Dette er femte del i serien Segmenteringsutfordringer. De andre delene kan du lese her:
- Del 4: Segmentering må brukes for å ha verdi.
- Del 3: Har du en god segmenteringsmodell?
- Del 2: Hvilken segmenteringsmodell bør du velge?
- Del 1: Taktisk og strategisk segmentering
Segmentering er en god metode for å bli relevant for forbrukerne og meningsfullt forskjellig fra konkurrentene. En god markedsstrategi trenger riktig segmenteringsdata fordi det sikrer at du identifiserer de sanne barrierene, mulighetene og kan gjøre markedstiltak som funker. Vi deler segmenteringsdata inn i fire hovedtyper:
1) Egenskaper ved forbrukeren
2) Atferd
3) Holdninger til merkevarer i kategorien
4) Situasjoner
Egenskaper ved forbrukeren
Forbrukeregenskaper kan være alt fra grått hår, kjønn, folk med smartklokker, generasjonstilhørighet til politiske preferanser.
De vanligste forbrukeregenskapene er demografiske data som kjønn og alder. Årsaken til den hyppige bruken er at det er lett og billig å fange opp. Utfordringen er at det ikke er god informasjon til å forklare forskjeller mellom forbrukergrupper. Bare se på denne gode artikkelen om to tilsynelatende like menn ‘What do Prince Charles and Ozzy Osbourne have in common?’. Med andre ord et tydelig tegn på at forbrukeregenskapene ikke er dekkende når forbukere med like egenskaper har ulike forbrukeratferd. Når det skjer, må du på leting etter bedre segmenteringsdata.
Det finnes verktøy som kan være en god start for å se på egenskaper ved forbrukerne – Norsk Monitor, Forbruker & Media eller egne merkevaretrackere kan være kilder til innsikt. Da får du raskt innblikk i demografi, sosioøkonomiske forhold, holdninger og livsstil. En utfordring med disse dataene er at de er generelle og ikke tilpasset din kategori, merkevare eller konkurransesituasjon.
Min erfaring er at egenskaper ved forbrukerne blir for generelle og er lette å kopiere for konkurrentene.
Atferdsdata
Atferdsdata er gulldata når du skal se effekten av spesifikke markedstiltak. Det kan være data om salg fra ekstraplasser i dagligvarebutikken, hvor hurtig en vare rullerer ut fra butikk, trafikk- og salgsdata fra nettbutikker, reise- og bevegelsesmønster under en pandemi og mer til. Det er med andre ord gode data for taktisk segmentering som skal påvirke forbrukerne tett før kjøp eller handling.
Atferdsdata er gode ‘hva-data’, men det sier deg lite om hvordan og hvorfor atferden har skjedd. Da trenger du mer ‘kjøtt på beinet’. Atferdsdata må derfor sees i konteksten de skjer, og handlingene må forstås og kontrolleres ut ifra andre data for å sikre riktig konklusjon.
Noen bruker pareto-prinsippet for å segmentere kundene. Pareto-prinsippet gir deg innsikt i om det er forskjeller mellom de 20% mest lønnsomme kundene dine oppimot de resterende 80%. Slik kan du finne ut hvilke tiltak du må gjøre for å sikre det neste salget hos både den lojale basen og de mer lavfrekvente shopperne.
Noen bruker også kunstig intelligens og maskinlæring for å ta seg av taktisk segmentering. Den kunstige intelligensen gjør ofte en mer presis jobb enn ‘regelstyrte’ segmenteringsmodeller.
En siste tanke om atferdsdata er at disse dataene er krevende å bruke til strategisk segmentering. Du kan gjerne lese mer om det i den første artikkelen jeg skrev om segmentering: https://www.analysen.no/segmenteringsutfordringer/
Holdninger til merkevarer i kategorien
Forbrukerholdninger handler mindre om hvor forbruker bor, jobber og hva de kjøper, men mer om hva de liker, foretrekker og aspirerer.
Holdningsdata tar utgangspunkt i kategoribrukerne og tilpasses hvordan bedriften definerer kategorien og merkevarens konkurransesituasjon. Dataene spenner fra assosiasjoner til merkevarene i kategorien, produktegenskaper, preferanse og betalingsvilje.
Det er vanlig å bruke verktøy som tradisjonell conjoint eller maxdiff (maximum difference scaling), også kalt samvalgsteknikker, for å avdekke hvor viktig og nyttig ulike attributter er for forbruker. Med utgangspunkt i hva forbrukerne mener er nyttig kan vi gjøre analyser for å se om det finnes ulike grupper av behov som verdsetter ulike attributter. Sagt på en annen måte, om vi finner grupper av forbrukere som aspirerer de samme tingene.
Det er flere utfordringer med holdningsdata. Det kan være vanskelig å gjenskape segmenteringsmodellen i andre undersøkelser eller i CRM-systemer. Du kan ha en kompleks modell som du prøver å beskrive med demografi- og sosioøkonomiske data, men ender opp med å redusere modellen til egenskaper ved forbrukeren.
En siste utfordring er at du har målt holdningene på feil nivå og får forbrukernes generelle holdninger som f.eks. ikke er tilpasset at forbrukeren har ulike holdninger til å handle øl på Kiwi sammenlignet med Vinmonopolet.
Situasjoner
Når forbruker kjøper en vare eller en tjeneste, ansettes merkevaren til en jobb. Hva slags jobb som skal gjøres er avgjørende for valg av merkevaren. Clayton Christensen kaller dette “Jobs to be done“. Christensen mener preferansen avhenger av situasjonen. Når vi forstår hva forbruker trenger i situasjonen har vi løst gåten for hva de er villige til å betale for. Da forstår vi forbrukernes valg. Det betyr at vi bør segmentere de ulike jobbene – ikke egenskaper ved personen, atferden eller generelle holdninger.
En fordel med «jobs-to-be-done» segmentering er at det blir lettere å gjenskape segmenteringsmodellen. Du trenger bare å forstå oppgaven som skal løses.
En ulempe med denne måten å segmentere på er at en kunde kan havne i flere forskjellige segment, som når jeg kjøper industriøl og poløl i ulike situasjoner. Dette er også en utfordring når segmenteringsmodellen skal gjenskapes i CRM-systemet.
Fordelen med denne segmenteringsteknikken er at den støtter seg på årsakssammenhenger. Teknikken ‘hopper derfor bukk’ over korrelasjonsanalyser som jo mange segmenteringsteknikker bruker. Korrelasjon er feil inngang til segmentering fordi vi må vite hvorfor vi har grupper av behov. Nemlig årsakssammenhengen.