Por que a segmentação de clientes ainda é importante na Era do Big Data?
Na era do Big Data, é bastante comum entender a segmentação como uma metodologia antiga no mínimo, se for o caso, o impacto nos processos decisivos focados no cliente individual. A maioria das técnicas de segmentação são de natureza descritiva e, portanto, não conseguem captar a imaginação daqueles que desejam olhar na bola de cristal em usando a tecnologia mais recente. Isso porque as pessoas ainda pensam em métodos de segmentação relativamente simples, como velhos, jovens, ricos e pobres, etc. Na verdade, existe uma necessidade vital para a segmentação mais avançada.
Segmentação antiga
A técnica mais antiga é agrupar os clientes com base em suas características demográficas. Técnicas de segmentação ligeiramente mais sofisticados usam dimensões de valor, em vez de características demográficas. Esses envolvem a identificação de uma ou mais dimensões de valores, seguido pela divisão de cada uma das dimensões em caixas, geralmente de volumes iguais. Por exemplo, um varejista poderia descrever seus clientes tendo em mente os gastos anual. Essas técnicas são relativamente fáceis de desenvolver e muito útil para a elaboração de relatórios e acompanhamento descritivo, mas geralmente não fornecem muita informação para além desse ponto.
Uma melhoria sobre estas abordagens é usar dimensões comportamentais, juntamente com dimensões de valores. Isto permite a identificação de grupos de clientes que são comportamentalmente semelhantes, mas que diferem em valores, ou vice-versa. A abordagem exige usando uma técnica orientada aos dados para identificar os segmentos e classes de clientes. Os segmentos são muito mais sutil e permitir a identificação dos fatores que geram valor para o cliente. Armado com este conhecimento, os profissionais de marketing sofisticadas usam os estímulos externos para influenciar o comportamento do cliente para gerar valores mais elevados. Ainda assim, esses segmentos não são acionáveis, como eles não diferenciam os clientes com base em resultados futuros. Outro desafio enfrentado é que os classes pressupõe o número de segmentos e isso muitas vezes envolve pobres adivinhação.
Segmentação no mundo de Big Data
Nossa abordagem moderna supera estas limitações usando inovações muito poderosos. Usando uma técnica de pesquisa genética baseada em algoritmo, o número ótimo de segmentos de cliente pode ser identificado facilmente. Esses segmentos têm um mínimo de sobreposição entre os segmentos e separação mínima dentro dos segmentos. Os segmentos são projetados para fornecer separação máxima em certas dimensões pré-determinadas,. Os motores de relevância são usadas apenas durante a identificação do segmento, mas não são necessários para a pontuação. Assim, estas são ideais para a definição de futuras medidas de desempenho como de risco futuro ou renda futura.
Usando os segmentos, uma organização financeira pode não só identificar os grupos comportamentalmente distintas que diferem em seu valor histórico para a organização, mas também pode prever futuros resultados desejados como de risco e a renda. No então, as ações adequadas podem ser identificadas para cada segmento com base em comportamento histórico e valor dele, e os resultados futuros esperados. Esses segmentos podem ser usados no lugar de combinações mais caras de modelos preditivos para as ações orientadas para o cliente à medida que o número de clientes ou contas é relativamente baixa, geralmente sob alguns milhões. Esses segmentos não só fornecem uma maneira poderosa de descrever segmentos acionáveis para todos os tamanhos de organizações, mas também fornecem uma maneira mais barata para as organizações de pequeno e médio porte para executar ações centrados diretamente no cliente.
Autor: Qual Banco