आप 100,000 सब्सक्राइबर को ईमेल कैंपेन भेज रहे हैं। आप सबको एक ही संदेश भेजते हैं। 2% कन्वर्ट होते हैं। अब सोचिए कि आप भेजने से पहले ही अनुमान लगा सकते कि कौन से 10,000 सब्सक्राइबर सच में दिलचस्पी रखेंगे, और उन्हें ज़्यादा दमदार ऑफ़र भेजते। आप उन 10,000 में से 8% (800 लोग) कन्वर्ट करते, बजाय 100,000 में से 2% (2,000 लोग) के। लेकिन क्योंकि आपने बाकी 90,000 बेदिलचस्प लोगों को छोड़ दिया, आपकी प्रति ग्राहक लागत 75% गिर गई। यही प्रेडिक्टिव सेगमेंटेशन है: विज़िटर को इस आधार पर ग्रुप करना कि वे आगे क्या करेंगे, सिर्फ़ इस आधार पर नहीं कि उन्होंने पहले क्या किया।
प्रेडिक्टिव सेगमेंटेशन मशीन लर्निंग से पहचानता है कि कौन से विज़िटर भविष्य में कोई क्रिया करेंगे (खरीदना, छोड़ना, अपग्रेड करना, किसी को बताना)। बेसिक सेगमेंटेशन विज़िटर को पुराने व्यवहार के आधार पर ग्रुप में बाँटता है (भौगोलिक लोकेशन, ट्रैफ़िक सोर्स, देखे गए पेज)। प्रेडिक्टिव सेगमेंटेशन उन्हें अनुमानित आगे के व्यवहार से बाँटता है (खरीदने की संभावना, छोड़ने की संभावना, लाइफ़टाइम वैल्यू का अनुमान)। बिज़नेस पर असर में फ़र्क बहुत बड़ा है।
AI विज़िटर को आपसे अलग तरह से कैसे ग्रुप करता है?
कोई भी एनालिटिक्स डैशबोर्ड लें, वही सेगमेंटेशन मिलेगा: ट्रैफ़िक सोर्स, डिवाइस का प्रकार, इलाका, शायद कुछ व्यवहार के सेगमेंट। ये काम के सेगमेंट हैं। लेकिन ये इस पर आधारित हैं कि आपने क्या ट्रैक करना चुना और आपने हाथ से क्या मायने रखता मान लिया। देखें कि AI सिस्टम उसी डेटा के साथ क्या कर सकता है, तो पता चलेगा कि वह विज़िटर को ऐसे पैटर्न से ग्रुप करता है जो आप कभी नोटिस नहीं करते।
हाथ से किया सेगमेंटेशन इस पर सीमित है कि आप क्या नापने की सोचते हैं। आप "पेड विज्ञापन से आए यूज़र्स" और "ऑर्गेनिक सर्च से आए यूज़र्स" में बाँटते हैं। ये साफ़ बातें हैं। AI सेगमेंटेशन पूछता है: पेड विज्ञापन से आए यूज़र्स में से कौन कन्वर्ट करेंगे और कौन नहीं? वह पाता है कि जो यूज़र्स विज्ञापन पर क्लिक करते हैं, फिर चले जाते हैं, फिर 6 घंटे के भीतर वापस आते हैं, उनका कन्वर्ज़न रेट 3 गुना है। यह ऐसा माइक्रो-सेगमेंट है जो आप बनाने की सोचते भी नहीं। लेकिन यह कीमती है।
AI ऐसे पैटर्न ढूँढता है जो साफ़ नहीं दिखते। आप देखते हैं कि आपकी औसत ऑर्डर वैल्यू $50 है। AI पाता है कि जो यूज़र्स प्रोडक्ट पेज इस खास क्रम में देखते हैं, उनकी AOV $80 है। जो यूज़र्स कार्ट में डालने से पहले प्राइसिंग देखते हैं, उनकी AOV $30 है। ये पैटर्न आपके डेटा में मौजूद हैं। इंसान को इन्हें ढूँढने में महीने लगते। AI मॉडल इन्हें घंटों में ढूँढ लेता है।
AI हज़ारों संयोजन परखता है। इंसान हाथ से 5-10 सेगमेंटेशन आइडिया परख सकता है। AI हज़ारों परखता है। वह ऐसे सेगमेंट ढूँढता है जो सच में व्यवहार का अनुमान देते हैं (क्या वे खरीदेंगे?), उन सेगमेंट की जगह जो तर्कसंगत लगते हैं पर काम नहीं करते (हमने सोचा था इलाका मायने रखता है, पर नहीं रखता)। डेटा पर आधारित यह तरीका हर बार इंसानी अंदाज़े से बेहतर रहता है।
सबसे अहम बात, AI लगातार अपडेट होता रहता है। आप जुलाई के डेटा के आधार पर कोई सेगमेंट बना सकते हैं। अक्टूबर तक पैटर्न बदल चुका होता है। हाथ से बनाए सेगमेंट पुराने पड़ जाते हैं। AI के सेगमेंट नया डेटा आने पर अपने आप अपडेट होते हैं। अनुमान सटीक रहते हैं क्योंकि वे हमेशा मौजूदा पैटर्न पर आधारित होते हैं।
AI विज़िटर के बारे में असल में क्या अनुमान लगा सकता है?
देखें कि प्रेडिक्टिव एनालिटिक्स क्या अनुमान लगा सकता है, तो हर जगह मौके दिखेंगे। मुख्य बात ऐसे अनुमान चुनना है जो बिज़नेस फ़ैसलों के लिए मायने रखते हों।
खरीदने की मंशा: अगले 30 दिन में कौन से विज़िटर खरीदेंगे? कौन कभी नहीं खरीदेंगे? कौन दुविधा में हैं? AI यह व्यवहार के पैटर्न से बता सकता है (कितने पेज देखे, साइट पर समय, कार्ट में डालकर खरीदे बिना छोड़ना)। ज़्यादा मंशा वाले विज़िटर को प्रीमियम ऑफ़र मिलता है। बिल्कुल मंशा न रखने वालों को उन्हें समझाने के लिए मुफ़्त गाइड मिलती है। दुविधा वाले विज़िटर को सीमित समय की छूट मिलती है।
चर्न का जोखिम: अगले महीने कौन से ग्राहक छोड़ने के जोखिम में हैं? AI शुरुआती चेतावनी के संकेत ढूँढता है: जुड़ाव घटना, फ़ीचर इस्तेमाल घटना, सपोर्ट टिकट बढ़ना। इन ग्राहकों को पहचानकर आप उनके छोड़ने से पहले दखल दे सकते हैं। सही समय पर दिया गया ऑफ़र या प्रोडक्ट में सुधार उन्हें रोक सकता है।
लाइफ़टाइम वैल्यू: कौन से ग्राहक अपने पूरे जीवनकाल में सबसे ज़्यादा खर्च करेंगे? यह साफ़ नहीं दिखता। जो ग्राहक पहले दिन $100 खर्च करता है, शायद कभी वापस न आए। जो ग्राहक पहले दिन $20 खर्च करता है, पाँच साल में $2,000 खर्च कर सकता है। AI सीखता है कि कौन सी खूबियाँ ज़्यादा लाइफ़टाइम वैल्यू का अनुमान देती हैं (चाहे वे इस्तेमाल के पैटर्न हों, फ़ीचर अपनाना हो, या जुड़ाव का स्तर)। फिर आप ज़्यादा LTV वाले ग्राहक जुटाने और रोकने पर संसाधन लगा सकते हैं।
अगली क्रिया की संभावना: क्या यह विज़िटर अपना प्लान अपग्रेड करेगा? क्या वह किसी दोस्त को बताएगा? क्या वह दोबारा आएगा? आपके बिज़नेस के लिए जो भी क्रिया मायने रखती है, AI उसकी संभावना का अनुमान लगा सकता है। फिर आप विज़िटर को इन संभावनाओं से सेगमेंट करते हैं और हर एक के लिए अनुभव बदलते हैं।
कंटेंट की पसंद: इस विज़िटर को कौन से ब्लॉग विषय काम के लगेंगे? कौन से फ़ीचर की उन्हें सबसे ज़्यादा परवाह होगी? कौन सी प्रोडक्ट कैटेगरी में उनकी दिलचस्पी है? AI व्यवहार से ये पसंद सीखता है और अगले कदम सुझा सकता है। जिस विज़िटर की एडवांस्ड फ़ीचर में दिलचस्पी है, उसे फ़ीचर की तुलना दिखती है। जिसकी दिलचस्पी इस्तेमाल में आसानी में है, उसे सरलता की गाइड दिखती है।
सिर्फ़ पुराने डेटा का विश्लेषण करने की बजाय आगे के व्यवहार का अनुमान क्यों लगाएँ?
ज़्यादातर एनालिटिक्स टीमों से पूछें कि वे सेगमेंट कैसे बनाती हैं, तो वे पुराने व्यवहार का ज़िक्र करेंगी। "ज़्यादा जुड़ाव वाले यूज़र्स", यानी जिन्होंने बहुत जुड़ाव दिखाया। "हाल के विज़िटर", यानी जो पिछले हफ़्ते आए। यह विश्लेषण है। यह बताता है कि क्या हुआ। लेकिन बिज़नेस का सवाल आम तौर पर होता है: आगे क्या होगा? अनुमान इसका जवाब देता है।
अगर कुछ भी बदल गया हो तो पुराना व्यवहार आगे के व्यवहार का कमज़ोर अनुमान है। जिस ग्राहक ने छह महीने पहले खरीदा था, वह अगले महीने छोड़ सकता है। पहली बार आने वाला विज़िटर वफ़ादार ग्राहक बन सकता है। आप यह नहीं मान सकते कि भविष्य अतीत जैसा दिखेगा। प्रेडिक्टिव मॉडल इसका ध्यान रखते हैं, यह सीखकर कि कौन से संकेत सच में भविष्य का अनुमान देते हैं।
प्रेडिक्टिव सेगमेंटेशन आपको पहले से कदम उठाने देता है। अगर आपको पता है कि कोई ग्राहक अगले महीने छोड़ेगा, तो आपके पास संपर्क करने, प्रोडक्ट सुधारने या कोई प्रोत्साहन देने का समय है। अगर आप चर्न को होने के बाद ही नोटिस करते हैं (पुराने व्यवहार का विश्लेषण), तो आप उन्हें खो चुके हैं। पहले से कदम उठाने और बाद में प्रतिक्रिया देने में बहुत बड़ा फ़र्क है।
प्रेडिक्टिव सेगमेंटेशन संसाधनों का बँटवारा भी बेहतर करता है। आपका मार्केटिंग बजट सीमित है। आप उसे सभी ग्राहकों पर खर्च कर सकते हैं (कम ROI) या ज़्यादा LTV वाले ग्राहकों पर (ज़्यादा ROI)। प्रेडिक्टिव सेगमेंटेशन पहचानता है कि किन ग्राहकों पर ध्यान देना है। आप कम खर्च करते हैं और ज़्यादा कमाते हैं।
प्रेडिक्टिव सेगमेंटेशन असल में कैसे लागू करें?
पहले तय करें कि आप किसका अनुमान लगाना चाहते हैं। हर अनुमान बनाने लायक नहीं होता। ऐसे अनुमान चुनें जो बिज़नेस के सवालों का जवाब दें: "कौन खरीदेगा?" "कौन छोड़ेगा?" "हमारे सबसे कीमती ग्राहक कौन हैं?" "कौन यह फ़ीचर अपनाएगा?" कोई एक चुनें। उसका मॉडल बनाएँ। देखें कि काम करता है या नहीं।
अगला कदम डेटा की तैयारी है। मॉडल को साफ़ डेटा चाहिए। उसे सही संकेत चाहिए। अगर आप खरीदने की संभावना का अनुमान लगाना चाहते हैं, तो मॉडल को ब्राउज़िंग व्यवहार, कार्ट इंटरैक्शन, साइट पर समय और यह डेटा चाहिए कि उन्होंने खरीदा या नहीं। अगर संकेत कम हैं, तो मॉडल खराब प्रदर्शन करेगा। पहले अपने डेटा कलेक्शन की जाँच करें।
कई एनालिटिक्स प्लेटफ़ॉर्म में अब प्रेडिक्टिव सेगमेंटेशन एक फ़ीचर के रूप में शामिल होता है। कुछ में प्रेडिक्टिव कोहोर्ट होते हैं। कुछ प्रोडक्ट एनालिटिक्स प्लेटफ़ॉर्म में AI सेगमेंटेशन होता है। ये कस्टम मॉडल बनाने से आसान हैं। प्लेटफ़ॉर्म के अपने फ़ीचर से शुरू करें। कस्टम मॉडल तभी बनाएँ जब आपको ऐसे अनुमान चाहिए जो प्लेटफ़ॉर्म नहीं देता।
अनुमान मिलने के बाद अपने ऑडियंस को सेगमेंट करें। ज़्यादा खरीदने की मंशा वाले विज़िटर एक सेगमेंट में जाते हैं। कम मंशा वाले दूसरे में। ज़्यादा चर्न जोखिम वाले रिटेंशन सेगमेंट में। फिर हर एक के लिए अनुभव अपने हिसाब से बनाएँ। ज़्यादा मंशा वाले विज़िटर को प्राइसिंग पेज दिखे। कम मंशा वाले को जानकारी वाला कंटेंट। चर्न के जोखिम वाले ग्राहकों से कस्टमर सक्सेस टीम संपर्क करे।
आखिर में, जाँचें कि अनुमान काम करते हैं। एक A/B टेस्ट चलाएँ। अनुमानित ज़्यादा मंशा वाले विज़िटर को प्रीमियम ऑफ़र भेजें। एक कंट्रोल ग्रुप को सामान्य ऑफ़र भेजें। क्या ज़्यादा मंशा वाला ग्रुप बेहतर कन्वर्ट करता है? अगर हाँ, तो मॉडल काम करता है। अगर नहीं, तो उसे ठीक करें। ज़्यादातर मॉडल को भरोसेमंद बनने से पहले सुधार की ज़रूरत होती है।
AI के अनुमानों पर निर्भर रहने के जोखिम क्या हैं?
AI के अनुमान उतने ही अच्छे होते हैं जितना उस डेटा का स्तर जिस पर वे ट्रेन हुए हैं। अगर आपका पुराना डेटा पक्षपाती है (आपने ग्राहक सिर्फ़ एक चैनल, एक इलाके, एक मौसम से जुटाए), तो मॉडल वही पक्षपात सीख लेता है। वह सोचता है कि सिर्फ़ यही ग्राहक वाला प्रकार काम करता है। जब आप किसी दूसरे चैनल से ग्राहक जुटाने की कोशिश करते हैं, तो मॉडल के अनुमान फ़ेल हो जाते हैं।
अनुमान समय के साथ कमज़ोर पड़ते हैं। Q1 के डेटा पर ट्रेन हुआ मॉडल Q1 में अच्छा चल सकता है। Q3 तक बाज़ार की स्थितियाँ बदल चुकी होती हैं। आपके ग्राहक बदल चुके होते हैं। मॉडल पुराना पड़ गया है। अच्छे प्रेडिक्टिव सिस्टम नए डेटा के साथ नियमित रूप से दोबारा ट्रेन होते हैं (हर महीने या तिमाही)। अगर आप एक बार ट्रेन करके कभी अपडेट नहीं करते, तो अनुमान बिगड़ते जाते हैं।
अनुमान अपने आप सच होने वाली भविष्यवाणियाँ बना सकते हैं। अगर आप सेल्सपर्सन को बताते हैं "यह ग्राहक छोड़ देगा", तो वह अनजाने में उस ग्राहक से बुरा बर्ताव कर सकता है, और इससे चर्न हो जाता है। अगर आप अनुमानित कम कीमत वाले ग्राहकों को नज़रअंदाज़ करते हैं, तो वे कभी कीमती नहीं बनते क्योंकि आप उन पर कभी निवेश नहीं करते। इस फ़ीडबैक लूप का ध्यान रखें।
अनुमान कारण नहीं बताते। मॉडल कह सकता है "यह विज़िटर छोड़ देगा", पर यह नहीं कि क्यों। क्या प्रोडक्ट फ़िट की बात है? कीमत? प्रतिस्पर्धी? कस्टमर सक्सेस उन्हें निराश कर रही है? कारण पहचानने और ठीक करने के लिए अब भी इंसानी समझ चाहिए। अनुमान समस्या सामने लाते हैं। इंसान उसे सुलझाते हैं।
प्राइवेसी नियम प्रेडिक्टिव सेगमेंटेशन को पेचीदा बनाते हैं। GDPR और CCPA यूज़र्स को यह जानने का अधिकार देते हैं कि उनके साथ अलग बर्ताव क्यों हो रहा है, और ऑटोमैटिक फ़ैसलों से बाहर निकलने का भी। अगर आप प्रेडिक्टिव सेगमेंट का इस्तेमाल किसी को एक्सेस न देने या उससे ज़्यादा पैसे लेने के लिए कर रहे हैं, तो आपको मॉडल का तर्क बताना पड़ सकता है। बड़े स्केल पर प्रेडिक्टिव सेगमेंटेशन लागू करने से पहले कानूनी सलाह लें।
क्या प्रेडिक्टिव सेगमेंटेशन और प्रेडिक्टिव एनालिटिक्स एक ही चीज़ हैं?
बिल्कुल नहीं। प्रेडिक्टिव एनालिटिक्स आगे के नतीजों का अनुमान लगाने का बड़ा क्षेत्र है (क्या यह ग्राहक छोड़ेगा, क्या यह मेट्रिक बढ़ेगी)। प्रेडिक्टिव सेगमेंटेशन खास तौर पर विज़िटर को उनके अनुमानित व्यवहार से ग्रुप करने के बारे में है। प्रेडिक्टिव एनालिटिक्स क्षमता है। प्रेडिक्टिव सेगमेंटेशन उसका एक इस्तेमाल है।
अनुमान कितने सटीक होने चाहिए ताकि काम के हों?
यह इस पर निर्भर है कि गलत होने की कीमत क्या है। अगर आप ज़्यादा मंशा वाले विज़िटर का अनुमान लगा रहे हैं और उन्हें $10 की छूट भेजते हैं, तो गलत होने की कीमत $10 है। 60% सटीकता ठीक है, आपको फिर भी मुनाफ़ा होता है। अगर आप धोखाधड़ी का अनुमान लगाकर किसी का एक्सेस रोक रहे हैं, तो आपको 95%+ सटीकता चाहिए। ज़्यादातर बिज़नेस फ़ैसलों के लिए 70-80% सटीकता वह सीमा है जहाँ अनुमान अंधाधुंध अंदाज़े से बेहतर होते हैं और उन पर कदम उठाना ठीक है।
क्या मैं छोटे ऑडियंस पर प्रेडिक्टिव सेगमेंटेशन इस्तेमाल कर सकता हूँ?
अच्छे से नहीं। प्रेडिक्टिव मॉडल को सीखने के लिए डेटा चाहिए। 100 यूज़र्स के साथ मॉडल के पास काफ़ी उदाहरण नहीं होते। 10,000 यूज़र्स के साथ उसके पास बुनियादी पैटर्न सीखने भर का डेटा होता है। 100,000 यूज़र्स के साथ वह बारीक पैटर्न सीखता है। प्रेडिक्टिव सेगमेंटेशन तब शुरू करें जब आपके पास कम से कम 5,000-10,000 यूज़र्स हों जिनका व्यवहार का इतिहास काफ़ी हो।
प्रेडिक्टिव सेगमेंटेशन और हाथ से बनाए सेगमेंटेशन में क्या फ़र्क है?
हाथ से बना सेगमेंटेशन यूज़र्स को जानी-पहचानी खूबियों के आधार पर बाँटता है (इलाका, ट्रैफ़िक सोर्स, डिवाइस)। प्रेडिक्टिव सेगमेंटेशन यूज़र्स को अनुमानित आगे के व्यवहार के आधार पर बाँटता है (कन्वर्ट करेगा, छोड़ेगा, लाइफ़टाइम वैल्यू)। हाथ से बना सेगमेंटेशन वह है जो हुआ। प्रेडिक्टिव वह है जो होगा। दोनों काम के हैं, पर्सनलाइज़ेशन के लिए प्रेडिक्टिव इस्तेमाल करें, रिपोर्टिंग के लिए हाथ वाला।
क्या मैं प्रेडिक्टिव सेगमेंट को रियल-टाइम में अपडेट कर सकता हूँ?
ज़्यादातर प्लेटफ़ॉर्म अनुमान रोज़ या हफ़्ते में एक बार अपडेट करते हैं, रियल-टाइम में नहीं। रियल-टाइम अनुमानों के लिए ज़्यादा इंफ़्रास्ट्रक्चर चाहिए और वे ज़्यादा महँगे होते हैं। ज़्यादातर मामलों में रोज़ या हफ़्ते के अपडेट काफ़ी हैं। अगर आपको रियल-टाइम पर्सनलाइज़ेशन चाहिए, तो एक CDI (Customer Data Infrastructure) में निवेश करें जो लगातार अपडेट होता रहे।
अगर किसी ग्राहक के बारे में मेरा अनुमान गलत निकले तो क्या होगा?
अलग-अलग अनुमान कभी-कभी गलत होंगे। मॉडल संभावना पर चलते हैं, पक्के नहीं होते। मकसद गलत से ज़्यादा बार सही होना है। अगर आप अनुमान लगाते हैं कि कोई छोड़ेगा और आप गलत हैं (वह नहीं छोड़ता), तो वह एक ग्राहक है। अगर आप अनुमान लगाते हैं कि 1,000 ग्राहक छोड़ेंगे और 700 सच में छोड़ते हैं, तो आपकी सटीकता 70% है और आपने फिर भी सबसे ज़्यादा जोखिम वाला सेगमेंट पहचान लिया। कुल सटीकता पर ध्यान दें, अलग-अलग की सटीकता पर नहीं।