En playbook til segmentering af brugere i praksis. Du kan godt!
Slides er fra morgeninspiration hos Peytz & Co 4/2 2015
http://peytz.dk/blog/faa-flere-abonnenter-aabninger-og-klik
6. Hvem er I & hvad skaber værdi?
• Ehandel? (opsalg og mersalg)
• Abonnementsforretning? (lead opsamling, churn-reduction, win-back, relevans)
• Business to Business site? (lead opsamling, win-over forløb, relevans)
• Medlemsorganisation? (tilfredshed via relevans, personlig service)
8. • Basalt set en sorteringsmaskine til din
internet trafik
• Genkender dine brugere fra mails
• Sætte ”tags” på via adfærd
• Sætte automatiske hændelser op
Woopra – et værktøj vi er glade for
13. Landingsside med Whitepaper
• ”Mine ti bedste segmenteringstips”
• Udfyld navn, firma, tlf & email
• Sign up til vores nyhedsbrev for at downloade
14. Så nu har vi noget at handle på
• Telefonopkald
• Win-over forløb af emails
• Tilpasse site og email udsendelse
• Give en rabat for at vinde tilbage
16. • Et førende open source e-handelsplatform
• Forberedt til integration med content, da det er
integreret med verdens største CMS: Wordpress
• Wordpress CMS uovertrufne brugervenlighed
• Best Value for Money
17. Vi er i et marked hvor kampen
om kunden er stadigt hårdere
• Søgemaskinerne giver kunderne transparent indsigt i
hvor de kan få produktet billigst
• Knivskarp konkurrence på search marketing
• Mængden af konkurrenter er overvældende"
Stigende problem: Dyre & illoyale kunder
18. Clerk: Amazon in a Box
• Software as a service: Markedsledende automatik
• Vi husker hvad brugeren har lavet og kan ud fra
det:
• Tilbyde relevante produkter på forsiden
• Tilbyde relevante produkter på produktside
• Relevante produkter i søge-resultater
• Tilbyde relevante flere produkter ved i-kurv-lægning
• Sende personlige emails
Ordrer solgt med Clerk har
45% flere varer i kurven og
en 37% større ordreværdi
Clerk øgede Unisports
omsætning fra
anbefalinger med 140% i
en split-test mod deres
foregående leverandør
CLERK
19. Prediction engines og maskinlæring
• Værktøjer som anvendes i"
intelligente personaliserede content-
services som feks. Netflix.
• Kobler brugerens adfærd
• Med andre brugeres adfærd
• Viden om indholdet
• Opdager det ting som kunne være
relevante
Prediction IO
20.
21. Prediction er…
Viden om mig!
Viden om content!
Viden: andres brug!
• Hvad er set!
• Hvor længe!
• Ratings afgivet!
• Relevant!
• Genre!
• Nøgleord!
• Relateret!
• Hvad er set!
• Hvor længe!
• Ratings afgivet!Automatisering og
maskinlæring!
22. Værdi af prediction
• Aktivering og genbrug af evergreen indhold
• Oplevelse af personlig relevans for brugeren
25. Det handler især også om…
• Vide, hvad der skabe værdi for jer
• Genkende tegn på at brugerne gerne vil noget som I
også gerne vil
• Sætte det på formel og automatisere det