Veri Segmentasyonu
Veri segmentasyonu; bir veri setini, genellikle müşterileri, kullanıcıları veya hesapları, anlamlı özellikleri ya da davranışları paylaşan gruplara ayırma pratiğidir; böylece her grup farklı şekilde analiz edilebilir, hedeflenebilir veya hizmet alabilir.
Veri segmentasyonu nedir?
Segmentasyon, gerçekte var olmayan tek bir ortalama müşterinin yerine farklı davranan birkaç gerçek grubu koyar. %4'lük genel bir churn oranı, %1'lik bir segmenti ve %12'lik bir başka segmenti gizleyebilir; her biri farklı bir yanıt gerektirir.
Segmentler dört tür özellikten oluşturulur:
Demografik veya firmografik: yaş, bölge, şirket büyüklüğü, sektör.
Davranışsal: satın almalar, oturum açmalar, özellik kullanımı, kanal.
Değere dayalı: gelir, marj veya müşteri yaşam boyu değeri.
İhtiyaçlar veya tutumlar: anket yanıtları, belirtilen hedefler, destek konuları.
Faydalı bir segment ölçülebilir, üzerinde aksiyon alınabilecek kadar büyük ve verdiği tepki bakımından ayırt edicidir. Ayrıca ulaşılabilir olmalıdır: CRM veya e-posta aracı grubu hedefleyemiyorsa analiz bir sunum slaytı olarak kalır. Çoğu ekip müşterilerle başlar; ancak aynı mantık ürünler, mağazalar, tedarikçiler veya destek talepleri için de geçerlidir.
Başlıca veri segmentasyonu yöntemleri nelerdir?
Yöntem, kaç boyuta ihtiyaç duyduğunuza ve sonucun ne kadar açıklanabilir olması gerektiğine uygun olmalıdır.
Kural tabanlı: "son 90 günde sipariş vermiş ve harcaması 500 $'ın üzerinde" gibi basit filtreler. Açıklaması ve sürdürmesi kolaydır.
RFM: her müşteriyi Recency (yakınlık), Frequency (sıklık) ve Monetary (parasal değer) açısından 1–5 arasında puanlayın, ardından puan kombinasyonlarını gruplayın; örneğin 5-5-5 şampiyonlardır.
Kümeleme: k-means gibi algoritmalar, birçok değişkende aynı anda grupları bulur; bkz. kümeleme analizi.
Tahmine dayalı: churn riski veya lead skoru gibi model skorlarına göre gruplayın.
Pazarlama için kural tabanlı ve RFM segmentleri çoğu zaman yeterlidir; kümeleme ise henüz kimsenin adlandırmadığı örüntülerden şüphelendiğinizde işe yarar.
Veri segmentasyonu pratikte nasıl görünür?
Bir segment, yalnızca farklı bir etikete değil, farklı bir aksiyona yol açtığında yerini hak eder. Shopify ve Recharge üzerinde 40.000 abonesi olan bir kahve abonelik şirketini ele alalım.
Diyelim ki ekip siparişleri BigQuery'ye aktarıyor ve RFM skorlarını hesaplıyor. Üç grup öne çıkıyor: sık sipariş veren ama sık sık teslimat atlayan aboneler, uzun süredir alışveriş yapmayan tek seferlik alıcılar ve varsayılan harmanını hiç değiştirmemiş yeni aboneler.
Her biri kendi Klaviyo akışını alıyor. Sık atlayanlara indirim yerine daha seyrek bir teslimat sıklığı öneriliyor; uzun süredir alışveriş yapmayanlara bir deneme paketi teklifi sunuluyor; yeni abonelere ise bir harman testi gönderiliyor. Ekip, her segmentin elde tutma oranını standart e-postaları alan bir kontrol grubuyla karşılaştırıyor ve yalnızca onu geride bırakan akışları koruyor. RFM skorları haftalık olarak yeniden hesaplanıyor; böylece teslimat atlamaya başlayan bir abone, üç aylık bir gözden geçirmeyi beklemeden otomatik olarak doğru akışa geçiyor.
Veri segmentasyonunun tuzakları nelerdir?
Çok fazla segment, klasik başarısızlıktır: ekip her biri için neyi farklı yaptığını söyleyemiyorsa onları birleştirin. Aksiyon alınabilir beş segment, son derece hassas yirmi segmentten daha iyidir.
Statik segmentler: müşteriler gruplar arasında geçiş yapar; bu yüzden segmentleri düzenli olarak yeniden hesaplayın.
Çok küçük segmentler: 200 kişiden elde edilen sonuçlar güvenilemeyecek kadar gürültülüdür.
Hassas özellikler: sağlık veya etnik köken üzerinden segmentasyon, GDPR'ın özel nitelikli veri kurallarını ihlal edebilir ve güveni zedeleyebilir.
Anlamsız kümeler: k-means, veride gerçek bir yapı olmasa bile her zaman gruplar döndürür.
Örtüşmeyi de kontrol edin: müşterilerin çoğu birden fazla segmentte yer alıyorsa kampanyalar çakışır ve raporlama mükerrer sayım yapar. Segmentasyon kişiselleştirme değildir; genellikle ondan önce gelen, daha kaba bir adımdır.
Veri segmentasyonunda hangi araçlar kullanılır?
Çoğu şirket segmentasyonu veri ambarında yapar ve segmentleri müşterilerle iletişim kuran araçlarda devreye alır. Tipik bir teknoloji yığını:
Oluşturma: Snowflake veya BigQuery'de SQL, kümeleme için pandas ve scikit-learn ile Python.
Profilleri birleştirme: Segment veya mParticle gibi bir müşteri veri platformu.
Devreye alma: HubSpot listeleri, Klaviyo segmentleri veya Meta özel hedef kitleleri; genellikle Hightouch veya Census gibi reverse ETL araçlarıyla senkronize edilir.
Analiz: segment davranışlarını karşılaştırmak için Power BI, Tableau veya Amplitude kohortları.
Segment mantığını her pazarlama aracının içinde ayrı ayrı değil, veri ambarında tutmak, her ekibin "kaybedilmiş" veya "yüksek değerli" için aynı tanımı kullanması anlamına gelir.
Kural tabanlı ve kümeleme tabanlı segmentasyon
Kural tabanlı segmentasyon | Kümeleme tabanlı segmentasyon | |
|---|---|---|
Gruplar nasıl oluşturulur | Analistin tanımladığı filtreler | Algoritma benzer kayıtları bulur |
Açıklanabilirlik | Yüksek | Sonradan yorumlanması gerekir |
İyi işlenen değişken sayısı | Birkaç | Aynı anda çok sayıda |
Tipik araçlar | SQL, HubSpot listeleri, Klaviyo | Python, scikit-learn, k-means |
En uygun olduğu durum | Bilinen iş mantığı | Adlandırılmamış örüntüleri keşfetmek |
VIZIO AI veri segmentasyonunu nasıl kurar?
VIZIO AI, ekiplerin hangi grupların ilgi gerektirdiğini görüp aynı ekrandan aksiyon alabilmesi için segmentasyonu doğrudan panellerin içine yerleştirir. Küresel bir medya ve eğlence şirketi için DX Studio ekibimiz oltalama ve eğitim verilerini departmana, risk skoruna ve tekrar eden ihlalcilere göre segmentlere ayırdı ve yüksek riskli gruplar için eşik uyarıları ekledi. Güvenlik eğitimi sonuçlarının analizi 4 kat hızlandı.
Küresel bir premium alkollü içki şirketi için potansiyel müşteri değeri, tekrar eden değer ve beyaz alan (whitespace) filtreleri, restoran hesaplarını saha temsilcileri için segmentlere ayırdı; hedef dönüşüm doğruluğunu %23 artırdı ve temsilci başına haftada 3,4 saat tasarruf sağladı.
Nereden başlamalı: müşteri tablonuzda RFM skorlarını hesaplayın ve en üstteki segmentin zaten farklı davranıp davranmadığını kontrol edin.
VIZIO AI vaka çalışmalarında Veri Segmentasyonu
- Cybersecurity Awareness Intelligence ›Departman düzeyindeki risk segmentleri ve tekrar eden ihlalci görünümleri, güvenlik eğitimi sonuçlarının analizini 4 kat hızlandırdı.
- Interactive Sales Intelligence ›Potansiyel müşteri değeri ve beyaz alan segmentleri, saha satış temsilcileri için hedef dönüşüm doğruluğunu %23 artırdı.