產品 SEO 與 GEO 代理 付費廣告代理 網站代理 轉換代理
運作方式 方案 常見問題 部落格 預約通話

小型企業如何用 AI 做客戶分群與個人化行銷

更新於 · 閱讀約 8 分鐘

簡短回答 小型企業可以用三種方法借助 AI 為客戶分群:把客戶匯出檔上傳給 ChatGPT 這類聊天機器人;使用 Mailchimp 或 Klaviyo 等電子郵件工具內建的預測功能;或者用白話描述一個客群,讓工具幫您建好。預測功能需要網路商店和訂單紀錄。上傳任何資料之前,先刪掉姓名。

想把這些用在您的生意上?預約一次 30 分鐘的免費通話,一起聊聊。

預約通話

AI 客戶分群:三種做法

分群是指把客戶分成幾組,每組收到不同的訊息。個人化是指為每一組、甚至每一個人送出適合他們的優惠。AI 在第一步幫您從資料中找出分組,在第二步幫您為每一組寫一版優惠內容。

方法AI 做什麼您需要什麼適合誰
讓聊天機器人讀取您的客戶匯出檔依最近一次購買時間、購買頻率和消費金額為客戶分群,並說明每一群從您的派工、預約或銷售軟體匯出的試算表;一個能分析檔案的 ChatGPT 類工具任何企業,包括沒有網路商店的服務業
電子郵件工具裡的預測功能為每位聯絡人評分:近期可能購買、有流失風險、預估終身消費已串接的網路商店和足夠的訂單紀錄在網路上銷售的商店
AI 客群建立工具把「6 個月內下單 3 次以上的回頭客」變成一個已儲存的客群這些資料已經在電子郵件工具裡覺得分群選單難用的任何人

大多數在地服務業者(水電師傅、牙醫診所、記帳師)都從第一種方法開始。電子郵件工具的預測功能是圍繞網路訂單設計的,而客群建立工具只能處理工具裡已有的資料。

如何用 ChatGPT 做客戶分群:逐步操作

ChatGPT 可以分析上傳的試算表,包括 .xls、.xlsx 和 .csv 檔案,並在上面執行 Python 運算(OpenAI Help: Data analysis with ChatGPT)。

  1. 每位客戶匯出一列。 欄位包括:客戶編號、首次購買日期、最近一次購買日期、購買或服務次數、總消費、主要購買的服務,以及城市或郵遞區號。OpenAI 的說明頁面要求第一列寫清楚欄位名稱,每位客戶占一列。
  2. 刪掉姓名、電子郵件和電話號碼。 只保留客戶編號。AI 不需要知道誰是誰也能分群,之後您再依編號對回去。
  3. 要求做 RFM 分群。 RFM 指最近一次購買(recency,距離上次購買多久)、購買頻率(frequency,多久買一次)和消費金額(monetary,花了多少錢)。可以這樣問:「Group these customers by recency, frequency and total spend into 4 to 6 groups. Name each group, give its size and average spend, and say what each group likely needs from us.」(依最近一次購買、購買頻率和總消費把這些客戶分成 4 到 6 群。為每群命名,說明人數和平均消費,並說說每群可能需要我們提供什麼。)
  4. 核對計算。 OpenAI 建議在依賴結果之前,先檢查程式碼、結果和假設。抽查五位您熟悉的客戶。
  5. 把分群帶回去。 下載帶有新「group」欄的檔案,依編號對上您的聯絡人,再把這一欄當作聯絡人欄位或標籤匯入電子郵件工具。
  6. 每季重做一次。 客戶會隨著購買或沉寂在各群之間移動。

對服務業來說,通常重要的分群是:該做回訪服務的、高消費的、只來過一次的,以及一年多沒消費的。如何把這些分群變成電子郵件規則,請見依行為進行電子郵件分群。

電子郵件工具的 AI 預測需要什麼?

需要串接網路商店,並有真實的訂單紀錄。沒有這些,預測就是空白。

工具預測什麼需要什麼
Mailchimp未來 60、90 或 365 天內購買的可能性;預測客戶終身價值;預測下次購買時間;流失風險(高、中、低)Standard 以上方案、已串接的網路商店,並且已經寄出至少一次電子郵件行銷活動(Mailchimp Help: About Predictive Analytics and Demographics)
Klaviyo預測客戶終身價值、訂單數、流失風險、預計下次下單日期至少 500 位下過單的客戶,180 天的訂單紀錄且最近 30 天內有訂單,部分客戶下單 3 次以上,以及電商整合或透過 API 傳送訂單(Klaviyo Help: Understanding Klaviyo's predictive analytics)

客戶終身價值(CLV)是一位客戶預計在您這裡長期消費的總額。流失風險是客戶不再購買的可能性。

Mailchimp 也會推測每位聯絡人的年齡層和性別。它表示這些預測「based on shared Mailchimp account information from around the world」(根據全球共享的 Mailchimp 帳戶資訊),而且符合資格的帳戶預設開啟此功能;您可以在資料設定中關閉(Mailchimp Help: About Predictive Analytics and Demographics)。把它們當作估計,而不是關於某個人的事實。

我只描述一下,AI 能幫我建好客群嗎?

可以,部分工具做得到,但您還是要檢查。Klaviyo 的 Composer「can build a segment from a plain-language description of the audience you want」(可以根據您用白話描述的目標受眾建立客群),先回傳一份草稿,在您點擊 Save 或 Create 之前不會儲存任何東西。它也「can't invent a property you don't have」(無法憑空造出您沒有的屬性)(Klaviyo Help: How to create segments with Composer)。Klaviyo 的建議是:檢查完整的定義,包括同意狀態、時間範圍和排除條件;如果人數為零或差距很大,儲存前先檢查條件和您的資料。

Mailchimp 的客群建立工具可以直接依它的預測來篩選,例如流失風險,或預測終身價值高於某個金額(Mailchimp Help: All the Segmenting Options)。

如何為每一群量身打造優惠

給每一群一個符合其所處階段的優惠。AI 擅長寫不同版本;優惠由您來決定。

分群合適的優惠可用的個人細節
該做回訪服務的附預約連結的提醒他們做過的服務和時間
高消費的提前預約或優先時段他們常用的服務
只來過一次的順理成章的下一項服務他們第一次買的東西
一年多沒消費的一個回來的理由最多只用他們的名字

把這一群的描述和您的優惠貼到 ChatGPT,請它為這一群寫一個郵件主旨和一封簡短的電子郵件。每份草稿寄出前都要讀一遍:AI 可能編出您從沒提供過的折扣或截止日期。好用的提示詞請見用 ChatGPT 寫行銷郵件的提示詞。

要看成效,可以讓每群中的一部分人收到您平常的電子郵件。如果量身打造的版本沒有帶來更多預約或訂單,就換優惠,而不是換 AI。

個人細節應該來自客戶在您這裡做過的事,而不是猜測。「您的暖氣爐上次保養是去年 10 月」有幫助。根據預測年齡或性別寫的訊息,一旦猜錯就可能弄巧成拙。

把客戶資料放進 ChatGPT 安全嗎?

先刪掉身分資訊,並弄清楚您所用方案的訓練設定,就比較安全。在個人版 ChatGPT 方案中,進入 Settings,再進入 Data controls,關閉「Improve the model for everyone」,這樣您的對話就不會用於模型訓練(OpenAI Help: Data controls in ChatGPT)。企業方案預設已經關閉:

"By default, we do not use data from ChatGPT Enterprise, ChatGPT Business, ChatGPT Edu, ChatGPT for Healthcare, ChatGPT for Teachers, or our API platform—including inputs or outputs—for training or improving our models." (OpenAI: Business data privacy, security, and compliance) 譯文:「在預設情況下,我們不會使用來自 ChatGPT Enterprise、ChatGPT Business、ChatGPT Edu、ChatGPT for Healthcare、ChatGPT for Teachers 或我們 API 平台的資料(包括輸入和輸出)來訓練或改進我們的模型。」

訓練是一個問題;您自己的隱私承諾是另一個問題。如果您的隱私權政策沒有提到會與外部軟體分享資料,只匯出編號是比較穩妥的習慣。醫療和稅務資料的規範更嚴格(請見文末連結)。

隱私規範對 AI 分群怎麼說?

為自己的客戶分群是一般的行銷行為,但有幾條規範與之相關。

美國:加州隱私法有規模門檻。 《加州消費者隱私法》(CCPA)適用於在加州營業的營利企業,條件是年總收入達 $26.625 million 以上,或者買賣或分享 100,000 名以上加州居民或家戶的個人資訊,或者 50% 以上的收入來自出售或分享個人資訊(California Privacy Protection Agency: FAQ)。

加拿大:新用途需要同意。 《個人資訊保護與電子文件法》(PIPEDA)附表 1 規定:

"Personal information shall not be used or disclosed for purposes other than those for which it was collected, except with the consent of the individual or as required by law." (PIPEDA, Schedule 1, clause 4.5) 譯文:「除非經當事人同意或法律要求,個人資訊不得用於或揭露於蒐集目的以外的用途。」

所以,如果您蒐集某人的電子郵件只是為了寄帳單,那麼在將這個人分群並寄送行銷郵件之前,先確認您的告知或同意也涵蓋了行銷。電子郵件同意本身是另一條規範:請見CASL 同意。

魁北克:建立個人剖析之前先告知。 使用能對人進行剖析的技術蒐集資訊的企業,必須「first inform the person」(先告知當事人)這項技術的使用,以及如何啟用其剖析功能(魁北克《私部門個人資訊保護法》,第 8.1 條)。該法把剖析定義為評估一個人的特徵,包括「personal preferences, interests or behaviour」(個人偏好、興趣或行為)。如果關於某人的決定完全由自動化處理做出,第 12.1 條要求告知當事人。

範例

以下為示意案例,數字為虛構。

一家有 900 位舊客戶的園藝造景公司(美元)

老闆從派工軟體匯出客戶,刪掉姓名和電子郵件,請 ChatGPT 做 RFM 分群。結果發現有 140 位客戶連續兩年購買春季清理服務,但從去年 5 月起就沒再消費。他們在 3 月收到一封電子郵件,提供今年的清理服務和預約連結。消費最高的 60 位客戶可以優先挑選開工日期。

一家有 3,000 位買家的 Shopify 保養品店(加幣)

Mailchimp 已串接到網路商店。流失風險高的聯絡人會收到補貨提醒,推薦他們上次買的產品。寄出任何挽回郵件之前,店主先剔除了最後一次購買已超過兩年、且從未給過明示同意的安大略省買家。

一家有 250 位客戶的記帳事務所(美元)

客戶太少,用不了電子郵件工具的預測。每季把試算表交給 ChatGPT 處理一次,把客戶分成每月記帳、只做報稅和一次性帳務整理三類。只做報稅的客戶會在秋天收到一封介紹全年記帳服務的電子郵件。

常見問題

什麼是 AI 客戶分群?

用軟體在您的資料中找出相似客戶的分群,或預測每位客戶的下一步行動,而不是手寫每條規則。最後得到的仍是一份分群清單,由您決定怎麼用。

我需要多少客戶?

用聊天機器人分析,多少都可以,不過少於幾十人的分群說明不了什麼。要用 Klaviyo 的預測,至少需要 500 位下過單的客戶。

AI 個人化比簡單分群更好嗎?

不一定。一個好的簡單分群搭配對的優惠,勝過一個聰明的預測搭配弱的優惠。先從簡單的開始,等規則多到管不來時再加入 AI。

我能在廣告中使用 AI 分群嗎?

可以。您可以把一個分群當作客戶名單上傳到 Meta 並向他們投放廣告,但要遵守 Meta 的規範:請見Facebook 自訂廣告受眾。

您的情況不同?

繼續閱讀

下一篇旅遊行銷中的 AI:個人化、定價與客戶服務旅遊團業者、景點和小型住宿如何用 AI 贏得預約:AI 行程規劃、聊天機器人、個人化優惠、動態定價,以及各自的規則。

問我們一個問題

一句話就夠了。我們會以電子郵件回覆。

出處

  1. OpenAI Help: Data analysis with ChatGPT
  2. OpenAI Help: Data controls in ChatGPT
  3. OpenAI: Business data privacy, security, and compliance
  4. Mailchimp Help: About Predictive Analytics and Demographics
  5. Mailchimp Help: All the Segmenting Options
  6. Klaviyo Help: Understanding Klaviyo's predictive analytics
  7. Klaviyo Help: How to create segments with Composer
  8. California Privacy Protection Agency: Frequently asked questions
  9. PIPEDA, S.C. 2000, c. 5, Schedule 1 (Justice Laws)
  10. LégisQuébec: Act respecting the protection of personal information in the private sector (P-39.1)