Segmentering av kunder inom detaljhandel

Att erhålla och agera på kunddata genom segmentering kan ha en enorm inverkan på marknadsföring och försäljning, bibehållande av kundrelationer, kundservice med mera.

Den noggranna analysen av en så stor mängd kunddata kan vara skrämmande. Genom att använda verktyg och programvara som WE Analyze kan detaljhandelsbanker enkelt samla in data som konsumtionsvanor, frekvens och kapacitet, och sedan använda denna information för att identifiera den lämpligaste tidpunkten för att ge ett låneerbjudande. Denna riktade åtgärd ökar i sin tur sannolikheten för att detaljhandelsbankerna ska få ökade intäkter genom kundlån.

En banks tillvägagångssätt för kundsegmentering kan variera kraftigt och måste baseras på organisationens affärsmodell och prioriteringar. Segmenteringarna kan vara kvantitativa, till exempel efter ålder och kön, eller de kan vara kvalitativa, till exempel uppdelning efter värderingar och intressen.

Maximalt värde uppnås när bankerna slår samman båda typerna av data för att bättre förstå önskemålen och behoven hos sina kundsegment, vilket gör att de kan erbjuda rätt produkt eller tjänst vid rätt tidpunkt.

Källa

Common Types of Retail Banking Customer Segmentation

Det finns många sätt att segmentera kunder. Traditionellt sett är segmenten demografiska, geografiska eller produktbaserade. Och som detta exempel på en marknadsföringsplan visar kan en detaljhandelsbank med grundläggande demografisk och geografisk information skräddarsy sina marknadsföringsinsatser så att de är personligt anpassade för att möta konsumenternas efterfrågan.

Här är några av de mer traditionella segmenteringskategorierna som detaljhandelsbanker kan överväga:

• Plats: Marknadsföringsinsatser inriktade på specifika geografiska områden.
• Kön: Fördelaktigt vid marknadsföring av mans- och kvinnospecifika produkter på nätet.
• Ålder: Förbättra åldersbaserade förutsägelser om kunder. T.ex. är millennials mer mottagliga för digitala marknadsföringsstrategier, där de flesta har ett e-postkonto som är avsett för reklaminnehåll och över 95 % av dem prenumererar på e-postlistor efter att ha ”gillat” ett företags Facebook-sida, medan baby boomers tenderar att vara mer ekonomiskt stabila och ha högre varumärkeslojalitet.
• Inkomstnivåer: Reklam för vissa produkter till kunder baserat på inkomstnivå. Bankerna kan utforma segment utifrån en förmögenhetsmodell, där segmenten kategoriseras utifrån liknande egenskaper och demografi och ger en inblick i de potentiella utgifterna för dessa konsumenter.

Förmögenhetsmodeller är användbara eftersom de omvandlar vissa kvalitativa attribut till kvantitativa poäng. Med hjälp av förmögenhetsmodellering kan bankerna veta var de ska fokusera sina förvärvs- och marknadsföringsinsatser för att rikta in sig på kunder som ger den högsta avkastningen på investeringen.

När denna information har samlats in förfinar bankerna dessa segment genom att analysera kundernas konsumtionsvanor och kapacitet för att öka intäkterna genom att veta vilken produkt eller tjänst som bör erbjudas och när. På senare år har man lagt större vikt vid segment som innefattar kundernas utgiftsbeteende eller intressen, och ofta blir man ganska detaljerad med variablerna, eftersom det finns många faktorer som påverkar en kunds vilja att spendera pengar.

Källa

Exempel på segment inom detaljhandeln

När en bank kan kategorisera och förstå kunden de arbetar med kan de använda programvara för att lära sig hur de bäst kan hjälpa dem. Här är tre exempel på segment inom retail banking och hur de kan kontaktas för relevanta tjänster och marknadsföring:

• • En familj som bor i en förort med två barn under sex år i ett hus på mindre än 1200 kvm, som har en nettoförmögenhet på över 500 000 dollar. Detta segment kan vara attraktivt för kandidater som söker bostadslån för att flytta till ett större hus.
  • En befintlig kund som bara har ett billån på 30 000 dollar hos din bank, men som också är företagare. Detta segment kan kontaktas för affärsbank, kreditlinje eller lån/leasing av utrustning.
  • En befintlig kund som har mindre än 50 000 dollar på dina konton, men som också har flaggats som en ackrediterad investerare. Det här segmentet skulle kunna vara öppet för era private banking- eller förmögenhetsförvaltningstjänster.
  • En befintlig kund som har en nettoförmögenhet på över 500 000 dollar och ett barn i åldern 17 år som har ett betalkort hos er bank. Detta segment kan utnyttjas för att visa hur man kan hjälpa sitt barn att bygga upp en kredit med hjälp av ett säkrat kreditkort. Detta fungerar på samma sätt som ett betalkort (som deras föräldrar kanske är villiga att finansiera), men deras användnings- och återbetalningshistorik rapporteras till kreditupplysningsföretagen för att hjälpa dem att börja bygga upp en kredithistorik.

För banker som vill få ut det mesta av sin segmentering är det avgörande för att behålla kunderna och förutsäga deras behov att veta hur man använder information om förmögenhet och livsstil för att rikta sig till rätt målgrupp med rätt tjänster.

Hur dataanalys används i detaljhandelsbankers kundsegmentering

När detaljhandelsbankerna börjar samla in och sortera nyckeldata från sin användarbas kan analyser användas för att omvandla kunddata till användbara insikter för vart och ett av sina konsumentsegment. Som tidigare nämnts används dataanalyser oftast vid segmentering av kunder i detaljhandelsbanker för att identifiera gemensamma drag eller egenskaper hos kunderna för att anpassa service- eller produkterbjudanden.

Marknadsföringsprogramvara hjälper företag att fylla luckorna i sin kunddatabas genom att använda databerikning, datarengöring, säker leverans och uppdateringar i realtid för att upprätthålla högkvalitativa data. Automatisering ger ökad effektivitet jämfört med de resurser som går förlorade när de används manuellt för att underhålla och uppdatera databaser, vilket gör att mer tid kan avsättas för att bygga starkare relationer med varje kundsegment.

Köpare av bankkunder

En noggrann köpare av bankkunder kan leda till mycket mer kundengagemang och försäljning snabbare. Den styrs av data. Det är där som en förmögenhetsscreening verkligen kan påskynda dina marknadsföringsinsatser.

Vermögenhetsscreening genom WE Screen använder sig av egenutvecklade förmögenhetspoäng och -klassificeringar och sammanfogar dem med aktuella kunddata, vilket gör det möjligt för företag att få mer information om konsumenternas intressen, politiska tillhörighet, förmögenhet och förmåga att spendera pengar. Dessa insikter kan tillämpas på segment för att skapa en mängd olika initiativ, t.ex. för att minska antalet kunder som lämnar företaget, förbättra nöjdheten med mera.

Med WE Screen kan banker samla in analyser om kunder från deras livsstilssegment med hjälp av affinitetsvärden som tillämpas på deras data.

Med hjälp av en Look-alike-modell

Med hjälp av segmentering och affinitetspoäng kan bankerna rangordna konsumenter efter variabler som t.ex. nettoförmögenhet eller kontanta medel för att identifiera sina mest (och minst) värdefulla kundsegment, vilket gör det möjligt för dem att koncentrera särskilda marknadsföringsinsatser direkt till sina bästa konsumenter.

Skapa en look-alike-modell för dessa kunder för denna tillämpning av dataanalys vidare, vilket gör det möjligt för bankerna att rikta in sig på prospektsegment som de vet kommer att ge en högre vinst. Look-alike-modellering gör det möjligt för bankerna att samla in och identifiera gemensamma drag från ett visst kundsegment och hitta nya potentiella kunder som matchar samma kriterier.

Bankerna kan använda den här informationen för att skapa personliga meddelanden för potentiella kunder som ger resonans med dem från den allra första interaktionen baserat på det eller de segment de tillhör. Detta ökar ofta konverteringarna och bygger starkare relationer med konsumenterna.

Detaljbanker kan använda annan grundläggande konsumentinformation för att snabbare identifiera trender bland kundsegmenten och använda den för att ytterligare anpassa interaktionerna. Några av dessa datapunkter är:

• Förvärvskälla: Notera var en ny konsument förvärvades. Detta hjälper till att spåra varifrån nya kunder kommer, vilket gör det möjligt för bankerna att dra nytta av dessa kanaler.

• Initiala utgifter: Bankerna kan identifiera det första inköp som en ny konsument gör, vilket hjälper dem att göra bättre förutsägelser om kundernas framtida behov och inköp.

• Användning av enheter: Detta gör det möjligt för bankerna att förstå vilka enheter kunderna använder för olika tjänster, vilket klargör vilka åtgärder som kan optimera dessa interaktioner och engagemang.

Då det finns så många delar av kunddata som kan analyseras blir datautvinning alltmer populärt för större finansinstitut. Banker använder datautvinning för att tillämpa omfattande analyser på aktuella data och för att upptäcka trender som annars kanske inte skulle framträda.

En bank kan till exempel använda data mining-analyser för att upptäcka de fem främsta attributen som delas av kunder med högst livstidsvärde (LTV). Genom att känna till dessa nyckelegenskaper kan bankerna koncentrera sina marknadsföringsinsatser genom att skapa personliga kampanjer som riktar sig till kunder med högt värde.

Dataanalyser som utförs på kundsegment kan också användas för att skapa effektivare prediktiva modeller för detaljhandelsbanker. När maskininlärning integreras kan den använda dessa modeller för att skapa en smidigare kundupplevelse genom att bättre förutse vad kunderna behöver och när.

Källa

Maskininlärning

Maskininlärning vinner mark och förutspås få en positiv inverkan på nästan alla aspekter av större teknikdrivna organisationer. 57 % av de yrkesverksamma inom teknikbranschen förväntar sig att maskininlärning kommer att bidra till en bättre kundupplevelse.

Fördelar med segmentering av kunder i detaljhandelsbanker

Genom en gedigen förståelse för sina kundsegment kan detaljhandelsbanker anpassa konsumentupplevelser och snabbt skapa genuina relationer med nya och befintliga kunder. Att förbättra dessa insatser leder till minskade kostnader och ökade intäkter. Nedan följer en lista över vanliga fördelar som härrör från kundsegmentering:

• • Lägre förvärvskostnader

Med hjälp av kundsegmentering kan bankerna sätta in mer personliga initiativ som ökar sannolikheten för att potentiella kunder blir kunder. Bankerna kan också generera specialiserade insatser mot segment som ger högst lönsamhet. Ett sätt att uppnå detta är att använda en look-alike-modell.

• • Ökad försäljning

Genom att känna till kundernas intressen, vanor och önskemål kan bankerna erbjuda kunderna exakt det som de söker när de behöver det som mest, vilket leder till ökade intäkter.

• • Prognos för Customer Lifetime Value (CLV)

CLV hjälper bankerna att identifiera sina mest värdefulla kundsegment så att de kan fokusera på att förvärva kunder som genererar mest intäkter över tid.

• • Minskad churn

Skapa en personlig upplevelse för detaljhandelskundersegmenten ökar kundtillfredsställelsen, vilket ofta leder till ökad kundbevaring och varumärkeslojalitet, vilket minskar churnfrekvensen.

• • Förbättrade marknadsföringskampanjer

Med hjälp av kundsegment kan detaljhandelsbankerna bestämma det bästa sättet att attrahera nya kunder, bygga upp varumärkeslojalitet och marknadsföra specifika produkter. Att ha en bättre förståelse för målgruppssegmenten kommer att leda till ökad konverteringsgrad.

Kundersegmentering gör marknadsföring, produktutveckling och till och med kundservice effektivare genom att hjälpa detaljhandelsbanker att få ytterligare insikt i specifika grupperingar inom sin kundbas.

För att börja segmentera din kundlista, besök WealthEngine idag för att se alla de kraftfulla verktyg som vår plattform erbjuder för att hjälpa organisationer att omvandla data till handling.