetleri kaydı defterine kaydedilmelidir ve faaliyet büyük ölçekte gerçekleştiğinde, GDPR profillemesi üzerine İtalyan uygulamasının özetine göre bir etki değerlendirmesi gerekebilir.

Garante'nin Google davası da verilerin ön onay olmadan profilleme için kullanılamayacağını göstermektedir. Aydınlatma metni, Garante'nin Google hakkındaki kararından anlaşıldığı üzere, fingerprinting gibi teknikler dahil olmak üzere izlemeyi ve verilerin reklam amaçlı kullanımını açıkça açıklamalıdır.

Segment ile öngörücü profili birbirinden ayırın

Basit segmentasyon, bilinen özellikler üzerinde sorgular kullanabilir. Profilleme ise eğilimleri veya davranışları tahmin etmek için modeller, korelasyonlar ve çıkarımlar ekler; bu konuda profilleme ve segmentasyon arasındaki farklar üzerine yapılan analize göre.

Bu ayrım sorumlulukları değiştirir. Bir modeli devreye almadan önce hukuki dayanağı, şeffaflığı, veri kalitesini ve segmentin kullanımını açıklama olasılığını doğrula. ELECTE, an AI-powered data analytics platform for SMEs gibi bir platform, kaynakları birbirine bağlamaya, ön işleme ve analizi otomatikleştirmeye, kalıpları, anomalileri ve trendleri belirlemeye ve raporlar oluşturmaya yardımcı olabilir; ancak amaçların ve işlemlerin yönetimi şirketin sorumluluğunda kalır.

Teoriden pratiğe, sonraki adımlar

Davranışsal segmentasyon sadece büyük kurumlara özgü bir proje değildir. Gözlemlenebilir eylemleri günlük kararlara bağlamak için bir yöntemdir; perakende promosyonundan sepet yönetimine, finansal hizmetlerdeki sinyallerin okunmasına kadar.

Zaten sahip olduğun verilerden başla. Bir hedef seç, en önemli değişkenleri belirle, CRM, site, e-posta ve satışların birbiriyle iletişim kurabildiğini kontrol et ve yorumlanabilir bir ilk segment oluştur. Tepkiyi tutarlı KPI'larla ölç, ardından davranış, ekonomik bağlam veya şirket öncelikleri değiştiğinde kuralları güncelle.

Statik ve dinamik segmentasyon arasındaki fark yalnızca teknolojiden ibaret değildir. Ekibin, son bir satın alma veya kesintiye uğramış bir ödeme işlemi gibi bir olayı, zamanında ve gizliliğe duyarlı bir eyleme dönüştürme kapasitesinde yatar. Yapay zeka destekli bir süreç, manuel iş yükünü azaltabilir ve içgörüleri bir veri bilimi ekibi olmadan da erişilebilir kılabilir.

ELECTE, şirket kaynaklarını birbirine bağlar, satın alma davranışlarını otomatik olarak analiz eder ve segmentleri, anomalileri ve trendleri kullanılabilir raporlara dönüştürmeye yardımcı olur. Dinamik segmentasyonu KOBİ'nizin günlük çalışmasına nasıl taşıyacağınızı öğrenmek için ELECTE'yi ziyaret edin.